Backtesting av de beste kryptostrategiene: Balansering av portefølje

>

Å studere handelsstrategier har blitt en kunst i kryptovalutaområdet. Ikke i positiv forstand. Det har blitt den type kunst som er åpen for tolkning.

Det er vårt mål gjennom resten av denne studien å etterlate noen tvetydighet. Vi ønsker å nøyaktig studere strategier på en måte som vi med rimelighet kan forvente at vår forståelse er den eneste mulige tolkningen av resultatene.

For å nå dette forståelsesnivået bruker vi en teknikk som kalles backtesting.

I denne studien vil vi tilbakestille en rekke strategier for porteføljebalansering i et forsøk på å identifisere hvilke konfigurasjoner som historisk var de mest vellykkede.

Hva er backtesting?

Backtesting er prosessen med å bruke historiske markedsdata for å beregne hvor godt en strategi ville ha utført tidligere. Ved å bruke nøyaktig prisinformasjon om bud-forespørsel klarte vi å rekonstruere de handler vi ville ha vært i stand til hvert øyeblikk i tid.

Det bør understrekes at tilbaketesting bare evaluerer historiske data. Selv om historisk ytelse ikke garanterer fremtidig avkastning, er backtesting fortsatt et verdifullt verktøy for å identifisere lovende strategier.

Hva er Backtesting?

Backtesting er en matematisk simulering som brukes av handelsmenn for å evaluere ytelsen til en handelsstrategi. Simuleringen utnytter historiske markedsdata i et forsøk på å beregne hvor godt en handelsstrategi hadde gjort tidligere.

Studiemetodikk

Før vi kan hoppe inn i resultatene, la oss diskutere utformingen av studien. På den måten kan vi bestemme tillitsnivået vi kan ha i resultatene.

Strategier

Vi vil fokusere på en enkelt hovedstrategi; rebalansering. Ombalansering har blitt brukt av institusjoner i flere tiår og har stått tidens teste. Selv om det virker enkelt på overflaten, har rebalansering kompleksiteter som gir unike muligheter.

Spesielt vil vi evaluere både terskel-rebalansering og periodiske rebalanseringsstrategier. Selv om disse to strategiene allerede omfatter nok nyanser til å garantere en fullstendig studie selv, vil vi ikke stoppe der. Hver strategi vil sammenligne en standard ombalanse med Shrimpys “avgiftsoptimaliserte” ombalanse.

En avgiftsoptimalisert ombalanse bruker en sofistikert kombinasjon av produsent- og takerbestillinger, sammen med intelligent ruting, for å redusere avgifter og optimal rutehandel mellom eiendeler.

Lær mer om porteføljeombalansering.

Avgiftsoptimalisering

Gjennom studien vil vi sammenligne mellom gebyroptimaliserte rebalanser og standard rebalanser. Standard rebalanser er ganske enkelt rebalanser som ikke bruker gebyroptimalisering.

Avgiftsoptimalisering er en funksjon som ble utviklet av Shrimpy-teamet. Det gir en måte for handelsmenn å redusere avgiftene sine ved å utnytte en mer sofistikert algoritme for å plassere en kombinasjon av produsent- og takerhandler. Dette kontrasterer standard rebalanser som bare vil bruke taker-handler.

I Shrimpy utnytter ombalanser også en spesialisert algoritme for smart ordrerute som kan evaluere forskjellige handelspar i sanntid for å intelligent rute handler gjennom alternative handelspar. Dette reduserer avgiftene ytterligere.

Lær mer om gebyroptimaliserte ombalanser.

Historisk data

Kjernen i enhver backtest er dataene. Selv om det er mange tjenester i markedet som bruker lysestake-data for å simulere en backtest, vil vi være mer presise for denne studien.

I stedet for å bruke aggregerte data eller upresise lysestaker, bruker vi de nøyaktige ordrebøkene på Binance Utveksling. Disse høykvalitetsdataene er avgjørende for forskningen vår, så vi sørget for at vi samarbeidet med en ledende dataleverandør i markedet. Våre partnere for denne studien er Kaiko.

Kaiko har vært en pålitelig leverandør av historiske markedsdata siden 2014. Siden den gang har de fortsatt å omdefinere måten selskaper utnytter historiske data for utvikling av nye produkter og tjenester.

kaiko markedsdata

Sømløs tilkobling til historiske og live datastrømmer fra 100+ spot- og derivater.

Tidsområdet for dataene som er inkludert for hver backtest begynner 1. desember 2019 og slutter 1. desember 2020. På den måten studerer vi nøyaktig 1 års historikk.

Valg av portefølje

Hver backtest kjøres nøyaktig 10 tilfeldig utvalgte eiendeler. Bare eiendeler som var tilgjengelige den Binance 1. desember 2019 blir inkludert. Hvis en bestemt eiendel ikke var tilgjengelig på Binance innen den datoen, er eiendelen ekskludert fra denne studien.

Eiendeler velges i begynnelsen av hver tilbaketest iterasjon. En enkelt backtest-iterasjon vil evaluere en HODL-strategi, en standard rebalanse (uten gebyroptimalisering) og en gebyroptimalisert rebalanse. Det betyr at den samme porteføljen vil bli evaluert med hver av disse tre strategiene før du tilfeldig velger en ny portefølje. Dette lar oss sammenligne resultatene av hver strategi med nøyaktig samme eiendeler.

Les mer om optimale porteføljestørrelser.

Fordeling

Hver portefølje som velges vil fordele eiendelene i porteføljen jevnt. I hovedsak, hver eiendel i porteføljen vil inneholde nøyaktig 10% av vekten av porteføljen ved starten av backtesten. Under hver rebalanseringshendelse vil tildelingen bringes tilbake slik at den samsvarer nøyaktig med den opprinnelige tildelingen på 10% for hver eiendel.

Lær om den beste måten å distribuere eiendeler i en portefølje.

Resultater

Nå som logistikken er ute av veien. Det er på tide å grave i resultatene. Følgende resultater inkluderer en undersøkelse av både periodisk og terskelbalansering. I tillegg til disse to unike strategiene, vil vi også sammenligne resultatene av rebalanser som benyttet gebyroptimalisering sammenlignet med de som ikke brukte gebyroptimalisering.

Periodisk ombalansering

Periodiske rebalanser ble evaluert i intervaller på 1 time, 1 dag, 1 uke og 1 måned. Hver av disse intervallene ble brukt til å sammenligne ytelsen til en enkel HODL-strategi, standard rebalance og gebyroptimalisert rebalance.

Totalt var det 12 forskjellige forhold som ble evaluert, hvor hver tilstand ble kjørt gjennom 1000 tilbaketester. Sluttresultatet ble 12 000 forskjellige backtester som evaluerte effektiviteten av periodisk ombalansering.

HODL-resultater

Figur 1: Diagrammet ovenfor er et eksempel på fordelingen av porteføljens ytelse som vi observerte da det ikke ble handlet for porteføljen. 1000 backtests ble inkludert i histogrammet. Etter at hver backtest ble kjørt, ble den plassert i en av ytelseskuffene for å lage kurven du ser. Som et eksempel ga omtrent 195 tilbaketester ytelsesresultater som varierte mellom 86% og 115% for HODL-strategien.

I løpet av 1-årsperioden som ble evaluert, så porteføljer som brukte en HODL-strategi en median porteføljeverdi på 113,7%. Legg merke til at justering av rebalanseperioden ikke påvirker medianytelsen, siden en HODL-strategi ikke balanserer på nytt.

Små avvik i HODL-forestillingene blir observert i resultatene. Disse små avvikene er ganske enkelt et resultat av tilfeldige tilfeldigheter. Basert på valgene av porteføljen for de 1000 backtests, forventer vi at medianytelsen ikke vil være identisk hver gang.

Jevnlige resultater for balansering

Figur 2: Diagrammet ovenfor er et eksempel på porteføljens ytelsesfordeling som vi observerte når vi brukte en daglig ombalansering av handelsstrategi (uten gebyroptimalisering). 1000 backtests ble inkludert i histogrammet. Etter at hver backtest ble kjørt, ble den plassert i en av ytelseskuffene for å lage kurven du ser. Som et eksempel, produserte omtrent 160 backtester ytelsesresultater som varierte mellom 114% og 139% for den daglige rebalanseringsstrategien.

I løpet av samme tidsperiode hadde regelmessige periodiske ombalanser en median ytelse fra 126% til 139,1%.

  • 1-timers balansering – 126,6% median ytelse

  • 1-dags rebalans – 139,1% Median ytelse

  • 1 ukes rebalans – 129,4% Median ytelse

  • 1-måneders balansering – 126,0% Median ytelse

Avgiftsoptimaliserte rebalanseresultater

Figur 3: Diagrammet ovenfor er et eksempel på porteføljens ytelsesfordeling som vi observerte når vi brukte en handelsbalansestrategi per time (uten gebyroptimalisering). 1000 backtests ble inkludert i histogrammet. Etter at hver backtest ble kjørt, ble den plassert i en av ytelseskuffene for å lage kurven du ser. Som et eksempel ga omtrent 160 tilbaketester ytelsesresultater som varierte mellom 191% og 231% for timebasert balanseringsstrategi.

I løpet av den samme 1-årsperioden hadde gebyroptimaliserte periodiske ombalanser en median ytelse fra 129,4% til 254,8%.

  • 1-timers balansering – 254,8% median ytelse

  • 1-dags rebalans – 158,2% median ytelse

  • 1 ukes rebalans – 135,9% median ytelse

  • 1-måneders balansering – 129,4% Median ytelse

Diskusjon

Ved å kombinere resultatene kan vi visualisere de endelige forestillingene som et rutenett.

Figur 4: Hver celle i rutenettet representerer medianytelsen til 1000 tilbaketester. Med en startverdi på $ 5.000 vil en ytelse på 100% representere en endelig porteføljeverdi på $ 10.000. Med andre ord mer enn doblet alle medianporteføljeverdiene i denne tabellen i løpet av ettårsperioden.

I figur 4 legger vi merke til at den strategien som hadde best resultat, var en 1-timers rebalanseringsstrategi som utnyttet gebyroptimalisering.

Ved første øyekast kan det virke som om ytelsen øker når rebalansefrekvensen øker for gebyroptimaliserte rebalanser. Det vil imidlertid være fornuftig at en portefølje vil oppleve mer utbytte av gebyroptimalisering, jo oftere balanseres porteføljen. I hovedsak, jo oftere porteføljen handler, jo større innvirkning kan “gebyroptimalisering” ha på ytelsen.

Sammenligning av hver av rebalanseringsstrategiene med den enkle kjøp og hold-strategien, får vi disse resultatene.

Figur 5: Hver celle representerer sammenligningen mellom en ombalanseringsstrategi og HODL. En positiv verdi betyr at strategien overgikk beholdningen med det beløpet. I hovedsak, hvis beholdningsstrategien utførte + 100% i løpet av 1-årsperioden, betyr en positiv prosent at rebalansestrategien utførte enda bedre enn + 100%.

I figur 5 ser vi at alle rebalanseringsstrategier overgikk beholdningen (basert på median porteføljeprestasjon). Det betyr at median buy and hold-strategien fungerer dårligere enn medianen til noen rebalanseringsstrategi.

Til slutt kan vi sammenligne gebyroptimaliserte rebalanseresultater med standard rebalanseresultater, slik at vi kan se den spesifikke fordelen som genereres av å bruke gebyroptimalisering..

Figur 6: Hver celle representerer fordelen fra avgiftsoptimalisering. I hovedsak, hvor mye bedre utfører en portefølje når du bruker gebyroptimalisering i stedet for ingen gebyroptimalisering.

Som vi tidligere har diskutert, kan vi se at fordelen med gebyroptimalisering øker når rebalansefrekvensen øker.

Konklusjoner

Fra disse resultatene kan vi konkludere med at rebalansering har hatt en tendens til å overgå en kjøps- og holdstrategi historisk. I tillegg kan vi se at fordelen med å bruke en gebyroptimaliseringsstrategi har en tendens til å øke med frekvensen av handelen. Jo oftere en strategi handler, jo mer nytte genereres det av gebyroptimaliseringen.

Uten gebyroptimalisering var den best ytende strategien et 1-dagers rebalanseringsintervall.

Terskel ombalansering

For å evaluere terskelbalansering vil vi undersøke 7 forskjellige terskelstrategier. Disse inkluderer en 1%, 5%, 10%, 15%, 20%, 25% og 30% terskelbalanse. I likhet med den periodiske rebalanseringsdelen av denne studien, vil vi sammenligne standard rebalanse, gebyroptimalisert rebalanse og HODL-resultater.

Hver konfigurasjon vil kjøre 1000 unike backtests for totalt 21 000 backtester.

HODL-resultater

Figur 7: Diagrammet ovenfor er et eksempel på fordelingen av porteføljens ytelse som vi observerte da det ikke ble handlet for porteføljen. 1000 backtests ble inkludert i histogrammet. Etter at hver backtest ble kjørt, ble den plassert i en av ytelseskuffene for å lage kurven du ser. Som et eksempel ga omtrent 160 tilbaketester ytelsesresultater som varierte mellom 110% og 137% for HODL-strategien.

I løpet av 1-årsperioden som ble evaluert, så porteføljer som brukte en HODL-strategi en median porteføljeverdi på 115%. Legg merke til at justering av terskelen for rebalansering ikke påvirker medianytelsen, siden en HODL-strategi ikke balanserer.

Små avvik i HODL-ytelsen blir observert i resultatene. Disse små avvikene er ganske enkelt et resultat av tilfeldige tilfeldigheter. Basert på valgene av porteføljen for de 1000 backtests, forventer vi at medianytelsen ikke vil være identisk hver gang.

Jevnlige resultater for balansering

Figur 8: Diagrammet ovenfor er et eksempel på porteføljens ytelsesfordeling som vi observerte når vi brukte en 15% terskel rebalanseringsstrategi (med gebyroptimalisering). 1000 backtests ble inkludert i histogrammet. Etter at hver backtest ble kjørt, ble den plassert i en av ytelseskuffene for å lage kurven du ser. Som et eksempel ga omtrent 98 tilbaketester ytelsesresultater som varierte mellom 173% og 197% for 15% terskel-rebalanseringsstrategien.

I løpet av tidsperioden på 1 år hadde vanlige terskelbalanser en median ytelse fra 134,1% til 152,7%.

  • 1% terskel – 134,1% Median ytelse

  • 5% terskel – 150,5% median ytelse

  • 10% terskel – 150,2% median ytelse

  • 15% terskel – 152,7% median ytelse

  • 20% terskel – 147,4% Median ytelse

  • 25% terskel – 150,2% median ytelse

  • 30% terskel – 147,0% Median ytelse

Avgiftsoptimaliserte rebalanseresultater

Figur 9: Diagrammet ovenfor er et eksempel på fordelingen av porteføljens ytelse som vi observerte når vi brukte en 1% terskel for ombalansering av handelsstrategi (med gebyroptimalisering). 1000 backtests ble inkludert i histogrammet. Etter at hver backtest ble kjørt, ble den plassert i en av ytelseskuffene for å lage kurven du ser. Som et eksempel ga omtrent 118 tilbaketester ytelsesresultater som varierte mellom 152% og 189% for 1% terskel rebalanseringsstrategi.

I løpet av 1 års periode hadde gebyroptimaliserte terskelombalanser en median ytelse fra 156,5% til 258,3%.

  • 1% terskel – 258,3% median ytelse

  • 5% terskel – 197,2% Median ytelse

  • 10% terskel – 179,1% median ytelse

  • 15% terskel – 172,1% median ytelse

  • 20% terskel – 163,2% median ytelse

  • 25% terskel – 164,1% median ytelse

  • 30% terskel – 156,3% Median ytelse

Diskusjon

Ved å kombinere resultatene kan vi visualisere de endelige forestillingene som et rutenett.

Figur 10: Hver celle i rutenettet representerer medianytelsen til 1000 backtests. Prosentandelen representerer den prosentvise økningen i verdien av porteføljen i løpet av 1-årsperioden. Derfor vil 100% representere verdien av en portefølje som dobler seg i løpet av tilbake-testperioden.

I figur 10 kan vi se at selv om medianporteføljene som utnytter en kjøps- og holdstrategi mer enn doblet i verdi i løpet av en 1-årsperiode, overgikk alle terskel-rebalanseringsstrategier HODL-strategien.

Dette antyder at uavhengig av valgt terskel, har rebalansering historisk sett hatt en tendens til å overgå eierandelen.

Når vi begrenser vår evaluering til å bare sammenligne gebyroptimaliserte rebalanser med standard rebalanser, kan vi se at gebyroptimalisering har stor innvirkning på resultatene.

Figur 11: Hver celle representerer median prosentøkning som hver strategi har over kjøp og hold. I hovedsak betyr en positiv verdi at strategien overgikk kjøp og hold med den prosentandelen. Legg merke til at hvis en portefølje som bruker HODL-strategien økte i verdi med 100%, vil en positiv verdi i denne tabellen bety at rebalanseringsstrategien ble enda bedre (så større enn 100% i dette eksemplet).

I figur 11 ser vi at median-rebalansestrategien overgikk en enkel HODL-strategi i alle tilfeller som ble studert. Imidlertid var gebyroptimalisering i stand til å bygge videre på ytelsesøkninger for å generere merverdi.

Når vi bare sammenligner de to rebalanseringsstrategiene, kan vi se hvor mye verdi som faktisk ble generert av gebyroptimaliseringsalgoritmene som ble brukt i “gebyroptimaliserte” rebalanser..

Figur 12: Hver celle representerer fordelen fra avgiftsoptimalisering. I hovedsak, hvor mye bedre utfører en portefølje når du bruker gebyroptimalisering i stedet for ingen gebyroptimalisering.

I figur 12 kan vi se fordelen med å benytte en gebyroptimalisert strategi. I tråd med temaene vi så i den periodiske ombalanseringssaken, kan vi se at gebyroptimalisering gir mer fordel når det er hyppige handler.

Konklusjoner

Vi ser at i likhet med periodisk ombalansering har terskelombalansering historisk sett overgått en enkel kjøp og hold-strategi. I tillegg ser vi at fordelene med gebyroptimalisering øker når handel blir hyppigere.

Siste tanker

Etter å ha undersøkt 33 000 tilbaketester kunne vi konsekvent demonstrere fordelen med gebyroptimalisert ombalansering sammenlignet med strategier som ikke bruker gebyroptimalisering. I tillegg var vi i stand til å definitivt produsere resultater som tyder på at porteføljeombalansering historisk overgikk HODL-strategier.

Faktisk nesten 85% av alle porteføljene som ble evaluert ga bedre resultater ved bruk av en rebalanseringsstrategi sammenlignet med HODL.

Se fullstendige resultater

Hele de detaljerte resultatene finner du på følgende Google Doc. Bla gjerne gjennom hele resultatene selv og finn flere interessante trender eller mønstre.

Ansvarsfraskrivelse: Backtests kan bare undersøke tidligere ytelse og garanterer ikke fremtidig ytelse. Denne studien evaluerer rebalansering over et helt år. Ombalansering er ikke en kortsiktig strategi og vil sannsynligvis ikke gi målbare resultater på en eneste dag eller til og med en eneste uke.

Ytterligere gode leser

Hvordan lage en Crypto Trading Bot ved hjelp av Python

En sammenligning av rebalanseringsstrategier for kryptovalutaporteføljer

Vanlige rebalansescenarier i Crypto

Terskel rebalansering for kryptoporteføljestyring

Hva er DeFi? Veiledning til desentralisert økonomi

Vår sosiale handelsplattform

Reker er en sosial handelsplattform for kryptovaluta. Den er designet for både profesjonelle og nybegynnere forhandlere for å komme og lære om den voksende kryptoindustrien. På Shrimpy kan brukere kopiere porteføljene og handelsstrategiene til andre handelsmenn.

Følg oss på Twitter og Facebook for oppdateringer, og still spørsmål til våre fantastiske, aktive lokalsamfunn på Telegram & Uenighet.

Takk for at du var innom!

The Shrimpy Team

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