回测最佳加密策略:投资组合再平衡

>

研究交易策略已成为加密货币领域的一门艺术。没有积极意义。它已成为开放待解释的艺术类型.

在本研究的其余部分中,我们的目标是毫不含糊。我们希望以一种可以合理预期我们的理解是对结果唯一可能的解释的方式来精确研究策略.

为了达到这种理解水平,我们采用了一种称为 回测.

在这项研究中,我们将对一系列投资组合再平衡策略进行回测,以试图确定历史上最成功的配置.

什么是回测?

回测是使用历史市场数据计算策略在过去的执行情况的过程。使用准确的买入/卖出定价信息,我们能够重构在每个时刻都能进行的交易.

应该强调的是,回测仅评估历史数据。尽管历史表现不能保证未来的回报,但回测仍然是确定有前景策略的宝贵工具.

什么是回测?

回测是交易员用来评估交易策略绩效的数学模拟。该模拟利用历史市场数据来尝试计算过去交易策略的执行情况.

学习方法

在获得结果之前,让我们讨论研究的设计。这样我们可以确定结果中的置信度.

策略


我们将专注于单一的主要策略;重新平衡。机构使用再平衡已有数十年的历史,并且经受了时间的考验。尽管表面上看起来很简单,但重新平衡仍然存在着带来独特机会的复杂性.

特别是,我们将评估阈值再平衡策略和定期再平衡策略。尽管这两种策略已经包含了足够的细微差别,可以自己进行全面研究,但我们不会止步于此。每种策略都会将标准再平衡与Shrimpy的“费用优化”再平衡进行比较.

费用优化的重新平衡结合了制造商和接受方订单的复杂组合以及智能路由,以减少费用并优化资产之间的交易.

了解有关投资组合再平衡的更多信息.

费用优化

在整个研究中,我们将对费用优化的重新平衡和标准重新平衡进行比较。标准重新平衡只是不使用费用优化的重新平衡.

费用优化是Shrimpy团队开发的一项功能。它为交易者提供了一种通过利用更复杂的算法来组合制造者和接受者交易来降低其费用的方法。这与仅使用接受者交易的标准再平衡形成对比.

在Shrimpy中,重新平衡还利用了专门的智能订单路由算法,该算法可以实时评估不同的交易对,从而通过替代交易对智能地进行交易。这进一步降低了费用.

了解有关费用优化的重新平衡的更多信息.

历史数据

任何回测的核心都是数据。尽管市场上有许多服务使用烛台数据来模拟回测,但对于本研究,我们将更加精确.

与其使用汇总数据或不正确的烛台,不如使用确切的订单簿 币安 交换。这些高保真数据对于我们的研究至关重要,因此我们确保与市场领先的数据提供商合作。我们这项研究的合作伙伴是 凯子.

自2014年以来,Kaiko一直是历史市场数据的值得信赖的提供商。自那时以来,他们一直在重新定义公司利用历史数据开发新颖产品和服务的方式。.

kaiko市场数据

无缝连接来自100多个现货和衍生品交易所的历史和实时数据源.

每个回测所包含的数据的时间范围 从2019年12月1日开始到2020年12月1日结束. 这样一来,我们就可以精确地研究1年的历史数据.

投资组合选择

每个回测都将与 10种随机选择的资产. 仅可用于的资产 Binance于2019年12月1日 将包括在内。如果在该日期之前Binance尚无可用的特定资产,则该资产将从此研究中排除.

在每个回测迭代的开始选择资产。单个回测迭代将评估HODL策略,标准重新平衡(不进行费用优化)和费用优化的重新平衡。这意味着在随机选择新的投资组合之前,将使用这三种策略中的每一个对同一投资组合进行评估。这使我们可以将每个策略的结果与完全相同的资产进行比较.

阅读更多有关最佳投资组合规模的信息.

分配

选择的每个投资组合将平均分配投资组合中的资产。本质上, 投资组合中的每个资产将恰好占投资组合重量的10% 在回测的开始。在每次重新平衡事件期间,将重新分配分配以与每个资产的原始10%分配完全匹配.

了解在投资组合中分配资产的最佳方法.

结果

现在,物流已不复存在。现在该深入研究结果了。以下结果包括对定期和阈值重新平衡的检查。除了这两种独特的策略,我们还将比较使用费用优化的重新平衡结果与未使用费用优化的重新平衡结果.

定期再平衡

定期重新平衡以1小时,1天,1周和1个月的间隔进行评估。这些间隔中的每个间隔都用于比较简单HODL策略,标准重新平衡和费用优化的重新平衡的性能.

总共评估了12种不同的条件,每个条件都要进行1000次回测。最终结果是 12,000种不同的回测 评估了定期再平衡的有效性.

HODL结果

图1:上图是当投资组合没有交易时我们观察到的投资组合绩效分布的示例。直方图中包含1,000个回测。在运行每个回测后,将其放入性能存储桶之一以创建您看到的曲线。例如,约195次回测产生的性能结果在HODL策略中介于86%和115%之间.

在评估的1年期间,使用HODL策略的投资组合的中位数投资组合价值增加了 113.7%. 请注意,由于HODL策略不会重新平衡,因此调整重新平衡时间不会影响平均绩效.

结果中观察到HODL性能的微小偏差。这些小的偏差仅仅是随机机会的结果。根据1,000个回溯测试的投资组合选择,我们预计每次的平均表现不会相同.

定期重新平衡结果

图2:以上图表是我们在使用每日再平衡交易策略(不进行费用优化)时观察到的投资组合绩效分布的示例。直方图中包含1,000个回测。在运行每个回测后,将其放入性能存储桶之一以创建您看到的曲线。例如,约160个回测产生的性能结果在每日重新平衡策略中介于114%和139%之间.

在同一1年的时间段内,定期的定期再平衡的平均表现介于126%至139.1%之间.

  • 1小时再平衡 – 中位数表现为126.6%

  • 1天重新平衡 – 中位数表现为139.1%

  • 1周平衡 – 中位数表现为129.4%

  • 1个月再平衡 – 中位数表现为126.0%

费用优化的重新平衡结果

图3:以上图表是我们使用每小时重新平衡交易策略(未优化费用)时观察到的投资组合绩效分布的示例。直方图中包含1,000个回测。在运行每个回测后,将其放入性能存储桶之一以创建您看到的曲线。例如,每小时重新平衡策略的大约160个回测产生的性能结果介于191%和231%之间.

在同一1年的时间段内,费用优化的定期再平衡的中位表现为129.4%至254.8%.

  • 1小时再平衡 – 平均表现254.8%

  • 1天重新平衡 – 平均表现的158.2%

  • 1周平衡 – 135.9%表现中位数

  • 1个月再平衡 – 中位数表现为129.4%

讨论

结合结果,我们可以将最终表演可视化为网格.

图4:网格中的每个单元代表1,000个回测的中值性能。如果初始值为5,000美元,则表现为100%表示最终投资组合价值为10,000美元。换句话说,此表中表示的所有投资组合中值在一年期间都增加了一倍以上.

在图4中,我们注意到,效果最好的策略是利用费用优化的1小时再平衡策略.

乍一看,对于费用优化的重新平衡,性能随着重新平衡频率的增加而提高。但是,有意义的是,资产组合重新平衡的频率越高,组合将从费用优化中获得更多的收益。本质上,投资组合交易越频繁,“费用优化”对业绩的影响就越大。.

将每种再平衡策略与简单的买入并持有策略进行比较,我们得到了这些结果.

图5:每个单元代表重新平衡策略和HODL之间的比较。正值表示该策略胜过该数量的策略。本质上,如果控股策略在一年内执行+ 100%,则百分比为正意味着重新平衡策略的执行甚至优于+ 100%.

在图5中,我们看到所有再平衡策略的表现都优于持股(基于投资组合的中位数绩效)。这意味着中值购买和持有策略的表现要比任何再平衡策略的中值都要差.

最后,我们可以将费用优化的重新平衡结果与标准重新平衡结果进行比较,从而可以看到使用费用优化所产生的特定收益.

图6:每个单元代表费用优化带来的收益。本质上,使用费用优化而不是不进行费用优化时,投资组合的绩效要好多少.

正如我们之前讨论的那样,我们可以看到费用优化的好处随着重新平衡频率的增加而增加.

结论

从这些结果中我们可以得出结论,从历史上看,再平衡往往优于买入和持有策略。此外,我们可以看到,使用费用优化策略的好处往往会随着交易频率的增加而增加。策略交易的频率越高,费用优化所带来的好处就越多.

如果不优化费用,则效果最好的策略是1天的重新平衡间隔.

门限再平衡

为了评估阈值重新平衡,我们将研究7种不同的阈值策略。其中包括1%,5%,10%,15%,20%,25%和30%阈值重新平衡。类似于本研究的定期再平衡部分,我们将比较标准再平衡,费用优化的再平衡和HODL结果.

每个配置将运行1,000个唯一的回测,总计 21,000个回测.

HODL结果

图7:上图是当投资组合没有交易时我们观察到的投资组合绩效分布的示例。直方图中包含1,000个回测。在运行每个回测后,将其放入性能存储桶之一以创建您看到的曲线。例如,约有160项回测产生了HODL策略的性能结果,介于110%和137%之间.

在评估的1年期间,使用HODL策略的投资组合的中位数投资组合价值增加了 115%. 注意,由于HODL策略不会重新平衡,因此调整重新平衡阈值不会影响平均性能。.

结果中观察到HODL性能的微小偏差。这些小的偏差仅仅是随机机会的结果。根据1,000个回溯测试的投资组合选择,我们预计每次的平均表现不会相同.

定期重新平衡结果

图8:上图是使用15%阈值再平衡策略(使用费用优化)时观察到的投资组合绩效分布的示例。直方图中包含1,000个回测。在运行每个回测后,将其放入性能存储桶之一以创建您看到的曲线。例如,对于15%阈值重新平衡策略,大约98个回测产生的性能结果介于173%和197%之间。.

在1年的时间段内,定期阈值重新平衡的中位表现为134.1%至152.7%.

  • 阈值1% – 中位数表现为134.1%

  • 5%的门槛 – 平均表现的150.5%

  • 阈值10% – 平均表现的150.2%

  • 阈值15% – 中位数表现为152.7%

  • 阈值20% – 147.4%的中位数表现

  • 阈值25% – 平均表现的150.2%

  • 阈值30% – 147.0%表现中位数

费用优化的重新平衡结果

图9:上图是使用1%阈值再平衡交易策略(使用费用优化)时观察到的投资组合绩效分布的示例。直方图中包含1,000个回测。在运行每个回测后,将其放入性能存储桶之一以创建您看到的曲线。例如,对于1%阈值重新平衡策略,约有118个回测产生的性能结果介于152%和189%之间.

在1年的时间段内,费用优化的门槛再平衡的中位表现为156.5%至258.3%.

  • 阈值1% – 中位数表现为258.3%

  • 5%的门槛 – 中位数表现为197.2%

  • 阈值10% – 中位数表现为179.1%

  • 阈值15% – 中位数表现为172.1%

  • 阈值20% – 中位数表现为163.2%

  • 阈值25% – 中位数表现为164.1%

  • 阈值30% – 平均表现的156.3%

讨论

结合结果,我们可以将最终表演可视化为网格.

图10:网格中的每个单元代表1,000个回测的中值性能。百分比表示在1年期间投资组合的价值增长的百分比。因此,100%表示投资组合的价值在回溯测试期内翻了一番.

在图10中,我们可以看到,尽管使用购买和持有策略的中值投资组合在1年内的价值翻了一番以上,但所有阈值再平衡策略的表现都优于HODL策略。.

这表明,无论选择哪个阈值,再平衡历来都倾向于超过持有.

当我们将评估范围缩小到仅将费用优化的重新平衡与标准重新平衡进行比较时,我们可以看到费用优化对结果有很大的影响.

图11:每个单元格代表每种策略在购买和持有时的中位数增长百分比。从本质上讲,正值表示该策略的表现优于购买和持有的百分比。请注意,如果使用HODL策略的投资组合的价值增加了​​100%,则此表中的正值将意味着再平衡策略的表现甚至更好(在本示例中大于100%).

在图11中,我们看到,在所有研究的案例中,中位数再平衡策略均优于简单的HODL策略。但是,费用优化能够进一步提高绩效,从而产生附加价值.

仅比较两种再平衡策略,我们可以看到“费用优化”再平衡中使用的费用优化算法实际上产生了多少价值.

图12:每个单元代表费用优化带来的收益。本质上,使用费用优化而不是不进行费用优化时,投资组合的绩效要好多少.

在图12中,我们可以看到使用费用优化策略的好处。遵循我们在定期再平衡案例中看到的主题,我们可以看到,在频繁交易的情况下,费用优化可带来更多收益.

结论

我们看到,与定期重新平衡类似,阈值重新平衡在历史上胜过简单的购买和持有策略。此外,我们看到随着交易变得越来越频繁,手续费优化的好处越来越多.

最后的想法

在检查了33,000个回测后,我们能够始终证明与不使用费用优化的策略相比,费用优化的重新平衡的优势。此外,我们能够确定地得出结果,表明投资组合再平衡历来的表现优于HODL策略.

实际上,几乎 85% 与HODL相比,使用再平衡策略时,所有被评估的投资组合中产生了更好的结果.

查看全部结果

完整的详细结果可在以下Google文档中找到。随意浏览整个结果,并找到其他有趣的趋势或模式.

免责声明:回测只能检查过去的性能,不能保证将来的性能。这项研究评估了整整一年的再平衡。再平衡不是短期策略,在一天甚至一周内都不会产生可衡量的结果.

额外的好读物

如何使用Python创建一个加密交易机器人

加密货币投资组合再平衡策略的比较

加密中常见的重新平衡方案

加密资产组合管理的阈值再平衡

什么是DeFi?去中心化金融指南

我们的社交交易平台

虾皮 是加密货币的社交交易平台。它是为专业和新手交易者设计的,旨在了解不断发展的加密行业。在Shrimpy上,用户可以复制其他交易者的投资组合和交易策略.

跟着我们 推特Facebook 进行更新,并向我们令人惊叹的活跃社区提问 电报 & 不和谐.

感谢您的光临!

虾皮队

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