Bitcoin-Dollar-Kostendurchschnitt auf Basis von BEAM-Bändern

Schriftsteller:ChaoZhang, Datum: 2024-02-18 15:40:42
Tags:

Übersicht

Diese Strategie basiert auf Ben Cowen's Risiko-Level-Theorie und zielt darauf ab, einen ähnlichen Ansatz mit BEAM-Band-Levels umzusetzen. Das obere BEAM-Level ist der 200-Wochen- gleitende Durchschnitt nach der Einnahme des Logarithmus, und das untere Niveau ist der 200-Wochen-gleitende Durchschnitt selbst. Dies gibt uns einen Bereich von 0 bis 1. Kauf-Orders werden ausgegeben, wenn der Preis unterhalb der 0,5 Level-Bänder liegt, und Verkaufs-Orders werden ausgegeben, wenn der Preis darüber liegt.

Strategie Logik

Die Strategie basiert hauptsächlich auf der von Ben Cowen vorgeschlagenen BEAM-Bandtheorie. Gemäß den Kursänderungen von BTC kann der Preis in 10 Bereiche zwischen 0 und 1 unterteilt werden, die 10 verschiedene Risikoniveaus darstellen.

Wenn der Preis auf die Tiefs fällt, wird die Strategie die Long-Position allmählich erhöhen. Insbesondere, wenn der Preis zwischen den Bands 0 und 0.5 liegt, werden Kauforder an einem bestimmten Tag jeden Monat ausgegeben. Der Kaufbetrag wird allmählich steigen, wenn die Bandzahl abnimmt. Zum Beispiel bei Band 5 beträgt der Kaufbetrag 20% der monatlichen DCA-Gesamtsumme. Bei Band 1 steigt der Kaufbetrag auf 100% der monatlichen DCA-Gesamtsumme.

Wenn die Preise zu Höchstwerten steigen, wird die Strategie ihre Position allmählich reduzieren. Insbesondere, wenn der Preis Band 0,5 übersteigt, werden vergleichsweise Verkaufsbestellungen ausgegeben. Die Verkaufsposition wird allmählich steigen, wenn die Bandzahl steigt. Zum Beispiel mit Band 6 werden 6,67% verkauft. Mit Band 10 werden alle Positionen verkauft.

Analyse der Vorteile

Der größte Vorteil dieser BEAM-Band-DCA-Strategie besteht darin, dass sie die Volatilitätsmerkmale des BTC-Handels voll ausnutzt, indem sie bei Preisrückgängen auf den Tiefpunkt und bei Preisanstieg auf den Höchststand profitiert. Dieser Ansatz verpasst keine Kauf- oder Verkaufsmöglichkeiten. Die spezifischen Vorteile können wie folgt zusammengefasst werden:

Verwenden Sie die BEAM-Theorie, um die Unterbewertung von Vermögenswerten zu beurteilen und Risiken wissenschaftlich zu vermeiden;
die Volatilitätsmerkmale von BTC voll auszunutzen, um die besten Kauf- und Verkaufsmöglichkeiten zu nutzen;
Annahme der Kostendurchschnittsmethode zur wirksamen Kontrolle der Investitionskosten und zur Erzielung langfristiger stabiler Renditen;
Automatische Abwicklung von Kauf- und Verkaufstransaktionen ohne manuelles Eingreifen zur Verringerung der operativen Risiken;
Anpassungsfähige Parameter ermöglichen eine flexible Anpassung der Strategien an die Marktveränderungen;

Zusammenfassend ist dies eine ausgeklügelte Parameter-Tuning-Strategie, die bei schwankenden BTC-Marktbedingungen langfristig stabile Renditen erzielen kann.

Risikoanalyse

Obwohl die BEAM-Band-DCA-Strategie viele Vorteile bietet, gibt es immer noch einige potenzielle Risiken, die zu beachten sind.

Beam-Theorie und -parameter-Einstellungen beruhen auf subjektiven Beurteilungen, die eine gewisse Wahrscheinlichkeit von Fehleinschätzungen haben;
Es ist schwierig, BTC-Tendenzen vorherzusagen, und es besteht das Risiko von Verlusten;
Der automatische Handel kann durch Systemstörungen und Parameter-Hacking beeinträchtigt werden;
Übermäßige Schwankungen können zu erhöhten Verlusten führen.

Zur Verringerung der Risiken können folgende Maßnahmen ergriffen werden:

Optimierung der Parameter-Einstellungen zur Verbesserung der Beurteilungsgenauigkeit der BEAM-Theorie;
angemessene Verringerung der Positionsgröße zur Verringerung des Einzelverlustbetrags;
Erhöhung der Redundanz- und Fehlerverträglichkeitsfähigkeiten zur Verringerung der betrieblichen Risiken für den automatisierten Handel;
Stellen Sie Stop-Loss-Punkte fest, um zu große Einzelverluste zu vermeiden.

Optimierung

Angesichts der oben genannten Risiken kann die Optimierung dieser Strategie auf folgende Bereiche ausgerichtet sein:

Optimierung der BEAM-Theorieparameter: Anpassung der Logparameter, des Backtestzyklus usw. zur Verbesserung der Modellgenauigkeit;
Optimierung der Positionskontrolle: Anpassung des monatlichen DCA-Betrags und der Kauf-/Verkaufsquoten, um den Betrag der einzelnen Verluste zu kontrollieren;
Erhöhung der automatischen Handelssicherheit: Einrichtung von redundanten Servern, lokale Verarbeitung usw. zur Verbesserung der Fehlerverträglichkeit;
Hinzufügen eines Stop-Loss-Moduls: Festlegen angemessener Stop-Loss-Punkte auf der Grundlage der historischen Volatilität, um Verluste effektiv zu kontrollieren.

Durch diese Maßnahmen können die Stabilität und Sicherheit der Strategie erheblich verbessert werden.

Schlussfolgerung

Die BEAM-Band-DCA-Durchschnittskostenstrategie ist eine sehr praktische quantitative Handelsstrategie. Sie nutzt erfolgreich die BEAM-Theorie, um Handelsentscheidungen zu treffen, ergänzt durch ein Kostendurchschnittsmodell zur Steuerung der Kaufkosten. Gleichzeitig achtet sie auf das Risikomanagement, indem sie Stop-Loss-Punkte festlegt, um Verlustexpansion zu verhindern. Mit Parameteroptimierung und modularen Ergänzungen kann diese Strategie zu einem wichtigen Werkzeug für den quantitativen Handel werden, um langfristige, stabile Renditen vom BTC-Markt zu erzielen. Sie verdient weitere Forschung und Anwendung durch quantitative Handelspraktiker.

/*backtest
start: 2023-02-11 00:00:00
end: 2024-02-17 00:00:00
period: 1d
basePeriod: 1h
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/

// © gjfsdrtytru - BEAM DCA Strategy {
// Based on Ben Cowen's risk level strategy, this aims to copy that method but with BEAM band levels.
// Upper BEAM level is derived from ln(price/200W MA)/2.5, while the 200W MA is the floor price. This is our 0-1 range. 
// Buy limit orders are set at the < 0.5 levels and sell orders are set at the > 0.5 level.
//@version=5
strategy(
  title                 = "BEAM DCA Strategy Monthly", 
  shorttitle            = "BEAM DCA M",
  overlay               = true,
  pyramiding            = 500,
  default_qty_type      = strategy.percent_of_equity,
  default_qty_value     = 0,
  initial_capital       = 0) //}

// Inputs { ————————————————————————————————————————————————————————————————————
T_ceiling   = input.string("Off", "Diminishing Returns", ["Off","Linear","Parabolic"], "Account for diminishing returns as time increases")
day         = input.int(1, "DCA Day of Month",1,28,1,"Select day of month for buy orders.")
DCAamount   = input.int(1000,"DCA Amount",400,tooltip="Enter the maximum amount you'd be willing to DCA for any given month.")
T_buy       = input(true,"Buy Orders","Toggle buy orders.")
T_sell      = input(true,"Sell Orders","Toggle sell orders.")

// Time period
testStartYear   = input.int(2018,   title="Backtest Start Year",    minval=2010,maxval=2100,group="Backtest Period")
testStartMonth  = input.int(1,      title="Backtest Start Month",   minval=1,   maxval=12,  group="Backtest Period")
testStartDay    = input.int(1,      title="Backtest Start Day",     minval=1,   maxval=31,  group="Backtest Period")
testPeriodLen   = input.int(9999,   title="Backtest Period (days)", minval=1,               group="Backtest Period",tooltip="Days until strategy ends") * 86400000 // convert days into UNIX time
testPeriodStart = timestamp(testStartYear,testStartMonth,testStartDay,0,0)
testPeriodStop  = testPeriodStart + testPeriodLen
testPeriod() => true
// ——————————————————————————————————————————————————————————————————————————— }
// Diminishing Returns { ———————————————————————————————————————————————————————
x = bar_index + 1
assetDivisor= 2.5
switch
    T_ceiling == "Linear"   => assetDivisor:= 3.50542 - 0.000277696 * x
    T_ceiling == "Parabolic"=> assetDivisor:= -0.0000001058992338 * math.pow(x,2) + 0.000120729 * x + 3.1982
// ——————————————————————————————————————————————————————————————————————————— }
// Risk Levels { ———————————————————————————————————————————————————————————————
cycleLen = 1400
getMaLen() =>
    if bar_index < cycleLen
        bar_index + 1
    else
        cycleLen

// Define Risk Bands
price       = close
riskLow     = ta.sma(price,getMaLen())
risk1       = riskLow * math.exp((assetDivisor)*0.1)
risk2       = riskLow * math.exp((assetDivisor)*0.2)
risk3       = riskLow * math.exp((assetDivisor)*0.3)
risk4       = riskLow * math.exp((assetDivisor)*0.4)
risk5       = riskLow * math.exp((assetDivisor)*0.5)
risk6       = riskLow * math.exp((assetDivisor)*0.6)
risk7       = riskLow * math.exp((assetDivisor)*0.7)
risk8       = riskLow * math.exp((assetDivisor)*0.8)
risk9       = riskLow * math.exp((assetDivisor)*0.9)
riskHigh    = riskLow * math.exp((assetDivisor))

// Plot Risk Bands
p_low       = plot(riskLow,   "Beam Risk 0.0",color.new(#0042F0,50),3,editable=false)
p_band1     = plot(risk1,     "Beam Risk 0.1",color.new(#0090F5,20),1,editable=false)
p_band2     = plot(risk2,     "Beam Risk 0.2",color.new(#00C6DB,20),1,editable=false)
p_band3     = plot(risk3,     "Beam Risk 0.3",color.new(#00F5BD,20),1,editable=false)
p_band4     = plot(risk4,     "Beam Risk 0.4",color.new(#00F069,20),1,editable=false)
p_band5     = plot(risk5,     "Beam Risk 0.5",color.new(#00DB08,50),3,editable=false)
p_band6     = plot(risk6,     "Beam Risk 0.6",color.new(#E8D20C,20),1,editable=false)
p_band7     = plot(risk7,     "Beam Risk 0.7",color.new(#F2B40C,20),1,editable=false)
p_band8     = plot(risk8,     "Beam Risk 0.8",color.new(#DC7A00,20),1,editable=false)
p_band9     = plot(risk9,     "Beam Risk 0.9",color.new(#F2520C,20),1,editable=false)
p_band10    = plot(riskHigh,  "Beam Risk 1.0",color.new(#F01102,50),3,editable=false)
// ——————————————————————————————————————————————————————————————————————————— }
// Order Execution { ———————————————————————————————————————————————————————————
band5   = price<risk5 and price>risk4
band4   = price<risk4 and price>risk3
band3   = price<risk3 and price>risk2
band2   = price<risk2 and price>risk1
band1   = price<risk1

// DCA buy order weights
y       = DCAamount / 5
switch
    band5 => y:= y * 1
    band4 => y:= y * 2
    band3 => y:= y * 3
    band2 => y:= y * 4
    band1 => y:= y * 5

// Contracts per order
contracts =(y/price)

if testPeriod()
// Buy orders
    if T_buy == true
        if dayofmonth == day
            strategy.entry("Risk Band 5",strategy.long,qty=contracts,when=band5)
            strategy.entry("Risk Band 4",strategy.long,qty=contracts,when=band4)
            strategy.entry("Risk Band 3",strategy.long,qty=contracts,when=band3)
            strategy.entry("Risk Band 2",strategy.long,qty=contracts,when=band2)
            strategy.entry("Risk Band 1",strategy.long,qty=contracts,when=band1)
// Sell orders 
    if T_sell == true
        if strategy.opentrades > 5
            strategy.exit("Risk Band 6",qty_percent=6.67,limit=risk6) 
            strategy.exit("Risk Band 7",qty_percent=14.28,limit=risk7)
            strategy.exit("Risk Band 8",qty_percent=25.00,limit=risk8)
            strategy.exit("Risk Band 9",qty_percent=44.44,limit=risk9)
            strategy.exit("Risk Band 10",qty_percent=100,limit=riskHigh)
// ——————————————————————————————————————————————————————————————————————————— }
// Info { ——————————————————————————————————————————————————————————————————————

// Line plot of avg. entry price
plot(strategy.position_size > 0 ? strategy.position_avg_price : na,"Average Entry",color.red,trackprice=true,editable=false)

// Unrealised PNL
uPNL = price/strategy.position_avg_price

// Realised PNL
realPNL = 0.
for i = 0 to strategy.closedtrades-1
    realPNL += strategy.closedtrades.profit(i)

// Size of open position in ($)
openPosSize = 0.
for i = 0 to strategy.opentrades-1
    openPosSize += strategy.opentrades.size(i) * strategy.position_avg_price

// Size of closed position in ($)
closePosSize = 0.
if strategy.closedtrades > 0
    for i = 0 to strategy.closedtrades-1
        closePosSize += strategy.closedtrades.size(i) * strategy.closedtrades.entry_price(i)

invested    = openPosSize+closePosSize                              // Total capital ($) put into strategy
equity      = openPosSize+closePosSize+strategy.openprofit+realPNL  // Total current equity ($) in strategy (counting realised PNL)
ROI         = (equity-invested) / invested * 100                    // ROI of strategy (compare capital invested to excess return)

// // Info Table
// var table table1 = table.new(position.bottom_right,2,9,color.black,color.gray,1,color.gray,2)

// table.cell(table1,0,0,"Capital Invested",   text_color=color.white,text_halign=text.align_right)
// table.cell(table1,0,1,"Open Position",      text_color=color.white,text_halign=text.align_right)
// table.cell(table1,0,2,"Average Entry",      text_color=color.white,text_halign=text.align_right)
// table.cell(table1,0,3,"Last Price",         text_color=color.white,text_halign=text.align_right)
// table.cell(table1,0,4,"Open PNL (%)",       text_color=color.white,text_halign=text.align_right)
// table.cell(table1,0,5,"Open PNL ($)",       text_color=color.white,text_halign=text.align_right)
// table.cell(table1,0,6,"Realised PNL ($)",   text_color=color.white,text_halign=text.align_right)
// table.cell(table1,0,7,"Total Equity",       text_color=color.white,text_halign=text.align_right)
// table.cell(table1,0,8,"Strategy ROI",       text_color=color.white,text_halign=text.align_right)

// table.cell(table1,1,0,"$" + str.tostring(invested,                      "#,###.00"),      text_halign=text.align_right,text_color = color.white)
// table.cell(table1,1,1,"$" + str.tostring(openPosSize,                   "#,###.00"),      text_halign=text.align_right,text_color = color.white)
// table.cell(table1,1,2,"$" + str.tostring(strategy.position_avg_price,   "#,###.00"),      text_halign=text.align_right,text_color = color.white)
// table.cell(table1,1,3,"$" + str.tostring(price,                         "#,###.00"),      text_halign=text.align_right,text_color = color.white)
// table.cell(table1,1,4,      str.tostring((uPNL-1)*100,                  "#,###.00") + "%",text_halign=text.align_right,text_color = uPNL > 1 ? color.lime : color.red)
// table.cell(table1,1,5,"$" + str.tostring(strategy.openprofit,           "#,###.00"),      text_halign=text.align_right,text_color = uPNL > 1 ? color.lime : color.red)
// table.cell(table1,1,6,"$" + str.tostring(realPNL,                       "#,###.00"),      text_halign=text.align_right,text_color = color.white)
// table.cell(table1,1,7,"$" + str.tostring(equity,                        "#,###.00"),      text_halign=text.align_right,text_color = color.white)
// table.cell(table1,1,8,      str.tostring(ROI,                           "#,###.00") + "%",text_halign=text.align_right,text_color = ROI > 1 ? color.lime : color.red)
// // ——————————————————————————————————————————————————————————————————————————— }

Mehr