
Strategi kuantitatif terobosan perdagangan yang didasarkan pada teori Blake-Schulz dan sistem pengoptimalan stop loss adalah model perdagangan inovatif yang menggabungkan teori harga opsi dan analisis teknis. Ide inti dari strategi ini adalah menggunakan estimasi harga harga aset Black-Schulz, membangun penurunan harga yang dinamis, dan menghasilkan sinyal perdagangan ketika harga melewati batas-batas ini.
Dasar teoretis dari strategi ini berasal dari metode pengukuran volatilitas pasar dalam model harga opsi Black-Scholes. Proses implementasi spesifiknya adalah sebagai berikut:
Pertama, strategi dilakukan dengan menghitung return logarithm dari harga historis (logReturn = math.log)[1])), kemudian menghitung volatilitas menggunakan fungsi perbedaan standar ((ta.stdev) dan memperhitungkannya dengan perhitungan tahunan (sqrt) dengan perkalian periode per tahun (periodsPerYear)). Perhitungan tahunan perlu mempertimbangkan jumlah hari perdagangan (sqrt) dan jumlah menit perdagangan per hari (sqrt) dibagi dengan periode waktu grafik yang ditetapkan pengguna (sqrt).
Selanjutnya, strategi menghitung ekspektasi pergerakan harga, yang didasarkan pada harga penutupan sebelumnya, tingkat fluktuasi saat ini, dan faktor waktu. Langkah ini pada dasarnya mengukur “perubahan harga yang diharapkan dalam satuan waktu berikutnya dengan kondisi fluktuasi saat ini”.
Strategi kemudian membangun ambang batas perdagangan dinamis: ambang batas atas (upper Threshold) untuk harga penutupan sebelumnya ditambah dengan perubahan ekspektasi; ambang batas bawah (lower Threshold) untuk harga penutupan sebelumnya dikurangi dengan perubahan ekspektasi.
Ketika harga menembus batas atas, memicu sinyal lebih; Ketika harga menembus batas bawah, memicu sinyal kurang.
Dalam hal manajemen risiko, strategi ini menggunakan dua lapisan perlindungan stop loss:
Desain ini memungkinkan strategi untuk secara efektif mengendalikan risiko dan meningkatkan efisiensi penggunaan dana, sambil menangkap peluang untuk terobosan harga.
Setelah analisis kode yang mendalam, strategi ini memiliki keuntungan yang signifikan sebagai berikut:
Dasar Teori yang KuatStrategi ini didasarkan pada teori keuangan yang sudah mapan, menggunakan model Blake-Schulz untuk mengukur tingkat fluktuasi secara ilmiah, dan memiliki dukungan teori yang kuat.
Adaptasi terhadap kondisi pasarStrategi dapat secara otomatis beradaptasi dengan berbagai kondisi pasar dengan cara menghitung volatilitas dan perubahan harga yang diharapkan secara dinamis. Pada periode volatilitas rendah, ambang batas masuk lebih rendah; pada periode volatilitas tinggi, ambang batas masuk meningkat sesuai, menghindari keterbatasan yang ditimbulkan oleh parameter tetap.
Peningkatan manajemen risiko: Mekanisme stop loss ganda ((stop loss awal dan stop loss pelacakan) secara efektif mengendalikan risiko perdagangan tunggal, sekaligus dapat memaksimalkan keuntungan yang terkunci dalam situasi tren.
Efisiensi komputasi tinggiAlgoritma strategi sederhana, efisien, dan real-time, dapat dihitung kembali setiap kali ada perubahan harga dan transaksi pesanan (calc_on_order_fills=true, calc_on_every_tick=true), cocok untuk perdagangan short-line dalam sehari.
Membantu pengambilan keputusan secara visualStrategi ini memperlihatkan penurunan nilai yang dinamis dalam bentuk grafik, sehingga trader dapat secara intuitif memahami kondisi pasar saat ini dan peluang perdagangan potensial.
Parameter yang dapat disesuaikan secara fleksibel: Pengguna dapat secara fleksibel menyesuaikan parameter kunci seperti periode pengembalian volatilitas, stop loss ratio, dan lain-lain sesuai dengan preferensi risiko pribadi dan karakteristik pasar, untuk meningkatkan fleksibilitas strategi.
Meskipun strategi ini dirancang dengan baik, ada beberapa risiko potensial:
Risiko Penembusan Palsu: Pasar dapat mengalami penarikan cepat setelah penembusan terendah yang singkat, menyebabkan sinyal yang salah. Solusi dapat dengan menambahkan mekanisme konfirmasi, seperti meminta harga untuk tinggal di luar terendah untuk waktu tertentu atau sinyal penyaringan dalam kombinasi dengan indikator lain.
estimasi deviasi fluktuasi: Sebelum dan sesudah titik balik pasar atau peristiwa besar, volatilitas historis mungkin tidak dapat memprediksi volatilitas masa depan dengan akurat, sehingga pengaturan nilai terendah tidak masuk akal. Pertimbangan dapat diberikan untuk memperkenalkan volatilitas tersirat atau meningkatkan metode estimasi volatilitas adaptif.
Titik Tergelincir dan Risiko EksekusiDalam lingkungan perdagangan frekuensi tinggi, harga pelaksanaan pesanan mungkin berbeda dengan harga sinyal. Disarankan untuk mengatur model titik geser yang masuk akal pada tahap pengembalian dan menggunakan daftar harga terbatas dan bukan daftar harga pasar di bursa nyata.
Parameter SensitivitasKinerja strategi sangat sensitif terhadap volatilitas (volLookback) dan parameter stop loss. Perlu mencari rentang parameter yang stabil melalui retrospeksi historis untuk menghindari penyesuaian kurva yang disebabkan oleh optimasi berlebihan.
Mengambil Risiko: Potensi kerugian dalam perdagangan shorting secara teoritis mungkin melebihi modal awal. Disarankan untuk menetapkan batas jumlah maksimum yang dapat dipegang dalam aplikasi praktis atau menyesuaikan ukuran posisi sesuai dengan kemampuan akun untuk menanggung risiko.
Risiko perubahan trenTracking stop loss dapat sering terjadi di pasar yang bergejolak, sehingga meningkatkan biaya transaksi. Anda dapat mempertimbangkan untuk menambahkan indikator konfirmasi tren dan hanya mengaktifkan tracking stop loss jika tren jelas.
Berdasarkan analisis kode, strategi ini dapat dioptimalkan dari beberapa arah:
Peningkatan perhitungan volatilitas dinamisStrategi saat ini menggunakan periode pengembalian tetap untuk menghitung volatilitas historis, dan dapat mempertimbangkan untuk menggunakan model GARCH atau model volatilitas bertimbangan indeks untuk menangkap lebih baik sifat perubahan dinamis dari volatilitas. Hal ini dilakukan karena volatilitas pasar keuangan biasanya memiliki karakteristik “pengumpulan volatilitas”, dan fluktuasi harga baru-baru ini memiliki nilai referensi yang lebih baik untuk perkiraan masa depan.
Faktor penurunan waktu diperkenalkan: Faktor waktu yang terlambat dapat dimasukkan dalam perhitungan pergerakan yang diharapkan, sehingga data terbaru memiliki pengaruh yang lebih besar pada perkiraan, meningkatkan sensitivitas strategi terhadap titik-titik perubahan pasar.
Integrasi analisis multi-frame waktuAnalisis volatilitas yang menggabungkan siklus yang lebih panjang, menghindari perdagangan berlawanan dengan arah tren utama. Misalnya, Anda dapat membuka posisi hanya di arah tren Jepang, meningkatkan tingkat kemenangan.
Mekanisme Konfirmasi Volume: Mengintegrasikan analisis volume transaksi ke dalam konfirmasi sinyal terobosan, hanya jika volume transaksi meningkat secara signifikan, terobosan dikonfirmasi efektif, mengurangi kerugian yang disebabkan oleh terobosan palsu.
Adaptasi mekanisme penghentian kerugianTracking stop loss ratio dapat dihubungkan dengan dinamika volatilitas pasar, dan tracking stop loss yang lebih longgar dapat diatur dalam lingkungan volatilitas tinggi, menghindari pemicu dari kebisingan pasar normal.
Pengelolaan dana yang optimalModul Manajemen Posisi Dinamis: Mengatur ukuran posisi secara otomatis berdasarkan nilai bersih akun, volatilitas pasar, dan intensitas sinyal perdagangan, menyeimbangkan risiko dan keuntungan.
Pembelajaran MesinPertimbangkan untuk menggunakan algoritma pembelajaran mesin untuk mengoptimalkan pilihan parameter atau meningkatkan penilaian kualitas sinyal, sehingga strategi dapat beradaptasi dengan lebih cerdas untuk lingkungan pasar yang berbeda.
The Breakthrough Trading Quantification Strategy and Tracking Stop Loss Optimization System, yang didasarkan pada teori Black-Scholes, adalah strategi perdagangan kuantitatif yang mengkombinasikan teori keuangan dengan teknik perdagangan praktis. Strategi ini secara ilmiah mengukur volatilitas pasar, secara dinamis membangun nilai transaksi, dan dilengkapi dengan mekanisme manajemen risiko yang fleksibel, yang dapat secara efektif menangkap peluang perdagangan yang dihasilkan oleh fluktuasi harga yang tidak normal dalam jangka pendek.
Keunggulan utama dari strategi ini adalah dasar teoritisnya yang kuat, kemampuan beradaptasi yang kuat, dan manajemen risiko yang sempurna, sangat cocok untuk diterapkan di lingkungan pasar yang lebih berfluktuasi. Namun, pengguna perlu waspada terhadap risiko potensial seperti terobosan palsu, sensitivitas parameter, dan dapat dioptimalkan melalui peningkatan perhitungan tingkat fluktuasi, analisis kerangka waktu multi-waktu, dan konfirmasi volume transaksi.
Secara keseluruhan, ini adalah strategi perdagangan kuantitatif yang dirancang dengan baik dan logis, yang mencerminkan pemahaman mendalam tentang mekanisme operasi pasar keuangan, dan memiliki kepraktisan dan skalabilitas yang kuat. Ini adalah kerangka strategi yang layak untuk dipelajari dan diterapkan secara mendalam bagi pedagang kuantitatif yang akrab dengan teori opsi dan mencari gaya perdagangan yang kuat.
/*backtest
start: 2024-11-06 00:00:00
end: 2024-11-13 00:00:00
period: 1d
basePeriod: 1d
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/
//@version=5
strategy("black-scholes breakout with trailing stop", overlay=true, initial_capital=100000, currency=currency.USD, calc_on_order_fills=true, calc_on_every_tick=true)
// User Inputs
chartRes = input.int(title="Chart Timeframe in Minutes", defval=1, minval=1)
volLookback = input.int(title="Volatility Lookback (bars)", defval=20, minval=1)
stopLossPerc = input.float(title="Initial Stop Loss (%)", defval=1.0, minval=0.1, step=0.1)
trailingStopPerc = input.float(title="Trailing Stop (%)", defval=0.5, minval=0.1, step=0.1)
// Calculate periods per year based on chart timeframe
periodsPerYear = (252 * 390) / chartRes
// Calculate annualized volatility from log returns
logReturn = math.log(close / close[1])
volatility = ta.stdev(logReturn, volLookback) * math.sqrt(periodsPerYear)
expectedMove = close[1] * volatility * math.sqrt(1 / periodsPerYear)
// Define dynamic thresholds around previous close
upperThreshold = close[1] + expectedMove
lowerThreshold = close[1] - expectedMove
// Plot thresholds for visual reference
plot(upperThreshold, color=color.green, title="Upper Threshold")
plot(lowerThreshold, color=color.red, title="Lower Threshold")
// Trading Signals: breakout conditions
longCondition = close > upperThreshold
shortCondition = close < lowerThreshold
if (longCondition)
strategy.entry("Long", strategy.long)
if (shortCondition)
strategy.entry("Short", strategy.short)
// Trailing Stop Risk Management using expected move for initial stop loss and a trailing stop
if (strategy.position_size > 0)
strategy.exit("Exit Long", from_entry="Long",
stop=close * (1 - stopLossPerc / 100),
trail_points=close * trailingStopPerc / 100)
if (strategy.position_size < 0)
strategy.exit("Exit Short", from_entry="Short",
stop=close * (1 + stopLossPerc / 100),
trail_points=close * trailingStopPerc / 100)