Revisão do Mercado de Moedas Digitais em 2021 e a Estratégia 10 vezes mais simples perdida

Resumo para 2021 e estratégias futuras

2021 está chegando ao fim, e os hotspots do DEFI ao GAMEFI estão surgindo em um fluxo interminável, e o mercado geral ainda é um mercado alcista. Agora olhe para trás e resuma, quanto você ganhou em 2021? Que oportunidades você perdeu? Quais foram alguns investimentos bem-sucedidos? Recentemente, eu dei uma olhada no mercado histórico do ano passado e encontrei uma estratégia de lucro inesperada e simples, que é um índice multi-moeda.

Há muitas moedas na bolsa, muitas das quais estão destinadas a ser desconhecidas e podem até ser retiradas da negociação. Aqui escolhemos a moeda do contrato perpétuo da Binance que foram usadas no mercado. Eles são geralmente testados e reconhecidos como moedas convencionais, que são relativamente seguras. Após uma simples triagem, algumas moedas do índice foram removidas e 134 moedas foram obtidas finalmente.

Em [1]:

import requests
from datetime import date,datetime
import time
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

Em [144]:

## Current trading pairs
Info = requests.get('https://fapi.binance.com/fapi/v1/exchangeInfo')
symbols = [s['symbol'] for s in Info.json()['symbols']]

Em [154]:

symbols_f = list(set(filter(lambda x: x[-4:] == 'USDT', [s.split('_')[0] for s in symbols]))-
                 set(['1000SHIBUSDT','1000XECUSDT','BTCDOMUSDT','DEFIUSDT','BTCSTUSDT'])) + ['SHIBUSDT','XECUSDT']
print(symbols_f)

Em [155]:

print(len(symbols_f))

Mercado no último ano

Em seguida, obtemos seus preços de fechamento diários para o ano passado, observando que algumas moedas foram na prateleira por um curto período de tempo, por isso precisamos preencher os dados.

O retorno final do índice é de cerca de 12 vezes, ou seja, se você comprar as 134 moedas em 1o de janeiro de 2021, em média, o retorno final de não fazer nada será de 12 vezes. Estima-se que mais de 90% dos comerciantes não superam o índice médio. Entre eles, as moedas com maior queda são: ICP caiu 93%, DODO caiu 85% e LINA caiu 75%. Enquanto SOL, FTM, LUNA, MATIC, SAND e AXS aumentaram quase 100 vezes. Entre eles, o AXS subiu 168 vezes, tornando-se o maior cavalo negro. A mediana aumentou 3 vezes, que foi principalmente impulsionada pela cadeia pública e jogos. A fim de evitar o viés de sobrevivência, excluímos a nova moeda perpétua durante o período, e também alcançamos quase 11 vezes o lucro. É 7 vezes o lucro do BTC para sobrevivência.

Esta é uma taxa de retorno desesperadora. Eu trabalhei duro para fazer todos os tipos de estratégias, mas estava longe dos lucros de não fazer nada em um ano. No entanto, deve-se notar que alguns dos aumentos específicos são muito grandes e foi desviado do índice obviamente. Se essas moedas não forem selecionadas no início do ano, os lucros estarão próximos da mediana, que é muito menos lucrativo.

Em [157]:

#Obtain the function of K-line in any period
def GetKlines(symbol='BTCUSDT',start='2020-8-10',end='2021-8-10',period='1h',base='fapi',v = 'v1'):
    Klines = []
    start_time = int(time.mktime(datetime.strptime(start, "%Y-%m-%d").timetuple()))*1000 + 8*60*60*1000
    end_time = int(time.mktime(datetime.strptime(end, "%Y-%m-%d").timetuple()))*1000 + 8*60*60*1000
    intervel_map = {'m':60*1000,'h':60*60*1000,'d':24*60*60*1000}
    while start_time < end_time:
        mid_time = min(start_time+1000*int(period[:-1])*intervel_map[period[-1]],end_time)
        url = 'https://'+base+'.binance.com/'+base+'/'+v+'/klines?symbol=%s&interval=%s&startTime=%s&endTime=%s&limit=1000'%(symbol,period,start_time,mid_time)
        res = requests.get(url)
        res_list = res.json()
        if type(res_list) == list and len(res_list) > 0:
            start_time = res_list[-1][0]
            Klines += res_list
        elif type(res_list) == list:
            start_time = start_time+1000*int(period[:-1])*intervel_map[period[-1]]
        else:
            break

    df = pd.DataFrame(Klines,columns=['time','open','high','low','close','amount','end_time','volume','count','buy_amount','buy_volume','null']).astype('float')
    df.index = pd.to_datetime(df.time,unit='ms')
    return df

Em [164]:

df_all_s = pd.DataFrame(index=pd.date_range(start='2021-1-1', end='2021-12-28', freq='1d'),columns=symbols_s)
for i in range(len(symbols_f)):
    #print(symbols_s[i])
    symbol_s = symbols_f[i]
    df_s = GetKlines(symbol=symbol_s,start='2021-1-1',end='2021-12-28',period='1d',base='api',v='v3')
    df_all_s[symbol_s] = df_s[~df_s.index.duplicated(keep='first')].close

Em [165]:

df_all_s.tail() #data structure

Fora[165]:

Em [174]:

df_all = df_all_s.fillna(method='bfill')#filled data
df_norm = df_all/df_all.iloc[0] #normalization
df_norm.mean(axis=1).plot(figsize=(12,4),grid=True);
#The final index return chart

Fora [1]:

Em [175]:

#The median increase
df_norm.median(axis=1).plot(figsize=(12,4),grid=True);

Fora [1]:

Em [168]:

#Ranking for increase/decrease
print(df_norm.iloc[-1].round(2).sort_values().to_dict())

Em [317]:

#Maximum rollback of current price compared with the highest point in the year
print((1-df_norm.iloc[-1]/df_norm.max()).round(2).sort_values().to_dict())

Em [177]:

df_all_f = pd.DataFrame(index=pd.date_range(start='2021-1-1', end='2021-12-28', freq='1d'),columns=symbols_s)
for i in range(len(symbols_f)):
    #print(symbols_s[i])
    symbol_f = symbols_f[i]
    df_f = GetKlines(symbol=symbol_f,start='2021-1-1',end='2021-12-28',period='1d',base='fapi',v='v1')
    df_all_f[symbol_f] = df_f[~df_f.index.duplicated(keep='first')].close

Em [208]:

#Excluding new currency
df = df_all_s[df_all_s.columns[~df_all_f.iloc[0].isnull()]]
df = df.fillna(method='bfill')
df = df/df.iloc[0]
df.mean(axis=1).plot(figsize=(12,4),grid=True);

Fora[208]:

Em [212]:

#Compared with Bitcoin
(df.mean(axis=1)/df.BTCUSDT).plot(figsize=(12,4),grid=True);

Fora[212]:

Em [213]:

#Use the original backtest engine
class Exchange:
    
    def __init__(self, trade_symbols, fee=0.0004, initial_balance=10000):
        self.initial_balance = initial_balance #Initial assets
        self.fee = fee
        self.trade_symbols = trade_symbols
        self.account = {'USDT':{'realised_profit':0, 'unrealised_profit':0, 'total':initial_balance, 'fee':0}}
        for symbol in trade_symbols:
            self.account[symbol] = {'amount':0, 'hold_price':0, 'value':0, 'price':0, 'realised_profit':0,'unrealised_profit':0,'fee':0}
            
    def Trade(self, symbol, direction, price, amount):
        
        cover_amount = 0 if direction*self.account[symbol]['amount'] >=0 else min(abs(self.account[symbol]['amount']), amount)
        open_amount = amount - cover_amount
        self.account['USDT']['realised_profit'] -= price*amount*self.fee #Deduct the handling fee
        self.account['USDT']['fee'] += price*amount*self.fee
        self.account[symbol]['fee'] += price*amount*self.fee

        if cover_amount > 0: #Close the position first
            self.account['USDT']['realised_profit'] += -direction*(price - self.account[symbol]['hold_price'])*cover_amount  #Profits
            self.account[symbol]['realised_profit'] += -direction*(price - self.account[symbol]['hold_price'])*cover_amount
            
            self.account[symbol]['amount'] -= -direction*cover_amount
            self.account[symbol]['hold_price'] = 0 if self.account[symbol]['amount'] == 0 else self.account[symbol]['hold_price']
            
        if open_amount > 0:
            total_cost = self.account[symbol]['hold_price']*direction*self.account[symbol]['amount'] + price*open_amount
            total_amount = direction*self.account[symbol]['amount']+open_amount
            
            self.account[symbol]['hold_price'] = total_cost/total_amount
            self.account[symbol]['amount'] += direction*open_amount
                    
    
    def Buy(self, symbol, price, amount):
        self.Trade(symbol, 1, price, amount)
        
    def Sell(self, symbol, price, amount):
        self.Trade(symbol, -1, price, amount)
        
    def Update(self, close_price): #Update the assets
        self.account['USDT']['unrealised_profit'] = 0
        for symbol in self.trade_symbols:
            self.account[symbol]['unrealised_profit'] = (close_price[symbol] - self.account[symbol]['hold_price'])*self.account[symbol]['amount']
            self.account[symbol]['price'] = close_price[symbol]
            self.account[symbol]['value'] = abs(self.account[symbol]['amount'])*close_price[symbol]
            self.account['USDT']['unrealised_profit'] += self.account[symbol]['unrealised_profit']
        self.account['USDT']['total'] = round(self.account['USDT']['realised_profit'] + self.initial_balance + self.account['USDT']['unrealised_profit'],6)

Em [418]:

#The hourly K-line was taken to make the backtest more accurate
df_all_s = pd.DataFrame(index=pd.date_range(start='2021-1-1', end='2021-12-28', freq='1h'),columns=symbols_s)
for i in range(len(symbols_f)):
    #print(symbols_s[i])
    symbol_s = symbols_f[i]
    df_s = GetKlines(symbol=symbol_s,start='2021-1-1',end='2021-12-28',period='1h',base='api',v='v3')
    df_all_s[symbol_s] = df_s[~df_s.index.duplicated(keep='first')].close

Em [419]:

df = df_all_s[df_all_s.columns[~df_all_f.iloc[0].isnull()]]
df = df.fillna(method='bfill')
df = df/df.iloc[0]
df.mean(axis=1).plot(figsize=(12,4),grid=True);

Fora[419]:

Desempenho das estratégias equilibradas

No backtest, todas as moedas do contrato perpétuo Binance on-line em 1o de janeiro de 2021 foram selecionadas. O período de linha K foi de 1h. O parâmetro começou a escalar em posições quando a posição era 5% menor que a média, e vendê-las quando a posição era superior a 5%. Quando o backtest é todas as moedas, o retorno estratégico final é de 7,7 vezes. Obviamente, não é tão bom quanto o retorno médio de 13 vezes. Isso também é esperado. Afinal, várias moedas que subiram cem vezes são muito especiais, e a estratégia de equilíbrio as venderá todas.

Se as 10 moedas com o maior aumento forem removidas do backtest, só serão consideradas as moedas relativamente medíocres e o rendimento final será de 4,8 vezes, muito superior ao desempenho médio de 3,4 vezes.

Se apenas as 3 moedas com o maior aumento forem rotadas, os lucros finais serão 373 vezes, o que é muito mais do que o desempenho médio de 160 vezes.

Em [494]:

#Full currency backtest
symbols = list(df.iloc[-1].sort_values()[:].index)
e = Exchange(symbols, fee=0.001, initial_balance=10000)
res_list = []
avg_pct = 1/len(symbols)
for row in df[symbols].iterrows():
    prices = row[1]
    total = e.account['USDT']['total']
    e.Update(prices)
    for symbol in symbols:
        pct = e.account[symbol]['value']/total
        if pct < 0.95*avg_pct:
            e.Buy(symbol,prices[symbol],(avg_pct-pct)*total/prices[symbol])
        if pct > 1.05*avg_pct:
            e.Sell(symbol,prices[symbol],(pct-avg_pct)*total/prices[symbol])
    res_list.append([e.account[symbol]['value'] for symbol in symbols] + [e.account['USDT']['total']])
res = pd.DataFrame(data=res_list, columns=symbols+['total'],index = df.index)

Em [495]:

e.account['USDT']

Fora[495]:

Em [496]:

# Backtest performance of full currencies
(res.total/10000).plot(figsize=(12,4),grid = True); 
df[symbols].mean(axis=1).plot(figsize=(12,4),grid=True);

Fora[496]:

Em [498]:

#Remove currencies with huge growth
symbols = list(df.iloc[-1].sort_values()[:-10].index)
e = Exchange(symbols, fee=0.001, initial_balance=10000)
res_list = []
avg_pct = 1/len(symbols)
for row in df[symbols].iterrows():
    prices = row[1]
    total = e.account['USDT']['total']
    e.Update(prices)
    for symbol in symbols:
        pct = e.account[symbol]['value']/total
        if pct < 0.95*avg_pct:
            e.Buy(symbol,prices[symbol],(avg_pct-pct)*total/prices[symbol])
        if pct > 1.05*avg_pct:
            e.Sell(symbol,prices[symbol],(pct-avg_pct)*total/prices[symbol])
    res_list.append([e.account[symbol]['value'] for symbol in symbols] + [e.account['USDT']['total']])
res = pd.DataFrame(data=res_list, columns=symbols+['total'],index = df.index)

Em [501]:

e.account['USDT']

Fora[501]:

Em [499]:

(res.total/10000).plot(figsize=(12,4),grid = True); 
df[symbols].mean(axis=1).plot(figsize=(12,4),grid=True);

Out[499]:

Em [503]:

#Only the currency with the highest increase is tested
symbols = list(df.iloc[-1].sort_values()[-3:].index)
e = Exchange(symbols, fee=0.001, initial_balance=10000)
res_list = []
avg_pct = 1/len(symbols)
for row in df[symbols].iterrows():
    prices = row[1]
    total = e.account['USDT']['total']
    e.Update(prices)
    for symbol in symbols:
        pct = e.account[symbol]['value']/total
        if pct < 0.95*avg_pct:
            e.Buy(symbol,prices[symbol],(avg_pct-pct)*total/prices[symbol])
        if pct > 1.05*avg_pct:
            e.Sell(symbol,prices[symbol],(pct-avg_pct)*total/prices[symbol])
    res_list.append([e.account[symbol]['value'] for symbol in symbols] + [e.account['USDT']['total']])
res = pd.DataFrame(data=res_list, columns=symbols+['total'],index = df.index)

Em [504]:

e.account['USDT']

Fora[504]:

Em [505]:

(res.total/10000).plot(figsize=(12,4),grid = True); 
df[symbols].mean(axis=1).plot(figsize=(12,4),grid=True);

Fora[505]:

Resumo

Em geral, 2021 será um mercado de alta para moedas falsificadas e um ano de queda para o Bitcoin. O valor de mercado do Bitcoin caiu para 40% agora de 70% no início do ano, o que é o nível mais baixo da história. Portanto, os lucros médios de compra e detenção de bens falsificados no ano passado são muito maiores do que o de detenção do Bitcoin. Olhando para frente para 2022, se você considera que ainda haverá várias moedas centenas no mercado atual no futuro, você pode diversificar suas posições com ousadia e esperar pacientemente. Se você é particularmente otimista sobre algumas moedas ou o mercado médio, você pode usar a estratégia giratória para obter retornos excessivos sem pensar.

Relacionados

Mais.