BTCdollar-Kostendurchschnittsstrategie basierend auf BEAM-Band
ChaoZhang
Überblick
Diese Strategie basiert auf Ben Cowen’s Theorie der Risikoniveaus und zielt darauf ab, eine ähnliche Methode mit den Ebenen der BEAM-Band zu entwickeln. Die obere Grenze der BEAM-Band ist der 200-Wochen-Bewegungsmittel nach der Analogie und die untere Grenze ist der 200-Wochen-Bewegungsmittel selbst. Dies gibt uns einen Bereich von 0 bis 1.
Strategieprinzip
Die Strategie basiert hauptsächlich auf der BEAM-Band-Theorie von Ben Cowen. Die 10 Zonen, die 10 verschiedene Risikogruppen repräsentieren, können in 10 Zonen zwischen 0 und 1 unterteilt werden, je nachdem, wie sich der Preis von BTC verändert. Die 0-Zone repräsentiert Preise, die sich in der Nähe des 200-Wochen-Moving Averages befinden, die das geringste Risiko darstellen.
Die Strategie erhöht die Kaufposition schrittweise, wenn der Preis auf das Tief sinkt. Insbesondere, wenn der Preis in der Bandbreite von 0 bis 0,5 liegt, wird am bestimmten Tag des Monats, der in der Strategie festgelegt ist, ein Kaufbefehl ausgesprochen, wobei der Kaufbetrag schrittweise mit der Verringerung der Bandnummer erhöht wird. Zum Beispiel bei Wave 5 beträgt der Kaufbetrag 20% des gesamten monatlichen DCA; bei Wave 1 erhöht sich der Kaufbetrag auf 100% des gesamten monatlichen DCA.
Die Strategie reduziert die Positionen schrittweise, wenn der Preis auf ein hohes Niveau steigt. Insbesondere wird eine proportionale Verkaufsanweisung ausgesprochen, wenn der Preis über 0,5 Wellenlängen hinausgeht. Die Verkaufspositionen werden schrittweise mit der Erhöhung der Wellenlängen erhöht.
Analyse der Stärken
Der größte Vorteil dieser BEAM-Band-DCA-Kosten-Durchschnittsstrategie besteht darin, dass sie die Eigenschaften von BTC-Volatilitätsgeschäften ausnutzt, indem sie bei niedrigem BTC-Preis ein Depot abschreibt und bei hohem BTC-Preis einen Gewinn erzielt. Diese Praxis verpasst keine gute Gelegenheit, zu kaufen oder zu verkaufen. Die konkreten Vorteile können wie folgt zusammengefasst werden:
- Die Beam-Theorie wird verwendet, um zu beurteilen, ob Vermögenswerte unterbewertet sind, um wissenschaftliche Risiken zu vermeiden.
- Es ist wichtig, dass Bitcoin-Käufer die Möglichkeiten nutzen, um die besten Kauf- und Verkaufsmöglichkeiten zu nutzen.
- Die Kosten-Nutzen-Methode zur effektiven Kontrolle der Investitionskosten und langfristigen, stabilen Erträgen;
- Automatische Transaktionen ohne menschliche Eingriffe, um die Risiken der Transaktionen zu verringern;
- Anpassbare Parameter, flexible Anpassungsstrategien, um sich an Marktveränderungen anzupassen.
Insgesamt ist dies eine ausgeklügelte Parameter-Regulierung-Strategie, die langfristige, stabile Gewinne in einem wackligen BTC-Szenario erzielen kann.
Risikoanalyse
Obwohl die BEAM-Band-DCA-Strategie viele Vorteile hat, gibt es einige potenzielle Risiken, auf die man achten sollte. Die Hauptrisikopunkte können wie folgt zusammengefasst werden:
- Die BEAM-Theorie und die Parameter-Einstellung sind subjektiv, was die Wahrscheinlichkeit einer Fehleinschätzung erhöht.
- Es ist unwahrscheinlich, dass die BTC-Bewegung unvorhersehbar ist, und es besteht die Gefahr von Verlusten und Verlusten.
- Automatische Transaktionen sind anfällig für Systemstörungen und Parameterhacking.
- Übermäßige Schwankungen können zu einer Vergrößerung der Verluste führen.
Um das Risiko zu verringern, können folgende Maßnahmen ergriffen werden:
- Optimierung der Parameter-Einstellungen, um die Genauigkeit der BEAM-Theorie zu verbessern;
- angemessene Verkleinerung der Positionen und Verringerung der Einmalverluste;
- Erhöhung der Redundanz und der Fehlerfreizügigkeit und Verringerung des Risikos von automatisierten Transaktionen;
- Setzen Sie einen Stop-Loss-Punkt, um zu vermeiden, dass ein einzelner Verlust zu groß ist.
Optimierungsrichtung
In Anbetracht der oben genannten Risiken kann die Strategie vor allem in folgenden Bereichen optimiert werden:
- Optimierung der BEAM-Parameter: Anpassung der Log-Parameter und der Rücklaufzeiten, um die Modellgenauigkeit zu verbessern;
- Optimierung der Positionskontrolle: Anpassung der monatlichen DCA-Gesamtsumme, des Kauf- und Verkaufsprofits usw., um das Risiko von Einmalverlusten zu kontrollieren;
- Erhöhung der Sicherheitsmodule für automatische Transaktionen: Einrichtung von Redundanz-Servern, lokale Verarbeitung usw., um die Fehlersicherheit zu verbessern;
- Ein zusätzliches Stop-Loss-Modul: Setzen Sie einen vernünftigen Stop-Loss-Punkt basierend auf den historischen Schwankungen, um den Verlust effektiv zu kontrollieren.
Durch diese Mittel kann die Stabilität und Sicherheit der Strategie erheblich verbessert werden.
Zusammenfassen
Die BEAM Band DCA-Kosten-Durchschnitts-Strategie ist eine sehr praktische Quantitative Strategie. Sie nutzt erfolgreich die BEAM-Theorie, um Handelsentscheidungen zu treffen, und unterstützt die Kosten-Durchschnitts-Modelle, um die Kaufkosten zu kontrollieren. Gleichzeitig achtet sie auf Risikomanagement und setzt Stop-Loss-Punkte, um Verluste zu verhindern. Durch die Optimierung der Parameter und die Erhöhung der Module kann diese Strategie ein wichtiges Instrument für den Quantitativen Handel sein, um langfristige stabile Erträge aus dem BTC-Markt zu erzielen.
/*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)
// // ——————————————————————————————————————————————————————————————————————————— }