Backtesting das melhores estratégias de criptografia: reequilíbrio do portfólio

>

O estudo de estratégias de negociação tornou-se uma arte no espaço das criptomoedas. Não no sentido positivo. Tornou-se o tipo de arte que fica aberta à interpretação.

É nosso objetivo, ao longo do restante deste estudo, não deixar ambigüidades. Queremos estudar estratégias com precisão de uma forma que possamos razoavelmente esperar que nosso entendimento seja a única interpretação possível dos resultados.

Para atingir esse nível de compreensão, estamos empregando uma técnica chamada backtesting.

Neste estudo, faremos backtest de uma série de estratégias de rebalanceamento de portfólio na tentativa de identificar quais configurações foram historicamente as mais bem-sucedidas.

O que é backtesting?

Backtesting é o processo de usar dados históricos de mercado para calcular o desempenho de uma estratégia no passado. Usando informações exatas de preços de compra e venda, fomos capazes de reconstruir as negociações que teríamos sido capazes de fazer a cada momento no tempo.

Deve-se enfatizar que o backtesting avalia apenas dados históricos. Embora o desempenho histórico não garanta retornos futuros, o backtesting ainda é uma ferramenta valiosa para identificar estratégias promissoras.

O que é backtesting?

Backtesting é uma simulação matemática usada por traders para avaliar o desempenho de uma estratégia de negociação. A simulação aproveita os dados históricos do mercado em uma tentativa de calcular o quão bem uma estratégia de negociação teria se saído no passado.


Metodologia de Estudo

Antes de pularmos para os resultados, vamos discutir o design do estudo. Assim podemos determinar o nível de confiança que podemos ter nos resultados.

Estratégias

Estaremos nos concentrando em uma única estratégia primária; reequilíbrio. O reequilíbrio tem sido usado por instituições há décadas e tem resistido ao teste do tempo. Embora pareça simples na superfície, o rebalanceamento tem complexidades que apresentam oportunidades únicas.

Em particular, estaremos avaliando as estratégias de rebalanceamento de limiar e de rebalanceamento periódico. Embora essas duas estratégias já englobem nuances suficientes para garantir um estudo completo, não vamos parar por aí. Cada estratégia irá comparar um rebalanceamento padrão com o rebalanceamento de “taxa otimizada” de Shrimpy.

Um rebalanceamento otimizado de taxas usa uma combinação sofisticada de ordens do fabricante e do tomador, junto com o roteamento inteligente, para reduzir as taxas e direcionar as negociações entre ativos.

Saiba mais sobre o rebalanceamento de portfólio.

Otimização de taxas

Ao longo do estudo, faremos comparações entre os rebalanceamentos com taxa otimizada e os rebalanceamentos padrão. Os rebalanceamentos padrão são simplesmente rebalanceamentos que não usam otimização de taxa.

A otimização de taxas é um recurso desenvolvido pela equipe do Shrimpy. Ele fornece uma maneira para os negociadores reduzirem suas taxas, aproveitando um algoritmo mais sofisticado para colocar uma combinação de negociações de fabricante e tomador. Isso contrasta os rebalanceamentos padrão que só usarão negociações de tomadores.

No Shrimpy, os rebalanceamentos também aproveitam um algoritmo de roteamento de ordem inteligente especializado que pode avaliar diferentes pares de negociação em tempo real para rotear negociações de forma inteligente por meio de pares de negociação alternativos. Isso reduz ainda mais as taxas.

Saiba mais sobre rebalanceamentos com taxas otimizadas.

Data histórica

O núcleo de qualquer backtest são os dados. Embora existam muitos serviços no mercado que usam dados de candlestick para simular um backtest, seremos mais precisos para este estudo.

Em vez de usar dados agregados ou velas imprecisas, usaremos os livros de pedidos exatos no Binance intercâmbio. Esses dados de alta fidelidade são vitais para nossa pesquisa, por isso nos certificamos de fazer uma parceria com um provedor de dados líder no mercado. Nossos parceiros para este estudo são Kaiko.

A Kaiko é um provedor confiável de dados históricos de mercado desde 2014. Desde então, eles continuaram a redefinir a forma como as empresas aproveitam os dados históricos para o desenvolvimento de novos produtos e serviços.

Dados de mercado kaiko

Conectividade perfeita para feeds de dados históricos e ao vivo de mais de 100 bolsas à vista e derivados.

O intervalo de tempo para os dados incluídos para cada backtest começa em 1º de dezembro de 2019 e termina em 1º de dezembro de 2020. Assim, estamos estudando exatamente 1 ano de dados históricos.

Seleção de portfólio

Cada backtest será executado com exatamente 10 ativos selecionados aleatoriamente. Apenas ativos que estavam disponíveis em Binance em 1º de dezembro de 2019 será incluso. Se um determinado ativo não estava disponível no Binance até essa data, o ativo é excluído deste estudo.

Os ativos são selecionados no início de cada iteração de backtest. Uma única iteração de backtest avaliará uma estratégia HODL, um rebalanceamento padrão (sem otimização de taxa) e um rebalanceamento otimizado de taxa. Isso significa que o mesmo portfólio será avaliado com cada uma dessas 3 estratégias antes de selecionar aleatoriamente um novo portfólio. Isso nos permite comparar os resultados de cada estratégia com os mesmos ativos.

Leia mais sobre tamanhos de portfólio ideais.

Distribuição

Cada portfólio selecionado irá alocar uniformemente os ativos no portfólio. Essencialmente, cada ativo da carteira terá exatamente 10% do peso da carteira no início do backtest. Durante cada evento de rebalanceamento, as alocações serão trazidas de volta para corresponder exatamente à alocação original de 10% para cada ativo.

Saiba mais sobre a melhor maneira de distribuir ativos em um portfólio.

Resultados

Agora que a logística está fora do caminho. É hora de pesquisar os resultados. Os resultados a seguir incluem um exame do rebalanceamento periódico e de limiar. Além dessas duas estratégias exclusivas, também compararemos os resultados dos rebalanceamentos que utilizaram a otimização de taxas em comparação com aqueles que não usaram a otimização de taxas.

Rebalanceamento periódico

Os reequilíbrios periódicos foram avaliados em intervalos de 1 hora, 1 dia, 1 semana e 1 mês. Cada um desses intervalos foi usado para comparar o desempenho de uma estratégia HODL simples, rebalanceamento padrão e rebalanceamento com taxa otimizada.

No total, foram avaliadas 12 condições diferentes, com cada condição sendo executada por 1.000 backtests. O resultado final foi 12.000 backtests diferentes que avaliou a eficácia do rebalanceamento periódico.

Resultados HODL

Figura 1: O gráfico acima é um exemplo da distribuição do desempenho da carteira que observamos quando nenhuma negociação foi feita para a carteira. 1.000 backtests foram incluídos no histograma. Depois que cada backtest foi executado, ele foi colocado em um dos baldes de desempenho para criar a curva que você vê. Por exemplo, cerca de 195 backtests produziram resultados de desempenho que variaram entre 86% e 115% para a estratégia HODL.

Durante o período de 1 ano que foi avaliado, as carteiras que usaram uma estratégia HODL tiveram um aumento médio do valor da carteira de 113,7%. Observe que o ajuste do período de rebalanceamento não afeta o desempenho mediano, uma vez que uma estratégia HODL não faz o rebalanceamento.

Pequenos desvios no desempenho do HODL são observados nos resultados. Esses pequenos desvios são simplesmente o resultado do acaso. Com base nas seleções de portfólio para os 1.000 backtests, esperamos que o desempenho médio não seja idêntico todas as vezes.

Resultados regulares de reequilíbrio

Figura 2: O gráfico acima é um exemplo da distribuição de desempenho do portfólio que observamos ao usar uma estratégia de negociação de rebalanceamento diário (sem otimização de taxas). 1.000 backtests foram incluídos no histograma. Depois que cada backtest foi executado, ele foi colocado em um dos baldes de desempenho para criar a curva que você vê. Por exemplo, cerca de 160 backtests produziram resultados de desempenho que variaram entre 114% e 139% para a estratégia de rebalanceamento diário.

Durante o mesmo período de 1 ano, os reequilíbrios periódicos regulares tiveram um desempenho mediano variando de 126% a 139,1%.

  • Rebalanceamento de 1 hora – 126,6% de desempenho mediano

  • Rebalanceamento de 1 dia – 139,1% de desempenho mediano

  • Rebalanceamento de 1 semana – 129,4% de desempenho mediano

  • Rebalanceamento de 1 mês – 126,0% de desempenho mediano

Resultados de rebalanceamento otimizado de taxa

Figura 3: O gráfico acima é um exemplo da distribuição de desempenho do portfólio que observamos ao usar uma estratégia de negociação de rebalanceamento por hora (sem otimização de taxas). 1.000 backtests foram incluídos no histograma. Depois que cada backtest foi executado, ele foi colocado em um dos baldes de desempenho para criar a curva que você vê. Por exemplo, cerca de 160 backtests produziram resultados de desempenho que variaram entre 191% e 231% para a estratégia de rebalanceamento por hora.

Durante o mesmo período de 1 ano, os reequilíbrios periódicos com taxa otimizada tiveram um desempenho médio variando de 129,4% a 254,8%.

  • Rebalanceamento de 1 hora – 254,8% de desempenho mediano

  • Rebalanceamento de 1 dia – 158,2% de desempenho mediano

  • Rebalanceamento de 1 semana – 135,9% de desempenho mediano

  • Rebalanceamento de 1 mês – 129,4% de desempenho mediano

Discussão

Combinando os resultados, podemos visualizar os desempenhos finais como uma grade.

Figura 4: Cada célula da grade representa o desempenho médio de 1.000 backtests. Com um valor inicial de $ 5.000, um desempenho de 100% representaria um valor final de portfólio de $ 10.000. Em outras palavras, todos os valores medianos do portfólio representados nesta tabela mais do que dobraram no período de um ano.

Na Figura 4, notamos que a estratégia de melhor desempenho foi uma estratégia de rebalanceamento de 1 hora que alavancou a otimização de taxas.

À primeira vista, pode parecer preocupante que o desempenho aumenta à medida que a frequência de rebalanceamento aumenta para rebalanceamentos com taxa otimizada. No entanto, faria sentido que um portfólio obterá mais benefícios com a otimização de taxas quanto mais frequentemente o portfólio for rebalanceado. Essencialmente, quanto mais frequentemente as negociações de portfólio, maior o impacto que a “otimização de taxas” pode ter sobre o desempenho.

Comparando cada uma das estratégias de rebalanceamento com a estratégia simples de comprar e manter, obtemos esses resultados.

Figura 5: Cada célula representa a comparação entre uma estratégia de rebalanceamento e HODL. Um valor positivo significa que a estratégia superou a retenção por esse valor. Essencialmente, se a estratégia de retenção teve um desempenho de + 100% durante o período de 1 ano, uma porcentagem positiva significa que a estratégia de rebalanceamento teve um desempenho ainda melhor do que + 100%.

Na figura 5, vemos que todas as estratégias de rebalanceamento superaram a participação (com base no desempenho médio da carteira). Isso significa que a estratégia média de compra e manutenção tem desempenho pior do que a mediana de qualquer estratégia de rebalanceamento.

Finalmente, podemos comparar os resultados do rebalanceamento otimizado com taxas com os resultados do rebalanceamento padrão para que possamos ver o benefício específico que é gerado com o uso da otimização de taxas.

Figura 6: Cada célula representa o benefício derivado da otimização de taxas. Essencialmente, quão melhor é o desempenho de um portfólio ao usar a otimização de taxas em vez de nenhuma otimização de taxas.

Como discutimos anteriormente, podemos ver que o benefício da otimização de taxas cresce à medida que a frequência de rebalanceamento aumenta.

Conclusões

Podemos concluir a partir desses resultados que o rebalanceamento tende a superar o desempenho de uma estratégia de compra e manutenção historicamente. Além disso, podemos ver que o benefício de usar uma estratégia de otimização de taxas tende a aumentar com a frequência da negociação. Quanto mais frequentemente uma estratégia é negociada, mais benefícios são gerados a partir da otimização da taxa.

Sem a otimização de taxas, a estratégia de melhor desempenho foi um intervalo de rebalanceamento de 1 dia.

Threshold Rebalancing

Para avaliar o rebalanceamento de limiar, examinaremos 7 estratégias de limiar diferentes. Isso incluirá um rebalanceamento de limite de 1%, 5%, 10%, 15%, 20%, 25% e 30%. Semelhante à parte de rebalanceamento periódico deste estudo, iremos comparar o rebalanceamento padrão, rebalanceamento com taxa otimizada e resultados de HODL.

Cada configuração executará 1.000 backtests exclusivos para um total de 21.000 backtests.

Resultados HODL

Figura 7: O gráfico acima é um exemplo da distribuição do desempenho da carteira que observamos quando nenhuma negociação foi feita para a carteira. 1.000 backtests foram incluídos no histograma. Depois que cada backtest foi executado, ele foi colocado em um dos baldes de desempenho para criar a curva que você vê. Por exemplo, cerca de 160 backtests produziram resultados de desempenho que variaram entre 110% e 137% para a estratégia HODL.

Durante o período de 1 ano que foi avaliado, as carteiras que usaram uma estratégia HODL tiveram um aumento médio do valor da carteira de 115%. Observe que ajustar o limite de rebalanceamento não afeta o desempenho mediano, uma vez que uma estratégia HODL não rebalanceia.

Pequenos desvios no desempenho do HODL são observados nos resultados. Esses pequenos desvios são simplesmente o resultado do acaso. Com base nas seleções de portfólio para os 1.000 backtests, esperamos que o desempenho médio não seja idêntico todas as vezes.

Resultados regulares de reequilíbrio

Figura 8: O gráfico acima é um exemplo da distribuição de desempenho do portfólio que observamos ao usar uma estratégia de rebalanceamento de limite de 15% (com otimização de taxas). 1.000 backtests foram incluídos no histograma. Depois que cada backtest foi executado, ele foi colocado em um dos baldes de desempenho para criar a curva que você vê. Por exemplo, cerca de 98 backtests produziram resultados de desempenho que variaram entre 173% e 197% para a estratégia de rebalanceamento de limite de 15%.

Durante o período de 1 ano, os rebalanceamentos de limiar regulares tiveram um desempenho mediano variando de 134,1% a 152,7%.

  • Limiar de 1% – 134,1% de desempenho mediano

  • Limiar de 5% – 150,5% de desempenho mediano

  • Limiar de 10% – 150,2% de desempenho mediano

  • Limiar de 15% – 152,7% de desempenho mediano

  • 20% limite – 147,4% de desempenho mediano

  • Limiar de 25% – 150,2% de desempenho mediano

  • 30% limiar – 147,0% de desempenho mediano

Resultados de rebalanceamento otimizado de taxa

Figura 9: O gráfico acima é um exemplo da distribuição de desempenho do portfólio que observamos ao usar uma estratégia de negociação de rebalanceamento de limite de 1% (com otimização de taxas). 1.000 backtests foram incluídos no histograma. Depois que cada backtest foi executado, ele foi colocado em um dos baldes de desempenho para criar a curva que você vê. Como exemplo, cerca de 118 backtests produziram resultados de desempenho que variaram entre 152% e 189% para a estratégia de rebalanceamento de limite de 1%.

Durante o período de 1 ano, os rebalanceamentos de limite com taxa otimizada tiveram um desempenho médio variando de 156,5% a 258,3%.

  • Limiar de 1% – 258,3% de desempenho mediano

  • Limiar de 5% – 197,2% de desempenho mediano

  • Limiar de 10% – 179,1% de desempenho mediano

  • Limiar de 15% – 172,1% de desempenho mediano

  • 20% limite – 163,2% de desempenho mediano

  • Limiar de 25% – 164,1% de desempenho mediano

  • 30% limiar – 156,3% de desempenho mediano

Discussão

Combinando os resultados, podemos visualizar os desempenhos finais como uma grade.

Figura 10: Cada célula da grade representa o desempenho médio de 1.000 backtests. A porcentagem representa o aumento percentual no valor da carteira ao longo do período de 1 ano. Portanto, 100% representaria o valor de uma carteira dobrando durante o período de backtest.

Na figura 10, podemos ver que, embora os portfólios medianos alavancando uma estratégia de compra e manutenção mais do que dobraram de valor ao longo de um período de 1 ano, todas as estratégias de rebalanceamento de limite superaram a estratégia HODL.

Isso sugere que, independentemente do limite selecionado, o rebalanceamento historicamente tende a superar a manutenção.

Quando restringimos nossa avaliação para apenas comparar os rebalanceamentos otimizados de taxas com os rebalanceamentos padrão, podemos ver que a otimização de taxas tem um grande impacto nos resultados.

Figura 11: Cada célula representa o aumento percentual médio que cada estratégia tem sobre comprar e manter. Essencialmente, um valor positivo significa que a estratégia superou comprar e manter nessa porcentagem. Observe que se um portfólio usando a estratégia HODL aumentou seu valor em 100%, um valor positivo nesta tabela significaria que a estratégia de rebalanceamento teve um desempenho ainda melhor (muito maior que 100% neste exemplo).

Na figura 11, vemos que a estratégia de rebalanceamento mediano superou uma estratégia HODL simples em todos os casos que foram estudados. No entanto, a otimização de taxas foi capaz de desenvolver aumentos de desempenho para gerar valor adicional.

Comparando apenas as duas estratégias de rebalanceamento, podemos ver quanto valor foi realmente gerado pelos algoritmos de otimização de taxa usados ​​nos rebalanceamentos de “taxa otimizada”.

Figura 12: Cada célula representa o benefício derivado da otimização de taxas. Essencialmente, quão melhor é o desempenho de um portfólio ao usar a otimização de taxas em vez de nenhuma otimização de taxas.

Na figura 12, podemos ver o benefício de utilizar uma estratégia de taxa otimizada. Mantendo os temas que vimos no caso de rebalanceamento periódico, podemos ver que a otimização de taxas oferece mais benefícios quando há negociações frequentes.

Conclusões

Vemos que, semelhante ao rebalanceamento periódico, o rebalanceamento de limite historicamente superou uma estratégia simples de comprar e manter. Além disso, vemos que os benefícios da otimização de taxas aumentam à medida que as negociações se tornam mais frequentes.

Pensamentos finais

Depois de examinar 33.000 backtests, fomos capazes de demonstrar consistentemente a vantagem do rebalanceamento com taxa otimizada em comparação com estratégias que não usam a otimização de taxa. Além disso, fomos capazes de produzir resultados definitivamente que sugerem que o rebalanceamento de portfólio superou as estratégias HODL historicamente.

Na verdade, quase 85% de todos os portfólios que foram avaliados produziram melhores resultados ao usar uma estratégia de rebalanceamento quando comparados ao HODL.

Ver resultados completos

Todos os resultados detalhados podem ser encontrados no seguinte Documento Google. Fique à vontade para navegar por todos os resultados você mesmo e encontrar outras tendências ou padrões interessantes.

Isenção de responsabilidade: os backtests podem apenas examinar o desempenho passado e não garantem o desempenho futuro. Este estudo avalia o rebalanceamento ao longo de um ano inteiro. O reequilíbrio não é uma estratégia de curto prazo e provavelmente não produzirá resultados mensuráveis ​​em um único dia ou mesmo uma única semana.

Boas leituras adicionais

Como fazer um crypto trading bot usando Python

Uma comparação de estratégias de reequilíbrio para carteiras de criptomoedas

Cenários de reequilíbrio comuns na criptografia

Rebalanceamento de limite para gerenciamento de portfólio de criptografia

O que é DeFi? Guia para finanças descentralizadas

Nossa plataforma de negociação social

Shrimpy é uma plataforma de negociação social para criptomoeda. Ele foi projetado para que traders profissionais e novatos venham e aprendam sobre a crescente indústria de criptografia. No Shrimpy, os usuários podem copiar as carteiras e estratégias de negociação de outros traders.

Siga-nos no Twitter e o Facebook para atualizações e faça perguntas às nossas incríveis comunidades ativas no Telegrama & Discórdia.

Obrigada por apareceres!

A equipe Shrimpy

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