리소스 로딩... 로딩...

[천국 전쟁] 코인안 외환 다화폐 헤지 전략 연구 (제1부)

저자:초목, 2020-04-01 18:36:21, 업데이트: 2023-10-11 19:53:25

이 보고서에 기초하여 여러분의 전략을 공개하거나 검색 엔진을 개선해 보세요.

두 번째 전략은 새로운 연구 내용을 가지고 있습니다.https://www.fmz.com/digest-topic/5364

이 정책은 요금 버전으로 출시되었으며 많은 개선 사항이 있으며 비안이 시장으로 사용할 수 있습니다.

币安期货多币种对冲策略研究

币安期货最近发起了“千团大战”活动（活动地址：https://www.binance-cn.com/cn/futures/activity/tournament ）。FMZ量化平台官方也组织了团队，直接搜索“FMZ”就可以找到，目前已经有200多人，欢迎参与，参加后可加下方微信，回复“币安”拉微信群。

参与活动的用户均可获取此币安期货策略（策略源码将在活动前放出，也可以直接根据此报告自己的代码）。本篇即为此策略的研究报告。**注意策略只供参考，可以在此基础上提出自己的思路进行优化，也欢迎分享。**报告可直接在FMZ网站的研究环境直接使用（点击右上角下载，在研究环境中上传）。

研究环境点击控制中心，再点击箭头位置即可进入，打开上传的.pynb后缀的文件，按shift+enter逐行运行即可。研究环境的使用帮助里有基础的使用教程。 <img src=“https://www.fmz.com/upload/asset/1b39347a88aa4cff916.jpg” />

1.策略缘由

币安现货上架了许多山寨币，虽然短期涨跌不定，如果用日线观察久一些，就会发现基本都跌了90%以上，有的甚至只有最高价零头的零头。可是现货并没有普遍的做空手段，除了不碰山寨币，没有特别的建议。最近两月币安期货上线了二十多个永续合约，其中大多数时主流币种，也有一些默默无闻。这给了我们做空这些山寨币组合的手段。利用山寨币对于BTC往往下跌以及山寨币的走势相关系数很高，可以设计出两种策略。

2.策略原理

第一个策略：策略将分散等值做空选定的一篮子山寨币，同时等仓位做多比特币对冲，降低风险和波动率。随着价格的波动，不断调整仓位保持空头价值恒定和多头仓位对等。本质上时做空山寨币-比特币价格指数。

第二个策略：将做空价格高于山寨币-比特币价格指数的币种，做多低于指数的币种，偏离越大，仓位越大。同时将未对冲的头寸用BTC对冲（也可不对冲）。

# 需要导入的库
import pandas as pd
import requests
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
%matplotlib inline

3.筛选需要的币种

币安永续合约当前上架币种，用API获取，不包含BTC共23个。但研究环境不能访问外网，这里直接给出列表。

#Info = requests.get('https://fapi.binance.com/fapi/v1/exchangeInfo')
#symbols = [symbol_info['baseAsset'] for symbol_info in Info.json()['symbols']]
symbols = ['ETH', 'BCH', 'XRP', 'EOS', 'LTC', 'TRX', 'ETC', 'LINK', 'XLM', 'ADA', 'XMR', 'DASH', 'ZEC', 'XTZ', 'BNB', 'ATOM', 'ONT', 'IOTA', 'BAT', 'VET', 'NEO', 'QTUM', 'IOST']

首先我们研究一下过去一年山寨币对比特币的价格走势，数据我已经提前下载好，并传到了论坛上，可以在研究环境中直接引用

price_btc = pd.read_csv('https://www.fmz.com/upload/asset/1ef1af8ec28a75a2dcb.csv', index_col = 0)
price_btc.index = pd.to_datetime(price_btc.index,unit='ms') #索引位日期

price_btc.tail()

                 ETH       BCH       XRP       EOS       LTC       TRX  \
0                                                                        
2020-03-21  0.021434  0.035580  0.000026  0.000368  0.006196  0.000002   
2020-03-22  0.021026  0.034852  0.000025  0.000367  0.006086  0.000002   
2020-03-23  0.021010  0.034186  0.000024  0.000353  0.006021  0.000002   
2020-03-24  0.020529  0.033712  0.000024  0.000347  0.006012  0.000002   
2020-03-25  0.020727  0.033480  0.000024  0.000348  0.005996  0.000002   

                 ETC      LINK       XLM       ADA  ...       XTZ       BNB  \
0                                                   ...                       
2020-03-21  0.000810  0.000367  0.000006  0.000005  ...  0.000268  0.001956   
2020-03-22  0.000789  0.000341  0.000006  0.000005  ...  0.000253  0.001918   
2020-03-23  0.000768  0.000348  0.000006  0.000005  ...  0.000259  0.001883   
2020-03-24  0.000751  0.000343  0.000006  0.000004  ...  0.000261  0.001842   
2020-03-25  0.000786  0.000339  0.000006  0.000004  ...  0.000258  0.001857   

                ATOM       ONT      IOTA       BAT           VET       NEO  \
0                                                                            
2020-03-21  0.000351  0.000060  0.000022  0.000022  4.700000e-07  0.001007   
2020-03-22  0.000330  0.000059  0.000022  0.000021  4.400000e-07  0.001022   
2020-03-23  0.000326  0.000058  0.000022  0.000021  4.400000e-07  0.001032   
2020-03-24  0.000318  0.000057  0.000021  0.000023  4.500000e-07  0.001022   
2020-03-25  0.000321  0.000056  0.000021  0.000023  4.600000e-07  0.001020   

                QTUM          IOST  
0                                   
2020-03-21  0.000199  5.600000e-07  
2020-03-22  0.000197  5.000000e-07  
2020-03-23  0.000191  5.100000e-07  
2020-03-24  0.000189  4.900000e-07  
2020-03-25  0.000187  4.900000e-07  

[5 rows x 23 columns]

先把这些币种价格画出来看看趋势，数据要归一化。可以看到除了四个币种外，其余币种的价格走势基本一致，呈现出下降趋势。

price_btc_norm = price_btc/price_btc.fillna(method='bfill').iloc[0,]
price_btc_norm.plot(figsize=(16,6),grid = True,legend=False);

<Figure size 1152x432 with 1 Axes>

将最后价格变化排一下序，就可以找到明显不同的几个币，分别是LINK，XTZ，BCH, ETH。说明它们往往能走出独立行情，做空它们风险较高，需要排除策略之外。将剩余的币种再画一个相关系数的热力图，发现ETC，ATOM的走势也相对特殊，可以排除。

price_btc_norm.iloc[-1,].sort_values()[-5:]

ETH     0.600417
ETC     0.661616
BCH     1.141961
XTZ     2.512195
LINK    2.764495
Name: 2020-03-25 00:00:00, dtype: float64

trade_symbols = list(set(symbols)-set(['LINK','XTZ','BCH', 'ETH'])) #剩余的币种

plt.subplots(figsize=(12, 12)) # 设置画面大小
sns.heatmap(price_btc[trade_symbols].corr(), annot=True, vmax=1, square=True, cmap="Blues");

<Figure size 864x864 with 2 Axes>

最后剩余的币种一年平均下跌66%，显然有充足的做空空间。把这些币的趋势合成出山寨币价格指数，发现基本一路下跌，去年下半年较稳定，今年又开始一路下跌。本此研究筛选出’LINK’,‘XTZ’,‘BCH’, ‘ETH’, ‘ETC’,‘ATOM’,‘BNB’,‘EOS’,'LTC’不参与第一个策略的做空，具体的币种可以自己回测。

需要注意的是，现在的山寨币指数处于过去一年中低点，也许不是做空良机，反而可以做多，需要根据个人选择。

trade_symbols = list(set(symbols)-set(['LINK','XTZ','BCH', 'ETH', 'ETC','ATOM','BNB','EOS','LTC'])) #剩余的币种，具体减去哪些，可自己设定。
1-price_btc_norm[trade_symbols].iloc[-1,].mean()

0.6714306758250285

price_btc_norm[trade_symbols].mean(axis=1).plot(figsize=(16,6),grid = True,legend=False);

<Figure size 1152x432 with 1 Axes>

4.币安永续数据

同样的，币安永续的数据已经整理好了，你也可以在自己的notebook中直接引用，数据是2020年1月28到3月31日的1h行情K线，因为币安上线大部分永续合约的时间就这两个月，所以数据用于回测是够了。

price_usdt = pd.read_csv('https://www.fmz.com/upload/asset/20227de6c1d10cb9dd1.csv ', index_col = 0)
price_usdt.index = pd.to_datetime(price_usdt.index)

price_usdt.tail()

                         BTC     ETH     BCH     XRP    EOS    LTC      TRX  \
0                                                                             
2020-04-07 23:00:00  7192.90  164.55  252.51  0.1925  2.632  44.83  0.01329   
2020-04-08 00:00:00  7153.32  164.42  251.62  0.1914  2.591  44.41  0.01321   
2020-04-08 01:00:00  7160.02  163.83  250.55  0.1924  2.601  44.53  0.01321   
2020-04-08 02:00:00  7262.37  168.74  264.67  0.1972  2.684  45.94  0.01352   
2020-04-08 03:00:00  7378.88  172.81  275.81  0.2003  2.741  46.68  0.01371   

                       ETC   LINK      XLM  ...    XTZ     BNB   ATOM     ONT  \
0                                           ...                                 
2020-04-07 23:00:00  5.475  2.729  0.04843  ...  1.960  14.725  2.346  0.4219   
2020-04-08 00:00:00  5.415  2.719  0.04816  ...  1.928  14.588  2.321  0.4167   
2020-04-08 01:00:00  5.428  2.758  0.04818  ...  1.943  14.592  2.320  0.4152   
2020-04-08 02:00:00  5.586  2.808  0.04947  ...  1.995  14.902  2.378  0.4244   
2020-04-08 03:00:00  5.720  2.838  0.05033  ...  2.052  15.339  2.419  0.4355   

                       IOTA     BAT       VET    NEO   QTUM      IOST  
0                                                                      
2020-04-07 23:00:00  0.1632  0.1611  0.003873  7.719  1.373  0.003394  
2020-04-08 00:00:00  0.1628  0.1600  0.003822  7.658  1.366  0.003368  
2020-04-08 01:00:00  0.1628  0.1633  0.003815  7.657  1.369  0.003373  
2020-04-08 02:00:00  0.1662  0.1674  0.003873  7.800  1.400  0.003442  
2020-04-08 03:00:00  0.1700  0.1702  0.003930  7.965  1.420  0.003484  

[5 rows x 24 columns]

先归一化数据看一下整体走势，在3月份的大跌中，相对于2月初的价格，普遍腰斩，可见永续的风险也很高，这波大跌也是对策略的考验。

price_usdt_norm = price_usdt/price_usdt.fillna(method='bfill').iloc[0,]
price_usdt_norm.plot(figsize=(16,6),grid = True,legend=False);

<Figure size 1152x432 with 1 Axes>

将我们要做空的币相对于比特币的指数价格画出来，策略原理就是做空这条曲线，收益也基本上是这条曲线反过来。

price_usdt_btc = price_usdt.divide(price_usdt['BTC'],axis=0)
price_usdt_btc_norm = price_usdt_btc/price_usdt_btc.fillna(method='bfill').iloc[0,]
price_usdt_btc_norm[trade_symbols].mean(axis=1).plot(figsize=(16,6),grid = True);
#price_usdt_btc_norm.mean(axis=1).plot(figsize=(16,6),grid = True,legend=False);

<Figure size 1152x432 with 1 Axes>

5.回测引擎

由于FMZ本地回测并没有所有币种的数据，也不支持多币种回测，所以需要重新实现一个回测引擎，写的比较简单，但也基本够用。考虑到了手续费，但基本忽略了资金费率，没有考虑维持保证金的情况。记录了总权益、占用保证金、杠杆等历史。由于这次策略基本多空对等的，所以资金费率的影响不大。

回测并未考虑到滑价情况，可以自行加大手续费模拟，考虑到币安maker手续费低，即使是冷门币种的盘口差价也很小，实际下单中可以利用冰山委托的方式下单，影响应该不大。

创建交易所对象时，需要指定要交易的币种，Buy做多，Sell做空，由于永续的限制，同时多空会自动平仓, 当做空时币种数量为负。参数如下：

trade_symbols：要交易的币种列表
leverage：杠杆，影响保证金,
commission：手续费，默认万5
initial_balance：初始资产，USDT计价
log：是否打印交易记录

class Exchange:
    
    def __init__(self, trade_symbols, leverage=20, commission=0.00005,  initial_balance=10000, log=False):
        self.initial_balance = initial_balance #初始的资产
        self.commission = commission
        self.leverage = leverage
        self.trade_symbols = trade_symbols
        self.date = ''
        self.log = log
        self.df = pd.DataFrame(columns=['margin','total','leverage','realised_profit','unrealised_profit'])
        self.account = {'USDT':{'realised_profit':0, 'margin':0, 'unrealised_profit':0, 'total':initial_balance, 'leverage':0}}
        for symbol in trade_symbols:
            self.account[symbol] = {'amount':0, 'hold_price':0, 'value':0, 'price':0, 'realised_profit':0, 'margin':0, 'unrealised_profit':0}
            
    def Trade(self, symbol, direction, price, amount, msg=''):
        if self.date and self.log:
            print('%-20s%-5s%-5s%-10.8s%-8.6s %s'%(str(self.date), symbol, 'buy' if direction == 1 else 'sell', price, amount, msg))
            
        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.commission #扣除手续费
        
        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['USDT']['margin'] -= cover_amount*self.account[symbol]['hold_price']/self.leverage #释放保证金
            
            self.account[symbol]['realised_profit'] += -direction*(price - self.account[symbol]['hold_price'])*cover_amount
            self.account[symbol]['amount'] -= -direction*cover_amount
            self.account[symbol]['margin'] -=  cover_amount*self.account[symbol]['hold_price']/self.leverage
            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['USDT']['margin'] +=  open_amount*price/self.leverage            
            self.account[symbol]['hold_price'] = total_cost/total_amount
            self.account[symbol]['amount'] += direction*open_amount
            self.account[symbol]['margin'] +=  open_amount*price/self.leverage
            
        self.account[symbol]['unrealised_profit'] = (price - self.account[symbol]['hold_price'])*self.account[symbol]['amount']
        self.account[symbol]['price'] = price
        self.account[symbol]['value'] = abs(self.account[symbol]['amount'])*price
        
        return True
    
    def Buy(self, symbol, price, amount, msg=''):
        self.Trade(symbol, 1, price, amount, msg)
        
    def Sell(self, symbol, price, amount, msg=''):
        self.Trade(symbol, -1, price, amount, msg)
        
    def Update(self, date, close_price): #对资产进行更新
        self.date = date
        self.close = close_price
        self.account['USDT']['unrealised_profit'] = 0
        for symbol in self.trade_symbols:
            if np.isnan(close_price[symbol]):
                continue
            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']
            if self.date.hour in [0,8,16]:
                pass
                self.account['USDT']['realised_profit'] += -self.account[symbol]['amount']*close_price[symbol]*0.01/100
        
        self.account['USDT']['total'] = round(self.account['USDT']['realised_profit'] + self.initial_balance + self.account['USDT']['unrealised_profit'],6)
        self.account['USDT']['leverage'] = round(self.account['USDT']['margin']/self.account['USDT']['total'],4)*self.leverage
        self.df.loc[self.date] = [self.account['USDT']['margin'],self.account['USDT']['total'],self.account['USDT']['leverage'],self.account['USDT']['realised_profit'],self.account['USDT']['unrealised_profit']]

# 先测试一下回测引擎
e = Exchange(['BTC','XRP'],initial_balance=10000,commission=0,log=True)

e.Buy('BTC',100, 5)
e.Sell('XRP',10, 50)

e.Sell('BTC',105,e.account['BTC']['amount'])
e.Buy('XRP',9,-e.account['XRP']['amount'])

round(e.account['USDT']['realised_profit'],4)

75.0

6.第一个策略代码

策略逻辑：

1.检查币种价格，如果不为nan，则可以交易
2.检查山寨币合约价值，如果小于目标值trade_value，则卖空相应的差额，如果大于，则买入平仓相应的额度。
3.将所有山寨币空头价值相加，调整BTC仓位与之反向对冲。

做空的价值trade_value，决定了仓位的大小。设置log=True将打印交易日志

# 需要与BTC对冲
trade_symbols = list(set(symbols)-set(['LINK','XTZ','BCH', 'ETH', 'ETC','ATOM','BNB','EOS','LTC'])) #剩余的币种
e = Exchange(trade_symbols+['BTC'],initial_balance=10000,commission=0.0005,log=False)
trade_value = 2000
for row in price_usdt.iloc[:].iterrows():
    e.Update(row[0], row[1])
    empty_value = 0
    for symbol in trade_symbols:
        price = row[1][symbol]
        if np.isnan(price):
            continue
        if e.account[symbol]['value'] - trade_value  < -20 :
            e.Sell(symbol, price, round((trade_value-e.account[symbol]['value'])/price, 6),round(e.account[symbol]['realised_profit']+e.account[symbol]['unrealised_profit'],2))
        if e.account[symbol]['value'] - trade_value > 20 :
            e.Buy(symbol, price, round((e.account[symbol]['value']-trade_value)/price, 6),round(e.account[symbol]['realised_profit']+e.account[symbol]['unrealised_profit'],2))
        empty_value += e.account[symbol]['value']
    price = row[1]['BTC']
    if e.account['BTC']['value'] - empty_value < -20:
        e.Buy('BTC', price, round((empty_value-e.account['BTC']['value'])/price,6),round(e.account['BTC']['realised_profit']+e.account['BTC']['unrealised_profit'],2))
    if e.account['BTC']['value'] - empty_value > 20:
        e.Sell('BTC', price, round((e.account['BTC']['value']-empty_value)/price,6),round(e.account['BTC']['realised_profit']+e.account['BTC']['unrealised_profit'],2))
stragey_1 = e

最终各个币种的利润如下：

pd.DataFrame(stragey_1.account).T.apply(lambda x:round(x,3))

      realised_profit    margin  unrealised_profit      total  leverage  \
USDT         5576.449  2350.526           -536.669  15057.009     3.176   
DASH          847.374    86.354           -272.925        NaN       NaN   
IOST          926.829    88.409           -231.819        NaN       NaN   
ONT          1302.690    85.751           -284.984        NaN       NaN   
XMR           654.856    77.073           -458.549        NaN       NaN   
XLM           643.571    81.016           -379.678        NaN       NaN   
IOTA         1358.780    82.337           -353.258        NaN       NaN   
QTUM          902.930    87.172           -256.569        NaN       NaN   
BAT          1013.011    82.470           -350.592        NaN       NaN   
XRP           682.601    83.889           -322.224        NaN       NaN   
VET          1278.532    78.069           -438.614        NaN       NaN   
NEO          1109.221    83.870           -322.590        NaN       NaN   
ADA           982.309    81.397           -372.060        NaN       NaN   
ZEC          1173.761    82.286           -354.278        NaN       NaN   
TRX           706.935    82.172           -356.555        NaN       NaN   
BTC         -7708.165  1188.261           4234.779        NaN       NaN   

          amount  hold_price      value     price  
USDT         NaN         NaN        NaN       NaN  
DASH     -26.788      64.472   2000.000    74.660  
IOST -574052.813       0.003   2000.000     0.003  
ONT    -4592.423       0.373   2000.000     0.436  
XMR      -34.471      44.717   2000.000    58.020  
XLM   -39737.731       0.041   2000.000     0.050  
IOTA  -11764.706       0.140   2000.000     0.170  
QTUM   -1408.451       1.238   2000.000     1.420  
BAT   -11750.881       0.140   2000.000     0.170  
XRP    -9985.022       0.168   2000.000     0.200  
VET  -508905.852       0.003   2000.000     0.004  
NEO     -251.099       6.680   2000.000     7.965  
ADA   -54510.766       0.030   2000.000     0.037  
ZEC      -52.618      31.277   2000.000    38.010  
TRX  -145878.920       0.011   2000.000     0.014  
BTC        3.795    6262.883  28000.001  7378.880

下面两幅图分别是净值曲线和使用的杠杆。

净值曲线中黄色的是1倍杠杆做空山寨币指数的效果，可以看到策略基本放大了指数的波动，符合预期。最终两个月收益60%，最大回撤20%，最大使用杠杆约8倍，大部分时间都在6倍以下，还是比较安全的。最重要的是，完全对冲使得策略在3月12号大跌中损失不大。

当做空的币价上涨，合约价值增加，此时是减仓的，反之盈利是加仓。这使得总的合约价值维持恒定，即使暴涨暴跌也损失有限。

但风险前面也提到了，山寨币是很有可能走出独立的行情的，并且有可能从底部抬升不少。这取决与如何使用，如果你看好山寨币并认为已经到底部，可以方向操作，做多指数。或者你看好某几个币种，可以和它们对冲。

(stragey_1.df['total']/stragey_1.initial_balance).plot(figsize=(18,6),grid = True);#净值曲线
#(2-price_usdt_btc_norm[trade_symbols].mean(axis=1)).plot(figsize=(18,6),grid = True);

<Figure size 1296x432 with 1 Axes>

# 策略的杠杆
stragey_1.df['leverage'].plot(figsize=(18,6),grid = True);

<Figure size 1296x432 with 1 Axes>

当然由于山寨币对USDT的价格也是下跌的，极端的方案是不对冲，直接裸空，但波动很大，回撤很高

trade_symbols = list(set(symbols)-set(['LINK','XTZ','BCH', 'ETH', 'ETC','ATOM','BNB','EOS','LTC'])) #剩余的币种
e = Exchange(trade_symbols+['BTC'],initial_balance=10000,commission=0.0005,log=False)
trade_value = 2000
for row in price_usdt.iloc[:].iterrows():
    e.Update(row[0], row[1])
    empty_value = 0
    for symbol in trade_symbols:
        price = row[1][symbol]
        if np.isnan(price):
            continue
        if e.account[symbol]['value'] - trade_value  < -20 :
            e.Sell(symbol, price, round((trade_value-e.account[symbol]['value'])/price, 6),round(e.account[symbol]['realised_profit']+e.account[symbol]['unrealised_profit'],2))
        if e.account[symbol]['value'] - trade_value > 20 :
            pass
            #e.Buy(symbol, price, round((e.account[symbol]['value']-trade_value)/price, 6),round(e.account[symbol]['realised_profit']+e.account[symbol]['unrealised_profit'],2))
        empty_value += e.account[symbol]['value']
stragey_1b = e

(stragey_1b.df['total']/stragey_1.initial_balance).plot(figsize=(18,6),grid = True);#净值曲线
(2-price_usdt_btc_norm[trade_symbols].mean(axis=1)).plot(figsize=(18,6),grid = True);

<Figure size 1296x432 with 1 Axes>

7.第二个策略代码

策略逻辑：

1.检查是否有价格，有价格进行交易
2.检查币种价格相对于指数的偏离
3.根据偏离判断做多做空,根据偏离大小判断仓位
4.计算未对冲的仓位用BTC对冲

同样由trade_value控制开仓大小。也可以修改diff/0.001的换算系数

trade_symbols = list(set(symbols)-set(['LINK','XTZ','BCH', 'ETH'])) #剩余的币种
price_usdt_btc_norm_mean = price_usdt_btc_norm[trade_symbols].mean(axis=1)
e = Exchange(trade_symbols+['BTC'],initial_balance=10000,commission=0.0005,log=False)
trade_value = 300
for row in price_usdt.iloc[:].iterrows():
    e.Update(row[0], row[1])
    empty_value = 0
    for symbol in trade_symbols:
        price = row[1][symbol]
        if np.isnan(price):
            continue
        diff = price_usdt_btc_norm.loc[row[0],symbol] - price_usdt_btc_norm_mean[row[0]]
        aim_value = -trade_value*round(diff/0.01,0)
        now_value = e.account[symbol]['value']*np.sign(e.account[symbol]['amount'])
        empty_value += now_value
        if aim_value - now_value > 50:
            e.Buy(symbol, price, round((aim_value - now_value)/price, 6),round(e.account[symbol]['realised_profit']+e.account[symbol]['unrealised_profit'],2))
        if aim_value - now_value < -50:
            e.Sell(symbol, price, -round((aim_value - now_value)/price, 6),round(e.account[symbol]['realised_profit']+e.account[symbol]['unrealised_profit'],2))
    price = row[1]['BTC']
    aim_value = -empty_value
    now_value = e.account['BTC']['value']*np.sign(e.account['BTC']['amount'])
    if aim_value - now_value > 50:
        e.Buy('BTC', price, round((aim_value - now_value)/price, 6),round(e.account['BTC']['realised_profit']+e.account['BTC']['unrealised_profit'],2))
    if aim_value - now_value < -50:
        e.Sell('BTC', price, -round((aim_value - now_value)/price, 6),round(e.account['BTC']['realised_profit']+e.account['BTC']['unrealised_profit'],2))
stragey_2 = e

策略的收益相对第一个策略好上不少，近两个月有100%的收益，但还是有20%的回撤，并且最近一周由于行情波动较小，收益不明显。总体的杠杆也不多。这个策略值得尝试。根据偏离程度的不同，最多的开了7800多USDT。

注意到如果某个币走出了独立的行情，比如相对于指数上涨了几倍，将会在该币种上积累大量的做空仓位，同样的大幅下跌也会使得策略大量做多，可以限制最大开仓价值。

(stragey_2.df['total']/stragey_2.initial_balance).plot(figsize=(18,6),grid = True);

<Figure size 1296x432 with 1 Axes>

# 各币种汇总结果
pd.DataFrame(e.account).T.apply(lambda x:round(x,3))

      realised_profit    margin  unrealised_profit      total  leverage  \
USDT        11544.446  2240.648           -572.088  20961.347     2.142   
LTC           208.435    71.269            -74.615        NaN       NaN   
DASH        -1611.443    15.000             -0.000        NaN       NaN   
IOTA         -731.880   137.227            255.450        NaN       NaN   
QTUM         3695.002    15.000              8.472        NaN       NaN   
EOS           515.414    15.000            -16.148        NaN       NaN   
XRP           804.351   213.625           -527.496        NaN       NaN   
VET          2029.654   119.771             39.893        NaN       NaN   
NEO          1046.044    44.474             39.211        NaN       NaN   
ADA           606.302    29.077            -26.916        NaN       NaN   
BNB           895.348    71.510            -69.793        NaN       NaN   
TRX           980.596   141.199           -218.180        NaN       NaN   
IOST         3369.938   103.764             24.726        NaN       NaN   
ETC         -2929.940   245.720            485.595        NaN       NaN   
ONT          1365.283   216.755            464.890        NaN       NaN   
XMR           662.873   239.586           -608.286        NaN       NaN   
XLM           319.303   238.507           -629.853        NaN       NaN   
ATOM         1501.062   113.670            126.604        NaN       NaN   
BAT          1572.965    45.429            -29.451        NaN       NaN   
ZEC         -1108.730   126.443            171.133        NaN       NaN   
BTC           164.300    37.620             -0.000        NaN       NaN   

          amount  hold_price     value     price  
USDT         NaN         NaN       NaN       NaN  
LTC      -32.134      44.358  1500.000    46.680  
DASH      -4.018      74.660   300.000    74.660  
IOTA   17647.059       0.156  3000.000     0.170  
QTUM     217.234       1.381   308.472     1.420  
EOS     -115.340       2.601   316.148     2.741  
XRP   -23964.054       0.178  4800.000     0.200  
VET   619674.671       0.004  2435.321     0.004  
NEO      116.595       7.629   928.682     7.965  
ADA   -16583.748       0.035   608.458     0.037  
BNB      -97.790      14.625  1500.000    15.339  
TRX  -221893.491       0.013  3042.160     0.014  
IOST  602755.454       0.003  2100.000     0.003  
ETC      944.056       5.206  5400.000     5.720  
ONT    11021.814       0.393  4800.000     0.436  
XMR      -93.071      51.484  5400.000    58.020  
XLM  -107291.874       0.044  5400.000     0.050  
ATOM     992.146       2.291  2400.000     2.419  
BAT    -5511.329       0.165   938.028     0.170  
ZEC       71.034      35.601  2700.000    38.010  
BTC       -0.102    7378.880   752.395  7378.880

e.df['leverage'].plot(figsize=(18,6),grid = True);

<Figure size 1296x432 with 1 Axes>

如果不对冲的结果如下，实际上差别不大。因为多空基本是平衡的。

trade_symbols = list(set(symbols)-set(['LINK','XTZ','BCH', 'ETH']))#剩余的币种
price_usdt_btc_norm_mean = price_usdt_btc_norm[trade_symbols].mean(axis=1)
e = Exchange(trade_symbols,initial_balance=10000,commission=0.0005,log=False)
trade_value = 300
for row in price_usdt.iloc[:].iterrows():
    e.Update(row[0], row[1])
    empty_value = 0
    for symbol in trade_symbols:
        price = row[1][symbol]
        if np.isnan(price):
            continue
        diff = price_usdt_btc_norm.loc[row[0],symbol] - price_usdt_btc_norm_mean[row[0]]
        aim_value = -trade_value*round(diff/0.01,1)
        now_value = e.account[symbol]['value']*np.sign(e.account[symbol]['amount'])
        empty_value += now_value
        if aim_value - now_value > 20:
            e.Buy(symbol, price, round((aim_value - now_value)/price, 6),round(e.account[symbol]['realised_profit']+e.account[symbol]['unrealised_profit'],2))
        if aim_value - now_value < -20:
            e.Sell(symbol, price, -round((aim_value - now_value)/price, 6),round(e.account[symbol]['realised_profit']+e.account[symbol]['unrealised_profit'],2))
stragey_2b = e

(stragey_2b.df['total']/stragey_2.initial_balance).plot(figsize=(18,6),grid = True);
#(stragey_2.df['total']/stragey_2.initial_balance).plot(figsize=(18,6),grid = True); #可叠加在一起看看

<Figure size 1296x432 with 1 Axes>

如果参考USDT的价格回归，效果会差很多

trade_symbols = list(set(symbols)-set(['LINK','XTZ','BCH', 'ETH']))+['BTC'] #剩余的币种
price_usdt_norm_mean = price_usdt_norm[trade_symbols].mean(axis=1)
e = Exchange(trade_symbols,initial_balance=10000,commission=0.0005,log=False)
trade_value = 300
for row in price_usdt.iloc[:].iterrows():
    e.Update(row[0], row[1])
    empty_value = 0
    for symbol in trade_symbols+['BTC']:
        price = row[1][symbol]
        if np.isnan(price):
            continue
        diff = price_usdt_norm.loc[row[0],symbol] - price_usdt_norm_mean[row[0]]
        aim_value = -trade_value*round(diff/0.01,1)
        now_value = e.account[symbol]['value']*np.sign(e.account[symbol]['amount'])
        empty_value += now_value
        if aim_value - now_value > 20:
            e.Buy(symbol, price, round((aim_value - now_value)/price, 6),round(e.account[symbol]['realised_profit']+e.account[symbol]['unrealised_profit'],2))
        if aim_value - now_value < -20:
            e.Sell(symbol, price, -round((aim_value - now_value)/price, 6),round(e.account[symbol]['realised_profit']+e.account[symbol]['unrealised_profit'],2))
stragey_2c = e

(stragey_2c.df['total']/stragey_2.initial_balance).plot(figsize=(18,6),grid = True);
(stragey_2b.df['total']/stragey_2.initial_balance).plot(figsize=(18,6),grid = True);

<Figure size 1296x432 with 1 Axes>

如果限制最大持仓价值,表现会差一些

trade_symbols = list(set(symbols)-set(['LINK','XTZ','BCH', 'ETH'])) #剩余的币种
price_usdt_btc_norm_mean = price_usdt_btc_norm[trade_symbols].mean(axis=1)
e = Exchange(trade_symbols+['BTC'],initial_balance=10000,commission=0.0005,log=False)
trade_value = 300
for row in price_usdt.iloc[:].iterrows():
    e.Update(row[0], row[1])
    empty_value = 0
    for symbol in trade_symbols:
        price = row[1][symbol]
        if np.isnan(price):
            continue
        diff = price_usdt_btc_norm.loc[row[0],symbol] - price_usdt_btc_norm_mean[row[0]]
        aim_value = -trade_value*round(diff/0.01,1)
        now_value = e.account[symbol]['value']*np.sign(e.account[symbol]['amount'])
        empty_value += now_value
        if aim_value - now_value > 20 and abs(aim_value)<3000:
            e.Buy(symbol, price, round((aim_value - now_value)/price, 6),round(e.account[symbol]['realised_profit']+e.account[symbol]['unrealised_profit'],2))
        if aim_value - now_value < -20 and abs(aim_value)<3000:
            e.Sell(symbol, price, -round((aim_value - now_value)/price, 6),round(e.account[symbol]['realised_profit']+e.account[symbol]['unrealised_profit'],2))
    price = row[1]['BTC']
    aim_value = -empty_value
    now_value = e.account['BTC']['value']*np.sign(e.account['BTC']['amount'])
    if aim_value - now_value > 20:
        e.Buy('BTC', price, round((aim_value - now_value)/price, 6),round(e.account['BTC']['realised_profit']+e.account['BTC']['unrealised_profit'],2))
    if aim_value - now_value < -20:
        e.Sell('BTC', price, -round((aim_value - now_value)/price, 6),round(e.account['BTC']['realised_profit']+e.account['BTC']['unrealised_profit'],2))
stragey_2d = e

(stragey_2d.df['total']/stragey_2.initial_balance).plot(figsize=(17,6),grid = True);

<Figure size 1224x432 with 1 Axes>

8.总结与风险

第一个策略利用了山寨币总体价值不如比特币的特点，如果你看多比特币，不妨将这个策略长期坚持用下去，由于多空对等，也基本不怕8h一次的资金费率。长期来看，胜率比较高。但也担心山寨币目前在底部，有可能走出一段上涨的行情，造成策略的亏损。

第二个策略运用了山寨币的价格回归特性，涨的比指数多，大概率要跌回来。但可能会在单币种累计过多仓位，如果某个币真的一飞冲天不回头，会产生较大亏损。

由于策略的启动时间不同，具体参数不同，使用这个策略的人比较多时影响应该也不是很大。

总之，没有完美的策略，只有正确看待策略的态度，它终究还取决与使用者对风险的理解和对未来的判断。

这两个策略将在比赛前放出FMZ发明者量化平台的源码供大家参考。再此之前，也可以自己写出来，欢迎大家分享。