Banyak dari Anda mungkin ingat ledakan cryptocurrency pada tahun 2017, yang menyebabkan harga berbagai koin virtual melonjak hingga harga yang tidak dapat dijelaskan. Melihat secara historis harga beberapa mata uang kripto, terdapat volatilitas yang tinggi[1], sehingga aset cenderung cukup sering berfluktuasi. Hal ini tentunya cukup menguntungkan bagi investor, karena sebagai investasi jangka pendek, keuntungan dalam jumlah besar dapat diperoleh dari memperdagangkan aset tersebut.
Dasar-dasar Perdagangan
Perdagangan mata uang kripto melibatkan pertukaran antara mata uang kripto dan nilai token seperti BTC ke USDT. USDT adalah Tether, yaitu mata uang kripto berbasis blockchain yang koin kriptonya yang beredar didukung oleh jumlah mata uang fiat tradisional yang setara. 1 USDT = 1 Dolar AS. Untuk mendapatkan keuntungan saat berdagang akan melibatkan pembelian suatu aset ketika harganya rendah dan menjualnya dengan harga lebih tinggi dan untuk melakukan ini secara efisien dan efektif, seseorang harus menerapkan strategi perdagangan. Penting untuk dicatat bahwa ketika memilih aset untuk diperdagangkan, volume perdagangan yang tinggi sangatlah penting [2] karena ini berarti ada orang yang bersedia berdagang dengan Anda, sehingga Anda dapat memperoleh posisi yang diinginkan dengan biaya rendah.
Strategi perdagangan adalah rencana algoritmik yang bertujuan untuk menciptakan keuntungan yang menguntungkan. Ada berbagai strategi yang dapat digunakan, namun artikel ini akan menyelidiki apakah pengembalian rata-rata cocok dan jika tidak, strategi mana yang lebih optimal. Sebelum saya menjelaskan apa itu mean reversion, saya ingin menguraikan beberapa definisi utama. Meanadalah harga rata-rata dari kumpulan data tertentu, dan deviasi standar adalah seberapa jauh data menyebar dari mean. Mean Reversion adalah asumsi bahwa harga suatu aset akan berfluktuasi di sekitar mean, cenderung bergerak ke harga rata-rata seiring berjalannya waktu; menunjukkan bahwa jika suatu harga berjarak beberapa standar deviasi, maka harga tersebut diperkirakan akan kembali ke harga rata-rata pada saat itu. Oleh karena itu, aset dibeli ketika berada di bawah rata-rata, dan dijual ketika berada di atas rata-rata, pada standar deviasi ini [3]. Sebaliknya, suatu aset mungkin berarti avert, yang menunjukkan bahwa harga terus naik atau turun pada titik di mana harga diperkirakan akan kembali ke mean. Hal ini mungkin disebabkan oleh reaksi berlebihan atau ketakutan investor, pada periode seperti booming, atau lonjakan investor dalam suatu aset [4]. Jika suatu aset memiliki sifat penghindaran rata-rata, strategi momentum dapat diterapkan karena saran bahwa suatu aset akan terus meningkat dalam jangka waktu yang lebih lama dapat digunakan untuk menghasilkan keuntungan. Dengan melakukan beberapa penelitian latar belakang, terdapat bukti yang menunjukkan bahwa harga bitcoin tidak berarti kembali, namun pada kenyataannya, berarti menghindari [5]. Terdapat bukti bahwa selama Perang Dunia II dan Depresi, aset mengalami pengembalian rata-rata, namun terdapat bukti bahwa bukti pengembalian rata-rata adalah pernyataan yang berlebihan, karena memperhitungkan periode-periode ini tidak akurat [6].
Metodologi
Memanfaatkan Python dan berbagai perpustakaan statistiknya, saya bertujuan untuk bereksperimen dan memodelkan perdagangan BTC dan ETH, yang merupakan 2 mata uang kripto paling populer dan bervolume tinggi yang diperdagangkan. Data yang diperoleh dari Binance, salah satu platform perdagangan mata uang kripto terbesar, akan digunakan saat menguji hipotesis saya, selama periode 2017, 2018, dan 2019. Awalnya, Augmented Dicky-Fuller Test (ADFT) akan digunakan untuk menguji mean reversion . ADFT menguji hipotesis nol bahwa ada akar unit, dan hipotesis alternatifnya adalah tidak ada akar unit, yang menunjukkan bahwa deret waktu tidak bergerak. Suatu deret waktu dikatakan stasioner jika satu pergeseran waktu tidak mengubah sifat statistik deret waktu, dalam hal ini akar unit tidak ada [7]. Jika nilai P yang diberikan oleh pengujian berada di bawah tingkat signifikansi, kita dapat menolak hipotesis nol, karena tidak cukup bukti untuk menunjukkan adanya akar unit. Pengujian ini dapat dengan mudah mengidentifikasi di mana kumpulan data mengalami pengembalian rata-rata, karena deret waktu yang stasioner akan mengalami pengembalian rata-rata, sehingga tidak memiliki akar unit. Jika terdapat bukti yang menunjukkan pengembalian rata-rata, maka strategi yang didasarkan pada prinsip ini, dengan menggunakan konsep yang disebutkan sebelumnya, adalah strategi yang ideal; membeli aset ketika deviasi standarnya berada di bawah rata-rata, dan menjual aset ketika berada di atas rata-rata.
Alternatifnya, jika ADFT menunjukkan bahwa terdapat cukup bukti untuk menerima hipotesis nol, hal ini berarti aset tersebut mengalami sifat penghindaran rata-rata. Jika hal ini terjadi maka strategi yang didasarkan pada prinsip momentum adalah pilihan yang ideal. Hal ini karena terdapat bukti bahwa harga aset akan terus naik/turun, bahkan ketika deviasi standarnya jauh. Artinya, untuk jangka waktu, hari, atau jam tertentu, jika harga suatu aset berada di atas rata-rata perputaran, maka dianggap menarik untuk dibeli, dan jika berada di bawah rata-rata, maka tidak menarik maka harus dijual; karena kami memperkirakan penurunan lebih lanjut pada saat ini.
Dalam pengujian ini, data akan dibagi menjadi dua kelompok. Grup 1 akan menjadi data yang sesuai atau data historis, yang digunakan untuk membuat strategi dan menyesuaikannya dengan data tersebut. Kelompok 2 akan menjadi data sampel yang strateginya akan diuji untuk melihat apakah memberikan hasil positif atau negatif. Data sampel yang keluar menyimulasikan apa yang akan terjadi saat menerapkan strategi di kehidupan nyata. Kadang-kadang suatu strategi mungkin dilengkapi secara berlebihan dengan data historis, yang berarti strategi tersebut bekerja secara luar biasa dengan data historis yang memberikan keuntungan besar, namun, strategi tersebut bekerja dengan sangat sempurna dengan data historis, sehingga tidak lagi berfungsi dengan sampel yang sudah habis. data [8]. Data yang sesuai atau data historis digunakan untuk membuat, menguji, dan mengoptimalkan strategi, untuk mendapatkan keuntungan yang menguntungkan.
Selama pengujian fit-data, dua faktor diubah: biaya komisi dan rolling mean window, untuk menghasilkan sejumlah tabel untuk data harian dan per jam untuk mata uang kripto yang sedang diselidiki. Mengubah jendela rata-rata bergulir akan mengubah jumlah harga sebelumnya yang kita gunakan untuk membuat rata-rata pergerakan. Platform perdagangan mata uang kripto yang berbeda memiliki biaya komisi yang berbeda, oleh karena itu dengan menyelidiki hasil pada berbagai tingkat biaya, ini akan menyimulasikan skenario yang lebih realistis. Saya bertujuan untuk bereksperimen dengan tingkat biaya (0,01, 0,05, 0,1, 0,5,1%) [9] dan jangka waktu (2,5,7,10,15,20,24) hari atau jam. Mengidentifikasi parameter berkinerja terbaik pada data historis (2017–2017), kemudian akan digunakan dan dicoba pada data sampel (2019).
Analisis menggunakan Augmented Dicky-Fuller Test
Pengujian dengan ADFT pada data tahun 2017 dan 2018, pada taraf signifikansi 1,5 dan 10%, diperoleh P-value yang lebih besar dari seluruh nilai yang diberikan pada taraf signifikansi. Hal ini menunjukkan bahwa terdapat cukup bukti untuk menerima hipotesis nol yang menyatakan adanya unit root. Seperti disebutkan sebelumnya, keberadaan unit root berarti data tersebut bukan merupakan rangkaian waktu yang stasioner, sehingga menunjukkan bahwa data tersebut tidak mengalami perilaku pengembalian rata-rata. Hal ini kemungkinan besar disebabkan oleh banyaknya lonjakan pada tahun 2017 dan 2018 yang disebabkan oleh booming kripto, dimana banyak orang berinvestasi dalam mata uang tersebut untuk mencoba mendapatkan keuntungan. Namun, hal ini mengidentifikasi bahwa harga mata uang kripto cenderung terus bergerak ke arah yang sama begitu harga bergerak, dibandingkan kembali ke harga rata-rata. Oleh karena itu, akan lebih tepat jika menggunakan strategi berbasis momentum.
Strategi berbasis momentum
Strategi berbasis momentum didasarkan pada asumsi bahwa ketika harga suatu aset bergerak ke arah tertentu, maka harga tersebut akan terus bergerak ke arah yang sama selama jangka waktu tertentu. Jika harga suatu aset berada di atas rata-rata maka kita dapat memperkirakannya akan terus naik, sehingga kita akan membeli aset tersebut dengan tujuan untuk menjualnya dengan harga tinggi nantinya. Hal sebaliknya dilakukan jika harga suatu aset berada di bawah rata-rata. Selain itu, dimungkinkan untuk membatasi jumlah token pada waktu tertentu, misalnya. hingga maksimum 5 untuk mengurangi jumlah risiko yang ditahan. Misalnya, jika kita memiliki 100 token, hal ini menimbulkan risiko tinggi karena penurunan harga secara tiba-tiba dapat menyebabkan kerugian kita secara keseluruhan meningkat hingga jumlah yang sangat signifikan.
Di lingkaran hijau, kami akan membeli aset, dan di lingkaran merah, kami akan menjual aset. Dengan menggunakan prinsip ini, strategi ini akan dijalankan berdasarkan data historis per jam, selama tahun 2017 dan 2018, untuk perdagangan BTC untuk USDT; menghasilkan tabel untung dan rugi, dengan memvariasikan parameter jendela bergulir untuk rata-rata pergerakan (2, 5, 7, 10, 15, 20, 24 jam) dan tingkat biaya yang berbeda (0,01, 0,05, 0,1, 0,5, 1% ).
Hasil
Menjalankan strategi kami memperoleh tabel di bawah ini, berisi nilai untung dan rugi (PNL) untuk BTC/USDT dan menjalankan strategi yang sama pada ETH/USDT (Ethereum).
Menganalisis kedua tabel, kita dapat melihat bahwa pengembalian yang menguntungkan secara konsisten dihasilkan untuk kedua mata uang kripto pada tingkat biaya 0,0001 hingga 0,001 dan dengan jangka waktu rata-rata pergerakan 20 atau 24 jam. Namun, kita dapat melihat bahwa Ethereum mulai menghasilkan keuntungan dalam jangka waktu yang jauh lebih rendah, 5 jam, dibandingkan dengan BTC, yang hanya menjadi menguntungkan dalam jangka waktu 15 jam. Grafik di bawah menunjukkan pertumbuhan laba (PNL) pada tingkat biaya 0,0001 dan MA 24 jam untuk bitcoin dan 20 jam untuk Etherum.
Selain itu, jika kami menjalankan strategi yang sama untuk BTC/USDT dan ETH/USDT untuk data harian selama tahun 2017 dan 2018, kami memperoleh hasil sebagai berikut.
Menganalisis kedua tabel ini, kami melihat pola yang sama, kedua mata uang kripto memberikan pengembalian yang menguntungkan pada jendela rata-rata pergerakan 20 atau 24 hari, namun memperoleh keuntungan di semua tingkat biaya. Lebih penting lagi untuk dicatat bahwa Bitcoin hanya menghasilkan keuntungan dalam jangka waktu 5 hari, namun Ethereum menguntungkan secara keseluruhan. Grafik di bawah menunjukkan pertumbuhan keuntungan masing-masing pada tingkat biaya 0,0001 dan MA 24 hari untuk bitcoin dan 20 hari untuk Etherum.
Analisis
Saat menganalisis data kecocokan selama tahun 2017 dan 2018 untuk BTC/USD, jendela dengan keuntungan terbesar adalah jendela 24 jam namun tidak lagi menghasilkan keuntungan dengan biaya 0,005 dan 0,01. Dengan ETH/USDT, jendela yang ideal adalah jendela 20 jam, namun juga berhenti menghasilkan keuntungan dengan biaya 0,005 dan 0,01. Jelas bahwa tidak ada mata uang kripto yang menghasilkan keuntungan di atas tingkat biaya ini sehingga strategi seperti itu sebaiknya digunakan pada platform perdagangan yang menawarkan biaya rendah, seperti binance[9].
Tabel di atas menunjukkan keuntungan kedua mata uang kripto pada tingkat jendela dan biaya terbaiknya ketika melihat kinerja selama tahun 2019. Hal ini dilakukan berdasarkan data sampel untuk menguji apakah strategi yang dibuat berdasarkan data kecocokan sebelumnya (historis) dapat diterapkan. layak untuk meramalkan data baru. Ini mensimulasikan apa yang akan terjadi jika strategi tersebut dijalankan dalam kehidupan nyata.
Kedua cryptocurrency menghasilkan keuntungan yang tinggi selama pengujian sampel kami; dengan bitcoin berkinerja lebih baik, memberikan keuntungan lebih besar, dibandingkan dengan Ethereum.
Dengan melakukan hal yang sama untuk kedua mata uang kripto pada data di luar sampel harian kami, tabel di bawah ini dapat diperoleh yang menunjukkan keuntungan pada jendela harian ideal untuk masing-masing mata uang kripto.
Melihat tabel tersebut, strategi tersebut mensimulasikan bahwa pada tahun 2019, kita akan mendapat untung dengan Bitcoin menggunakan rata-rata pergerakan 24 hari, hingga tingkat biaya 0,001. Namun, tampaknya Ethereum meskipun menguntungkan secara keseluruhan pada tahun 2017 dan 2018, strategi kami tidak memberikan keuntungan yang tinggi pada tahun 2019.
Membandingkan Bitcoin dan Etherum, dari hasil dan analisis kami, akan lebih ideal untuk berdagang berdasarkan data per jam daripada data harian karena keduanya memberikan keuntungan tinggi serta memberikan bukti yang menunjukkan bahwa model kami sangat cocok.
Kesimpulannya, semua bukti yang dikumpulkan menunjukkan bahwa Bitcoin dan Etherum berarti penghindaran, seperti yang disoroti oleh ADFT, selama tahun 2017 dan 2018. Oleh karena itu, strategi momentum lebih tepat ketika mencoba memperkirakan kapan harus membeli dan menjual kripto. Secara keseluruhan simulasi menunjukkan bahwa strategi ini cocok untuk memprediksi kapan suatu mata uang kripto harus dibeli atau dijual, karena terdapat banyak bukti yang menunjukkan bahwa hal ini dapat dilakukan secara menguntungkan.
Pekerjaan masa depan
Melihat peningkatan dan adaptasi untuk skenario lain, ada beberapa faktor berbeda yang dapat dipertimbangkan untuk membuat simulasi yang lebih baik. Dalam strategi saya, saya membatasi jumlah total koin yang dapat saya miliki pada saat tertentu dan jumlah total token yang dapat saya kurangi, menjadi 5. Hal ini memungkinkan saya untuk meminimalkan risiko memiliki terlalu banyak aset jika jumlah koin menjadi dimiliki terlalu tinggi, hal ini menimbulkan risiko kerugian yang besar jika karena alasan tertentu harga aset tersebut turun drastis. Salah satu faktor yang diabaikan dalam strategi ini adalah slippage. Slippage adalah dimana peserta perdagangan menerima harga eksekusi yang persentasenya lebih tinggi atau lebih rendah dari angka yang dimaksudkan. Misalnya, harga eksekusi saat membeli aset mungkin 2% lebih tinggi dari harga sebenarnya. Hal ini biasanya disebabkan oleh sedikitnya orang yang melakukan trading, namun karena saya memilih mata uang dengan volume perdagangan yang tinggi, slippage dapat diabaikan karena akan sangat kecil. Asumsi ini selanjutnya didukung oleh bukti yang disajikan oleh kedua artikel tersebut [10] [11]. Meskipun demikian, jika suatu aset memiliki volume perdagangan yang rendah maka slippage akan menjadi faktor yang harus diperhitungkan untuk memastikan simulasi lebih akurat.
Faktor lain yang dapat diteliti lebih lanjut adalah moving average window. Jendela yang diselidiki adalah: 2,5,7,10,15,20,24 hari atau jam. Dengan menggunakan rentang jangka waktu yang lebih besar, seperti 30 hari dan 90 hari, lebih banyak data dapat diperoleh untuk menguji pengembalian yang lebih baik.
Selain itu, akan menarik untuk menguji strategi ini pada mata uang kripto lain seperti Ripple (XRP), untuk melihat apakah ada bukti yang menunjukkan bahwa strategi tersebut berhasil pada mata uang kripto lain di pasar.
Referensi
[1](9 Agustus 2016) Dapatkah volume memprediksi return dan volatilitas Bitcoin? Pendekatan berbasis kuantil https://www.sciencedirect.com/science/article/abs/pii/S0264999317304558
[2] Karpoff, J. (1987). Hubungan Perubahan Harga dan Volume Perdagangan: Sebuah Survei. Jurnal Analisis Keuangan dan Kuantitatif, 22(1), 109–126. doi:10.2307/2330874
[3]Definisi Reversi Rata-Rata DITINJAU OLEH JAMES CHEN Diperbarui 15 Mei 2019 https://www.investopedia.com/terms/m/meanreversion.asp
[4]Jurnal Investasi Musim Dingin 2009, 18 (4) 57–71 https://joi.pm-research.com/content/18/4/57.abstract
[5]Menguji pengembalian rata-rata dalam pengembalian Bitcoin dengan pengacakan augmented sampling Gibbs https://www.sciencedirect.com/science/article/abs/pii/S1544612319306415
[6]McQueen, G. (1992). Harga Saham yang Membalikkan Rata-Rata Jangka Panjang Ditinjau Kembali. Jurnal Analisis Keuangan dan Kuantitatif, 27(1), 1–18. doi:10.2307/2331295 https://www.cambridge.org/core/journals/journal-of-financial-and-quantitative-lysis/article/longhorizon-meanreverting-stock-prices-revisited/9E5B50277CCDE2451639A1B87E05AAFD
[7] Tes Dickey-Fuller Augmented dengan Python 20/11/2018 http://www.insightsbot.com/blog/1MH61d/augmented-dickey-fuller-test-in-python
[8] J. Kimia. Inf. Hitung. Sains. 2004, 44, 1, 1–12 Tanggal Publikasi: 2 Desember 2003 https://pubs.acs.org/doi/abs/10.1021/ci0342472
[9 ]"https://www.binance.com/en/fee/schedule"
[10]Xie, Anthony.Analisis Slippage di Bursa Binance,HodlBlog, 16/11/19, https://www.hodlbot.io/blog/an-analisis-of- slippage-di-pertukaran-binance.
[11]Mendapatkan slippage bahkan dengan pesanan pasar kecil, GitHub, 16/11/19, https://github.com/sammchardy/python-binance/issues/142
