트레이딩 전략 10 : 상승장 + 변동성 돌파 + 변동성 조절(MDD 5% 이하)

가상화폐 투자마법 공식 발췌 (전체코드는 아래 파일에 있습니다)

 

 

 

전편에서는 변동성돌파에 이평선 조건을 추가한 전략에 대해 알아보고 백테스팅을 진행해보았다. 이제 변동성 조절기법을 적용해보자. 

 

변동성돌파 글

트레이딩 전략 9 : 다자 가상화폐 + 상승장 + 변동성 돌파

 

변동성 조절 글

# 트레이딩 전략 5 : 슈퍼상승장 + 변동성 조절

 

 

투자대상 : 비트코인(BTC), 라이트코인(LTC), 리플(XRP), 대시(DASH) 

투자기간 : 2017.06 ~ 2022.03

거래비용 : 0.2% 적용

투자전략

1. 각 화폐의 레인지 계산(전일 고가 - 전일 저가)

 

2. 각 화폐의 가격이 5일 이동평균보다 높은지 여부 파악 => 낮을 경우 그날 투자 대상에서 제외 (추가)

 

3. 매수 : 실시간 가격 > 당일 시가 + (레인지 x k) (여기서 K = 0.5 추천)

 

4. 돌파에 성공한 가상화폐는 가상화폐별 투입금액을 넣는다.

투입금액 : (타깃 변동성 / 전일 변동성) / 투자대상 가상화폐 수

 

5.  매도  : 다음날 시가

 

이제 해당 전략을 구현해보자. 

 

#필요한 데이터를 불러온다

import pybithumb
import pandas as pd
import numpy as np

 

BTC, LTC ETC, XRP중에서 시작일이 가장 최근인 가상화폐를 가지고 진행해보자.

 

# 비트코인, 라이트코인, 이더리움클래식, 리플을 가져오자
btc_df = pybithumb.get_ohlcv('BTC')
ltc_df = pybithumb.get_ohlcv('LTC')
etc_df = pybithumb.get_ohlcv('ETC')
xrp_df = pybithumb.get_ohlcv('XRP')

 

각 코인들의 5일 이평선과 변동성을 구하자

 

# 각 코인들의 5일이평선을 구해보자
btc_df['ma_5'] = btc_df['close'].rolling(window=5).mean()
ltc_df['ma_5'] = ltc_df['close'].rolling(window=5).mean()
etc_df['ma_5'] = etc_df['close'].rolling(window=5).mean()
xrp_df['ma_5'] = xrp_df['close'].rolling(window=5).mean()

# 변동성 구하기 = (전일 고가 - 전일 저가) / 전일 시가 x 100(백분율)
btc_df['high_shifted'] = btc_df['high'].shift(1)
btc_df['low_shifted'] = btc_df['low'].shift(1)
btc_df['open_shifted'] = btc_df['open'].shift(1)

btc_df['vol'] = ((btc_df['high_shifted'] - btc_df['low_shifted']) / btc_df['open_shifted']) * 100

# 변동성 구하기 = (전일 고가 - 전일 저가) / 전일 시가 x 100(백분율)
ltc_df['high_shifted'] = ltc_df['high'].shift(1)
ltc_df['low_shifted'] = ltc_df['low'].shift(1)
ltc_df['open_shifted'] = ltc_df['open'].shift(1)

ltc_df['vol'] = ((ltc_df['high_shifted'] - ltc_df['low_shifted']) / ltc_df['open_shifted']) * 100

# 변동성 구하기 = (전일 고가 - 전일 저가) / 전일 시가 x 100(백분율)
etc_df['high_shifted'] = etc_df['high'].shift(1)
etc_df['low_shifted'] = etc_df['low'].shift(1)
etc_df['open_shifted'] = etc_df['open'].shift(1)

etc_df['vol'] = ((etc_df['high_shifted'] - etc_df['low_shifted']) / etc_df['open_shifted']) * 100

# 변동성 구하기 = (전일 고가 - 전일 저가) / 전일 시가 x 100(백분율)
xrp_df['high_shifted'] = xrp_df['high'].shift(1)
xrp_df['low_shifted'] = xrp_df['low'].shift(1)
xrp_df['open_shifted'] = xrp_df['open'].shift(1)

xrp_df['vol'] = ((xrp_df['high_shifted'] - xrp_df['low_shifted']) / xrp_df['open_shifted']) * 100

 

시작일은 리플이 가장 최근이므로, 시작일의 기준은 리플로 한다. 

 

tickers_list = ['btc', 'ltc', 'etc', 'xrp']

start_date_list = [] # 데이터시작일 저장 리스트
end_date_list = [] # 마지막일 저장 리스트

for ticker in tickers_list:
    df = pybithumb.get_ohlcv(ticker)
    
    start_date_list.append(str(df.index[0]))
    end_date_list.append(str(df.index[-1]))
    
    print(ticker, start_date_list[-1], end_date_list[-1])
    
    # 리플 데이터가 가장 적으므로, 시작일을 리플로 기준을 잡자
ticker_df = pd.DataFrame({"tickers_list" : tickers_list, "start_date" : start_date_list, "end_date" : end_date_list})
ticker_df

 

데이터 클리닝을 진행한다. 데이터값이 NA인 행들은 삭제한다.

 

# 데이터가 없는 값들은 다 삭제한다

btc_df.dropna(inplace =  True)
ltc_df.dropna(inplace =  True)
etc_df.dropna(inplace =  True)
xrp_df.dropna(inplace =  True)

# 시작일은 리플 시작일로 설정하고, 다른 코인도 다 그날에 시작하게 바꾸자
start_date = xrp_df.index[0]

btc_df = btc_df[btc_df.index >= start_date]
ltc_df = ltc_df[ltc_df.index >= start_date]
etc_df = etc_df[etc_df.index >= start_date]
xrp_df = xrp_df[xrp_df.index >= start_date]

# 전일 고가를 shifted_high, 전일 저가를 shifted_low에 저장한다
btc_df['shifted_high'] = btc_df['high'].shift(1)
btc_df['shifted_low'] = btc_df['low'].shift(1)
btc_df['range'] = btc_df['shifted_high'] - btc_df['shifted_low']

ltc_df['shifted_high'] = ltc_df['high'].shift(1)
ltc_df['shifted_low'] = ltc_df['low'].shift(1)
ltc_df['range'] = ltc_df['shifted_high'] - ltc_df['shifted_low']

etc_df['shifted_high'] = etc_df['high'].shift(1)
etc_df['shifted_low'] = etc_df['low'].shift(1)
etc_df['range'] = etc_df['shifted_high'] - etc_df['shifted_low']

xrp_df['shifted_high'] = xrp_df['high'].shift(1)
xrp_df['shifted_low'] = xrp_df['low'].shift(1)
xrp_df['range'] = xrp_df['shifted_high'] - xrp_df['shifted_low']

# 데이터가 없는 값들은 다 삭제한다

btc_df.dropna(inplace =  True)
ltc_df.dropna(inplace =  True)
etc_df.dropna(inplace =  True)
xrp_df.dropna(inplace =  True)

# 데이터 수가 다 동일한지 확인한다
len(btc_df), len(ltc_df), len(etc_df), len(xrp_df)

 

이제 투자전략을 백테스팅해보자. 

 

 

total_capital = 100000000 # # 전체 투자금액, 처음 시드머니 1억
fee = 0.002 # 수수료 0.2%
k = 0.5

df_list = [btc_df, ltc_df, etc_df, xrp_df]
total_capital_list = []

n = 4

target_vol = 2 # 타겟변동성

for i in range(len(btc_df)):
    
    # 실시간 가격 > (당일 시가 + (레인지 x k)) 인지 확인한다 .
    # 확인하는 방법은 고가가 (당일 시가 + (레인지 x k))보다 크면 돌파, 작으면 돌파 실패를 의미한다
    # 가상화폐별로 확인을 한다
    
    buy_sell_price_list = [] # 돌파하게 되면, 매수/매도하는 가격 리스트
    
    vol_list = []
    
    for df in df_list:
        open_price = df.iloc[i]['open'] # 당일 시가
        high_price = df.iloc[i]['high'] # 당일 고가
        close_price = df.iloc[i]['close'] # 당일 종가 : 사실 당일 종가가 다음날 시가와 동일하므로 종가를 사용한다
        ma_5_price = df.iloc[i]['ma_5'] # 5일이평선
        
        # 타겟 가격 
        target_price = open_price + df.iloc[i]['range'] * k
        
        # 만약 시초가가 5 이평선보다 크다면, 
        if open_price >= ma_5_price:

            # 만약 고가가 타겟 가격보다 크다면, 즉 장 중에 돌파 성공했다면, 
            if high_price >= target_price:
                
                 # 만약 타깃변동성 / 특정 화폐의 변동성이 1보다 크면 1로 세팅한다
                vol_invested = (target_vol / df.iloc[i]['vol'])

                if vol_invested >= 1:
                    vol_invested = 1
                
                vol_list.append(vol_invested / n)
                buy_sell_price_list.append([target_price, close_price])
    
                
    # 돌파에 성공한 가상화폐에 자산의 N분의 1 투입    
    vol_sum = sum(vol_list)

    # 임시 총자산 => 현금
    temp_total_capital = (1 - vol_sum) * total_capital

    for (buy_price, sell_price), vol_invested in zip(buy_sell_price_list, vol_list):

        # 자산의 N분의 1 투입
        coin_invested = total_capital * (vol_invested)

        # 매도금액을 매수금액으로 나누면 수익률이나오고, 거기에 수수료를 차감 후 투자금액을 곱하면 얻게 되는 금액이 나온다
        temp_total_capital += (sell_price / buy_price) * (1 - fee * 2) * coin_invested

    total_capital = temp_total_capital

    total_capital_list.append(total_capital)
    print(btc_df.index[i], total_capital, vol_sum)

 

이제 수익률과 mdd를 확인해보자. 수익률은 -80%(.....)이고 mdd도 -80%이다.. 그래도 상승장 + 변동성돌파보다는 수익률 방어는 되었다(....)

 

ror_df = pd.DataFrame({ "total_capital" : total_capital_list}, index = btc_df.index)

ror_df['ror'] = ror_df['total_capital'].pct_change() + 1
ror_df['cum_ror'] = ror_df['ror'].cumprod()

# 전 고점(HWM : High Water Mark)
ror_df['highwatermark'] =  ror_df['cum_ror'].cummax()
ror_df['drawdown'] = (ror_df['cum_ror'] / ror_df['highwatermark']) - 1

# mdd를 구한다
ror_df['max_drawdown'] = ror_df['drawdown'].cummin()

print(f"수익률 : ", (ror_df.iloc[-1]['cum_ror'] - 1) * 100 )
print("mdd : ", ror_df.iloc[-1]['max_drawdown'] * 100)

import matplotlib.pyplot as plt

plt.plot(ror_df['cum_ror'])

수익률 :  -79.82112310880937
mdd :  -79.90856361952895

 

 

 

트레이딩 전략 10 상승장 + 변동성 돌파 + 변동성 조절.ipynb

0.15MB