Strategi purata kos BTCdollar berdasarkan jalur BEAM
Tarikh penciptaan:
2024-02-18 15:40:42
Akhirnya diubah suai:
2024-02-18 15:40:42
Salin:
4
Bilangan klik:
670
ChaoZhang
1
fokus pada
1617
Pengikut
Gambaran keseluruhan
Strategi ini berdasarkan kepada teori tahap risiko Ben Cowen, dengan tujuan untuk menggunakan tahap BEAM untuk mencapai pendekatan yang serupa. Batas atas BEAM adalah purata bergerak 200 minggu selepas pengiraan, dan batas bawah adalah purata bergerak 200 minggu itu sendiri. Ini memberi kita julat 0 hingga 1.
Prinsip Strategi
Strategi ini bergantung kepada teori BEAM band yang dikemukakan oleh Ben Cowen. Berdasarkan perubahan harga BTC, harga boleh dibahagikan kepada 10 kawasan antara 0 dan 1, yang mewakili 10 tahap risiko yang berbeza. Tahap 0 mewakili harga yang berhampiran dengan purata bergerak 200 minggu, risiko terendah; Tahap 5 mewakili harga yang berada di kawasan nilai tengah; Tahap 10 mewakili harga yang hampir naik, risiko tertinggi.
Apabila harga turun ke paras rendah, strategi ini akan meningkatkan kedudukan pembelian secara beransur-ansur. Secara khusus, jika harga berada dalam julat 0 hingga 0.5, arahan pembelian akan dikeluarkan pada hari tertentu setiap bulan yang ditetapkan oleh strategi, dan jumlah pembelian akan meningkat secara beransur-ansur dengan penurunan nombor julat.
Strategi ini akan mengurangkan kedudukan secara beransur-ansur apabila harga naik ke tahap tinggi. Khususnya, jika harga melebihi 0.5 gelombang, arahan menjual akan dikeluarkan secara berperingkat, dan kedudukan yang dijual akan meningkat secara beransur-ansur dengan peningkatan nombor gelombang.
Analisis kelebihan
Kelebihan utama strategi purata kos DCA dalam gelombang BEAM ini adalah bahawa ia memanfaatkan ciri-ciri perdagangan bergelombang BTC, dengan penarikan bawah apabila harga BTC jatuh ke paras rendah, dan keuntungan apabila harga naik ke paras tertinggi. Kaedah ini tidak akan kehilangan peluang untuk membeli atau menjual.
- Menggunakan teori BEAM untuk menilai nilai rendah aset dan mengelakkan risiko saintifik;
- Mengambil kesempatan terbaik untuk membeli dan menjual BTC dengan tepat dan memanfaatkan ciri-ciri turun naik BTC;
- Menggunakan kaedah purata kos untuk mengawal kos pelaburan dengan berkesan dan memperoleh keuntungan yang stabil dalam jangka panjang;
- Automatik melakukan transaksi, tanpa campur tangan manusia, mengurangkan risiko operasi;
- Parameter yang boleh disesuaikan, strategi penyesuaian fleksibel untuk menyesuaikan diri dengan perubahan pasaran.
Secara keseluruhannya, ini adalah strategi pengendalian parameter yang halus yang dapat memperoleh keuntungan yang stabil dalam jangka masa panjang dalam keadaan BTC yang bergolak.
Analisis risiko
Walaupun BEAM band DCA mempunyai banyak kelebihan, terdapat beberapa risiko yang perlu diwaspadai.
- Teori BEAM dan parameter yang ditetapkan bergantung kepada pertimbangan subjektif, yang menyebabkan kemungkinan kesalahan pertimbangan;
- BTC tidak dapat diramalkan dan terdapat risiko kerugian;
- Perdagangan automatik terdedah kepada kerosakan sistem dan penggodaman parameter;
- Kelemahan yang berlebihan boleh menyebabkan kerugian yang lebih besar.
Langkah-langkah berikut boleh diambil untuk mengurangkan risiko:
- Penetapan parameter yang dioptimumkan untuk meningkatkan ketepatan penghakiman teori BEAM;
- Mengurangkan saiz kedudukan dengan sewajarnya, mengurangkan jumlah kerugian sekali gus;
- Meningkatkan keterlaluan dan toleransi kesilapan, mengurangkan risiko operasi perdagangan automatik;
- Tetapkan titik henti untuk mengelakkan kerugian tunggal yang terlalu besar.
Arah pengoptimuman
Mengambil kira risiko yang dinyatakan di atas, strategi ini boleh dioptimumkan dari segi berikut:
- Mengoptimumkan parameter teori BEAM: menyesuaikan parameter log, kitaran pengukuran, dan lain-lain untuk meningkatkan ketepatan penilaian model;
- Mengoptimumkan kawalan kedudukan: menyesuaikan jumlah DCA bulanan, membeli dan menjual peratusan, dan lain-lain, untuk mengawal risiko kerugian sekali;
- Menambah modul keselamatan perdagangan automatik: menyediakan pelayan berlebihan, pemprosesan tempatan dan sebagainya, meningkatkan toleransi kesalahan;
- Tambah Modul Hentikan Kerugian: Tetapkan titik hentian yang munasabah berdasarkan turun naik sejarah untuk mengawal kerugian secara berkesan.
Dengan cara ini, kestabilan dan keselamatan strategi dapat ditingkatkan dengan ketara.
ringkaskan
Strategi purata kos DCA BEAM adalah strategi kuantitatif yang sangat bernilai dalam peperangan. Ia berjaya menggunakan teori BEAM untuk membimbing keputusan perdagangan, dan dibantu dengan model purata kos untuk mengawal kos pembelian. Pada masa yang sama, ia juga memberi perhatian kepada pengurusan risiko, menetapkan titik berhenti untuk mengelakkan kerugian meluas.
Kod sumber strategi
/*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)
// // ——————————————————————————————————————————————————————————————————————————— }