ETH/USDT Quantitative Time-Series Analysis & Statistical Modeling

1. Overview

Dự án tập trung vào việc thiết lập pipeline tiền xử lý dữ liệu chuỗi thời gian (Time-Series) và phân tích thống kê chuyên sâu cho cặp tỷ giá ETH/USDT trên khung thời gian 30 phút. Mục tiêu cốt lõi là làm sạch dữ liệu chuỗi thời gian, chuyển đổi chuỗi giá không dừng thành chuỗi tỷ suất sinh lợi dừng (Stationary Log Returns), và thực hiện các kiểm định thống kê để xác định cấu trúc phân phối đặc trưng của thị trường tiền mã hóa.

2. Data Preprocessing Pipeline

Dữ liệu thô chứa hơn 100,000 quan sát được xử lý qua một pipeline nghiêm ngặt để đảm bảo tính toàn vẹn toán học trước khi đưa vào các mô hình Machine Learning hoặc Backtest:

• Datetime Alignment: Chuyển đổi cột timestamp sang định dạng chuẩn, thiết lập làm chỉ mục (Index) và sắp xếp tăng dần.
• Time-Series Resampling: Sử dụng phương thức .asfreq('30min', method='ffill') để điền khuyết các khoảng trống dữ liệu, đảm bảo chuỗi thời gian diễn ra liên tục không bị ngắt quãng.
• Volume Epsilon Adjustment: Thay thế các giá trị khối lượng giao dịch bằng $0$ thành giá trị cực nhỏ $\epsilon = 0.0001$. Kỹ thuật này giúp ngăn chặn lỗi chia cho $0$ (Zero-Division) khi tính toán các chỉ báo tỷ lệ khối lượng (Volume Ratio) và tránh lỗi vô cực âm ($-\infty$) khi lấy logarit chuỗi khối lượng.
• Log Returns Transformation: Chuỗi giá đóng cửa tuyệt đối được chuyển đổi sang chuỗi tỷ suất sinh lợi Logarit (Log Returns) để đạt tính dừng (Stationarity) theo công thức: $$R_t = \ln\left(\frac{P_t}{P_{t-1}}\right)$$

3. Statistical Analysis & Insights

Dự án áp dụng kiểm định giả thuyết thống kê để phá vỡ các giả định sai lầm phổ biến về thị trường:

• Kiểm định Jarque-Bera (JB Test):
  • JB Statistic: 10,021,259.32
  • P-value: 0.0
  • Kết luận: Với $p\text{-value} < 0.05$, chúng ta bác bỏ hoàn toàn giả thuyết $H_0$ (Phân phối chuẩn).
• Ý nghĩa tài chính định lượng: Chuỗi lợi suất ETH/USDT có hiện tượng Fat Tails (Đuôi dày) và Volatility Clustering (Cụm biến động) rõ rệt. Điều này chứng minh dữ liệu vi phạm giả định độc lập và phân phối chuẩn đồng nhất (I.I.D), một phát hiện quan trọng phục vụ cho việc xây dựng các mô hình quản trị rủi ro (VaR) hoặc các mô hình dự báo biến động nâng cao (GARCH) sau này.

4. Visualizations

Pipeline tích hợp hệ thống trực quan hóa 3 tầng (3-panel subplot) bằng matplotlib và seaborn:

1. Price & Volume Interaction: Biểu đồ đường của chuỗi giá kết hợp biểu đồ vùng (shaded area) của khối lượng giao dịch qua trục phụ (twinx axis) để bắt các regime thị trường.
2. Volatility Cluster Plot: Diễn biến chuỗi Log Returns theo thời gian để nhận diện các vùng sốc thị trường (market shocks).
3. Log Returns Density Distribution: Histogram kèm đường ước lượng mật độ nhân (KDE) tập trung vào vùng trung tâm để trực quan hóa độ nhọn và phân phối đuôi dày.

5. Technologies Used

• Language: Python
• Libraries: Pandas, NumPy, Matplotlib, Seaborn, SciPy (scipy.stats).
• Concepts: Time-Series Resampling, Logarithmic Returns, Jarque-Bera Test, Volatility Clustering.