ماضی میں، FMZ نے باضابطہ طور پر ایک مستقل گرڈ حکمت عملی جاری کی، جو صارفین میں کافی مقبول تھی، اور TRX کی ریئل ٹائم ٹریڈنگ نے گزشتہ سال یا اس کے بعد قابل کنٹرول خطرات کے ساتھ بہت زیادہ منافع حاصل کیا ہے۔ واحد پائیدار گرڈ حکمت عملی میں بھی کچھ مسائل ہیں:

1. ابتدائی قیمت، گرڈ اسپیسنگ، گرڈ ویلیو، لمبے اور شارٹ موڈز وغیرہ جیسے پیرامیٹرز کو سیٹ کرنا ضروری ہے۔ سیٹنگز کافی پیچیدہ ہیں، ریٹرن پر زیادہ اثر ڈالتے ہیں، اور نوزائیدہوں کے لیے سیٹ کرنا مشکل ہے۔
2. دائمی گرڈ حکمت عملی کا مختصر فروخت کا خطرہ بہت زیادہ ہے، جبکہ طویل فروخت کا خطرہ نسبتاً کم ہے یہاں تک کہ اگر گرڈ کی قیمت بہت کم رکھی گئی ہے، تب بھی شارٹ سیلنگ لیکویڈیشن قیمت پر اثر اہم نہیں ہے۔
3. دائمی معاہدہ گرڈ مختصر فروخت کے خطرات سے بچنے کے لیے صرف طویل سفر کا انتخاب کر سکتا ہے، جو اس وقت ٹھیک معلوم ہوتا ہے۔ تاہم، ایک مسئلہ یہ ہے کہ موجودہ قیمت ابتدائی قیمت سے زیادہ ہے، جس کے نتیجے میں ایک خالی پوزیشن ہے، اور ابتدائی قیمت کو دوبارہ ترتیب دینے کی ضرورت ہے۔

میں نے پہلے توازن کی حکمت عملی کے اصولوں اور گرڈ حکمت عملی کے ساتھ اس کے موازنہ پر ایک مضمون لکھا ہے، جس کا اب بھی حوالہ دیا جا سکتا ہے: https://www.fmz.com/digest-topic/5930۔ متوازن حکمت عملی ہمیشہ ایک مقررہ قیمت کے تناسب کے ساتھ ایک پوزیشن رکھتی ہے جب یہ اوپر جاتی ہے تو کچھ خریدتی ہے اور اسے آسانی سے ترتیب دیا جا سکتا ہے۔ یہاں تک کہ اگر کرنسی کی قیمت بہت بڑھ جاتی ہے، تو اس کے ضائع ہونے کا کوئی خطرہ نہیں ہے۔ اسپاٹ بیلنسنگ حکمت عملی میں مسئلہ یہ ہے کہ سرمائے کا استعمال کم ہے اور لیوریج شامل کرنے کا کوئی آسان طریقہ نہیں ہے۔ دائمی معاہدہ مسئلہ کو حل کرسکتا ہے۔ اگر کل سرمایہ 1,000 ہے، تو آپ 2,000 کو مقررہ رقم میں رکھ سکتے ہیں، جو اصل سرمائے سے زیادہ ہے اور فنڈز کے استعمال کی شرح کو بہتر بناتا ہے۔ تناسب کو ایڈجسٹ کرنے کے لیے ایک پیرامیٹر بھی ہے، جو یہ کنٹرول کرتا ہے کہ قیمت بڑھنے یا گرنے پر پوزیشنز کو کتنا بڑھانا یا کم کرنا ہے، مثال کے طور پر، اگر اسے 0.01 پر سیٹ کیا جاتا ہے، تو اس کا مطلب ہے کہ قیمت 1% بڑھنے پر پوزیشنز کو کم کرنا، اور جب قیمت 1% گر جائے تو ایک بار پوزیشنز کو بڑھانا۔

ابتدائی افراد کے لیے، بیلنس کی حکمت عملی کی انتہائی سفارش کی جاتی ہے کہ یہ آپریٹ کرنا آسان ہے اور آپ کو صرف ہولڈنگ ریشو یا ہولڈنگ ویلیو کا ایک پیرامیٹر سیٹ کرنے کی ضرورت ہے، اور آپ اسے بڑھتی ہوئی قیمتوں کی فکر کیے بغیر چلا سکتے ہیں۔ وہ لوگ جو ایک خاص مقدار کا تجربہ رکھتے ہیں وہ گرڈ کی حکمت عملی کا انتخاب کر سکتے ہیں، اتار چڑھاؤ کی بالائی اور نچلی حدوں اور ہر گرڈ کے لیے فنڈز کا فیصلہ کر سکتے ہیں، سرمائے کے استعمال کو بہتر بنا سکتے ہیں، اور زیادہ سے زیادہ منافع حاصل کر سکتے ہیں۔

مزید تجارتی جوڑوں کی بیک ٹیسٹنگ کی سہولت کے لیے، یہ دستاویز بیک ٹیسٹنگ کا مکمل عمل دکھائے گی، اور صارف موازنہ کے لیے مختلف پیرامیٹرز اور تجارتی جوڑوں کو ایڈجسٹ کر سکتے ہیں۔ (ورژن Python3 ہے، اور مارکیٹ کو ڈاؤن لوڈ کرنے کے لیے ایک ایجنٹ کی ضرورت ہے۔ صارف Anancoda3 خود ڈاؤن لوڈ کر سکتے ہیں یا اسے گوگل کے کولاب کے ذریعے چلا سکتے ہیں)

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

## 当前交易对
Info = requests.get('https://fapi.binance.com/fapi/v1/exchangeInfo')
symbols = [s['symbol'] for s in Info.json()['symbols']]
symbols = 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)

['FLMUSDT', 'ICPUSDT', 'CHZUSDT', 'APEUSDT', 'DARUSDT', 'TLMUSDT', 'ETHUSDT', 'STMXUSDT', 'ENJUSDT', 'LINKUSDT', 'OGNUSDT', 'RSRUSDT', 'QTUMUSDT', 'UNIUSDT', 'BNBUSDT', 'XLMUSDT', 'ATOMUSDT', 'LPTUSDT', 'UNFIUSDT', 'DASHUSDT', 'BTCUSDT', 'NEOUSDT', 'AAVEUSDT', 'DUSKUSDT', 'XRPUSDT', 'IOTXUSDT', 'CVCUSDT', 'SANDUSDT', 'XTZUSDT', 'IOTAUSDT', 'BELUSDT', 'MANAUSDT', 'IOSTUSDT', 'IMXUSDT', 'THETAUSDT', 'SCUSDT', 'DOGEUSDT', 'CELOUSDT', 'BNXUSDT', 'SNXUSDT', 'ZRXUSDT', 'HBARUSDT', 'DOTUSDT', 'ANKRUSDT', 'CELRUSDT', 'BAKEUSDT', 'GALUSDT', 'ICXUSDT', 'LRCUSDT', 'AVAXUSDT', 'C98USDT', 'MTLUSDT', 'FTTUSDT', 'MASKUSDT', 'RLCUSDT', 'MATICUSDT', 'COMPUSDT', 'BLZUSDT', 'CRVUSDT', 'ZECUSDT', 'RUNEUSDT', 'LITUSDT', 'ONEUSDT', 'ADAUSDT', 'NKNUSDT', 'LTCUSDT', 'ATAUSDT', 'GALAUSDT', 'BALUSDT', 'ROSEUSDT', 'EOSUSDT', 'YFIUSDT', 'SKLUSDT', 'BANDUSDT', 'ALGOUSDT', 'NEARUSDT', 'AXSUSDT', 'KSMUSDT', 'AUDIOUSDT', 'SRMUSDT', 'HNTUSDT', 'MKRUSDT', 'KLAYUSDT', 'FLOWUSDT', 'STORJUSDT', 'BCHUSDT', 'DYDXUSDT', 'ARUSDT', 'GMTUSDT', 'CHRUSDT', 'API3USDT', 'VETUSDT', 'KAVAUSDT', 'WAVESUSDT', 'EGLDUSDT', 'SFPUSDT', 'RENUSDT', 'SUSHIUSDT', 'SOLUSDT', 'RVNUSDT', 'ONTUSDT', 'BTSUSDT', 'ZILUSDT', 'GTCUSDT', 'ZENUSDT', 'ALICEUSDT', 'ETCUSDT', 'TRXUSDT', 'TOMOUSDT', 'FILUSDT', 'ARPAUSDT', 'CTKUSDT', 'BATUSDT', 'SXPUSDT', '1INCHUSDT', 'HOTUSDT', 'WOOUSDT', 'LINAUSDT', 'REEFUSDT', 'GRTUSDT', 'RAYUSDT', 'COTIUSDT', 'XMRUSDT', 'PEOPLEUSDT', 'OCEANUSDT', 'JASMYUSDT', 'TRBUSDT', 'ANTUSDT', 'XEMUSDT', 'DGBUSDT', 'ENSUSDT', 'OMGUSDT', 'ALPHAUSDT', 'FTMUSDT', 'DENTUSDT', 'KNCUSDT', 'CTSIUSDT', 'SHIBUSDT', 'XECUSDT']

#获取任意周期K线的函数
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 =  min(int(time.mktime(datetime.strptime(end, "%Y-%m-%d").timetuple()))*1000 + 8*60*60*1000,time.time()*1000)
    intervel_map = {'m':60*1000,'h':60*60*1000,'d':24*60*60*1000}
    while start_time < end_time:
        mid_time = start_time+1000*int(period[:-1])*intervel_map[period[-1]]
        url = 'https://'+base+'.binance.com/'+base+'/'+v+'/klines?symbol=%s&interval=%s&startTime=%s&endTime=%s&limit=1000'%(symbol,period,start_time,mid_time)
        #print(url)
        res = requests.get(url)
        res_list = res.json()
        if type(res_list) == list and len(res_list) > 0:
            start_time = res_list[-1][0]+int(period[:-1])*intervel_map[period[-1]]
            Klines += res_list
        if type(res_list) == list and len(res_list) == 0:
            start_time = start_time+1000*int(period[:-1])*intervel_map[period[-1]]
        if mid_time >= end_time:
            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

2021 سے آج تک تمام تجارتی جوڑوں کی اختتامی قیمتوں کو ڈاؤن لوڈ کرکے، ہم مجموعی مارکیٹ انڈیکس میں ہونے والی تبدیلیوں کا مشاہدہ کر سکتے ہیں: 2021 سے 2022 بلاشبہ ایک بیل مارکیٹ ہے، اور یہ کہا جا سکتا ہے کہ انڈیکس میں 14 گنا اضافہ ہوا ہے۔ ہر جگہ سونا ہے کچھ سکوں کی قیمت سینکڑوں گنا بڑھ گئی ہے۔ تاہم، 2022 میں، ایک ریچھ کی مارکیٹ شروع ہوئی جو نصف سال تک جاری رہی، ایک بار انڈیکس میں 80% کی کمی ہوئی، اور درجنوں سکے 90% سے زیادہ پیچھے ہٹ گئے۔ اس طرح کے تیز عروج اور زوال گرڈ کی حکمت عملیوں کے بڑے خطرات کی عکاسی کرتے ہیں۔

موجودہ انڈیکس 3 کے قریب ہے، جو کہ 2021 کے آغاز کے مقابلے میں اب بھی 200% اضافہ ہے۔

کرنسی کی سب سے زیادہ قیمت سال کے آغاز کے مقابلے میں 10 گنا سے زیادہ بڑھ گئی ہے:

‘MKRUSDT’: 10.294, ‘CRVUSDT’: 10.513, ‘STORJUSDT’: 10.674, ‘SKLUSDT’: 11.009, ‘CVCUSDT’: 11.026, ‘SRMUSDT’: 11.031, ‘QTUMUSDT’: 12.066, ‘ALPHAUSDT’: 12.103, ‘ZENUSDT’: 12.631, ‘VETUSDT’: 13.296, ‘ROSEUSDT’: 13.429, ‘FTTUSDT’: 13.705, ‘IOSTUSDT’: 13.786, ‘COTIUSDT’: 13.958, ‘NEARUSDT’: 14.855, ‘HBARUSDT’: 15.312, ‘RLCUSDT’: 15.432, ‘SCUSDT’: 15.6, ‘GALAUSDT’: 15.722, ‘RUNEUSDT’: 15.795, ‘ADAUSDT’: 16.94, ‘MTLUSDT’: 17.18, ‘BNBUSDT’: 17.899, ‘RVNUSDT’: 18.169, ‘EGLDUSDT’: 18.879, ‘LRCUSDT’: 19.499, ‘ANKRUSDT’: 21.398, ‘ETCUSDT’: 23.51, ‘DUSKUSDT’: 23.55, ‘AUDIOUSDT’: 25.306, ‘OGNUSDT’: 25.524, ‘GMTUSDT’: 28.83, ‘ENJUSDT’: 33.073, ‘STMXUSDT’: 33.18, ‘IOTXUSDT’: 35.866, ‘AVAXUSDT’: 36.946, ‘CHZUSDT’: 37.128, ‘CELRUSDT’: 37.273, ‘HNTUSDT’: 38.779, ‘CTSIUSDT’: 41.108, ‘HOTUSDT’: 46.466, ‘CHRUSDT’: 61.091, ‘MANAUSDT’: 62.143, ‘NKNUSDT’: 70.636, ‘ONEUSDT’: 84.132, ‘DENTUSDT’: 99.973, ‘DOGEUSDT’: 121.447, ‘SOLUSDT’: 140.296, ‘MATICUSDT’: 161.846, ‘FTMUSDT’: 192.507, ‘SANDUSDT’: 203.219, ‘AXSUSDT’: 270.41

موجودہ ریٹیسمنٹ سب سے زیادہ پوائنٹ کے 80% سے زیادہ ہے:

ICPUSDT’: 0.022, ‘FILUSDT’: 0.043, ‘BAKEUSDT’: 0.046, ‘TLMUSDT’: 0.05, ‘LITUSDT’: 0.053, ‘LINAUSDT’: 0.054, ‘JASMYUSDT’: 0.056, ‘ALPHAUSDT’: 0.062, ‘RAYUSDT’: 0.062, ‘GRTUSDT’: 0.067, ‘DENTUSDT’: 0.068, ‘RSRUSDT’: 0.068, ‘XEMUSDT’: 0.068, ‘UNFIUSDT’: 0.072, ‘DYDXUSDT’: 0.074, ‘SUSHIUSDT’: 0.074, ‘OGNUSDT’: 0.074, ‘COMPUSDT’: 0.074, ‘NKNUSDT’: 0.078, ‘SKLUSDT’: 0.08, ‘DGBUSDT’: 0.081, ‘RLCUSDT’: 0.085, ‘REEFUSDT’: 0.086, ‘BANDUSDT’: 0.086, ‘HOTUSDT’: 0.092, ‘SRMUSDT’: 0.092, ‘RENUSDT’: 0.092, ‘BTSUSDT’: 0.093, ‘THETAUSDT’: 0.094, ‘FLMUSDT’: 0.094, ‘EOSUSDT’: 0.095, ‘TRBUSDT’: 0.095, ‘SXPUSDT’: 0.095, ‘ATAUSDT’: 0.096, ‘NEOUSDT’: 0.096, ‘FLOWUSDT’: 0.097, ‘YFIUSDT’: 0.101, ‘BALUSDT’: 0.106, ‘MASKUSDT’: 0.106, ‘ONTUSDT’: 0.108, ‘CELRUSDT’: 0.108, ‘AUDIOUSDT’: 0.108, ‘SCUSDT’: 0.11, ‘GALAUSDT’: 0.113, ‘GTCUSDT’: 0.117, ‘CTSIUSDT’: 0.117, ‘STMXUSDT’: 0.118, ‘DARUSDT’: 0.118, ‘ALICEUSDT’: 0.119, ‘SNXUSDT’: 0.124, ‘FTMUSDT’: 0.126, ‘BCHUSDT’: 0.127, ‘SFPUSDT’: 0.127, ‘ROSEUSDT’: 0.128, ‘DOGEUSDT’: 0.128, ‘RVNUSDT’: 0.129, ‘OCEANUSDT’: 0.129, ‘VETUSDT’: 0.13, ‘KSMUSDT’: 0.131, ‘ICXUSDT’: 0.131, ‘UNIUSDT’: 0.131, ‘ONEUSDT’: 0.131, ‘1INCHUSDT’: 0.134, ‘IOTAUSDT’: 0.139, ‘C98USDT’: 0.139, ‘WAVESUSDT’: 0.14, ‘DUSKUSDT’: 0.141, ‘LINKUSDT’: 0.143, ‘DASHUSDT’: 0.143, ‘OMGUSDT’: 0.143, ‘PEOPLEUSDT’: 0.143, ‘AXSUSDT’: 0.15, ‘ENJUSDT’: 0.15, ‘QTUMUSDT’: 0.152, ‘SHIBUSDT’: 0.154, ‘ZENUSDT’: 0.154, ‘BLZUSDT’: 0.154, ‘ANTUSDT’: 0.155, ‘XECUSDT’: 0.155, ‘CHZUSDT’: 0.158, ‘RUNEUSDT’: 0.163, ‘ENSUSDT’: 0.165, ‘LRCUSDT’: 0.167, ‘CHRUSDT’: 0.168, ‘IOTXUSDT’: 0.174, ‘TOMOUSDT’: 0.176, ‘ALGOUSDT’: 0.177, ‘EGLDUSDT’: 0.177, ‘ARUSDT’: 0.178, ‘LTCUSDT’: 0.178, ‘HNTUSDT’: 0.18, ‘LPTUSDT’: 0.181, ‘SOLUSDT’: 0.183, ‘ARPAUSDT’: 0.184, ‘BELUSDT’: 0.184, ‘ETCUSDT’: 0.186, ‘ZRXUSDT’: 0.187, ‘AAVEUSDT’: 0.187, ‘CVCUSDT’: 0.188, ‘STORJUSDT’: 0.189, ‘COTIUSDT’: 0.19, ‘CELOUSDT’: 0.191, ‘SANDUSDT’: 0.191, ‘ADAUSDT’: 0.192, ‘HBARUSDT’: 0.194, ‘DOTUSDT’: 0.195, ‘XLMUSDT’: 0.195

#下载所有交易对的收盘价
start_date = '2021-1-1'
end_date = '2022-05-30'
period = '1d'
df_all = pd.DataFrame(index=pd.date_range(start=start_date, end=end_date, freq=period),columns=symbols)
for i in range(len(symbols)):
    #print(symbols[i])
    symbol = symbols[i]
    df_s = GetKlines(symbol=symbol,start=start_date,end=end_date,period=period,base='api',v='v3')
    df_all[symbol] = df_s[~df_s.index.duplicated(keep='first')].close

#指数变化
df_norm = df_all/df_all.fillna(method='bfill').iloc[0] #归一化
df_norm.mean(axis=1).plot(figsize=(15,6),grid=True);

#比年初的最高涨幅
max_up = df_all.max()/df_all.fillna(method='bfill').iloc[0]
print(max_up.map(lambda x:round(x,3)).sort_values().to_dict())

{'JASMYUSDT': 1.0, 'ICPUSDT': 1.0, 'LINAUSDT': 1.0, 'WOOUSDT': 1.0, 'GALUSDT': 1.0, 'PEOPLEUSDT': 1.0, 'XECUSDT': 1.026, 'ENSUSDT': 1.032, 'TLMUSDT': 1.039, 'IMXUSDT': 1.099, 'FLOWUSDT': 1.155, 'ATAUSDT': 1.216, 'DARUSDT': 1.261, 'ALICEUSDT': 1.312, 'BNXUSDT': 1.522, 'API3USDT': 1.732, 'GTCUSDT': 1.833, 'KLAYUSDT': 1.891, 'BAKEUSDT': 1.892, 'DYDXUSDT': 2.062, 'SHIBUSDT': 2.281, 'BTCUSDT': 2.302, 'MASKUSDT': 2.396, 'SFPUSDT': 2.74, 'LPTUSDT': 2.75, 'APEUSDT': 2.783, 'ARUSDT': 2.928, 'CELOUSDT': 2.951, 'ZILUSDT': 2.999, 'LTCUSDT': 3.072, 'SNXUSDT': 3.266, 'XEMUSDT': 3.555, 'XMRUSDT': 3.564, 'YFIUSDT': 3.794, 'BANDUSDT': 3.812, 'RAYUSDT': 3.924, 'REEFUSDT': 4.184, 'ANTUSDT': 4.205, 'XTZUSDT': 4.339, 'CTKUSDT': 4.352, 'LITUSDT': 4.38, 'RSRUSDT': 4.407, 'LINKUSDT': 4.412, 'BCHUSDT': 4.527, 'DASHUSDT': 5.037, 'BALUSDT': 5.172, 'OCEANUSDT': 5.277, 'EOSUSDT': 5.503, 'RENUSDT': 5.538, 'XLMUSDT': 5.563, 'TOMOUSDT': 5.567, 'ZECUSDT': 5.654, 'COMPUSDT': 5.87, 'DGBUSDT': 5.948, 'ALGOUSDT': 5.981, 'ONTUSDT': 5.997, 'BELUSDT': 6.101, 'TRXUSDT': 6.116, 'ZRXUSDT': 6.135, 'GRTUSDT': 6.45, '1INCHUSDT': 6.479, 'DOTUSDT': 6.502, 'ETHUSDT': 6.596, 'KAVAUSDT': 6.687, 'ICXUSDT': 6.74, 'SUSHIUSDT': 6.848, 'AAVEUSDT': 6.931, 'BTSUSDT': 6.961, 'KNCUSDT': 6.966, 'C98USDT': 7.091, 'THETAUSDT': 7.222, 'ATOMUSDT': 7.553, 'OMGUSDT': 7.556, 'SXPUSDT': 7.681, 'UNFIUSDT': 7.696, 'XRPUSDT': 7.726, 'TRBUSDT': 8.241, 'BLZUSDT': 8.434, 'NEOUSDT': 8.491, 'FLMUSDT': 8.506, 'KSMUSDT': 8.571, 'FILUSDT': 8.591, 'IOTAUSDT': 8.616, 'BATUSDT': 8.647, 'ARPAUSDT': 9.055, 'UNIUSDT': 9.104, 'WAVESUSDT': 9.106, 'MKRUSDT': 10.294, 'CRVUSDT': 10.513, 'STORJUSDT': 10.674, 'SKLUSDT': 11.009, 'CVCUSDT': 11.026, 'SRMUSDT': 11.031, 'QTUMUSDT': 12.066, 'ALPHAUSDT': 12.103, 'ZENUSDT': 12.631, 'VETUSDT': 13.296, 'ROSEUSDT': 13.429, 'FTTUSDT': 13.705, 'IOSTUSDT': 13.786, 'COTIUSDT': 13.958, 'NEARUSDT': 14.855, 'HBARUSDT': 15.312, 'RLCUSDT': 15.432, 'SCUSDT': 15.6, 'GALAUSDT': 15.722, 'RUNEUSDT': 15.795, 'ADAUSDT': 16.94, 'MTLUSDT': 17.18, 'BNBUSDT': 17.899, 'RVNUSDT': 18.169, 'EGLDUSDT': 18.879, 'LRCUSDT': 19.499, 'ANKRUSDT': 21.398, 'ETCUSDT': 23.51, 'DUSKUSDT': 23.55, 'AUDIOUSDT': 25.306, 'OGNUSDT': 25.524, 'GMTUSDT': 28.83, 'ENJUSDT': 33.073, 'STMXUSDT': 33.18, 'IOTXUSDT': 35.866, 'AVAXUSDT': 36.946, 'CHZUSDT': 37.128, 'CELRUSDT': 37.273, 'HNTUSDT': 38.779, 'CTSIUSDT': 41.108, 'HOTUSDT': 46.466, 'CHRUSDT': 61.091, 'MANAUSDT': 62.143, 'NKNUSDT': 70.636, 'ONEUSDT': 84.132, 'DENTUSDT': 99.973, 'DOGEUSDT': 121.447, 'SOLUSDT': 140.296, 'MATICUSDT': 161.846, 'FTMUSDT': 192.507, 'SANDUSDT': 203.219, 'AXSUSDT': 270.41}

#当前最大回测
draw_down = df_all.iloc[-1]/df_all.max()
print(draw_down.map(lambda x:round(x,3)).sort_values().to_dict())

{'ICPUSDT': 0.022, 'FILUSDT': 0.043, 'BAKEUSDT': 0.046, 'TLMUSDT': 0.05, 'LITUSDT': 0.053, 'LINAUSDT': 0.054, 'JASMYUSDT': 0.056, 'ALPHAUSDT': 0.062, 'RAYUSDT': 0.062, 'GRTUSDT': 0.067, 'DENTUSDT': 0.068, 'RSRUSDT': 0.068, 'XEMUSDT': 0.068, 'UNFIUSDT': 0.072, 'DYDXUSDT': 0.074, 'SUSHIUSDT': 0.074, 'OGNUSDT': 0.074, 'COMPUSDT': 0.074, 'NKNUSDT': 0.078, 'SKLUSDT': 0.08, 'DGBUSDT': 0.081, 'RLCUSDT': 0.085, 'REEFUSDT': 0.086, 'BANDUSDT': 0.086, 'HOTUSDT': 0.092, 'SRMUSDT': 0.092, 'RENUSDT': 0.092, 'BTSUSDT': 0.093, 'THETAUSDT': 0.094, 'FLMUSDT': 0.094, 'EOSUSDT': 0.095, 'TRBUSDT': 0.095, 'SXPUSDT': 0.095, 'ATAUSDT': 0.096, 'NEOUSDT': 0.096, 'FLOWUSDT': 0.097, 'YFIUSDT': 0.101, 'BALUSDT': 0.106, 'MASKUSDT': 0.106, 'ONTUSDT': 0.108, 'CELRUSDT': 0.108, 'AUDIOUSDT': 0.108, 'SCUSDT': 0.11, 'GALAUSDT': 0.113, 'GTCUSDT': 0.117, 'CTSIUSDT': 0.117, 'STMXUSDT': 0.118, 'DARUSDT': 0.118, 'ALICEUSDT': 0.119, 'SNXUSDT': 0.124, 'FTMUSDT': 0.126, 'BCHUSDT': 0.127, 'SFPUSDT': 0.127, 'ROSEUSDT': 0.128, 'DOGEUSDT': 0.128, 'RVNUSDT': 0.129, 'OCEANUSDT': 0.129, 'VETUSDT': 0.13, 'KSMUSDT': 0.131, 'ICXUSDT': 0.131, 'UNIUSDT': 0.131, 'ONEUSDT': 0.131, '1INCHUSDT': 0.134, 'IOTAUSDT': 0.139, 'C98USDT': 0.139, 'WAVESUSDT': 0.14, 'DUSKUSDT': 0.141, 'LINKUSDT': 0.143, 'DASHUSDT': 0.143, 'OMGUSDT': 0.143, 'PEOPLEUSDT': 0.143, 'AXSUSDT': 0.15, 'ENJUSDT': 0.15, 'QTUMUSDT': 0.152, 'SHIBUSDT': 0.154, 'ZENUSDT': 0.154, 'BLZUSDT': 0.154, 'ANTUSDT': 0.155, 'XECUSDT': 0.155, 'CHZUSDT': 0.158, 'RUNEUSDT': 0.163, 'ENSUSDT': 0.165, 'LRCUSDT': 0.167, 'CHRUSDT': 0.168, 'IOTXUSDT': 0.174, 'TOMOUSDT': 0.176, 'ALGOUSDT': 0.177, 'EGLDUSDT': 0.177, 'ARUSDT': 0.178, 'LTCUSDT': 0.178, 'HNTUSDT': 0.18, 'LPTUSDT': 0.181, 'SOLUSDT': 0.183, 'ARPAUSDT': 0.184, 'BELUSDT': 0.184, 'ETCUSDT': 0.186, 'ZRXUSDT': 0.187, 'AAVEUSDT': 0.187, 'CVCUSDT': 0.188, 'STORJUSDT': 0.189, 'COTIUSDT': 0.19, 'CELOUSDT': 0.191, 'SANDUSDT': 0.191, 'ADAUSDT': 0.192, 'HBARUSDT': 0.194, 'DOTUSDT': 0.195, 'XLMUSDT': 0.195, 'AVAXUSDT': 0.206, 'ANKRUSDT': 0.207, 'MTLUSDT': 0.208, 'MANAUSDT': 0.209, 'CRVUSDT': 0.213, 'API3USDT': 0.221, 'IOSTUSDT': 0.227, 'XRPUSDT': 0.228, 'BATUSDT': 0.228, 'MKRUSDT': 0.229, 'MATICUSDT': 0.229, 'CTKUSDT': 0.233, 'ZILUSDT': 0.233, 'WOOUSDT': 0.234, 'ATOMUSDT': 0.237, 'KLAYUSDT': 0.239, 'XTZUSDT': 0.245, 'IMXUSDT': 0.278, 'NEARUSDT': 0.285, 'GALUSDT': 0.299, 'APEUSDT': 0.305, 'ZECUSDT': 0.309, 'KAVAUSDT': 0.31, 'GMTUSDT': 0.327, 'FTTUSDT': 0.366, 'KNCUSDT': 0.401, 'ETHUSDT': 0.416, 'XMRUSDT': 0.422, 'BTCUSDT': 0.47, 'BNBUSDT': 0.476, 'TRXUSDT': 0.507, 'BNXUSDT': 0.64}

سب سے پہلے، ہم نیچے کی طرف رجحان کی تقلید کے لیے آسان ترین کوڈ کا استعمال کرتے ہیں اور مختلف پوزیشن کی قدروں کی لیکویڈیشن قیمتیں دیکھتے ہیں۔ چونکہ حکمت عملی ہمیشہ لمبی پوزیشنوں پر فائز ہوتی ہے، اس لیے بڑھنے کا کوئی خطرہ نہیں ہوتا۔ ابتدائی سرمایہ 1000 ہے، کرنسی کی قیمت 1 ہے، اور ایڈجسٹمنٹ کا تناسب 0.01 ہے۔ نتائج درج ذیل ہیں۔ یہ دیکھا جا سکتا ہے کہ 1.5 گنا کے لیوریج کے ساتھ طویل پوزیشنوں کے ختم ہونے کا خطرہ کم نہیں ہے، یہ 50% کمی کا مقابلہ کر سکتا ہے۔ موجودہ نسبتا نیچے کی صورتحال کو دیکھتے ہوئے، یہ ایک قابل قبول خطرہ ہے۔

for Hold_value in [300,500,800,1000,1500,2000,3000,5000,10000]:
    amount = Hold_value/1
    hold_price = 1
    margin = 1000
    Pct = 0.01
    i = 0
    while margin > 0:
        i += 1
        if i>500:
            break
        buy_price = (1-Pct)*Hold_value/amount
        buy_amount = Hold_value*Pct/buy_price
        hold_price = (amount * hold_price + buy_amount * buy_price) / (buy_amount + amount)
        amount += buy_amount
        margin = 1000 + amount * (buy_price - hold_price)
    print(Hold_value, round(buy_price,3))

300 0.035
500 0.133
800 0.285
1000 0.362
1500 0.51
2000 0.599
3000 0.711
5000 0.81
10000 0.904

#还是用原来的回测引擎
class Exchange:
    
    def __init__(self, trade_symbols, fee=0.0004, initial_balance=10000):
        self.initial_balance = initial_balance #初始的资产
        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 #扣除手续费
        self.account['USDT']['fee'] += price*amount*self.fee
        self.account[symbol]['fee'] += price*amount*self.fee

        if cover_amount > 0: #先平仓
            self.account['USDT']['realised_profit'] += -direction*(price - self.account[symbol]['hold_price'])*cover_amount  #利润
            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): #对资产进行更新
        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)

سب سے پہلے، ہم TRX بیلنس کی حکمت عملی کی کارکردگی کو جانچتے ہیں کہ ریچھ کی مارکیٹ کے اس دور میں TRX کی زیادہ سے زیادہ کمی نسبتاً کم ہے، اس لیے اس میں کچھ خاص خصوصیات ہیں۔ منتخب کردہ ڈیٹا 2021 سے آج تک 5 منٹ کی K-لائن ہے، جس کا ابتدائی سرمایہ 1000، 0.01 کا ایڈجسٹمنٹ تناسب، 2000 کی ہولڈنگ ویلیو، اور 0.0002 کی ہینڈلنگ فیس ہے۔

TRX کی ابتدائی قیمت 0.02676U تھی، اور اس مدت کے دوران سب سے زیادہ قیمت 0.18U تک پہنچ گئی ہے، یہ فی الحال بہت پرتشدد اتار چڑھاو کے ساتھ ہے۔ اگر آپ شروع سے ہی طویل شارٹ گرڈ کی حکمت عملی کو چلاتے ہیں، تو آپ کو لامحالہ ایک مختصر پوزیشن لیکویڈیشن کا سامنا کرنا پڑے گا۔ متوازن حکمت عملی کوئی بڑا مسئلہ نہیں ہے۔

بیکٹیسٹ کی آخری واپسی 0.18 پر TRX کی واپسی کے بہت قریب ہے۔ اس مدت، ہولڈنگز کی قدر میں اضافہ کیا جا سکتا ہے. لیکن 2000U سے کم آمدنی میں کوئی تبدیلی نہیں ہے۔ یہ بھی متوازن حکمت عملی کے نقصانات میں سے ایک ہے۔

symbol = 'TRXUSDT'
df_trx = GetKlines(symbol=symbol,start='2021-1-1',end='2022-5-30',period='5m')

df_trx.close.plot(figsize=(15,6),grid=True);

#TRX平衡策略回测
hold_value = 2000
pct = 0.01
e = Exchange([symbol], fee=0.0002, initial_balance=1000)
init_price =  df_trx.iloc[0].open
res_list = [] #用于储存中间结果
e.Buy(symbol,init_price,hold_value/init_price)
e.Update({symbol:init_price})
for row in df_trx.itertuples():
    buy_price = (1-pct)*hold_value/e.account[symbol]['amount']
    sell_price = (1+pct)*hold_value/e.account[symbol]['amount']
    
    while row.low < buy_price:
        e.Buy(symbol,buy_price,pct*hold_value/buy_price)
        e.Update({symbol:row.close})
        buy_price = (1-pct)*hold_value/e.account[symbol]['amount']
        sell_price = (1+pct)*hold_value/e.account[symbol]['amount']
    while row.high > sell_price:
        e.Sell(symbol,sell_price,pct*hold_value/sell_price)
        e.Update({symbol:row.close})
        buy_price = (1-pct)*hold_value/e.account[symbol]['amount']
        sell_price = (1+pct)*hold_value/e.account[symbol]['amount']
    if int(row.time)%(60*60*1000) == 0:
        e.Update({symbol:row.close})
        res_list.append([row.time, row.close, e.account[symbol]['amount'],e.account[symbol]['amount']*row.close, e.account['USDT']['total']-e.initial_balance])
res_trx = pd.DataFrame(data=res_list, columns=['time','price','amount','value','profit'])
res_trx.index = pd.to_datetime(res_trx.time,unit='ms')
print(pct,e.account['USDT']['realised_profit']+e.account['USDT']['unrealised_profit'] ,round(e.account['USDT']['fee'],0))

0.01 4524.226998288555 91.0

#收益
res_trx.profit.plot(figsize=(15,6),grid=True);

#实际占用杠杆
(res_trx.value/(res_trx.profit+1000)).plot(figsize=(15,6),grid=True);

آئیے ویویس کا جائزہ لیں یہ سکہ شروع میں 6U سے بڑھ کر 60U کی بلندی پر آگیا، اور آخر کار 8U کی موجودہ سطح پر آگیا۔ حتمی منافع 4945 ہے جو سکے رکھنے کے منافع سے کہیں زیادہ ہے۔

symbol = 'WAVESUSDT'
df_waves = GetKlines(symbol=symbol,start='2021-1-1',end='2022-5-30',period='5m')

df_waves.close.plot(figsize=(15,6),grid=True);

#TWAVES平衡策略回测
hold_value = 2000
pct = 0.01
e = Exchange([symbol], fee=0.0002, initial_balance=1000)
init_price =  df_waves.iloc[0].open
res_list = [] #用于储存中间结果
e.Buy(symbol,init_price,hold_value/init_price)
e.Update({symbol:init_price})
for row in df_waves.itertuples():
    buy_price = (1-pct)*hold_value/e.account[symbol]['amount']
    sell_price = (1+pct)*hold_value/e.account[symbol]['amount']
    
    while row.low < buy_price:
        e.Buy(symbol,buy_price,pct*hold_value/buy_price)
        e.Update({symbol:row.close})
        buy_price = (1-pct)*hold_value/e.account[symbol]['amount']
        sell_price = (1+pct)*hold_value/e.account[symbol]['amount']
    while row.high > sell_price:
        e.Sell(symbol,sell_price,pct*hold_value/sell_price)
        e.Update({symbol:row.close})
        buy_price = (1-pct)*hold_value/e.account[symbol]['amount']
        sell_price = (1+pct)*hold_value/e.account[symbol]['amount']
    if int(row.time)%(60*60*1000) == 0:
        e.Update({symbol:row.close})
        res_list.append([row.time, row.close, e.account[symbol]['amount'],e.account[symbol]['amount']*row.close, e.account['USDT']['total']-e.initial_balance])
res_waves = pd.DataFrame(data=res_list, columns=['time','price','amount','value','profit'])
res_waves.index = pd.to_datetime(res_waves.time,unit='ms')
print(pct,e.account['USDT']['realised_profit']+e.account['USDT']['unrealised_profit'] ,round(e.account['USDT']['fee'],0))

0.01 4945.149323437233 178.0

df_waves.profit.plot(figsize=(15,6),grid=True);

ویسے، آئیے گرڈ کی حکمت عملی کی کارکردگی کا جائزہ لیتے ہیں گرڈ اسپیسنگ 0.01 ہے اور گرڈ ویلیو 10 ہے۔ تقریباً 10 گنا اضافے کے ساتھ، WAVES اور TRX دونوں کو زبردست پل بیک کا سامنا کرنا پڑا، WAVES 5,000U اور TRX 3,000U سے زیادہ پیچھے ہٹتے ہوئے اگر ابتدائی سرمایہ چھوٹا ہے، تو پوزیشن بنیادی طور پر ختم ہو جائے گی۔

#网格策略
pct = 0.01
value = 10*pct/0.01
e = Exchange([symbol], fee=0.0002, initial_balance=1000)
init_price =  df_waves.iloc[0].open
res_list = [] #用于储存中间结果
for row in df_waves.itertuples():
    buy_price = (value / pct - value) / (value / (pct * init_price) + e.account[symbol]['amount']) 
    sell_price = (value / pct + value) / (value / (pct *init_price) + e.account[symbol]['amount'])

    while row.low < buy_price:
        e.Buy(symbol,buy_price,value/buy_price)
        e.Update({symbol:row.close})
        buy_price = (value / pct - value) / (value / (pct * init_price) + e.account[symbol]['amount']) #买单价格，由于是挂单成交，也是最终的撮合价格=
    while row.high > sell_price:
        e.Sell(symbol,sell_price,value/sell_price)
        e.Update({symbol:row.close})
        sell_price = (value / pct + value) / (value / (pct *init_price) + e.account[symbol]['amount'])
    if int(row.time)%(60*60*1000) == 0:
        e.Update({symbol:row.close})
        res_list.append([row.time, row.close, e.account[symbol]['amount'],e.account[symbol]['amount']*row.close, e.account['USDT']['total']-e.initial_balance])
res_waves_net = pd.DataFrame(data=res_list, columns=['time','price','amount','value','profit'])
res_waves_net.index = pd.to_datetime(res_waves_net.time,unit='ms')
print(pct,e.account['USDT']['realised_profit']+e.account['USDT']['unrealised_profit'] ,round(e.account['USDT']['fee'],0))

0.01 1678.0516101975015 70.0

res_waves_net.profit.plot(figsize=(15,6),grid=True);

#网格策略
pct = 0.01
value = 10*pct/0.01
e = Exchange([symbol], fee=0.0002, initial_balance=1000)
init_price =  df_trx.iloc[0].open
res_list = [] #用于储存中间结果
for row in df_trx.itertuples():
    buy_price = (value / pct - value) / (value / (pct * init_price) + e.account[symbol]['amount']) 
    sell_price = (value / pct + value) / (value / (pct *init_price) + e.account[symbol]['amount'])

    while row.low < buy_price:
        e.Buy(symbol,buy_price,value/buy_price)
        e.Update({symbol:row.close})
        buy_price = (value / pct - value) / (value / (pct * init_price) + e.account[symbol]['amount']) 
    while row.high > sell_price:
        e.Sell(symbol,sell_price,value/sell_price)
        e.Update({symbol:row.close})
        sell_price = (value / pct + value) / (value / (pct *init_price) + e.account[symbol]['amount'])
    if int(row.time)%(60*60*1000) == 0:
        e.Update({symbol:row.close})
        res_list.append([row.time, row.close, e.account[symbol]['amount'],e.account[symbol]['amount']*row.close, e.account['USDT']['total']-e.initial_balance])
res_trx_net = pd.DataFrame(data=res_list, columns=['time','price','amount','value','profit'])
res_trx_net.index = pd.to_datetime(res_trx_net.time,unit='ms')
print(pct,e.account['USDT']['realised_profit']+e.account['USDT']['unrealised_profit'] ,round(e.account['USDT']['fee'],0))

0.01 -161.06952570521656 37.0

res_trx_net.profit.plot(figsize=(15,6),grid=True);

خلاصہ کریں۔

اس بیکٹیسٹ تجزیہ میں 5 منٹ کی K-لائن کا استعمال کیا گیا تھا، اور درمیان میں اتار چڑھاؤ مکمل طور پر نقلی نہیں تھے، اس لیے اصل واپسی قدرے زیادہ ہونی چاہیے۔ عام طور پر، متوازن حکمت عملی نسبتاً چھوٹے خطرات کا باعث ہوتی ہے، آسمان چھونے سے خوفزدہ نہیں ہوتی، پیرامیٹر ایڈجسٹمنٹ کی ضرورت نہیں ہوتی، استعمال میں نسبتاً آسان ہوتی ہے، اور نئے صارفین کے لیے موزوں ہے۔ گرڈ کی حکمت عملی ابتدائی قیمت کی ترتیب کے لیے بہت حساس ہوتی ہے اور اس کے لیے مارکیٹ کے حالات کے بارے میں ایک خاص فیصلے کی ضرورت ہوتی ہے، طویل مدت میں، مختصر فروخت کا خطرہ بہت زیادہ ہوتا ہے۔ ریچھ کی مارکیٹ کا یہ دور کچھ عرصے کے لیے مستحکم رہا ہے، اگر آپ کچھ سکوں کے بارے میں پر امید ہیں، تو یہ آپ کے لیے اچھا وقت ہے۔ اتار چڑھاؤ اور قیمتوں میں اضافے سے فائدہ اٹھانے کے لیے نیچے سے خریدنے کے لیے ایک متوازن حکمت عملی شروع کریں۔ یہ بائننس ہزار گروپ وار مستقل توازن کی حکمت عملی کا مفت استعمال فراہم کرے گا، اور ہر کسی کو اس کا تجربہ کرنے کا خیرمقدم ہے۔