Menguji Semula Strategi Crypto Terbaik: Penyusunan Semula Portfolio

>

Mempelajari strategi perdagangan telah menjadi seni di ruang cryptocurrency. Tidak dalam erti kata positif. Ini telah menjadi jenis seni yang dibiarkan terbuka untuk tafsiran.

Tujuan kami sepanjang kajian ini tidak meninggalkan sebarang kekaburan. Kami ingin mengkaji strategi secara tepat dengan cara yang dapat kita harapkan dengan wajar agar pemahaman kita menjadi satu-satunya tafsiran hasil yang mungkin.

Untuk mencapai tahap pemahaman ini, kami menggunakan teknik yang disebut ujian belakang.

Dalam kajian ini, kami akan menguji pelbagai strategi penyeimbangan portfolio dalam usaha untuk mengenal pasti konfigurasi mana yang paling berhasil secara historis.

Apa itu ujian semula?

Backtesting adalah proses menggunakan data pasaran sejarah untuk menghitung seberapa baik strategi yang akan dilakukan pada masa lalu. Dengan menggunakan maklumat harga bid-ask yang tepat, kami dapat membina semula perdagangan yang mungkin dapat kami lakukan pada setiap saat.

Perlu ditegaskan bahawa pengujian semula hanya menilai data sejarah. Walaupun prestasi sejarah tidak menjamin pulangan masa depan, pengujian semula masih merupakan alat yang berharga untuk mengenal pasti strategi yang menjanjikan.

Apa itu Ujian Balik?

Backtesting adalah simulasi matematik yang digunakan oleh peniaga untuk menilai prestasi strategi perdagangan. Simulasi memanfaatkan data sejarah pasaran dalam usaha untuk menghitung seberapa baik strategi perdagangan yang akan dilakukan pada masa lalu.

Metodologi Kajian

Sebelum kita dapat melihat hasilnya, mari kita bincangkan reka bentuk kajian. Dengan cara itu kita dapat menentukan tahap keyakinan yang kita dapat dalam hasilnya.

Strategi

Kami akan memberi tumpuan kepada strategi utama tunggal; mengimbangi semula. Pengimbangan semula telah digunakan oleh institusi selama beberapa dekad dan bertahan dalam ujian masa. Walaupun tampak sederhana di permukaan, keseimbangan kembali memiliki kerumitan yang menghadirkan peluang unik.

Secara khusus, kami akan menilai strategi pengimbangan ulang ambang dan strategi pengimbangan semula berkala. Walaupun kedua-dua strategi ini sudah merangkumi cukup nuansa untuk menuntut kajian penuh, kami tidak akan berhenti di situ. Setiap strategi akan membandingkan keseimbangan semula dengan keseimbangan “fee dioptimumkan” Shrimpy.

Keseimbangan yang dioptimumkan dengan bayaran menggunakan kombinasi pesanan pembuat dan pengambil yang canggih, bersama dengan perutean pintar, untuk mengurangkan yuran dan mengarahkan perdagangan antara aset secara optimum.

Ketahui lebih lanjut mengenai pengimbangan semula portfolio.

Pengoptimuman Bayaran

Sepanjang kajian ini, kami akan membuat perbandingan antara keseimbangan dioptimumkan yuran dan keseimbangan standard. Keseimbangan semula standard hanyalah keseimbangan semula yang tidak menggunakan pengoptimuman yuran.

Pengoptimuman bayaran adalah ciri yang dikembangkan oleh pasukan Shrimpy. Ini menyediakan cara bagi pedagang untuk mengurangkan yuran mereka dengan memanfaatkan algoritma yang lebih canggih untuk meletakkan kombinasi perdagangan pembuat dan pengambil. Ini berbeza dengan keseimbangan standard yang hanya akan menggunakan perdagangan pengambil.

Dalam Shrimpy, rebalances juga menggunakan algoritma perutean pesanan pintar khusus yang dapat menilai pasangan perdagangan yang berbeza dalam masa nyata untuk membuat perdagangan dengan bijak melalui pasangan perdagangan alternatif. Ini seterusnya mengurangkan bayaran.

Ketahui lebih lanjut mengenai keseimbangan dioptimumkan yuran.

Data Sejarah

Inti dari ujian belakang adalah data. Walaupun terdapat banyak perkhidmatan di pasaran yang menggunakan data candlestick untuk mensimulasikan ujian belakang, kami akan lebih tepat untuk kajian ini.

Daripada menggunakan data agregat atau kandil yang tidak tepat, kami akan menggunakan buku pesanan tepat di Binance pertukaran. Data kesetiaan tinggi ini sangat penting untuk penyelidikan kami, jadi kami memastikan kami bekerjasama dengan penyedia data terkemuka di pasaran. Rakan kongsi kami untuk kajian ini adalah Kaiko.

Kaiko telah menjadi penyedia data pasaran sejarah yang dipercayai sejak 2014. Sejak itu, mereka terus mentakrifkan semula cara syarikat memanfaatkan data sejarah untuk pengembangan produk dan perkhidmatan baru.

Data Pasaran kaiko

Kesambungan yang lancar ke data sejarah dan langsung dari 100+ pertukaran tempat dan derivatif.

Julat masa untuk data yang disertakan untuk setiap ujian belakang bermula pada 1 Disember 2019 dan berakhir pada 1 Disember 2020. Dengan cara itu kita mengkaji data sejarah tepat 1 tahun.

Pemilihan Portfolio

Setiap ujian belakang akan dijalankan dengan tepat 10 aset yang dipilih secara rawak. Hanya aset yang tersedia di Binance pada 1 Disember 2019 akan disertakan. Sekiranya aset tertentu tidak tersedia di Binance pada tarikh tersebut, aset tersebut tidak termasuk dalam kajian ini.

Aset dipilih pada awal setiap lelaran backtest. Pengulangan ujian tunggal akan menilai strategi HODL, keseimbangan semula standard (tanpa pengoptimuman yuran), dan keseimbangan semula yang dioptimumkan untuk bayaran. Ini bermaksud portfolio yang sama akan dinilai dengan masing-masing 3 strategi ini sebelum memilih portfolio baru secara rawak. Ini membolehkan kita membandingkan hasil setiap strategi dengan aset yang sama persis.

Baca lebih lanjut mengenai saiz portfolio yang optimum.

Pembahagian

Setiap portfolio yang dipilih akan memperuntukkan aset dalam portfolio secara sama rata. Pada asasnya, setiap aset dalam portfolio akan memegang tepat 10% daripada berat portfolio pada permulaan ujian belakang. Semasa setiap acara pengimbangan semula, peruntukan akan dikembalikan agar sesuai dengan peruntukan 10% yang asal untuk setiap aset.

Ketahui mengenai kaedah terbaik untuk mengagihkan aset dalam portfolio.

Keputusan

Sekarang logistiknya sudah tidak berfungsi. Sudah tiba masanya untuk menggali hasilnya. Hasil berikut merangkumi pemeriksaan pengimbangan semula berkala dan ambang. Sebagai tambahan kepada dua strategi unik ini, kami juga akan membandingkan hasil pengimbangan semula yang menggunakan pengoptimuman biaya dibandingkan dengan yang tidak menggunakan pengoptimuman biaya.

Pengimbangan Semula Berkala

Keseimbangan berkala dinilai pada selang 1 jam, 1 hari, 1 minggu, dan 1 bulan. Setiap selang ini digunakan untuk membandingkan prestasi strategi HODL sederhana, keseimbangan standard, dan keseimbangan dioptimumkan biaya.

Secara keseluruhan, terdapat 12 keadaan berbeza yang dinilai, dengan setiap keadaan dijalankan melalui 1,000 ujian belakang. Hasil akhirnya adalah 12,000 ujian belakang yang berbeza yang menilai keberkesanan pengimbangan semula berkala.

Keputusan HODL

Gambar 1: Carta di atas adalah contoh pengagihan prestasi portfolio yang kami amati ketika tiada perdagangan dilakukan untuk portfolio. 1,000 ujian belakang dimasukkan ke dalam histogram. Setelah setiap ujian belakang dijalankan, ia dimasukkan ke dalam salah satu baldi prestasi untuk membuat lekukan yang anda lihat. Sebagai contoh, kira-kira 195 ujian semula menghasilkan hasil prestasi yang berkisar antara 86% dan 115% untuk strategi HODL.

Sepanjang tempoh 1 tahun yang dinilai, portfolio yang menggunakan strategi HODL menyaksikan peningkatan nilai portfolio median sebanyak 113.7%. Perhatikan bahawa menyesuaikan tempoh keseimbangan tidak mempengaruhi prestasi median kerana strategi HODL tidak menyeimbangkan semula.

Penyimpangan kecil dalam persembahan HODL diperhatikan dalam hasilnya. Penyimpangan kecil ini hanyalah hasil kebetulan secara rawak. Berdasarkan pilihan portfolio untuk 1,000 ujian belakang, kami menjangkakan bahawa prestasi median tidak akan sama setiap masa.

Hasil Pembangkitan Berkala

Gambar 2: Carta di atas adalah contoh pengagihan prestasi portfolio yang kami amati ketika menggunakan strategi perdagangan pengimbangan semula harian (tanpa pengoptimuman yuran). 1,000 ujian belakang dimasukkan ke dalam histogram. Setelah setiap ujian belakang dijalankan, ia dimasukkan ke dalam salah satu baldi prestasi untuk membuat lekukan yang anda lihat. Sebagai contoh, sekitar 160 ujian belakang menghasilkan hasil prestasi yang berkisar antara 114% dan 139% untuk strategi pengimbangan semula harian.

Dalam jangka masa 1 tahun yang sama, keseimbangan berkala berkala mempunyai prestasi median antara 126% hingga 139.1%.

  • Rebalance 1 Jam – Prestasi Median 126.6%

  • Rebalance 1 Hari – Prestasi Median 139.1%

  • Rebalance 1-Minggu – 129.4% Prestasi Median

  • Rebalance 1 Bulan – Prestasi Median 126.0%

Hasil Pengembalian Dioptimumkan Bayaran

Gambar 3: Carta di atas adalah contoh taburan prestasi portfolio yang kami amati ketika menggunakan strategi perdagangan pengimbangan semula setiap jam (tanpa pengoptimuman yuran). 1,000 ujian belakang dimasukkan ke dalam histogram. Setelah setiap ujian belakang dijalankan, ia dimasukkan ke dalam salah satu baldi prestasi untuk membuat lekukan yang anda lihat. Sebagai contoh, kira-kira 160 ujian semula menghasilkan hasil prestasi yang berkisar antara 191% dan 231% untuk strategi pengimbangan semula setiap jam.

Dalam jangka masa 1 tahun yang sama, keseimbangan berkala dioptimumkan yuran mempunyai prestasi median antara 129.4% hingga 254.8%.

  • Rebalance 1 Jam – Prestasi Median 254.8%

  • Rebalance 1 Hari – 158.2% Prestasi Median

  • Rebalance 1-Minggu – Prestasi Median 135.9%

  • Rebalance 1 Bulan – 129.4% Prestasi Median

Perbincangan

Menggabungkan hasilnya, kita dapat menggambarkan persembahan akhir sebagai petak.

Gambar 4: Setiap sel di grid mewakili prestasi rata-rata 1,000 ujian belakang. Dengan nilai permulaan $ 5,000, prestasi 100% akan mewakili nilai portfolio akhir $ 10,000. Dengan kata lain, semua nilai portfolio median yang ditunjukkan dalam jadual ini meningkat dua kali ganda dalam jangka masa satu tahun.

Pada Gambar 4 kita melihat bahawa strategi berkinerja tertinggi adalah strategi pengimbangan ulang 1 jam yang memanfaatkan pengoptimuman biaya.

Pada pandangan pertama, mungkin kelihatan bahawa prestasi meningkat seiring meningkatnya frekuensi keseimbangan untuk pengimbangan semula yang dioptimumkan. Walau bagaimanapun, masuk akal bahawa portfolio akan mendapat lebih banyak keuntungan dari pengoptimuman yuran apabila semakin kerap portfolio tersebut diimbangi kembali. Pada dasarnya, semakin kerap portfolio perdagangan, semakin besar kesan “pengoptimuman yuran” terhadap prestasi.

Membandingkan setiap strategi penyeimbangan semula dengan strategi beli dan tahan yang sederhana, kami memperoleh hasil ini.

Gambar 5: Setiap sel mewakili perbandingan antara strategi pengimbangan semula dan HODL. Nilai positif bermaksud strategi mengatasi prestasi melebihi jumlah itu. Pada dasarnya, jika strategi pegangan dilakukan + 100% dalam jangka waktu 1 tahun, peratus positif bermaksud strategi keseimbangan yang dilakukan lebih baik daripada + 100%.

Pada gambar 5 kita melihat bahawa semua strategi penyeimbangan mengungguli prestasi bertahan (berdasarkan prestasi portfolio median). Itu bermaksud strategi beli dan tahan median berkinerja lebih buruk daripada median strategi pengimbangan semula.

Akhirnya, kita dapat membandingkan hasil pengimbangan semula yang dioptimumkan dengan hasil pengimbangan semula yang standard sehingga kita dapat melihat manfaat khusus yang dihasilkan dari penggunaan pengoptimuman biaya.

Gambar 6: Setiap sel mewakili faedah yang diperoleh daripada pengoptimuman bayaran Pada dasarnya, seberapa baik prestasi portfolio semasa menggunakan pengoptimuman yuran dan bukannya tanpa pengoptimuman yuran.

Seperti yang telah kita bincangkan sebelum ini, kita dapat melihat bahawa faedah pengoptimuman yuran bertambah apabila frekuensi pengimbangan semula meningkat.

Kesimpulannya

Kita dapat menyimpulkan dari hasil ini bahawa pengimbangan semula cenderung mengungguli strategi beli dan tahan secara historis. Sebagai tambahan, kita dapat melihat bahawa keuntungan menggunakan strategi pengoptimuman biaya cenderung meningkat dengan frekuensi perdagangan. Semakin kerap strategi diperdagangkan, semakin banyak keuntungan yang dihasilkan dari pengoptimuman bayaran.

Tanpa pengoptimuman bayaran, strategi berprestasi terbaik adalah selang keseimbangan 1 hari.

Pengembalian Semula Tahap

Untuk menilai pengimbangan semula ambang, kami akan mengkaji 7 strategi ambang yang berbeza. Ini merangkumi keseimbangan ambang 1%, 5%, 10%, 15%, 20%, 25%, dan 30%. Sama dengan bahagian pengimbangan semula berkala dalam kajian ini, kita akan membandingkan keseimbangan semula, keseimbangan dioptimumkan yuran, dan hasil HODL.

Setiap konfigurasi akan menjalankan 1,000 ujian belakang unik dengan jumlah keseluruhan 21,000 ujian belakang.

Keputusan HODL

Gambar 7: Carta di atas adalah contoh pengagihan prestasi portfolio yang kami amati ketika tiada perdagangan untuk portfolio. 1,000 ujian belakang dimasukkan ke dalam histogram. Setelah setiap ujian belakang dijalankan, ia dimasukkan ke dalam salah satu baldi prestasi untuk membuat lekuk yang anda lihat. Sebagai contoh, sekitar 160 ujian belakang menghasilkan hasil prestasi yang berkisar antara 110% dan 137% untuk strategi HODL.

Sepanjang tempoh 1 tahun yang dinilai, portfolio yang menggunakan strategi HODL menyaksikan peningkatan nilai portfolio median sebanyak 115%. Perhatikan bahawa menyesuaikan ambang keseimbangan semula tidak mempengaruhi prestasi median kerana strategi HODL tidak mengimbangkan semula.

Penyimpangan kecil dalam prestasi HODL diperhatikan dalam hasilnya. Penyimpangan kecil ini hanyalah hasil kebetulan secara rawak. Berdasarkan pilihan portfolio untuk 1,000 ujian belakang, kami menjangkakan bahawa prestasi median tidak akan sama setiap masa.

Hasil Pembangkitan Berkala

Gambar 8: Carta di atas adalah contoh pengagihan prestasi portfolio yang kami amati ketika menggunakan strategi pengimbangan semula ambang 15% (dengan pengoptimuman yuran). 1,000 ujian belakang dimasukkan ke dalam histogram. Setelah setiap ujian belakang dijalankan, ia dimasukkan ke dalam salah satu baldi prestasi untuk membuat lekuk yang anda lihat. Sebagai contoh, sekitar 98 ujian belakang menghasilkan hasil prestasi yang berkisar antara 173% dan 197% untuk strategi penyeimbangan semula ambang 15%.

Dalam jangka masa 1 tahun, keseimbangan ambang biasa mempunyai prestasi median antara 134.1% hingga 152.7%.

  • Ambang 1% – Prestasi Median 134.1%

  • Ambang 5% – Prestasi Median 150.5%

  • Ambang 10% – Prestasi Median 150.2%

  • Ambang 15% – 152.7% Prestasi Median

  • Ambang 20% – Prestasi Median 147.4%

  • Ambang 25% – Prestasi Median 150.2%

  • Ambang 30% – Prestasi Median 147.0%

Hasil Pengembalian Dioptimumkan Bayaran

Gambar 9: Carta di atas adalah contoh pengagihan prestasi portfolio yang kami amati ketika menggunakan strategi perdagangan pengimbangan semula ambang 1% (dengan pengoptimuman yuran). 1,000 ujian belakang dimasukkan ke dalam histogram. Setelah setiap ujian belakang dijalankan, ia dimasukkan ke dalam salah satu baldi prestasi untuk membuat lekuk yang anda lihat. Sebagai contoh, kira-kira 118 ujian belakang menghasilkan hasil prestasi yang berkisar antara 152% dan 189% untuk strategi pengimbangan semula ambang 1%.

Dalam jangka masa 1 tahun, pengimbangan semula ambang dioptimumkan yuran mempunyai prestasi median antara 156.5% hingga 258.3%.

  • Ambang 1% – Prestasi Median 258.3%

  • Ambang 5% – Prestasi Median 197.2%

  • Ambang 10% – Prestasi Median 179.1%

  • Ambang 15% – Prestasi Median 172.1%

  • Ambang 20% – Prestasi Median 163.2%

  • Ambang 25% – 164.1% Prestasi Median

  • Ambang 30% – 156.3% Prestasi Median

Perbincangan

Menggabungkan hasilnya, kita dapat menggambarkan persembahan akhir sebagai petak.

Gambar 10: Setiap sel di grid mewakili prestasi rata-rata 1,000 ujian belakang. Peratusan tersebut mewakili peratus peningkatan nilai portfolio sepanjang tempoh 1 tahun. Oleh itu, 100% akan mewakili nilai portfolio yang berlipat ganda dalam tempoh ujian terakhir.

Dalam gambar 10 kita dapat melihat bahawa walaupun portfolio median memanfaatkan strategi beli dan tahan lebih dari dua kali ganda nilainya dalam jangka waktu 1 tahun, semua strategi pengimbangan semula ambang melebihi strategi HODL.

Ini menunjukkan bahawa tanpa mengira ambang yang dipilih, keseimbangan semula secara historis cenderung mengatasi prestasi bertahan.

Apabila kita mempersempit penilaian kita untuk hanya membandingkan keseimbangan dioptimumkan yuran dengan keseimbangan piawai, kita dapat melihat bahawa pengoptimuman bayaran mempunyai pengaruh besar terhadap hasil.

Gambar 11: Setiap sel menunjukkan peningkatan peratus rata-rata yang dimiliki setiap strategi pembelian dan penahanan. Pada asasnya, nilai positif bermaksud strategi mengatasi pembelian dan pegangan peratus itu. Perhatikan bahawa jika portfolio yang menggunakan strategi HODL meningkat nilainya sebanyak 100%, nilai positif dalam jadual ini akan bermaksud strategi penyeimbangan kembali berjalan lebih baik (lebih besar daripada 100% dalam contoh ini).

Pada gambar 11 kita melihat bahawa strategi keseimbangan median mengatasi strategi HODL sederhana dalam semua kes yang dikaji. Walau bagaimanapun, pengoptimuman bayaran dapat terus meningkatkan peningkatan prestasi untuk menghasilkan nilai tambahan.

Dengan membandingkan hanya dua strategi penyeimbangan ulang, kita dapat melihat berapa banyak nilai yang sebenarnya dihasilkan oleh algoritma pengoptimuman biaya yang digunakan dalam keseimbangan “dioptimumkan biaya”.

Gambar 12: Setiap sel mewakili faedah yang diperoleh daripada pengoptimuman yuran. Pada dasarnya, seberapa baik prestasi portfolio semasa menggunakan pengoptimuman yuran dan bukannya tanpa pengoptimuman yuran.

Pada gambar 12 kita dapat melihat manfaat menggunakan strategi yang dioptimumkan dengan bayaran. Sesuai dengan tema yang kita lihat dalam kes pengimbangan semula berkala, kita dapat melihat bahawa pengoptimuman yuran memberikan lebih banyak keuntungan ketika ada perdagangan yang sering.

Kesimpulannya

Kami melihat bahawa serupa dengan pengimbangan semula berkala, pengimbangan semula ambang secara historis mengungguli strategi beli dan tahan sederhana. Di samping itu, kami melihat bahawa faedah pengoptimuman yuran bertambah apabila perdagangan menjadi lebih kerap.

Pemikiran Akhir

Setelah memeriksa 33,000 ujian semula, kami dapat secara konsisten menunjukkan kelebihan pengimbangan semula yang dioptimumkan yuran jika dibandingkan dengan strategi yang tidak menggunakan pengoptimuman biaya. Di samping itu, kami dapat menghasilkan hasil yang pasti yang menunjukkan bahawa penyeimbangan portfolio mengungguli strategi HODL yang lebih baik secara sejarah.

Sebenarnya, hampir 85% dari semua portfolio yang dinilai menghasilkan hasil yang lebih baik ketika menggunakan strategi pengimbangan semula jika dibandingkan dengan HODL.

Lihat Keputusan Penuh

Keseluruhan hasil terperinci boleh didapati di Dokumen Google berikut. Jangan ragu untuk melihat keseluruhan hasil carian anda sendiri dan dapatkan trend atau corak menarik tambahan.

Penafian: Ujian belakang hanya dapat memeriksa prestasi masa lalu dan tidak menjamin prestasi masa depan. Kajian ini menilai pengimbangan semula sepanjang satu tahun. Pengimbangan semula bukanlah strategi jangka pendek dan kemungkinan tidak akan menghasilkan hasil yang dapat diukur dalam satu hari atau bahkan satu minggu.

Bacaan Baik Tambahan

Cara Membuat Bot Perdagangan Crypto Menggunakan Python

Perbandingan Strategi Peningkatan Semula untuk portfolio Cryptocurrency

Senario Rebalance Biasa di Crypto

Pengecilan semula Ambang untuk Pengurusan Portfolio Crypto

Apa itu DeFi? Panduan Kewangan Terdesentralisasi

Platform Dagangan Sosial Kami

Udang adalah platform perdagangan sosial untuk cryptocurrency. Ia dirancang untuk kedua-dua peniaga profesional dan pemula untuk datang dan belajar mengenai industri kripto yang sedang berkembang. Pada Shrimpy, pengguna dapat menyalin portfolio dan strategi perdagangan pedagang lain.

Ikut kami Twitter dan Facebook untuk maklumat terkini, dan ajukan sebarang pertanyaan kepada komuniti aktif kami yang luar biasa di Telegram & Tidak setuju.

Terima kasih kerana berhenti!

Pasukan Udang

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