Backtesting van de beste cryptostrategieën: het opnieuw in evenwicht brengen van de portefeuille

>

Het bestuderen van handelsstrategieën is een kunst geworden in de cryptocurrency-ruimte. Niet in positieve zin. Het is het soort kunst geworden dat voor interpretatie vatbaar is.

Het is ons doel tijdens de rest van deze studie om geen dubbelzinnigheid te laten. We willen strategieën nauwkeurig bestuderen op een manier waarvan we redelijkerwijs kunnen verwachten dat ons begrip de enige mogelijke interpretatie van de resultaten is.

Om dit niveau van begrip te bereiken, gebruiken we een techniek genaamd backtesting.

In deze studie zullen we een reeks strategieën voor het opnieuw in evenwicht brengen van de portefeuille testen om te bepalen welke configuraties in het verleden het meest succesvol waren.

Wat is backtesting?

Backtesting is het proces waarbij historische marktgegevens worden gebruikt om te berekenen hoe goed een strategie in het verleden zou hebben gepresteerd. Met behulp van exacte bied-laat prijsinformatie konden we de transacties reconstrueren die we op elk moment in de tijd hadden kunnen doen.

Benadrukt moet worden dat backtesting alleen historische gegevens evalueert. Hoewel historische prestaties geen garantie bieden voor toekomstig rendement, is backtesting nog steeds een waardevol instrument om veelbelovende strategieën te identificeren.

Wat is backtesting?

Backtesting is een wiskundige simulatie die door handelaren wordt gebruikt om de prestaties van een handelsstrategie te evalueren. De simulatie maakt gebruik van historische marktgegevens in een poging om te berekenen hoe goed een handelsstrategie het in het verleden zou hebben gedaan.


Studiemethodologie

Laten we, voordat we op de resultaten kunnen ingaan, de opzet van het onderzoek bespreken. Op die manier kunnen we het betrouwbaarheidsniveau bepalen dat we in de resultaten kunnen hebben.

Strategieën

We richten ons op één primaire strategie; opnieuw in evenwicht brengen. Rebalancing wordt al decennia door instellingen gebruikt en heeft de tand des tijds doorstaan. Hoewel het op het eerste gezicht eenvoudig lijkt, heeft rebalancing complexiteiten die unieke kansen bieden.

In het bijzonder zullen we zowel strategieën voor het opnieuw in evenwicht brengen van drempels als van strategieën voor periodieke herbalancering evalueren. Hoewel deze twee strategieën al voldoende nuance bevatten om zelf een volledige studie te rechtvaardigen, zullen we daar niet stoppen. Elke strategie vergelijkt een standaard opnieuw in evenwicht brengen met Shrimpy’s ‘voor vergoedingen geoptimaliseerde’ herschikking.

Een tegen vergoeding geoptimaliseerde herschikking maakt gebruik van een geavanceerde combinatie van bestellingen van makers en ontvangers, samen met intelligente routering, om vergoedingen te verlagen en transacties tussen activa optimaal te routeren.

Meer informatie over het opnieuw in evenwicht brengen van uw portfolio.

Tariefoptimalisatie

Tijdens het onderzoek zullen we vergelijkingen maken tussen voor vergoeding geoptimaliseerde herschikkingen en standaard herschikkingen. Standaard opnieuw in evenwicht brengen zijn gewoon opnieuw in evenwicht brengen waarbij geen optimalisatie van kosten wordt gebruikt.

Tariefoptimalisatie is een functie die is ontwikkeld door het Shrimpy-team. Het biedt handelaren een manier om hun kosten te verlagen door gebruik te maken van een geavanceerder algoritme voor het plaatsen van een combinatie van maker- en taker-transacties. Dit staat in contrast met standaard herschikkingen die alleen gebruik maken van taker-transacties.

In Shrimpy maken rebalances ook gebruik van een gespecialiseerd slim algoritme voor orderroutering dat verschillende handelsparen in realtime kan evalueren om op intelligente wijze transacties via alternatieve handelsparen te routeren. Dit verlaagt de vergoedingen verder.

Meer informatie over voor vergoedingen geoptimaliseerde herschikkingen.

Historische gegevens

De kern van elke backtest zijn de gegevens. Hoewel er veel services op de markt zijn die candlestick-gegevens gebruiken om een ​​backtest te simuleren, zullen we preciezer zijn voor deze studie.

In plaats van geaggregeerde gegevens of onnauwkeurige kandelaars te gebruiken, zullen we de exacte orderboeken op de Binance uitwisseling. Deze betrouwbare gegevens zijn van vitaal belang voor ons onderzoek, daarom hebben we ervoor gezorgd dat we samenwerkten met een toonaangevende gegevensprovider op de markt. Onze partners voor dit onderzoek zijn Kaiko.

Kaiko is sinds 2014 een vertrouwde leverancier van historische marktgegevens. Sindsdien hebben ze de manier waarop bedrijven historische gegevens gebruiken voor de ontwikkeling van nieuwe producten en diensten, opnieuw gedefinieerd..

kaiko marktgegevens

Naadloze connectiviteit met historische en live datafeeds van meer dan 100 spot- en derivatenbeurzen.

Het tijdbereik voor de gegevens die voor elke backtest zijn opgenomen begint op 1 december 2019 en eindigt op 1 december 2020. Op die manier bestuderen we exact 1 jaar aan historische data.

Portfolio selectie

Elke backtest wordt exact uitgevoerd 10 willekeurig geselecteerde items. Alleen activa die beschikbaar waren op Binance op 1 december 2019 zal erbij in zitten. Als een bepaald activum op die datum niet beschikbaar was op Binance, wordt het activum uitgesloten van dit onderzoek.

Activa worden geselecteerd aan het begin van elke backtest-iteratie. Een enkele backtest-iteratie evalueert een HODL-strategie, een standaard herschikking (zonder optimalisatie van kosten) en een geoptimaliseerde herschikking van vergoedingen. Dat betekent dat dezelfde portefeuille wordt geëvalueerd met elk van deze 3 strategieën voordat willekeurig een nieuwe portefeuille wordt geselecteerd. Hierdoor kunnen we de resultaten van elke strategie vergelijken met exact dezelfde activa.

Lees meer over optimale portfoliogroottes.

Distributie

Elke portefeuille die wordt geselecteerd, verdeelt de activa in de portefeuille gelijkmatig. Eigenlijk, elk actief in de portefeuille zal precies 10% van het gewicht van de portefeuille hebben aan het begin van de backtest. Tijdens elke herbalanceringsgebeurtenis worden de toewijzingen teruggebracht om exact overeen te komen met de oorspronkelijke toewijzing van 10% voor elk activum.

Lees meer over de beste manier om activa in een portefeuille te verdelen.

Resultaten

Nu de logistiek uit de weg is. Het is tijd om in de resultaten te duiken. De volgende resultaten omvatten een onderzoek van zowel periodieke als drempelherbalancering. Naast deze twee unieke strategieën, zullen we ook de resultaten vergelijken van herschikkingen waarbij gebruik werd gemaakt van tariefoptimalisatie met die welke geen tariefoptimalisatie gebruikten..

Periodiek opnieuw in evenwicht brengen

Periodieke herschikkingen werden geëvalueerd op intervallen van 1 uur, 1 dag, 1 week en 1 maand. Elk van deze intervallen werd gebruikt om de prestaties van een eenvoudige HODL-strategie, standaardherbalancering en voor vergoeding geoptimaliseerde rebalance te vergelijken.

In totaal werden er 12 verschillende condities geëvalueerd, waarbij elke conditie door 1.000 backtests werd doorlopen. Het eindresultaat was 12.000 verschillende backtests die de effectiviteit van periodieke herbalancering evalueerden.

HODL-resultaten

Figuur 1: De bovenstaande grafiek is een voorbeeld van de portefeuilleverdeling die we hebben waargenomen toen er niet werd gehandeld in de portefeuille. In het histogram zijn 1000 backtests opgenomen. Nadat elke backtest was uitgevoerd, werd deze in een van de prestatie-buckets geplaatst om de curve te creëren die u ziet. Zo produceerden ongeveer 195 backtests prestatieresultaten die varieerden tussen 86% en 115% voor de HODL-strategie.

In de geëvalueerde periode van 1 jaar zagen portefeuilles die een HODL-strategie gebruikten een mediane waardestijging van de portefeuille met 113,7%. Merk op dat het aanpassen van de rebalance-periode geen invloed heeft op de mediane prestatie, aangezien een HODL-strategie niet rebalanceert.

Kleine afwijkingen in de HODL-prestaties worden in de resultaten waargenomen. Deze kleine afwijkingen zijn simpelweg het gevolg van toeval. Op basis van de portefeuilleselecties voor de 1.000 backtests verwachten we dat de mediane performance niet elke keer identiek zal zijn.

Resultaten regelmatig opnieuw in evenwicht brengen

Figuur 2: De bovenstaande grafiek is een voorbeeld van de portefeuilleverdeling die we hebben waargenomen bij het gebruik van een handelsstrategie voor dagelijkse herbalancering (zonder optimalisatie van vergoedingen). In het histogram zijn 1000 backtests opgenomen. Nadat elke backtest was uitgevoerd, werd deze in een van de prestatie-buckets geplaatst om de curve te creëren die u ziet. Zo leverden ongeveer 160 backtests prestatieresultaten op die varieerden tussen 114% en 139% voor de dagelijkse herbalanceringsstrategie.

Gedurende dezelfde periode van 1 jaar hadden regelmatige periodieke herschikkingen een mediane prestatie van 126% tot 139,1%.

  • Herbalancering van 1 uur – 126,6% Mediaan prestatie

  • Herbalancering van 1 dag – 139,1% Mediane prestatie

  • Herbalancering van 1 week – 129,4% Mediane prestatie

  • Herbalancering van 1 maand – 126,0% Mediane prestatie

Vergoeding geoptimaliseerde herschikkingsresultaten

Figuur 3: De bovenstaande grafiek is een voorbeeld van de spreiding van de portefeuilleprestaties die we hebben waargenomen bij het gebruik van een handelsstrategie met een herschikking per uur (zonder optimalisatie van vergoedingen). In het histogram zijn 1000 backtests opgenomen. Nadat elke backtest was uitgevoerd, werd deze in een van de prestatie-buckets geplaatst om de curve te creëren die u ziet. Bijvoorbeeld, ongeveer 160 backtests leverden prestatieresultaten op die varieerden tussen 191% en 231% voor de herschikkingsstrategie per uur.

Over dezelfde periode van 1 jaar hadden voor vergoedingen geoptimaliseerde periodieke herschikkingen een mediane prestatie van 129,4% tot 254,8%.

  • Herbalancering van 1 uur – 254,8% Mediaan prestatie

  • Herbalancering van 1 dag – 158,2% Mediane prestatie

  • Herbalancering van 1 week – 135,9% Mediaan prestatie

  • Herbalancering van 1 maand – 129,4% Mediane prestatie

Discussie

Door de resultaten te combineren, kunnen we de uiteindelijke prestaties als een raster visualiseren.

Figuur 4: Elke cel in het raster vertegenwoordigt de gemiddelde prestatie van 1.000 backtests. Met een startwaarde van $ 5.000, zou een prestatie van 100% een uiteindelijke portfoliowaarde van $ 10.000 vertegenwoordigen. Met andere woorden, alle mediane portefeuillewaarden die in deze tabel worden weergegeven, zijn meer dan verdubbeld in de periode van één jaar.

In Figuur 4 zien we dat de best presterende strategie een 1-uur herbalanceringsstrategie was die gebruik maakte van vergoedingsoptimalisatie.

Op het eerste gezicht lijkt het misschien zorgwekkend dat de prestatie toeneemt naarmate de frequentie van de herschikking toeneemt voor geoptimaliseerde herschikkingen. Het zou echter logisch zijn dat een portefeuille meer baat heeft bij optimalisatie van vergoedingen naarmate de portefeuille vaker wordt herschikt. In wezen geldt dat hoe vaker de portefeuille wordt verhandeld, hoe groter de impact “vergoeding-optimalisatie” kan hebben op de prestatie.

Als we elk van de rebalancing-strategieën vergelijken met de simpele buy and hold-strategie, krijgen we deze resultaten.

Afbeelding 5: Elke cel vertegenwoordigt de vergelijking tussen een strategie voor het opnieuw in evenwicht brengen en HODL. Een positieve waarde betekent dat de strategie met dat bedrag beter presteerde dan het bezit. In wezen, als de holdingstrategie + 100% presteerde over de periode van 1 jaar, betekent een positief percentage dat de rebalance-strategie zelfs beter presteerde dan + 100%.

In figuur 5 zien we dat alle herbalanceringsstrategieën het beter deden dan holding (op basis van de mediaan van de portefeuilleprestaties). Dat betekent dat de mediane buy & hold-strategie slechter presteert dan de mediaan van een rebalancing-strategie.

Ten slotte kunnen we de resultaten van de geoptimaliseerde herschikking van vergoedingen vergelijken met de resultaten van de standaard herschikking, zodat we het specifieke voordeel kunnen zien dat wordt gegenereerd door het gebruik van optimalisatie van vergoedingen.

Figuur 6: Elke cel geeft het voordeel weer dat wordt verkregen door optimalisatie van vergoedingen. In wezen, hoeveel beter presteert een portfolio bij het gebruik van tariefoptimalisatie in plaats van zonder tariefoptimalisatie.

Zoals we eerder hebben besproken, kunnen we zien dat het voordeel van tariefoptimalisatie toeneemt naarmate de frequentie van opnieuw in evenwicht brengen toeneemt.

Conclusies

We kunnen uit deze resultaten concluderen dat herbalancering historisch gezien de neiging heeft om beter te presteren dan een buy-and-hold-strategie. Bovendien kunnen we zien dat het voordeel van het gebruik van een vergoedingsoptimalisatiestrategie de neiging heeft toe te nemen met de frequentie van de handel. Hoe vaker een strategie wordt verhandeld, hoe meer voordeel wordt gegenereerd door de optimalisatie van de vergoeding.

Zonder optimalisatie van vergoedingen was de best presterende strategie een herschikkingsinterval van 1 dag.

Drempelherbalancering

Om drempelherbalancering te evalueren, zullen we 7 verschillende drempelstrategieën onderzoeken. Deze omvatten een drempelherstel van 1%, 5%, 10%, 15%, 20%, 25% en 30%. Net als bij het periodieke herbalanceringsgedeelte van deze studie, zullen we de resultaten voor standaardherbalancering, geoptimaliseerde herbalancering en HODL-resultaten vergelijken.

Elke configuratie voert 1.000 unieke backtests uit voor een totaal van 21.000 backtests.

HODL-resultaten

Figuur 7: De bovenstaande grafiek is een voorbeeld van de verdeling van de portefeuilleprestaties die we hebben waargenomen toen er niet werd gehandeld in de portefeuille. In het histogram zijn 1000 backtests opgenomen. Nadat elke backtest was uitgevoerd, werd deze in een van de prestatie-buckets geplaatst om de curve te creëren die u ziet. Zo leverden ongeveer 160 backtests prestatieresultaten op die varieerden tussen 110% en 137% voor de HODL-strategie.

In de geëvalueerde periode van 1 jaar zagen portefeuilles die een HODL-strategie gebruikten een mediane waardestijging van de portefeuille van 115%. Merk op dat het aanpassen van de herschikkingsdrempel geen invloed heeft op de mediane prestatie, aangezien een HODL-strategie geen herschikking heeft.

Kleine afwijkingen in de HODL-prestatie worden in de resultaten waargenomen. Deze kleine afwijkingen zijn simpelweg het gevolg van toeval. Op basis van de portefeuilleselecties voor de 1.000 backtests verwachten we dat de mediane performance niet elke keer identiek zal zijn.

Resultaten regelmatig opnieuw in evenwicht brengen

Figuur 8: De bovenstaande grafiek is een voorbeeld van de portefeuilleverdeling die we hebben waargenomen bij het gebruik van een 15% -drempelherstelstrategie (met optimalisatie van vergoedingen). In het histogram zijn 1000 backtests opgenomen. Nadat elke backtest was uitgevoerd, werd deze in een van de prestatie-buckets geplaatst om de curve te creëren die u ziet. Zo leverden ongeveer 98 backtests prestatieresultaten op die varieerden tussen 173% en 197% voor de 15% -drempelherbalanceringsstrategie.

Gedurende de periode van 1 jaar hadden regelmatige herschikkingen van de drempel een mediane prestatie van 134,1% tot 152,7%.

  • 1% drempel – 134,1% Mediane prestatie

  • 5% drempel – 150,5% Mediane prestatie

  • 10% drempel – 150,2% Mediane prestatie

  • 15% drempel – 152,7% Mediane prestatie

  • 20% drempel – 147,4% Mediane prestatie

  • 25% drempel – 150,2% Mediane prestatie

  • 30% drempel – 147,0% Mediane prestatie

Vergoeding geoptimaliseerde herschikkingsresultaten

Figuur 9: De bovenstaande grafiek is een voorbeeld van de verdeling van de portefeuilleprestaties die we hebben waargenomen bij het gebruik van een 1% -drempelherstelstrategie (met optimalisatie van vergoedingen). In het histogram zijn 1000 backtests opgenomen. Nadat elke backtest was uitgevoerd, werd deze in een van de prestatie-buckets geplaatst om de curve te creëren die u ziet. Zo leverden ongeveer 118 backtests prestatieresultaten op die varieerden tussen 152% en 189% voor de 1% -drempelherbalanceringsstrategie.

Over de periode van 1 jaar hadden vergoedingsgeoptimaliseerde drempelherbalansen een mediane prestatie van 156,5% tot 258,3%.

  • 1% drempel – 258,3% Mediaan prestatie

  • 5% drempel – 197,2% Mediane prestatie

  • 10% drempel – 179,1% Mediane prestatie

  • 15% drempel – 172,1% Mediane prestatie

  • 20% drempel – 163,2% Mediane prestatie

  • 25% drempel – 164,1% Mediane prestatie

  • 30% drempel – 156,3% Mediaan prestatie

Discussie

Door de resultaten te combineren, kunnen we de uiteindelijke prestaties als een raster visualiseren.

Afbeelding 10: Elke cel in het raster vertegenwoordigt de gemiddelde prestatie van 1.000 backtests. Het percentage vertegenwoordigt de procentuele waardestijging van de portefeuille in de loop van de periode van 1 jaar. Daarom zou een 100% de waarde vertegenwoordigen van een portefeuille die tijdens de backtest-periode verdubbelt.

In figuur 10 kunnen we zien dat hoewel de mediaanportefeuilles die gebruikmaken van een buy-and-hold-strategie in de loop van een periode van 1 jaar meer dan verdubbeld in waarde zijn, alle strategieën voor het opnieuw in evenwicht brengen van de drempel beter presteerden dan de HODL-strategie.

Dit suggereert dat, ongeacht de geselecteerde drempel, het opnieuw in evenwicht brengen van het bedrijf historisch gezien de neiging heeft om beter te presteren dan de holding.

Wanneer we onze evaluatie beperken tot het vergelijken van alleen voor vergoedingen geoptimaliseerde herschikkingen met standaard herschikkingen, kunnen we zien dat tariefoptimalisatie een grote impact heeft op de resultaten.

Afbeelding 11: Elke cel vertegenwoordigt het gemiddelde procentuele toename van elke strategie ten opzichte van kopen en vasthouden. In wezen betekent een positieve waarde dat de strategie met dat percentage beter presteerde dan kopen en vasthouden. Merk op dat als een portefeuille die de HODL-strategie gebruikt in waarde zou stijgen met 100%, een positieve waarde in deze tabel zou betekenen dat de herbalanceringsstrategie nog beter presteerde (dus meer dan 100% in dit voorbeeld).

In figuur 11 zien we dat de mediaan-rebalance-strategie in alle onderzochte gevallen beter presteerde dan een eenvoudige HODL-strategie. Door optimalisatie van de vergoedingen kon verder worden voortgebouwd op prestatieverhogingen om extra waarde te genereren.

Als we alleen de twee rebalancing-strategieën vergelijken, kunnen we zien hoeveel waarde er daadwerkelijk is gegenereerd door de algoritmen voor tariefoptimalisatie die worden gebruikt bij de ‘fee-geoptimaliseerde’ herschikkingen.

Figuur 12: Elke cel geeft het voordeel weer dat wordt verkregen door optimalisatie van vergoedingen. In wezen, hoeveel beter presteert een portfolio bij het gebruik van tariefoptimalisatie in plaats van zonder tariefoptimalisatie.

In figuur 12 kunnen we het voordeel zien van het gebruik van een fee-geoptimaliseerde strategie. In overeenstemming met de thema’s die we zagen in het geval van periodieke herbalancering, kunnen we zien dat tariefoptimalisatie meer voordelen oplevert wanneer er frequente transacties zijn.

Conclusies

We zien dat, net als periodiek opnieuw in evenwicht brengen, het opnieuw in evenwicht brengen van de drempel historisch gezien beter heeft gepresteerd dan een eenvoudige buy-and-hold-strategie. Bovendien zien we dat de voordelen van fee-optimalisatie toenemen naarmate er vaker wordt gehandeld.

Laatste gedachten

Na 33.000 backtests te hebben onderzocht, konden we consequent het voordeel aantonen van fee-geoptimaliseerde herbalancering in vergelijking met strategieën die geen fee-optimalisatie gebruiken. Bovendien waren we in staat om definitief resultaten te produceren die suggereren dat het opnieuw in evenwicht brengen van de portefeuille historisch gezien beter presteerde dan HODL-strategieën.

In feite bijna 85% van alle portfolio’s die werden geëvalueerd, leverden betere resultaten op bij het gebruik van een rebalancing-strategie in vergelijking met HODL.

Bekijk volledige resultaten

De volledige gedetailleerde resultaten zijn te vinden op het volgende Google-document. Blader gerust zelf door de volledige resultaten en vind aanvullende interessante trends of patronen.

Disclaimer: Backtests kunnen alleen prestaties uit het verleden onderzoeken en bieden geen garantie voor toekomstige prestaties. Deze studie evalueert het evenwicht over een heel jaar. Herbalancering is geen korte-termijnstrategie en zal waarschijnlijk niet binnen één dag of zelfs maar één week meetbare resultaten opleveren.

Extra goede resultaten

Hoe maak je een crypto-handelsbot met Python

Een vergelijking van strategieën voor het opnieuw in evenwicht brengen van portefeuilles met cryptocurrency

Gemeenschappelijke herstelscenario’s in Crypto

Threshold Rebalancing voor Crypto Portfolio Management

Wat is DeFi? Gids voor gedecentraliseerde financiering

Ons sociale handelsplatform

Garnaal is een sociaal handelsplatform voor cryptocurrency. Het is ontworpen voor zowel professionele als beginnende handelaren om te komen leren over de groeiende crypto-industrie. Op Shrimpy kunnen gebruikers de portefeuilles en handelsstrategieën van andere handelaren kopiëren.

Volg ons op Twitter en Facebook voor updates en stel eventuele vragen aan onze geweldige, actieve gemeenschappen op Telegram & Onenigheid.

Bedankt voor het langskomen!

Het Shrimpy-team

Mike Owergreen Administrator
Sorry! The Author has not filled his profile.
follow me