Tài nguyên đang được tải lên... tải...

Bitcoin Dollar Cost Averaging dựa trên các dải BEAM

Tác giả:ChaoZhang, Ngày: 2024-02-18 15:40:42
Tags:

img

Tổng quan

Chiến lược này dựa trên lý thuyết mức độ rủi ro của Ben Cowen và nhằm mục đích thực hiện một cách tiếp cận tương tự bằng cách sử dụng các mức dải BEAM. Mức BEAM phía trên là trung bình động 200 tuần sau khi lấy logaritm, và mức thấp hơn là trung bình động 200 tuần. Điều này cho chúng ta một phạm vi từ 0 đến 1.

Chiến lược logic

Chiến lược này chủ yếu dựa trên lý thuyết dải BEAM được đề xuất bởi Ben Cowen. Theo sự thay đổi giá của BTC, giá có thể được chia thành 10 khu vực từ 0 đến 1, đại diện cho 10 mức rủi ro khác nhau. Mức 0 đại diện cho rủi ro thấp nhất với giá gần với đường trung bình động 200 tuần. Mức 5 đại diện cho khu vực giá trị rủi ro trung bình. Mức 10 đại diện cho rủi ro cao nhất với giá tiếp cận đường ray trên.

Khi giá giảm xuống mức thấp nhất, chiến lược sẽ tăng dần vị trí mua. Cụ thể, nếu giá nằm giữa dải 0 và 0,5, lệnh mua sẽ được phát hành vào một ngày cố định mỗi tháng. Số tiền mua sẽ tăng dần khi số dải giảm. Ví dụ, với dải 5, số tiền mua là 20% tổng số DCA hàng tháng. Với dải 1, số tiền mua tăng lên 100% tổng số DCA hàng tháng.

Khi giá tăng lên mức cao nhất, chiến lược sẽ dần dần giảm vị trí của nó. Cụ thể, nếu giá vượt quá dải 0,5, lệnh bán sẽ được phát hành theo tỷ lệ. Vị trí bán sẽ tăng dần khi số dải tăng. Ví dụ với dải 6, 6, 67% sẽ được bán. Với dải 10, tất cả các vị trí sẽ được bán.

Phân tích lợi thế

Ưu điểm lớn nhất của chiến lược DCA dải BEAM này là nó tận dụng đầy đủ các đặc điểm biến động của giao dịch BTC bằng cách đánh bắt đáy khi giá giảm xuống mức thấp nhất và kiếm lợi nhuận khi giá tăng lên đỉnh. Cách tiếp cận này sẽ không bỏ lỡ bất kỳ cơ hội mua hoặc bán nào.

  1. Sử dụng lý thuyết BEAM để đánh giá việc đánh giá thấp tài sản và tránh rủi ro một cách khoa học;
  2. Sử dụng đầy đủ các đặc điểm biến động của BTC để nắm bắt các cơ hội mua và bán tốt nhất;
  3. Dùng phương pháp tính trung bình chi phí để kiểm soát hiệu quả chi phí đầu tư và đạt được lợi nhuận ổn định lâu dài;
  4. Tự động thực hiện giao dịch mua và bán mà không cần can thiệp thủ công để giảm rủi ro hoạt động;
  5. Các tham số có thể tùy chỉnh cho phép điều chỉnh linh hoạt các chiến lược để thích nghi với những thay đổi trên thị trường;

Tóm lại, đây là một chiến lược điều chỉnh tham số tinh vi có thể tạo ra lợi nhuận ổn định dài hạn trong điều kiện thị trường BTC biến động.

Phân tích rủi ro

Mặc dù chiến lược DCA dải BEAM có nhiều lợi thế, nhưng vẫn có một số rủi ro tiềm ẩn cần phải nhận thức được.

  1. Lý thuyết BEAM và các thiết lập tham số dựa trên các đánh giá chủ quan, có một số khả năng đánh giá sai;
  2. Xu hướng BTC khó dự đoán và có nguy cơ mất mát;
  3. Giao dịch tự động có thể bị ảnh hưởng xấu bởi sự cố hệ thống và vi phạm tham số;
  4. Sự biến động quá mức có thể dẫn đến tổn thất mở rộng.

Để giảm thiểu rủi ro, các biện pháp sau đây có thể được thực hiện:

  1. Tối ưu hóa các thiết lập tham số để cải thiện độ chính xác đánh giá lý thuyết BEAM;
  2. Giảm kích thước vị trí phù hợp để giảm số tiền lỗ đơn;
  3. Tăng khả năng dư thừa và dung nạp lỗi để giảm rủi ro hoạt động cho giao dịch tự động;
  4. Đặt điểm dừng lỗ để tránh mất mát đơn quá lớn.

Tối ưu hóa

Với những rủi ro trên, việc tối ưu hóa chiến lược này có thể tập trung vào:

  1. Tối ưu hóa các thông số lý thuyết BEAM: điều chỉnh các thông số log, chu kỳ backtest, v.v. để cải thiện độ chính xác mô hình;
  2. Tối ưu hóa kiểm soát vị trí: điều chỉnh số tiền DCA hàng tháng, tỷ lệ mua / bán để kiểm soát số tiền lỗ duy nhất;
  3. Tăng bảo mật giao dịch tự động: thiết lập các máy chủ dư thừa, xử lý cục bộ, v.v. để cải thiện khả năng chịu lỗi;
  4. Thêm một mô-đun dừng lỗ: thiết lập các điểm dừng lỗ hợp lý dựa trên biến động trong lịch sử để kiểm soát thua lỗ một cách hiệu quả.

Thông qua các biện pháp này, sự ổn định và an ninh của chiến lược có thể được cải thiện đáng kể.

Kết luận

Chiến lược chi phí trung bình BEAM DCA là một chiến lược giao dịch định lượng rất thực tế. Nó sử dụng thành công lý thuyết BEAM để hướng dẫn các quyết định giao dịch, được bổ sung bởi mô hình trung bình chi phí để kiểm soát chi phí mua. Đồng thời, nó chú ý đến quản lý rủi ro bằng cách đặt điểm dừng lỗ để ngăn chặn sự mở rộng lỗ. Với tối ưu hóa tham số và bổ sung mô-đun, chiến lược này có thể trở thành một công cụ quan trọng cho giao dịch định lượng để có được lợi nhuận ổn định dài hạn từ thị trường BTC. Nó xứng đáng được nghiên cứu và áp dụng thêm bởi các học viên giao dịch định lượng.


/*backtest
start: 2023-02-11 00:00:00
end: 2024-02-17 00:00:00
period: 1d
basePeriod: 1h
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/

// © gjfsdrtytru - BEAM DCA Strategy {
// Based on Ben Cowen's risk level strategy, this aims to copy that method but with BEAM band levels.
// Upper BEAM level is derived from ln(price/200W MA)/2.5, while the 200W MA is the floor price. This is our 0-1 range. 
// Buy limit orders are set at the < 0.5 levels and sell orders are set at the > 0.5 level.
//@version=5
strategy(
  title                 = "BEAM DCA Strategy Monthly", 
  shorttitle            = "BEAM DCA M",
  overlay               = true,
  pyramiding            = 500,
  default_qty_type      = strategy.percent_of_equity,
  default_qty_value     = 0,
  initial_capital       = 0) //}

// Inputs { ————————————————————————————————————————————————————————————————————
T_ceiling   = input.string("Off", "Diminishing Returns", ["Off","Linear","Parabolic"], "Account for diminishing returns as time increases")
day         = input.int(1, "DCA Day of Month",1,28,1,"Select day of month for buy orders.")
DCAamount   = input.int(1000,"DCA Amount",400,tooltip="Enter the maximum amount you'd be willing to DCA for any given month.")
T_buy       = input(true,"Buy Orders","Toggle buy orders.")
T_sell      = input(true,"Sell Orders","Toggle sell orders.")

// Time period
testStartYear   = input.int(2018,   title="Backtest Start Year",    minval=2010,maxval=2100,group="Backtest Period")
testStartMonth  = input.int(1,      title="Backtest Start Month",   minval=1,   maxval=12,  group="Backtest Period")
testStartDay    = input.int(1,      title="Backtest Start Day",     minval=1,   maxval=31,  group="Backtest Period")
testPeriodLen   = input.int(9999,   title="Backtest Period (days)", minval=1,               group="Backtest Period",tooltip="Days until strategy ends") * 86400000 // convert days into UNIX time
testPeriodStart = timestamp(testStartYear,testStartMonth,testStartDay,0,0)
testPeriodStop  = testPeriodStart + testPeriodLen
testPeriod() => true
// ——————————————————————————————————————————————————————————————————————————— }
// Diminishing Returns { ———————————————————————————————————————————————————————
x = bar_index + 1
assetDivisor= 2.5
switch
    T_ceiling == "Linear"   => assetDivisor:= 3.50542 - 0.000277696 * x
    T_ceiling == "Parabolic"=> assetDivisor:= -0.0000001058992338 * math.pow(x,2) + 0.000120729 * x + 3.1982
// ——————————————————————————————————————————————————————————————————————————— }
// Risk Levels { ———————————————————————————————————————————————————————————————
cycleLen = 1400
getMaLen() =>
    if bar_index < cycleLen
        bar_index + 1
    else
        cycleLen

// Define Risk Bands
price       = close
riskLow     = ta.sma(price,getMaLen())
risk1       = riskLow * math.exp((assetDivisor)*0.1)
risk2       = riskLow * math.exp((assetDivisor)*0.2)
risk3       = riskLow * math.exp((assetDivisor)*0.3)
risk4       = riskLow * math.exp((assetDivisor)*0.4)
risk5       = riskLow * math.exp((assetDivisor)*0.5)
risk6       = riskLow * math.exp((assetDivisor)*0.6)
risk7       = riskLow * math.exp((assetDivisor)*0.7)
risk8       = riskLow * math.exp((assetDivisor)*0.8)
risk9       = riskLow * math.exp((assetDivisor)*0.9)
riskHigh    = riskLow * math.exp((assetDivisor))

// Plot Risk Bands
p_low       = plot(riskLow,   "Beam Risk 0.0",color.new(#0042F0,50),3,editable=false)
p_band1     = plot(risk1,     "Beam Risk 0.1",color.new(#0090F5,20),1,editable=false)
p_band2     = plot(risk2,     "Beam Risk 0.2",color.new(#00C6DB,20),1,editable=false)
p_band3     = plot(risk3,     "Beam Risk 0.3",color.new(#00F5BD,20),1,editable=false)
p_band4     = plot(risk4,     "Beam Risk 0.4",color.new(#00F069,20),1,editable=false)
p_band5     = plot(risk5,     "Beam Risk 0.5",color.new(#00DB08,50),3,editable=false)
p_band6     = plot(risk6,     "Beam Risk 0.6",color.new(#E8D20C,20),1,editable=false)
p_band7     = plot(risk7,     "Beam Risk 0.7",color.new(#F2B40C,20),1,editable=false)
p_band8     = plot(risk8,     "Beam Risk 0.8",color.new(#DC7A00,20),1,editable=false)
p_band9     = plot(risk9,     "Beam Risk 0.9",color.new(#F2520C,20),1,editable=false)
p_band10    = plot(riskHigh,  "Beam Risk 1.0",color.new(#F01102,50),3,editable=false)
// ——————————————————————————————————————————————————————————————————————————— }
// Order Execution { ———————————————————————————————————————————————————————————
band5   = price<risk5 and price>risk4
band4   = price<risk4 and price>risk3
band3   = price<risk3 and price>risk2
band2   = price<risk2 and price>risk1
band1   = price<risk1

// DCA buy order weights
y       = DCAamount / 5
switch
    band5 => y:= y * 1
    band4 => y:= y * 2
    band3 => y:= y * 3
    band2 => y:= y * 4
    band1 => y:= y * 5

// Contracts per order
contracts =(y/price)

if testPeriod()
// Buy orders
    if T_buy == true
        if dayofmonth == day
            strategy.entry("Risk Band 5",strategy.long,qty=contracts,when=band5)
            strategy.entry("Risk Band 4",strategy.long,qty=contracts,when=band4)
            strategy.entry("Risk Band 3",strategy.long,qty=contracts,when=band3)
            strategy.entry("Risk Band 2",strategy.long,qty=contracts,when=band2)
            strategy.entry("Risk Band 1",strategy.long,qty=contracts,when=band1)
// Sell orders 
    if T_sell == true
        if strategy.opentrades > 5
            strategy.exit("Risk Band 6",qty_percent=6.67,limit=risk6) 
            strategy.exit("Risk Band 7",qty_percent=14.28,limit=risk7)
            strategy.exit("Risk Band 8",qty_percent=25.00,limit=risk8)
            strategy.exit("Risk Band 9",qty_percent=44.44,limit=risk9)
            strategy.exit("Risk Band 10",qty_percent=100,limit=riskHigh)
// ——————————————————————————————————————————————————————————————————————————— }
// Info { ——————————————————————————————————————————————————————————————————————

// Line plot of avg. entry price
plot(strategy.position_size > 0 ? strategy.position_avg_price : na,"Average Entry",color.red,trackprice=true,editable=false)

// Unrealised PNL
uPNL = price/strategy.position_avg_price

// Realised PNL
realPNL = 0.
for i = 0 to strategy.closedtrades-1
    realPNL += strategy.closedtrades.profit(i)

// Size of open position in ($)
openPosSize = 0.
for i = 0 to strategy.opentrades-1
    openPosSize += strategy.opentrades.size(i) * strategy.position_avg_price

// Size of closed position in ($)
closePosSize = 0.
if strategy.closedtrades > 0
    for i = 0 to strategy.closedtrades-1
        closePosSize += strategy.closedtrades.size(i) * strategy.closedtrades.entry_price(i)

invested    = openPosSize+closePosSize                              // Total capital ($) put into strategy
equity      = openPosSize+closePosSize+strategy.openprofit+realPNL  // Total current equity ($) in strategy (counting realised PNL)
ROI         = (equity-invested) / invested * 100                    // ROI of strategy (compare capital invested to excess return)

// // Info Table
// var table table1 = table.new(position.bottom_right,2,9,color.black,color.gray,1,color.gray,2)

// table.cell(table1,0,0,"Capital Invested",   text_color=color.white,text_halign=text.align_right)
// table.cell(table1,0,1,"Open Position",      text_color=color.white,text_halign=text.align_right)
// table.cell(table1,0,2,"Average Entry",      text_color=color.white,text_halign=text.align_right)
// table.cell(table1,0,3,"Last Price",         text_color=color.white,text_halign=text.align_right)
// table.cell(table1,0,4,"Open PNL (%)",       text_color=color.white,text_halign=text.align_right)
// table.cell(table1,0,5,"Open PNL ($)",       text_color=color.white,text_halign=text.align_right)
// table.cell(table1,0,6,"Realised PNL ($)",   text_color=color.white,text_halign=text.align_right)
// table.cell(table1,0,7,"Total Equity",       text_color=color.white,text_halign=text.align_right)
// table.cell(table1,0,8,"Strategy ROI",       text_color=color.white,text_halign=text.align_right)

// table.cell(table1,1,0,"$" + str.tostring(invested,                      "#,###.00"),      text_halign=text.align_right,text_color = color.white)
// table.cell(table1,1,1,"$" + str.tostring(openPosSize,                   "#,###.00"),      text_halign=text.align_right,text_color = color.white)
// table.cell(table1,1,2,"$" + str.tostring(strategy.position_avg_price,   "#,###.00"),      text_halign=text.align_right,text_color = color.white)
// table.cell(table1,1,3,"$" + str.tostring(price,                         "#,###.00"),      text_halign=text.align_right,text_color = color.white)
// table.cell(table1,1,4,      str.tostring((uPNL-1)*100,                  "#,###.00") + "%",text_halign=text.align_right,text_color = uPNL > 1 ? color.lime : color.red)
// table.cell(table1,1,5,"$" + str.tostring(strategy.openprofit,           "#,###.00"),      text_halign=text.align_right,text_color = uPNL > 1 ? color.lime : color.red)
// table.cell(table1,1,6,"$" + str.tostring(realPNL,                       "#,###.00"),      text_halign=text.align_right,text_color = color.white)
// table.cell(table1,1,7,"$" + str.tostring(equity,                        "#,###.00"),      text_halign=text.align_right,text_color = color.white)
// table.cell(table1,1,8,      str.tostring(ROI,                           "#,###.00") + "%",text_halign=text.align_right,text_color = ROI > 1 ? color.lime : color.red)
// // ——————————————————————————————————————————————————————————————————————————— }

Thêm nữa