Strategi rata-rata biaya BTCdollar berdasarkan pita BEAM
ChaoZhang
Ringkasan
Strategi ini didasarkan pada teori tingkat risiko Ben Cowen, dengan tujuan untuk melakukan pendekatan serupa dengan menggunakan tingkat band BEAM. Batas atas dari band BEAM adalah rata-rata bergerak 200 minggu setelah analogi, dan batas bawah adalah rata-rata bergerak 200 minggu itu sendiri. Ini memberi kita kisaran 0 hingga 1.
Prinsip Strategi
Strategi ini didasarkan pada teori BEAM Band yang dikemukakan oleh Ben Cowen. Berdasarkan perubahan harga BTC, harga dapat dibagi menjadi 10 zona antara 0 dan 1, yang mewakili 10 tingkat risiko yang berbeda. Tingkat 0 mewakili harga yang mendekati rata-rata bergerak 200 minggu, risiko terkecil; Tingkat 5 mewakili harga yang berada di zona mid-range; Tingkat 10 mewakili harga yang mendekati orbit, risiko terbesar.
Ketika harga turun ke level rendah, strategi ini secara bertahap meningkatkan posisi beli. Secara khusus, jika harga berada di kisaran 0 hingga 0,5 gelombang, maka akan ada instruksi beli yang akan dikeluarkan pada hari tertentu setiap bulan yang ditetapkan strategi, dan jumlah beli akan meningkat secara bertahap seiring dengan berkurangnya jumlah gelombang. Misalnya, saat gelombang 5, jumlah beli adalah 20% dari total DCA bulan; saat gelombang 1, jumlah beli meningkat menjadi 100% dari total DCA bulan.
Ketika harga naik ke level tinggi, strategi ini akan mengurangi posisi secara bertahap. Secara khusus, jika harga melebihi 0,5 gelombang, maka akan dikeluarkan instruksi jual secara proporsional, dan posisi yang dijual akan meningkat secara bertahap seiring dengan peningkatan nomor gelombang. Misalnya, saat gelombang 6, 6,67% dijual; saat gelombang 10, semua posisi dijual.
Analisis Keunggulan
Keuntungan terbesar dari strategi rata-rata biaya DCA band BEAM ini adalah bahwa ia memanfaatkan sepenuhnya karakteristik perdagangan berfluktuasi BTC, melakukan penarikan pada saat harga BTC turun ke terendah, dan menghasilkan keuntungan ketika harga naik ke puncak. Praktek ini tidak akan melewatkan peluang untuk membeli atau menjual. Keuntungan spesifik dapat diringkas sebagai berikut:
- Menggunakan teori BEAM untuk menilai tingkat undervaluation aset, menghindari risiko ilmiah;
- Menggunakan karakteristik volatilitas BTC untuk menangkap peluang terbaik untuk membeli dan menjual dengan sangat akurat;
- Menggunakan metode rata-rata biaya untuk mengontrol biaya investasi secara efektif dan memperoleh keuntungan yang stabil dalam jangka panjang;
- Transaksi perdagangan dilakukan secara otomatis, tanpa intervensi manusia, mengurangi risiko operasional;
- Parameter yang dapat disesuaikan, strategi yang dapat disesuaikan dengan perubahan pasar.
Secara keseluruhan, ini adalah strategi pengendalian parameter yang halus yang dapat menghasilkan keuntungan stabil jangka panjang dalam situasi BTC yang bergejolak.
Analisis risiko
Meskipun BEAM Band DCA memiliki banyak keuntungan, ada beberapa risiko potensial yang perlu diperhatikan. Risiko utama dapat diringkas sebagai berikut:
- Teori BEAM dan parameternya didasarkan pada penilaian subjektif, dan kemungkinan kesalahan penilaian;
- Bitcoin (BTC) tidak dapat diprediksi, dan ada risiko kerugian dan kerugian.
- Perdagangan otomatis mudah terganggu oleh kegagalan sistem dan peretasan parameter.
- Terlalu banyak fluktuasi dapat menyebabkan kerugian.
Untuk mengurangi risiko, langkah-langkah berikut dapat dilakukan:
- Pengaturan parameter yang dioptimalkan untuk meningkatkan akurasi penilaian teori BEAM;
- Mengurangi ukuran posisi dengan tepat dan mengurangi jumlah kerugian tunggal;
- Meningkatkan redundansi dan toleransi kesalahan, mengurangi risiko operasi perdagangan otomatis;
- Tetapkan Stop Loss untuk menghindari kerugian tunggal yang terlalu besar.
Arah optimasi
Mengingat risiko yang disebutkan di atas, strategi ini dapat dioptimalkan dari aspek-aspek berikut:
- Mengoptimalkan parameter teori BEAM: menyesuaikan parameter logaritma, siklus pengukuran, dan lain-lain untuk meningkatkan akurasi penilaian model;
- Pengendalian posisi yang optimal: penyesuaian jumlah DCA bulanan, proporsi pembelian dan penjualan, dan lain-lain, untuk mengendalikan risiko kerugian satu kali;
- Menambahkan modul keamanan transaksi otomatis: pengaturan server yang berlebihan, pemrosesan lokal, dan lain-lain, untuk meningkatkan toleransi kesalahan;
- Tambahkan modul Stop Loss: Atur Stop Loss yang masuk akal berdasarkan fluktuasi sejarah, untuk mengontrol kerugian secara efektif.
Dengan cara ini, stabilitas dan keamanan strategi dapat ditingkatkan secara signifikan.
Meringkaskan
BEAM Band DCA Cost Average Strategy adalah strategi kuantitatif yang sangat berharga dalam pertempuran. Ini berhasil menggunakan teori BEAM untuk memandu keputusan perdagangan, dan didukung oleh model biaya rata-rata untuk mengontrol biaya pembelian. Pada saat yang sama, ia juga memperhatikan manajemen risiko, mengatur stop loss untuk mencegah peningkatan kerugian. Dengan pengoptimalan parameter dan peningkatan modul, strategi ini dapat menjadi alat penting untuk perdagangan kuantitatif, untuk mendapatkan keuntungan stabil jangka panjang dari pasar BTC.
/*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)
// // ——————————————————————————————————————————————————————————————————————————— }