Proves posteriors de les millors estratègies criptogràfiques: reequilibri de la cartera

>

Estudiar estratègies comercials s’ha convertit en un art a l’espai de les criptomonedes. No en el sentit positiu. S’ha convertit en el tipus d’art que queda obert a la interpretació.

El nostre objectiu durant tota la resta d’aquest estudi no deixar cap ambigüitat. Volem estudiar amb precisió les estratègies d’una manera que podem esperar raonablement que la nostra comprensió sigui l’única interpretació possible dels resultats.

Per assolir aquest nivell de comprensió, estem emprant una tècnica anomenada proves posteriors.

En aquest estudi, tornarem a provar una sèrie d’estratègies de reequilibri de la cartera per intentar identificar quines configuracions han estat històricament les més reeixides..

Què és el backtesting??

El backtesting és el procés d’utilitzar les dades de mercat històriques per calcular el rendiment d’una estratègia en el passat. Mitjançant la informació exacta sobre el preu de l’oferta i la sol·licitud, hem pogut reconstruir les operacions que hauríem pogut fer en cada moment..

Cal subratllar que el backtesting només avalua les dades històriques. Tot i que el rendiment històric no garanteix rendiments futurs, el backtesting continua sent una eina valuosa per identificar estratègies prometedores.

Què és el Backtesting?

El backtesting és una simulació matemàtica que utilitzen els comerciants per avaluar el rendiment d’una estratègia comercial. La simulació aprofita les dades històriques del mercat per intentar calcular el rendiment que hauria tingut una estratègia comercial en el passat.

Metodologia d’estudi

Abans de saltar als resultats, parlem del disseny de l’estudi. D’aquesta manera podem determinar el nivell de confiança que podem tenir en els resultats.

Estratègies

Ens centrarem en una única estratègia primària; reequilibri. El reequilibri ha estat utilitzat per les institucions durant dècades i ha resistit la prova del temps. Tot i que sembla senzill a la superfície, el reequilibri té complexitats que presenten oportunitats úniques.

En particular, avaluarem tant les estratègies de reequilibri de llindars com les de reequilibri periòdic. Tot i que aquestes dues estratègies ja inclouen matisos suficients per justificar un estudi complet, no ens aturarem aquí. Cada estratègia compararà un reequilibri estàndard amb el reequilibri “optimitzat de la taxa” de Shrimpy.

Un reequilibri optimitzat de tarifes utilitza una combinació sofisticada d’ordres del fabricant i dels compradors, juntament amb un encaminament intel·ligent, per reduir les tarifes i encaminar de manera òptima les operacions entre actius.

Obteniu més informació sobre el reequilibri de la cartera.

Optimització de les taxes

Al llarg de l’estudi, farem comparacions entre els reequilibris optimitzats de les taxes i els reequilibris estàndard. Els reequilibris estàndard són simplement reequilibris que no fan servir l’optimització de les taxes.

L’optimització de les taxes és una característica desenvolupada per l’equip de Shrimpy. Proporciona una manera perquè els comerciants redueixin les seves quotes aprofitant un algorisme més sofisticat per col·locar una combinació d’oficis de fabricants i compradors. Això contrasta els reequilibris estàndard que només faran servir les operacions de compradors.

A Shrimpy, els reequilibris també aprofiten un algorisme d’encaminament d’ordres intel·ligents especialitzat que pot avaluar diferents parells de negociació en temps real per encaminar de manera intel·ligent operacions a través de parells de negociació alternatius. Això redueix encara més les taxes.

Obteniu més informació sobre els reequilibris de tarifes optimitzats.

Dades històriques

El nucli de qualsevol prova de retrocés són les dades. Tot i que hi ha molts serveis al mercat que utilitzen dades de canelobres per simular una prova de prova, serem més precisos per a aquest estudi.

En lloc d’utilitzar dades agregades o canelobres imprecisos, farem servir els llibres de comandes exactes a Binance intercanvi. Aquestes dades d’alta fidelitat són vitals per a la nostra investigació, de manera que ens hem assegurat de col·laborar amb un proveïdor de dades líder al mercat. Els nostres socis per a aquest estudi són Kaiko.

Kaiko és un proveïdor de confiança de dades històriques del mercat des del 2014. Des de llavors, han continuat redefinint la manera com les empreses aprofiten les dades històriques per al desenvolupament de nous productes i serveis..

Dades del mercat de kaiko

Connectivitat perfecta a feeds de dades històrics i en directe de més de 100 intercanvis de derivats i espot.

L’interval de temps per a les dades incloses per a cada prova posterior comença l’1 de desembre de 2019 i finalitza l’1 de desembre de 2020. D’aquesta manera estudiem exactament 1 any de dades històriques.

Selecció de carteres

Cada prova posterior es farà amb exactament 10 recursos seleccionats a l’atzar. Només els recursos disponibles Binance l’1 de desembre de 2019 s’inclourà. Si un recurs concret no estava disponible a Binance abans d’aquesta data, l’actiu s’exclou d’aquest estudi.

Els recursos es seleccionen al començament de cada iteració de prova posterior. Una única iteració de prova posterior avaluarà una estratègia HODL, un reequilibri estàndard (sense optimització de tarifes) i un reequilibri optimitzat de tarifes. Això significa que s’avaluarà la mateixa cartera amb cadascuna d’aquestes 3 estratègies abans de seleccionar a l’atzar una nova cartera. Això ens permet comparar els resultats de cada estratègia amb els mateixos actius.

Obteniu més informació sobre mides de cartera òptimes.

Distribució

Totes les carteres seleccionades assignaran els actius de la cartera de manera uniforme. Essencialment, cada actiu de la cartera tindrà exactament el 10% del pes de la cartera a l’inici de la prova posterior. Durant cada esdeveniment de reequilibri, es retornaran les assignacions perquè coincideixin exactament amb l’assignació original del 10% de cada actiu.

Obteniu informació sobre la millor manera de distribuir actius en una cartera.

Resultats

Ara que la logística està fora de camí. És hora d’explorar els resultats. Els resultats següents inclouen un examen tant del reequilibri periòdic com del llindar. A més d’aquestes dues estratègies úniques, també compararem els resultats dels reequilibris que van utilitzar l’optimització de tarifes en comparació amb aquells que no van utilitzar l’optimització de tarifes..

Reequilibri periòdic

Es van avaluar els reequilibris periòdics en intervals d’1 hora, 1 dia, 1 setmana i 1 mes. Cadascun d’aquests intervals es va utilitzar per comparar el rendiment d’una estratègia HODL simple, reequilibri estàndard i reequilibri optimitzat de tarifes.

En total, hi va haver 12 condicions diferents que es van avaluar, amb cada condició a través de 1.000 proves posteriors. El resultat final va ser 12.000 proves posteriors diferents que va avaluar l’eficàcia del reequilibri periòdic.

Resultats HODL

Figura 1: El gràfic anterior és un exemple de la distribució del rendiment de la cartera que vam observar quan no es va fer cap negociació per la cartera. Es van incloure 1.000 proves posteriors a l’histograma. Després d’executar cada prova posterior, es va col·locar en un dels dipòsits de rendiment per crear la corba que veieu. Com a exemple, unes 195 proves posteriors van produir resultats de rendiment que oscil·laven entre el 86% i el 115% per a l’estratègia HODL.

Durant el període d’un any avaluat, les carteres que utilitzaven una estratègia HODL van augmentar el valor mitjà de la cartera de 113,7%. Tingueu en compte que ajustar el període de reequilibri no afecta el rendiment mitjà, ja que una estratègia HODL no reequilibra.

Als resultats s’observen petites desviacions en les actuacions de HODL. Aquestes petites desviacions són simplement el resultat de l’atzar. Basant-nos en les seleccions de cartera per a les 1.000 proves posteriors, esperem que el rendiment mitjà no sigui idèntic cada vegada.

Resultats regulars de reequilibri

Figura 2: El gràfic anterior és un exemple de la distribució del rendiment de la cartera que vam observar quan s’utilitzava una estratègia de negociació diària de reequilibri (sense optimització de comissions). Es van incloure 1.000 proves posteriors a l’histograma. Després d’executar cada prova posterior, es va col·locar en un dels dipòsits de rendiment per crear la corba que veieu. Com a exemple, al voltant de 160 proves posteriors van produir resultats de rendiment que oscil·laven entre el 114% i el 139% per a l’estratègia diària de reequilibri.

Durant el mateix període de 1 any, els reequilibris periòdics regulars van tenir un rendiment mitjà que oscil·lava entre el 126% i el 139,1%.

  • Reequilibri d’1 hora – Rendiment mitjà del 126,6%

  • Reequilibri d’un dia – 139,1% de rendiment mitjà

  • Reequilibri d’una setmana – 129,4% Rendiment mitjà

  • 1 mes de reequilibri – Rendiment mitjà del 126,0%

Resultats de reequilibri optimitzats de la taxa

Figura 3: El gràfic anterior és un exemple de la distribució del rendiment de la cartera que vam observar quan s’utilitzava una estratègia comercial de reequilibri horari (sense optimització de comissions). Es van incloure 1.000 proves posteriors a l’histograma. Després d’executar cada prova posterior, es va col·locar en un dels dipòsits de rendiment per crear la corba que veieu. Com a exemple, al voltant de 160 proves posteriors van produir resultats de rendiment que oscil·laven entre el 191% i el 231% per a l’estratègia de reequilibri horari..

Durant el mateix període de 1 any, els reequilibris periòdics optimitzats per la taxa van tenir un rendiment mitjà que oscil·lava entre el 129,4% i el 254,8%.

  • Reequilibri d’1 hora – 254,8% de rendiment mitjà

  • Reequilibri d’un dia – 158,2% de rendiment mitjà

  • Reequilibri d’una setmana – 135,9% de rendiment mitjà

  • 1 mes de reequilibri – 129,4% Rendiment mitjà

Debat

Combinant els resultats, podem visualitzar les actuacions finals com una graella.

Figura 4: Cada cel·la de la graella representa el rendiment mitjà de 1.000 proves posteriors. Amb un valor inicial de 5.000 dòlars, un rendiment del 100% representaria un valor final de cartera de 10.000 dòlars. En altres paraules, tots els valors de cartera medians representats en aquesta taula es van duplicar en el període d’un any.

A la figura 4 observem que l’estratègia de més rendiment va ser una estratègia de reequilibri d’1 hora que va aprofitar l’optimització de les comissions.

A primera vista, pot semblar preocupant que el rendiment augmenti a mesura que augmenta la freqüència de reequilibri per als reequilibris optimitzats en la taxa. Tanmateix, tindria sentit que una cartera obtingui més beneficis de l’optimització de comissions quan més freqüentment es reequilibri la cartera. Essencialment, com més freqüent sigui la negociació de la cartera, més gran pot tenir l’impacte de la “optimització de comissions” en el rendiment.

En comparar cadascuna de les estratègies de reequilibri amb l’estratègia de compra i retenció simple, obtenim aquests resultats.

Figura 5: Cada cel·la representa la comparació entre una estratègia de reequilibri i HODL. Un valor positiu significa que l’estratègia supera en mantenir aquesta quantitat. Essencialment, si l’estratègia de retenció ha tingut un + 100% durant el període d’1 any, un percentatge positiu significa que l’estratègia de reequilibri ha tingut un rendiment encara superior al + 100%.

A la figura 5 veiem que totes les estratègies de reequilibri van superar les posicions (basades en el rendiment mitjà de la cartera). Això significa que l’estratègia de compra i retenció mediana té un rendiment pitjor que la mitjana de qualsevol estratègia de reequilibri.

Finalment, podem comparar els resultats de reequilibri optimitzats de comissions amb els resultats de reequilibri estàndard per poder veure el benefici específic que es genera a partir de l’optimització de comissions..

Figura 6: Cada cel·la representa l’avantatge derivat de l’optimització de les taxes. Bàsicament, quant millor funciona una cartera quan s’utilitza l’optimització de les quotes en lloc de no optimitzar-la.

Com hem comentat anteriorment, podem veure que l’avantatge de l’optimització de les taxes augmenta a mesura que augmenta la freqüència de reequilibri.

Conclusions

Podem concloure a partir d’aquests resultats que el reequilibri ha tendit a superar històricament una estratègia de compra i manteniment. A més, podem veure que l’avantatge d’utilitzar una estratègia d’optimització de quotes tendeix a augmentar amb la freqüència de la negociació. Com més freqüentment s’intercanviï una estratègia, més beneficis es generen amb l’optimització de les quotes.

Sense l’optimització de les comissions, l’estratègia amb millor rendiment va ser un interval de reequilibri d’un dia.

Reequilibri del llindar

Per avaluar el reequilibri del llindar, examinarem 7 estratègies de llindar diferents. Aquests inclouen un reequilibri del llindar de l’1%, 5%, 10%, 15%, 20%, 25% i 30%. De manera similar a la part periòdica de reequilibri d’aquest estudi, compararem els resultats de reequilibri estàndard, reequilibri optimitzat de tarifes i HODL.

Cada configuració executarà 1.000 proves posteriors úniques per a un total de 21.000 proves posteriors.

Resultats HODL

Figura 7: El gràfic anterior és un exemple de la distribució del rendiment de la cartera que vam observar quan no es va fer cap negociació per a la cartera. Es van incloure 1.000 proves posteriors a l’histograma. Després d’executar cada prova posterior, es va col·locar en un dels dipòsits de rendiment per crear la corba que veieu. Com a exemple, al voltant de 160 proves posteriors van produir resultats de rendiment que oscil·laven entre el 110% i el 137% per a l’estratègia HODL.

Durant el període d’un any avaluat, les carteres que utilitzaven una estratègia HODL van augmentar el valor mitjà de la cartera de 115%. Fixeu-vos que ajustar el llindar de reequilibri no afecta el rendiment mitjà, ja que una estratègia HODL no reequilibra.

Als resultats s’observen petites desviacions en el rendiment de HODL. Aquestes petites desviacions són simplement el resultat de l’atzar. Basant-nos en les seleccions de cartera per a les 1.000 proves posteriors, esperem que el rendiment mitjà no sigui idèntic cada vegada.

Resultats regulars de reequilibri

Figura 8: El gràfic anterior és un exemple de la distribució del rendiment de la cartera que vam observar en utilitzar una estratègia de reequilibri del llindar del 15% (amb optimització de comissions). Es van incloure 1.000 proves posteriors a l’histograma. Després d’executar cada prova posterior, es va col·locar en un dels dipòsits de rendiment per crear la corba que veieu. Com a exemple, aproximadament 98 proves posteriors van produir resultats de rendiment que oscil·laven entre el 173% i el 197% per a l’estratègia de reequilibri del llindar del 15%.

Durant el període de 1 any, els reequilibris de llindars regulars van tenir un rendiment mitjà que oscil·lava entre el 134,1% i el 152,7%.

  • Llindar de l’1% – 134,1% de rendiment mitjà

  • Llindar del 5% – 150,5% de rendiment mitjà

  • Llindar del 10% – Rendiment mitjà del 150,2%

  • Llindar del 15% – 152,7% de rendiment mitjà

  • Llindar del 20% – 147,4% de rendiment mitjà

  • Llindar del 25% – Rendiment mitjà del 150,2%

  • Llindar del 30% – 147,0% de rendiment mitjà

Resultats de reequilibri optimitzats de la taxa

Figura 9: El gràfic anterior és un exemple de la distribució del rendiment de la cartera que vam observar quan s’utilitzava una estratègia comercial de reequilibri del llindar de l’1% (amb optimització de comissions). Es van incloure 1.000 proves posteriors a l’histograma. Després d’executar cada prova posterior, es va col·locar en un dels dipòsits de rendiment per crear la corba que veieu. Com a exemple, aproximadament 118 proves posteriors van produir resultats de rendiment que oscil·laven entre el 152% i el 189% per a l’estratègia de reequilibri del llindar de l’1%.

Durant el període de 1 any, els reequilibris de llindars optimitzats de comissions van tenir un rendiment mitjà que oscil·lava entre el 156,5% i el 258,3%.

  • Llindar de l’1% – 258,3% de rendiment mitjà

  • Llindar del 5% – Rendiment mitjà del 197,2%

  • Llindar del 10% – 179,1% de rendiment mitjà

  • Llindar del 15% – 172,1% de rendiment mitjà

  • Llindar del 20% – 163,2% de rendiment mitjà

  • Llindar del 25% – 164,1% de rendiment mitjà

  • Llindar del 30% – 156,3% de rendiment mitjà

Debat

Combinant els resultats, podem visualitzar les actuacions finals com una graella.

Figura 10: Cada cel·la de la graella representa el rendiment mitjà de 1.000 proves posteriors. El percentatge representa el percentatge d’increment de valor de la cartera durant el període d’un any. Per tant, un 100% representaria el valor d’una cartera duplicant-se durant el període de prova enrere.

A la figura 10 podem veure que, tot i que les carteres mitjanes que aprofiten una estratègia de compra i retenció van duplicar el seu valor al llarg d’un període d’un any, totes les estratègies de reequilibri de llindars van superar l’estratègia HODL.

Això suggereix que, independentment del llindar seleccionat, el reequilibri ha tendit històricament a superar la posició.

Quan restringim la nostra avaluació per comparar només els reequilibris optimitzats de comissions amb els reequilibris estàndard, podem veure que l’optimització de comissions té un gran impacte en els resultats.

Figura 11: Cada cel·la representa el percentatge mitjà d’increment que cada estratègia té sobre la compra i la retenció. Bàsicament, un valor positiu significa que l’estratègia supera en aquest percentatge la compra i la retenció. Tingueu en compte que si una cartera que utilitza l’estratègia HODL augmentés el seu valor en un 100%, un valor positiu en aquesta taula significaria que l’estratègia de reequilibri tindrà un rendiment encara millor (per tant, superior al 100% en aquest exemple).

A la figura 11 veiem que l’estratègia de reequilibri mitjà va superar una estratègia HODL senzilla en tots els casos estudiats. No obstant això, l’optimització de les taxes va ser capaç de basar-se en els augments de rendiment per generar valor addicional.

Comparant només les dues estratègies de reequilibri, podem veure quant de valor es va generar realment pels algoritmes d’optimització de tarifes utilitzats en els reequilibris “optimitzats de tarifes”..

Figura 12: Cada cel·la representa l’avantatge derivat de l’optimització de les taxes. Bàsicament, quant millor funciona una cartera quan s’utilitza l’optimització de les quotes en lloc de no optimitzar-la.

A la figura 12 podem veure l’avantatge d’utilitzar una estratègia optimitzada per la quota. Seguint els temes que vam veure en el cas de reequilibri periòdic, podem veure que l’optimització de les comissions proporciona més avantatges quan hi ha operacions freqüents..

Conclusions

Veiem que, de manera similar al reequilibri periòdic, el reequilibri de llindars ha superat històricament una simple estratègia de compra i retenció. A més, veiem que els beneficis de l’optimització de les taxes creixen a mesura que les operacions es fan més freqüents.

Pensaments finals

Després d’examinar 33.000 proves posteriors, hem pogut demostrar constantment l’avantatge d’un reequilibri optimitzat de les taxes en comparació amb les estratègies que no fan servir l’optimització de les taxes. A més, hem estat capaços de produir definitivament resultats que suggereixen que el reequilibri de la cartera va superar històricament les estratègies HODL.

De fet, gairebé 85% de totes les carteres que es van avaluar van produir millors resultats en utilitzar una estratègia de reequilibri en comparació amb HODL.

Mostra els resultats complets

Podeu trobar tots els resultats detallats al següent document de Google. No dubteu a navegar per tots els resultats per vosaltres mateixos i trobeu tendències o patrons addicionals interessants.

Exempció de responsabilitat: les proves posteriors només poden examinar el rendiment passat i no garantir el rendiment futur. Aquest estudi avalua el reequilibri durant tot un any. El reequilibri no és una estratègia a curt termini i probablement no produirà resultats mesurables en un sol dia o fins i tot en una sola setmana.

Bones lectures addicionals

Com fer un robot de comerç criptogràfic amb Python

Una comparació d’estratègies de reequilibri per a carteres de criptomonedes

Escenaris de reequilibri comuns a Crypto

Reequilibri del llindar per a la gestió de carteres criptogràfiques

Què és DeFi? Guia de finances descentralitzades

La nostra plataforma de comerç social

Gamba és una plataforma de comerç social per a criptomonedes. Està dissenyat perquè els comerciants professionals i els novells vinguin a conèixer la creixent indústria criptogràfica. A Shrimpy, els usuaris poden copiar les carteres i les estratègies comercials d’altres operadors.

Segueix-nos a Twitter i Facebook per obtenir actualitzacions i fer qualsevol pregunta a les nostres sorprenents i actives comunitats Telegrama & Discòrdia.

Gràcies per passar per aquí!

L’equip de Shrimpy

Mike Owergreen Administrator
Sorry! The Author has not filled his profile.
follow me