ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে

এফএমজেড কর্তৃপক্ষ একটি স্থায়ী গ্রিড কৌশল প্রকাশ করেছে যা ব্যবহারকারীদের কাছে বেশ জনপ্রিয় এবং গত এক বছরে ট্রেডিং টিআরএক্সের ভিজ্যুয়াল প্ল্যাটফর্মটি ঝুঁকি নিয়ন্ত্রণের সাথে বেশ ভাল লাভ করেছে।

1. প্রাথমিক মূল্য, গ্রিডের ব্যবধান, গ্রিডের মান, মাল্টিস্পেস মোড ইত্যাদি প্যারামিটারগুলি সেট করার প্রয়োজন হয়, যা ভারী, উপার্জনের উপর প্রভাব বেশি এবং নতুনদের জন্য সেট করা কঠিন।
2. দীর্ঘস্থায়ী গ্রিড কৌশলগুলি হ্রাসের ঝুঁকি বেশি, তবে হ্রাসের ঝুঁকি তুলনামূলকভাবে কম, এমনকি যদি গ্রিডের মূল্য সেটটি ছোট হয় তবে এটি হ্রাসের জন্য খুব বেশি প্রভাব ফেলবে না।
3. দীর্ঘস্থায়ী চুক্তি গ্রিডগুলি কেবলমাত্র বেশি করে কাজ করার বিকল্প রয়েছে যাতে শূন্যতার ঝুঁকি এড়ানো যায়। তবে বর্তমান দামটি প্রাথমিক মূল্যের চেয়ে বেশি হওয়ার সাথে মোকাবিলা করতে হবে এবং প্রাথমিক মূল্য পুনরায় সেট করতে হবে।

এর আগেও আমি একটি সমীকরণ কৌশল এবং তার তুলনা গ্রিড কৌশল নিয়ে লিখেছি, যা এখনও প্রাসঙ্গিকঃhttps://www.fmz.com/digest-topic/5930⇒ স্থির মূল্য অনুপাত বা মূল্যের পজিশন সবসময় ধরে রাখা হয়, কিছু বিক্রি করা যায় এবং কিছু কেনা যায়, সহজ সেটিং চলতে পারে। এমনকি যদি মুদ্রার দাম অনেকটা উঁচু হয় তবেও খালি হওয়ার ঝুঁকি থাকে না। ⇒ স্থির মূল্যের কৌশলগুলির সমস্যা হ'ল তহবিলের ব্যবহার কম, লিভারেজ বাড়ানোর কোনও সহজ উপায় নেই। ⇒ স্থায়ী চুক্তিগুলি সমস্যার সমাধান করতে পারে। যেমন মোট মূলধন 1000, আপনি মূলধন ছাড়িয়ে 2000 ধরে রাখতে পারেন, তহবিলের ব্যবহার বাড়িয়ে তুলতে পারেন। ⇒ এছাড়াও একটি পরামিতি হ'ল অনুপাতের সমন্বয়, কন্ট্রোল করা হয় কতটি পতন হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস হ্রাস

নতুনদের জন্য, ভারসাম্যপূর্ণ কৌশলটি সুপারিশ করা হয়, অপারেশনটি সহজ, কেবলমাত্র একটি ধারক অনুপাত বা ধরে রাখার মানের পরামিতি সেট করা দরকার, যা মস্তিষ্কহীনভাবে চলতে পারে এবং দামের ক্রমাগত বৃদ্ধি সম্পর্কে চিন্তা করতে হবে না। কিছু অভিজ্ঞ ব্যক্তিরা গ্রিড কৌশলটি বেছে নিতে পারেন, নিজের দ্বারা উদ্বায়ী উপরের এবং নীচের সীমা নির্ধারণ করতে পারেন এবং প্রতিটি গ্রিডের তহবিল, তহবিলের ব্যবহারযোগ্যতা উন্নত করতে এবং সর্বাধিক উপার্জন অর্জন করতে পারেন।

আরও বেশি সংখ্যক লেনদেনের জোড়া পুনরায় পরীক্ষা করার জন্য, এই ডকুমেন্টেশনটি সম্পূর্ণ পুনরায় পরীক্ষা করার প্রক্রিয়াটি দেখায়, ব্যবহারকারীরা স্বয়ংক্রিয়ভাবে বিভিন্ন পরামিতি এবং লেনদেনের জোড়া তুলনা করতে পারেন।

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

২০২১ সাল থেকে এখন পর্যন্ত সমস্ত লেনদেনের জোড়া ডাউনলোড করে, আমরা সামগ্রিক বাজার সূচকের পরিবর্তনগুলি দেখতে পারিঃ ২০২১ থেকে ২০২২ সাল পর্যন্ত এটি নিঃসন্দেহে একটি বড় বাজার, সূচকটি একবার ১৪ গুণ বেড়েছে, এটি বলা যেতে পারে যে এটি সর্বত্র সোনার, অনেকগুলি মুদ্রা শতগুণ বেড়েছে। তবে ২০২২ সালে, ইতিমধ্যে ছয় মাসের জন্য চলমান একটি ভালুকের বাজার শুরু হয়েছে, যেখানে সূচকটি একবার ৮০% পতন ঘটেছে, কয়েক ডজন মুদ্রা প্রত্যাহারের সাথে ৯০% ছাড়িয়ে গেছে। এই ধরনের ঝড়ের পতন গ্রিড কৌশলটির বিশাল ঝুঁকিকে প্রতিফলিত করে।

বর্তমানে সূচকটি ৩ এর কাছাকাছি, যা ২০২১ সালের শুরুর তুলনায় প্রায় ২০০% বৃদ্ধি পেয়েছে, যা বাজারের বিকাশকে বিবেচনা করে বর্তমানে একটি তুলনামূলক নীচে হওয়া উচিত।

এদিকে, বাংলাদেশের সর্বোচ্চ মুদ্রার দাম বছরের শুরুতে দশগুণেরও বেশি বেড়েছে।

০১ঃ১০৪, ০১ঃ১০৪, ০১ঃ১০৪, ০১ঃ১০৪, ০১ঃ১০৫, ০১ঃ১০৫, ০১ঃ১০, ০১ঃ১০, ০১ঃ১০, ০১ঃ১০, ০১ঃ১০, ০১ঃ১০, ০১ঃ১০, ০১ঃ১০, ০১ঃ১০, ০১ঃ১০, ০১ঃ১০, ০১ঃ১০, ০১ঃ১০, ০১ঃ১০, ০১ঃ১০, ০১ঃ২, ০১ঃ২, ০১ঃ২, ০১ঃ২, ০১ঃ২, ০১ঃ৩, ০১ঃ২, ০১ঃ২, ০১ঃ২, ০১ঃ২, ০১ঃ২, ০১ঃ২, ০১ঃ২, ০১ঃ২, ০১ঃ২, ০২, ০২ঃ২, ০

বর্তমান প্রত্যাহার এবং সর্বোচ্চ পয়েন্টের তুলনায় 80% এরও বেশি মুদ্রাঃ

০.০২২, ০৩২, ০৩৩, ০৪৩, ০৪৪, ০৪৫, ০৪৬, ০৪৬, ০৪৭, ০৪৭, ০৪৭, ০৪৭, ০৪৭, ০৪৭, ০৪৭, ০৪৭, ০৪৭, ০৪৭, ০৪৭, ০৪৭, ০৪৭, ০৪৭, ০৪, ০৪, ০৪, ০৪, ০৪, ০৪, ০৫, ০৫, ০৫, ০৫, ০৫, ০৫, ০৬, ০৭, ০৭, ০৭, ০৭, ০৮, ০৮, ০৮, ০৮, ০৮, ০৯, ০৯, ০৯, ০৯, ০৯, ০৯, ০৯, ০৯, ০৯, ০৯, ০৯, ০৯, ০৯, ০৯

#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}

প্রথমে আমরা সবচেয়ে সহজ কোড ব্যবহার করে পরবর্তী পথের পতনের পরিস্থিতি অনুকরণ করি এবং বিভিন্ন হোল্ডিংয়ের মূল্যের জন্য পপ-আপের দামগুলি দেখি। কৌশলটি সর্বদা একাধিক হোল্ডিংয়ের সাথে থাকে, তাই ঝুঁকি নেই। প্রাথমিক মূলধন 1000, মুদ্রার দাম 1, অনুপাত 0.01 এ সামঞ্জস্য করা হয়। ফলাফলটি নিম্নরূপ। দেখা যায় যে পপ-আপের ঝুঁকিও কম নয়, 1.5 গুণ লিভারেজ সহ, এটি 50% পতনকে প্রতিরোধ করতে পারে। বর্তমান আপেক্ষিক নীচের পরিস্থিতিতে, এটি একটি সাশ্রয়ী ঝুঁকি।

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)

প্রথমত, আমরা TRX-এর ভারসাম্যপূর্ণ কৌশলটির পারফরম্যান্সকে পর্যালোচনা করি, এই রাউন্ডের বিয়ার মার্কেটে TRX-এর সর্বাধিক প্রত্যাহার তুলনামূলকভাবে ছোট ছিল, তাই কিছু বিশেষত্ব রয়েছে।

TRX এর প্রাথমিক মূল্য 0.02676U, সর্বোচ্চ মূল্য 0.18U, বর্তমানে 0.08U এর আশেপাশে, খুব তীব্র ওঠানামা।

রিভিউ চূড়ান্ত মুনাফা 4524U, যা TRX-এর 0.18-এর কাছাকাছি পৌঁছেছে, যা শুরু থেকে দ্বিগুণেরও কম এবং শেষ পর্যন্ত 0.4 এর নিচে নেমে গেছে, এবং ব্রেকিংয়ের সম্ভাবনাও কমছে, যার মধ্যে হোল্ডিংয়ের মান বাড়ানোর সুযোগ রয়েছে। তবে 2000U এর নিচে সর্বদা স্থিতিশীল মুনাফা। এটিও একটি ভারসাম্যপূর্ণ কৌশলটির একটি অসুবিধা।

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);

আমরা WAVES-এ ফিরে যাই, এই মুদ্রাটি বেশ অদ্ভুত, শুরুতে 6U থেকে সর্বোচ্চ 60U পর্যন্ত বেড়েছে এবং শেষ পর্যন্ত 8U এর কাছাকাছি ফিরে এসেছে। শেষ পর্যন্ত লাভ 4945, যা মুদ্রা ধারণের লাভের তুলনায় অনেক বেশি।

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);

যাইহোক, গ্রিড কৌশলটির পারফরম্যান্স পুনর্বিবেচনা করুন, গ্রিডের ব্যবধান 0.01 এবং গ্রিডের মান 10। প্রায় 10 গুণ বৃদ্ধি পাওয়ার পরে, WAVES এবং TRX উভয়ই বিশাল প্রত্যাহারের মুখোমুখি হয়েছিল, যেখানে WAVES 5000U প্রত্যাহার করেছিল এবং TRX 3000U ছাড়িয়ে গেছে, যদি প্রাথমিক তহবিল কম হয় তবে এটি মূলত বিস্ফোরিত হবে।

#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);

সংক্ষিপ্তসার

এইবারের রিভিউ বিশ্লেষণে ৫মিনিট কে লাইন ব্যবহার করা হয়েছে, মধ্যবর্তী অস্থিরতা পুরোপুরি অনুকরণ করা হয়নি, তাই প্রকৃত লাভ কিছুটা বেশি হওয়া উচিত। সামগ্রিকভাবে, ভারসাম্য কৌশলটি তুলনামূলকভাবে কম ঝুঁকি বহন করে, ঝড়ের ভয়ে ভয় পায় না, পরামিতিগুলি সামঞ্জস্য করার প্রয়োজন নেই, ব্যবহার করা তুলনামূলকভাবে সুবিধাজনক, নবীন ব্যবহারকারীদের জন্য উপযুক্ত। গ্রিড কৌশলটি প্রাথমিক মূল্য সেটিংয়ের জন্য খুব সংবেদনশীল, বাজারের পরিস্থিতির প্রতি একটি নির্দিষ্ট বিচার প্রয়োজন, দীর্ঘমেয়াদী দৃষ্টিভঙ্গি, ফাঁকা করার ঝুঁকি খুব বেশি। বর্তমানে এই রাউন্ডটি হ্রাস বাজারে বেশ কিছু সময়ের জন্য স্থিতিশীল হয়েছে, অনেকগুলি বর্তমান উচ্চ পয়েন্টের তুলনায় 90% এরও বেশি পড়েছে, যদি আপনি কিছু মুদ্রার জন্য আশাবাদী হন তবে এটি একটি ভাল প্রবেশের সময়, সম্ভবত ভারসাম্য কৌশলটির সংক্ষিপ্তি, কিছুটা লিভারেজ যুক্ত করুন, মুভমেন্ট এবং দামের উপরে লাভ অর্জন করুন। বিএনপির এই যুদ্ধে স্থায়ী ভারসাম্য কৌশলটি বিনামূল্যে ব্যবহার করা হবে।