Exchange
Bolsa de blockchain e ativos de criptomoeda
Academy
Educação sobre blockchain e criptomoedas
Corretor
Soluções de terminais de trading
Charity
Caridade
Cloud
Soluções para corretoras empresariais
DEX
Bolsa de ativos digitais descentralizada, rápida e segura
Labs
Incubadora dos melhores projetos de blockchain
Launchpad
Plataforma de Lançamento de Tokens
Research
Análises e relatórios de nível institucional
Trust Wallet
Carteira oficial de criptomoedas Binance
Comprar Criptomoedas
Mercados
Converter
A maneira mais fácil de fazer trades
Clássico
Interface simples e fácil de utilizar
Avançado
Acesso total a todas as ferramentas de trading
Margem
Aumente os seus lucros com alavancagem
P2P
Transferência bancária e mais de 100 opções
Token de Ações
New
Transacionar Ações com Criptomoedas
Transacionar
Ler para Transferir a Aplicação IOS e Android
Transferir
English
USD
Blogue da Binance
Notícias e informações atualizadas sobre a bolsa de criptomoedas líder no mundo
Trader Series Parte 2: Sistema de Trading para Criptomoedas
2020-9-1

Na segunda parte do Binance Blog Trader Series, com participação de Markos Katsanos, o autor propôs alguns sistemas de trading que podem maximizar seus trades em várias classes de ativos. 

Leia aqui a Parte 1 do Binance Blog Trader Series

Principais tópicos

- O autor analisou o desempenho de dois sistemas de trading, o sistema híbrido de tendência e o sistema de divergência, em relação à típica estratégia de investimento de compra e manutenção (holding) de criptomoedas. 

- Uma estratégia de acompanhamento de tendências parecia a mais apropriada a fim de tirar vantagem das fortes tendências do bitcoin. Porém, ela também apresentou um bom desempenho em outras altcoins sem qualquer otimização adicional, exceto para o parâmetro ATR de Stop Loss, levando em consideração a maior volatilidade das altcoins.

- O autor desenvolveu uma estratégia de divergência específica para o ETH, a fim de explorar sua correlação atrasada (lagging) com Bitcoin, mas também apresentou um desempenho tão bom ou melhor em outras criptomoedas. 

- A abordagem técnica parece uma maneira razoável de fazer trading de criptomoedas pois bloqueia muito do ruído, focando apenas na ação do preço e dando suporte a indicadores técnicos e de intermercados

As visões e opiniões de Markos Katsanos não refletem necessariamente as opiniões do Binance Blog, da Binance ou de suas divisões e afiliados. Ao fazer uso deste material, por favor, exerça a devida diligência. Não siga cegamente as recomendações.

Prelúdio para Dicas de Trading

Antes de falar sobre qualquer estratégia, devo lembrar, para o bem dos traders que não estão familiarizados com criptomoedas, que esses são ativos altamente voláteis, muito mais do que ações tradicionais ou Forex que você talvez esteja mais acostumado. Portanto, você deve revisar as regras de trading, como pontos de stop loss ou metas de lucro, com base em porcentagens.

Na segunda parte deste artigo, apresentarei duas estratégias de trading de criptomoedas. Com algoritmos de simulação desenvolvidos, as criptomoedas são testadas e as conclusões são tiradas em relação à precisão da previsão e ao procedimento do teste. O primeiro é basicamente um sistema de acompanhamento de tendências, aprimorado pela adição de condições de intermercados. O segundo é um sistema de divergência que explora a forte correlação cruzada entre criptomoedas.

Trend Hybrid System (Sistema Híbrido de Tendência)

Uma estratégia de acompanhamento de tendências parecia a mais apropriada para aproveitar as fortes tendências do bitcoin.

Após o teste preliminar de alguns sistemas de tendência mais populares, decidi usar um sistema simples chamado Donchian Breakout Channel (ou canal Donchian). O canal/intervalo é obtido calculando os preços máximos e mínimos para um período predefinido. A análise de autocorrelação indicou que a autocorrelação dos retornos de 30 dias era muito forte até 15 dias no futuro, portanto, usei essa estratégia como base para o indicador Donchian de 30 dias. Qualquer rompimento da faixa superior ou inferior acionou sinais de compra ou de venda, respectivamente. Usei uma faixa intermediária adicional, considerando a média das faixas superior e inferior. Esta faixa de intervalo média foi utilizada para sair de posições compradas (long) ou vendidas (short).

Além disso, adicionei um Stop Loss Chandelier Trailing no sistema de gerenciamento de riscos. À primeira vista, as perdas do sistema foram muito grandes, então, para melhorar a precisão do sinal de entrada, adicionei um filtro de tendência de média móvel de longo prazo (período de 100 dias). Então, quando o preço está acima da média móvel de 100 dias, o sistema procura somente um rompimento com movimento de subida - e quando o preço está abaixo da média móvel de 100 dias, ele procura um rompimento short (movimento de descida).

Na próxima etapa, para tirar vantagem da forte correlação direcional entre o bitcoin e o S&P 500, adicionei um filtro de intermercados que filtrou os trades de quando o bitcoin rompeu o intervalo na direção oposta ao S&P 500. Os filtros descritos acima reduziram consideravelmente os trades de tendência, portanto apenas um foi implementado (em qualquer momento), ou seja, o sinal de rompimento do intervalo é evidente quando qualquer um dos filtros for verdadeiro. Os sistemas de acompanhamento de tendências não produzem trades em mercados laterais ou instáveis

A fim de aumentar o número de trades, adicionei uma segunda condição de sinal de reversão que considera o valor do bitcoin em relação ao ouro. O sistema final pode ser resumido da seguinte forma:

A. Condições de Compra

Canal. Um sinal de compra foi gerado se o preço ultrapassou um canal/intervalo de 30 dias, mas somente se o preço estava acima da média móvel de 100 dias ou o S&P 500 estava em tendência de alta. Para determinar a tendência direcional do S&P 500, usei sua média móvel de 30 dias. Os preços máximos ou mínimos diários variavam consideravelmente entre as corretoras, então usei o preço de fechamento para os breakouts (rompimentos).

Oversold (sobrevendido). O efeito da reversão à média é explorado em estratégias de trading e envolve 'comprar na baixa' e 'vender na alta'. Esse efeito refere-se às ondas de otimismo e pessimismo que, temporariamente, proporcionam inércia ao mercado, fazendo com que ele afaste o preço dos ativos do valor “real”. Para determinar o valor real do bitcoin, usei a proporção relativa do bitcoin com o ouro para determinar os níveis de sobrevenda ou sobrecompra (veja a figura 2) e refinei os sinais com o oscilador estocástico de curto prazo (10 dias). A relação BTC/Ouro foi normalizada de 0 (sobrevenda) a 100 (sobrecompra) durante o período dos últimos 250 dias. Para calcular esse índice, usei o Gold ETF (GLD), mas, como o índice é normalizado, o preço absoluto do ouro é irrelevante, portanto, você também pode usar os preços à vista ou futuros do ouro.

Um problema com o uso de osciladores é que eles geralmente apresentam sinais de compra ou venda muito cedo em um mercado de tendências, então usei o índice Congestion Index (CI) para filtrar os trades em mercados de tendências. Então, os trades só foram considerados quando o CI de 30 dias estava abaixo de 30. O CI é um indicador de tendência personalizado semelhante ao ADX de Wilder ou ao filtro Vertical Horizontal, que menciono em meu livro (consulte a leitura sugerida).

B. Condições de Venda (fechamento de posições Long):

As posições Long foram fechadas quando o preço caiu abaixo da linha intermediária do intervalo/canal.

Eu também usei um Stop Loss Chandelier Trailing baseado em 10 Períodos de Average True Range (ATR) que fechava o trade se o preço caísse 2 ATR abaixo do preço máximo dos últimos 2 dias. Todos os stop loss foram executados no dia seguinte, na abertura. Os melhores parâmetros de stop loss foram escolhidos pelo método de otimização walk forward.

Por fim, uma saída de 15 dias encerrava todos os trades caso nenhum dos stop loss fosse ativado.

Para escolher a duração do trade, não usei a otimização, mas selecionei o valor de atraso (lag) mais alto da tabela de autocorrelação na figura 13, com autocorrelação lagging razoavelmente forte para retornos de 25-30 dias.

C. Condições de Venda de posições Short:

As condições de venda ou compra para cobrir a posição eram exatamente opostas às condições de compra descritas acima e não havia uma tendência de long ou short no sistema.

Para evitar uma ilusão de otimização ou ajuste de curva, não otimizei nenhum dos parâmetros usados para o comprimento do canal, mas selecionei o menor tempo com a melhor autocorrelação, que foi cerca de 30 dias. Para o período de tendência da média móvel, escolhi o período de 100 dias. Para evitar a armadilha do ajuste da curva, usei o método de otimização walk forward para selecionar os parâmetros mais sólidos para o indicador stop loss Chandelier, o período estocástico e os níveis de sobrecompra ou sobrevenda. Obviamente, nada pode garantir resultados futuros, mas essa abordagem ser a mais consistente para estimar os parâmetros de trading durante condições de mercado em constante mudança. 

Para realizar a otimização walk forward, dividi todos os dados disponíveis durante os últimos 9 anos, desde 25 de maio de 2011, em cinco conjuntos de dados de 18 meses cada. Otimizei o sistema usando o primeiro subperíodo e testei-o fora da amostra usando o próximo período. Depois que esse teste foi concluído, a janela de tempo foi adiada em 18 meses para incluir o período recém testado e o sistema foi então otimizado novamente. Em seguida, o sistema foi testado mais uma vez, usando o próximo conjunto de dados. Esse processo foi repetido várias vezes, "avançando" (walking forward) através da série de dados até esgotar todos os dados disponíveis. No final, todos os resultados de um ano obtidos fora da amostra, foram combinados para criar um grande segmento de resultados e o desempenho do sistema foi avaliado com base nesses resultados combinados (fora da amostra).

Para testar o desempenho das outras altcoins, não otimizei nenhum dos parâmetros, exceto o parâmetro de stop loss. Altcoins são mais voláteis que bitcoins, portanto, aumentar a margem de stop-loss proporcionou melhor desempenho em três de cinco altcoins.

Procedimento de Teste

Um problema no backtesting da estratégia foi a variabilidade dos dados entre diferentes corretoras de criptomoedas portanto, para esta simulação, decidi usar os dados do Crypto Index da Investing.com, que obtém os preços médios de todas as corretoras. Os dados usados para esses testes incluíram fins de semana, portanto, esse método não é apropriado para trading de futuros de bitcoin no CME, pois eles são negociados somente em dias úteis. Se quiser usá-lo para trading de futuros, terá que ajustar os parâmetros do ATR e levar em consideração a maior volatilidade nas segundas-feiras, bem como todos os períodos do indicador e a duração do trade, considerando os dias de semana mais curtos.

Outro problema foi a grande variação de preços do bitcoin durante a duração do teste, resultando em valores de trading extremamente diferentes, então decidi especificar um valor constante, em dólares americanos, para o tamanho padrão do trade e uma casa decimal para o tamanho do lote.

O capital inicial era de $22.000, o tamanho do trade $20.000 e o lote de 0,10 moedas. A duração do trade foi de oito anos, de 28 de maio de 2012 a 28 de maio de 2020, para o bitcoin. Os outros altcoins começaram a ser negociados mais tarde, então o período de teste variou de 2,6 anos para o BNB a 4,2 anos para o ETH. Sinais long e short foram executados no dia seguinte na abertura e nenhum juro foi creditado na conta quando estava fora do mercado, pois se presumiu que isso anularia os custos adicionais de slippage e skid. A comissão de 0,1% foi deduzida de cada trade. O sistema não reinvestiu os valores de lucros. O retorno total seria obviamente muito maior se os retornos fossem compostos.

Para avaliar a eficácia do sistema, comparei seu desempenho com a estratégia Buy & Hold de benchmark padrão, que envolvia comprar e manter uma quantidade equivalente (em dólares) de bitcoins nos últimos três e oito anos de períodos de teste, até o final de maio de 2018.

Avaliação

Na tabela da Figura 16 abaixo, você pode ver os resultados da simulação de um backtest de 3 e 8 anos em comparação com o Buy & Hold para bitcoin e o desempenho do mesmo sistema em outras cinco altcoins populares.

A comparação com a estratégia de Buy & Hold não foi muito pertinente devido ao aumento meteórico de 187.000% do Bitcoin, de $5,10 no início do teste para $9.572 no final. Isso é algo impossível de superar com base no lucro líquido. No entanto, o sistema melhorou significativamente as características relacionadas ao risco, reduzindo drasticamente as perdas máximas de um valor catastrófico de 91% do patrimônio líquido (-$63 milhões) para 16,5% ($16.000), para o bitcoin.

Uma comparação mais realista entre o sistema e a estratégia Buy & Hold foi durante o último período de 3 anos (veja a Figura 16, nas duas primeiras colunas). Neste caso, o sistema conseguiu bater o benchmark tanto no lucro líquido quanto na base de risco.

O sistema produziu a maior parte dos lucros no lado Long. Os trades Short contribuíram com apenas 15% dos lucros e prejudicaram todas as outras métricas.

Isso ocorreu porque o preço do bitcoin foi predominantemente de alta durante o período de teste e não havia uma tendência Long no sistema. No futuro, entretanto, esse pode não ser o caso.

Você deve ter notado que a porcentagem de trades lucrativos para XRP e BCH é de apenas 45%. Tenha em mente que não há necessidade de um valor superior a 50% para um sistema lucrativo caso você ganhe mais em trades bem-sucedidas do que perde em trades ruins. Para determinar a lucratividade do sistema, você deve usar a porcentagem de vitórias em conjunto com a relação de Ganhos/Perdas. Nesse caso, os trades lucrativos de XRP produziram 6 vezes mais lucros do que os trades negativos, gerando mais lucros do que outras altcoins, com uma porcentagem maior de trades bem-sucedidas.

Para obter mais informações sobre as características de risco e robustez do sistema, decidi analisar o desempenho do sistema com o método de Monte Carlo, usando uma amostragem aleatória da lista de trades reais gerada pelo back-test e calculando o patrimônio do sistema para cada amostra.

Como podemos ver na tabela da Figura 17 e no gráfico da Figura 18, os resultados da simulação de Monte Carlo foram muito encorajadores. A probabilidade de uma perda (drawdown) máxima superior a 31% foi de apenas 1% e o patrimônio líquido final apresentou sempre um valor lucrativo. Como você pode ver nos gráficos da figura 18, havia 25% de chance de que a linha de patrimônio líquido mínimo (em vermelho) caísse abaixo do patrimônio inicial, o que só aconteceria se a maioria dos trades não lucrativos ocorressem no início do teste.

Apesar do sistema Trend Hybrid ter sido desenvolvido e otimizado para o bitcoin, ele teve um desempenho razoavelmente bom para todas as outras altcoins (ver Figura 16) sem qualquer otimização adicional, exceto para o parâmetro ATR de stop loss, levando em consideração a maior volatilidade das altcoins (ver Figura 15). Os melhores desempenhos foram do ETH, em termos de índice de lucro e % de lucratividade, e do XRP em termos de lucro líquido. Lembre-se de que o dado de perda máxima em % não é um excelente indicativo do risco do sistema, pois este depende do valor patrimonial no momento da perda máxima. Portanto, se a perda ocorresse com um pequeno valor de patrimônio (geralmente no início do teste), o percentual de perda seria alto. Isso fica evidente no caso do ETH, onde a perda máxima percentual foi de 53% do patrimônio, porém em dólares foi de apenas $16.400.

No gráfico de otimização 3D na Figura 19, você pode ver que a estratégia foi lucrativa para comprimentos de canal (CL) de 25 a 40 dias e períodos de holding (saída) de 10 a 20 dias.

Figura 16. Podemos ver o desempenho do sistema durante os últimos 3 e 8 anos até 28 de maio de 2020, para o BTC. As outras altcoins começaram a ser negociadas mais tarde, então o período de teste variou de acordo com os dados disponíveis. O Retorno Ajustado ao Risco (RAR) - terceira linha - é o lucro líquido dividido pela exposição e é calculado considerando barra por barra. A exposição de uma única barra é o valor de suas posições abertas dividido pelo patrimônio da carteira. O fator de lucro é a relação entre valores brutos de ganhos e perdas. O lucro/perda máx. (última linha) é calculado dividindo o lucro líquido pela perda máxima do sistema.

Figura 17. Principais estatísticas derivadas dos gráficos de distribuição cumulativa (CDFs), resultantes da simulação de Monte Carlo. O patrimônio inicial era de $22.000 e o teste teve 8 anos de duração (dados EOD). A primeira coluna mostra o nível de percentil (os resultados do teste se situam neste ponto ou abaixo dele). Portanto, o 95º percentil nos diz que 95% do valor observado no período, está abaixo do valor mostrado. Por exemplo, a perda máxima no percentil 95 (neste caso, 21%) significa que 95% dos testes tiveram perdas de menos de 21%. Portanto, podemos dizer que há 5% de chance de que o valor seja maior do que isso. Se observarmos os detalhes na tabela, também podemos perceber que em 99% dos casos, as perdas serão inferiores a 31%.

Figura 18. Aqui podemos ver a mínima (em vermelho), a média (em azul), a máxima (verde) e vários outros gráficos dentre os resultados da simulação de Monte Carlo. Observe que as linhas verdes e vermelhas (patrimônio mínimo/máximo) não são "melhores" e "piores" ações isoladas. Elas são os pontos máximo e mínimo, barra por barra, de TODAS os valores de patrimônio (ações) gerados durante a Simulação de Monte Carlo. A linha azul (média) é a média de todas as outras linhas de patrimônio líquido. A 'nuvem' de linhas cinzas representa patrimônios de teste individuais - como podemos ver, o mesmo sistema de trading pode gerar resultados diferentes quando as condições de mercado mudam e a simulação de MC tenta simular vários resultados e fornecer informações estatísticas sobre esses resultados (bons ou ruins). O patrimônio inicial era de $22.000 e o teste teve 8 anos de duração.

Figura 19. Gráfico 3D dos parâmetros do Trend Hybrid System para o Bitcoin, de maio de 2012 até o final de maio de 2020. O sistema foi otimizado para valores do período do canal de 20 a 45 dias no eixo X e períodos de holding de 5 a 30 dias no eixo y. O fator de lucro foi traçado no eixo Z. As combinações de parâmetros que produzem um fator de lucro maior que 7,5 se projetam acima da linha de flutuação (plano horizontal azul).

Sistema de Divergência

Este sistema explora a forte correlação entre criptomoedas. Para calcular a divergência entre várias moedas, usei o indicador Regression Divergence apresentado no Capítulo 9 do meu livro Intermarket Trading Strategies (veja a leitura sugerida). Este indicador pode ser usado para calcular a divergência entre um título e um mercado relacionado, regredindo a taxa de variação entre os dois títulos e em seguida, calculando a diferença do preço real em relação ao preço previsto. A divergência é então normalizada em uma escala de 0 a 100 e sinais de compra são gerados quando o indicador atinge um pico acima de certo nível (geralmente 75-80%) e então diminui. Da mesma forma, os sinais de venda são acionados quando o indicador atinge um mínimo abaixo de certo nível (geralmente de 25 a 20%) e então sobe. Para encontrar as moedas com melhor correlação e o intervalo de tempo para a taxa de variação, usei as tabelas das figuras 5, 6 e 7 e a análise leading/lagging das figuras 10 e 11.

Minha primeira escolha foi projetar um sistema para fazer trade com Ether, dada sua forte correlação lagging (de atraso) com o bitcoin. Para calcular a divergência, usei retornos diários, pois eles tinham a melhor correlação (r=0,84 na figura 5) com o bitcoin.

Os sistemas de divergência geralmente não produzem muitos sinais, então adicionei uma segunda condição de tendência para aumentar o número de trades. Isso dobrou o número de trades sendo que metade dos sinais foram gerados pela divergência e a outra metade pela condição de tendência. Para testar o sistema, usei o histórico de dados do Crypto Index do investing.com e as mesmas especificações de teste do sistema Trend Hybrid descrito anteriormente.

O sistema final pode ser resumido da seguinte forma:

Condição de Divergência Long:

Um sinal de compra era gerado quando a divergência máxima ultrapassava 75 e então invertia a direção nos próximos 6 dias, enquanto que, ao mesmo tempo, o bitcoin apresentava uma tendência de alta durante o período anterior de 3 dias.

Sinal de Tendência Long:

Para este sinal, usei a condição de ruptura do intervalo de 30 dias, sem qualquer otimização. Nesse caso, a fim de filtrar os trades durante a consolidação de mercados sem tendência, usei a correlação diretamente como um indicador, correlacionando os preços em uma linha reta com ângulo de 45 graus.

Dessa forma, se a tendência for de alta, a correlação com a linha reta é positiva, variando de +0,70 a um máximo de +1,0. Se a tendência for de baixa, a correlação será negativa, variando de -0,70 a -1,0. Se a tendência do preço for lateral, então não há correlação ao longo do período de correlação

Nesse caso, os sinais de tendência Long eram filtrados caso a correlação ao longo do intervalo (canal) fosse menor que 0,70.

Condição de Divergência Short:

A condição de divergência Short é o inverso da condição de compra (Long) descrita acima. Sinais Short eram acionados caso a divergência caísse abaixo de 20 e a direção se invertesse. Condição de Tendência Short:

Novamente, é a reversão de uma tendência long e não há uma tendência long ou short no sistema. Os sinais de tendência eram filtrados quando a tendência de correlação era maior que -0,70.

Condições de Venda (fechamento de posições Long):

Usei uma condição de venda para fechar trades divergentes e outra para fazer trades de tendência. A saída da divergência fechava o trade quando a divergência normalizada caía para menos de 20 e em seguida, começava a subir enquanto a divergência bruta estava abaixo de zero. A saída da tendência fechou o trade quando a tendência de correlação se tornou negativa.

Usei também a seguinte condição de trailing stop no caso de algo dar errado: o trade era fechado se o preço caísse 2,5 ATR abaixo do preço máximo, durante os últimos quatro dias. Isso era implantado apenas se o preço estivesse abaixo da média móvel de 20 dias.

Se nenhuma das condições acima forem acionadas, todas as posições serão fechadas em no máximo 15 dias corridos (incluindo fins de semana).

Todos os trades foram executados no dia seguinte, na abertura.

Compras para cobrir Condições. Novamente, foram exatamente o oposto das condições de venda descritas acima.

Usei a otimização walk forward para selecionar os melhores parâmetros para os limites de divergência long e short, o comprimento da regressão, a tendência de correlação crítica, a taxa de variação do BTC (%) e os parâmetros de trailing stop para o teste ETH. Para o BTC e outras altcoins, não otimizei nenhum parâmetro, exceto o parâmetro ATR de trailing stop e o período de retorno (ROC) usado para calcular a divergência. Houve uma variação de 1 dia para ETH e XRP, 2 dias para BNB e LTC e 3 dias para o teste de BTC. O ATR do trailing stop variou de 2 a 3.

Para os outros testes, usei tabelas de correlação para selecionar a criptomoeda com a melhor correlação para o cálculo da divergência. Todas as altcoins se correlacionaram melhor com o ETH, exceto o BCH, que apresentou melhor correlação com o LTC. Para o teste BTC, usei a próxima melhor altcoin (LTC), pois a correlação com o ETH apresentou atraso (lagging). Na Figura 20, podemos ver os parâmetros de teste para todas as criptomoedas.

Figura 20. Aqui, podemos ver o desempenho do sistema durante os últimos 4 anos, até 28 de maio de 2020, para ETH e BTC. As outras altcoins começaram a ser negociadas mais tarde, então o período de teste variou de acordo com os dados disponíveis. Para obter uma explicação das estatísticas do teste, consulte a legenda da Figura 16. O teste foi projetado e otimizado apenas para o ETH. Por causa das volatilidades variáveis, só otimizei o parâmetro de trailing stop do ATR para os outros testes de criptomoedas.

Figura 21. Gráfico 3D dos parâmetros do Sistema de Divergência ETH, de 28 de maio de 2016 até o final de maio de 2020. O sistema foi otimizado para valores do período de retorno do ROC (para o cálculo da divergência de regressão) de 1 a 10 dias no eixo X e períodos de holding de 5 a 60 dias no eixo Y. O fator de lucro foi traçado no eixo Z. As combinações de parâmetros que produzem um fator de lucro maior que 3 se projetam acima da linha de flutuação (plano horizontal azul).

Avaliação

Na tabela da Figura 20, podemos ver os resultados da simulação de teste de um backtest de 4 anos em comparação com a estratégia de Buy & Hold de ETH

Novamente, a comparação com a estratégia de Buy & Hold não foi muito realista devido ao aumento de 1738% do Ether, de $12 no início do teste para $220 no final. De qualquer forma, não acredito que exista alguém que comprou uma grande quantidade de ETH em 2016 e ficou com ela até hoje, depois de uma perda (drawdown) de 94% ou $2 milhões, no final de 2018. O sistema de divergência melhorou consideravelmente as características de risco, reduzindo a perda máxima de 94% do patrimônio ou -$2,2 milhões para 13,6% ou -$12.500, para o ETH.

Conforme mencionado acima, desenvolvi este sistema especificamente para o ETH, a fim de explorar sua correlação de lagging com o bitcoin. Fiquei surpreso que ele teve um desempenho tão bom, ou melhor, com outras criptomoedas. O XRP apresentou um melhor desempenho em uma base de lucro líquido e retorno ajustado ao risco, produzindo $100.000 a mais de lucro sem qualquer alteração nos parâmetros originais do sistema ETH. No entanto, a precisão dos trades (porcentagem lucrativa) não foi tão boa. Apenas 37% dos trades foram lucrativos. No entanto, isso foi compensado por um maior índice de ganhos/perdas, de 6,8, o que implica que os trades lucrativos produziram quase 7 vezes mais lucros do que as perdas de trades negativos. As estatísticas de desempenho (baixo percentual de lucratividade e alta taxa de ganhos/perdas) são típicas dos sistemas de tendência e isso foi confirmado pela análise dos sinais que produziram os trades mais lucrativos. Este não foi o caso com ETH, BTC e BNB. Consequentemente, tivemos uma maior porcentagem de trades lucrativos e uma relação de ganho/perda menor.

No gráfico 3D da Figura 21, podemos ver que a estratégia foi mais lucrativa para períodos de holding de 15 dias ou mais e retornos de 1 a 10 dias (ROC para o cálculo da divergência). Observe também que quanto mais tempo você mantiver o trade, maior será o fator de lucro, até que ele finalmente atinja o pico, após 55 dias ou pouco menos de 2 meses. Isso provavelmente ocorre porque os efeitos da divergência se dissipam.

O sistema produziu a maior parte dos lucros no lado long. Os trades de posições short contribuíram com apenas 28% dos lucros para o teste ETH. O valor de contribuição foi ainda menor para outras criptomoedas. Os trades de posições short também afetaram negativamente o drawdown (perda) e todos os outros indicadores.

Isso não é uma surpresa, uma vez que a ação do preço foi predominantemente de alta durante o período de teste com BTC, ETH, XRP e LTC subindo mais de 1700% durante a duração do teste.

No entanto, projetei este sistema para todas as condições de mercado com condições short exatamente opostas às condições long correspondentes. Isso pode ter prejudicado o desempenho anterior, mas pode melhorar o desempenho futuro se as condições do mercado de criptomoedas mudarem.

Conclusão

O mercado de criptomoedas é uma classe de ativos relativamente nova e volátil e a abordagem técnica parece uma maneira razoável de negociá-los porque bloqueia muito do ruído ao focar apenas na ação do preço, dando suporte a indicadores técnicos e de intermercados. Esses indicadores são fatores matemáticos derivados de preços ou mercados correlacionados.

Obviamente, o futuro não pode ser otimizado e como o backtesting é feito sempre em retrospectiva, existem muitas maneiras de adulterar o desempenho relatado. Afinal, este é um artigo sobre o que você pode esperar, realisticamente, do seu sistema de trading e não um artigo que mostra como forjar estatísticas.

O fato de que cada sistema foi desenvolvido e otimizado em apenas uma criptomoeda, mas teve um desempenho razoavelmente bom em cinco outras altcoins, sem qualquer alteração ou otimização (exceto para o parâmetro de trailing stop), sugere que eles são robustos o suficiente e as estatísticas de teste fornecerão uma expectativa realista de como os sistemas de trading irão funcionar no futuro. Isso lhe dará confiança para aderir à estratégia do sistema.

Sobre o Autor

Markos Katsanos é um Engenheiro Estrutural e Analista Técnico, membro da Technical Securities Analysts Association of San Francisco (TSAASF) e autor do “Intermarket Trading Strategies”, publicado por John Wiley & Sons. É também co-autor do Technical Analysis of Stocks & Commodities. Ele pode ser contatado através do e-mail markos.katsanos@gmail.com ou em seu site http://mkatsanos.com.

Leitura Sugerida

Katsanos, Markos [2009]. Intermarket Trading Strategies, John Wiley &Sons. 

Katsanos, Markos et al. [2016]. CMT Level III The Integration of Technical Analysis, John Wiley &Sons.

Katsanos, Markos [2016]. Which trend indicator wins? Technical Analysis of Stocks & Commodities, Volume 34: October.

Satoshi Nakamoto [2009] Bitcoin: A Peer-to-Peer Electronic Cash System.

Binance Research [2020]. How Has the Recent Market Turmoil Impacted Cryptocurrencies?

Marina Resta et al. [2020] Technical Analysis on the Bitcoin Market: Trading Opportunities or Investors’ Pitfall? MDPI

Fan Fang et al. Cryptocurrency Trading: A Comprehensive Survey Kings College, UK 

Blogue da Binance
Notícias e informações atualizadas sobre a bolsa de criptomoedas líder no mundo
Sep 01
2020
Trader Series Parte 2: Sistema de Trading para Criptomoedas

Na segunda parte do Binance Blog Trader Series, com participação de Markos Katsanos, o autor propôs alguns sistemas de trading que podem maximizar seus trades em várias classes de ativos. 

Leia aqui a Parte 1 do Binance Blog Trader Series

Principais tópicos

- O autor analisou o desempenho de dois sistemas de trading, o sistema híbrido de tendência e o sistema de divergência, em relação à típica estratégia de investimento de compra e manutenção (holding) de criptomoedas. 

- Uma estratégia de acompanhamento de tendências parecia a mais apropriada a fim de tirar vantagem das fortes tendências do bitcoin. Porém, ela também apresentou um bom desempenho em outras altcoins sem qualquer otimização adicional, exceto para o parâmetro ATR de Stop Loss, levando em consideração a maior volatilidade das altcoins.

- O autor desenvolveu uma estratégia de divergência específica para o ETH, a fim de explorar sua correlação atrasada (lagging) com Bitcoin, mas também apresentou um desempenho tão bom ou melhor em outras criptomoedas. 

- A abordagem técnica parece uma maneira razoável de fazer trading de criptomoedas pois bloqueia muito do ruído, focando apenas na ação do preço e dando suporte a indicadores técnicos e de intermercados

As visões e opiniões de Markos Katsanos não refletem necessariamente as opiniões do Binance Blog, da Binance ou de suas divisões e afiliados. Ao fazer uso deste material, por favor, exerça a devida diligência. Não siga cegamente as recomendações.

Prelúdio para Dicas de Trading

Antes de falar sobre qualquer estratégia, devo lembrar, para o bem dos traders que não estão familiarizados com criptomoedas, que esses são ativos altamente voláteis, muito mais do que ações tradicionais ou Forex que você talvez esteja mais acostumado. Portanto, você deve revisar as regras de trading, como pontos de stop loss ou metas de lucro, com base em porcentagens.

Na segunda parte deste artigo, apresentarei duas estratégias de trading de criptomoedas. Com algoritmos de simulação desenvolvidos, as criptomoedas são testadas e as conclusões são tiradas em relação à precisão da previsão e ao procedimento do teste. O primeiro é basicamente um sistema de acompanhamento de tendências, aprimorado pela adição de condições de intermercados. O segundo é um sistema de divergência que explora a forte correlação cruzada entre criptomoedas.

Trend Hybrid System (Sistema Híbrido de Tendência)

Uma estratégia de acompanhamento de tendências parecia a mais apropriada para aproveitar as fortes tendências do bitcoin.

Após o teste preliminar de alguns sistemas de tendência mais populares, decidi usar um sistema simples chamado Donchian Breakout Channel (ou canal Donchian). O canal/intervalo é obtido calculando os preços máximos e mínimos para um período predefinido. A análise de autocorrelação indicou que a autocorrelação dos retornos de 30 dias era muito forte até 15 dias no futuro, portanto, usei essa estratégia como base para o indicador Donchian de 30 dias. Qualquer rompimento da faixa superior ou inferior acionou sinais de compra ou de venda, respectivamente. Usei uma faixa intermediária adicional, considerando a média das faixas superior e inferior. Esta faixa de intervalo média foi utilizada para sair de posições compradas (long) ou vendidas (short).

Além disso, adicionei um Stop Loss Chandelier Trailing no sistema de gerenciamento de riscos. À primeira vista, as perdas do sistema foram muito grandes, então, para melhorar a precisão do sinal de entrada, adicionei um filtro de tendência de média móvel de longo prazo (período de 100 dias). Então, quando o preço está acima da média móvel de 100 dias, o sistema procura somente um rompimento com movimento de subida - e quando o preço está abaixo da média móvel de 100 dias, ele procura um rompimento short (movimento de descida).

Na próxima etapa, para tirar vantagem da forte correlação direcional entre o bitcoin e o S&P 500, adicionei um filtro de intermercados que filtrou os trades de quando o bitcoin rompeu o intervalo na direção oposta ao S&P 500. Os filtros descritos acima reduziram consideravelmente os trades de tendência, portanto apenas um foi implementado (em qualquer momento), ou seja, o sinal de rompimento do intervalo é evidente quando qualquer um dos filtros for verdadeiro. Os sistemas de acompanhamento de tendências não produzem trades em mercados laterais ou instáveis

A fim de aumentar o número de trades, adicionei uma segunda condição de sinal de reversão que considera o valor do bitcoin em relação ao ouro. O sistema final pode ser resumido da seguinte forma:

A. Condições de Compra

Canal. Um sinal de compra foi gerado se o preço ultrapassou um canal/intervalo de 30 dias, mas somente se o preço estava acima da média móvel de 100 dias ou o S&P 500 estava em tendência de alta. Para determinar a tendência direcional do S&P 500, usei sua média móvel de 30 dias. Os preços máximos ou mínimos diários variavam consideravelmente entre as corretoras, então usei o preço de fechamento para os breakouts (rompimentos).

Oversold (sobrevendido). O efeito da reversão à média é explorado em estratégias de trading e envolve 'comprar na baixa' e 'vender na alta'. Esse efeito refere-se às ondas de otimismo e pessimismo que, temporariamente, proporcionam inércia ao mercado, fazendo com que ele afaste o preço dos ativos do valor “real”. Para determinar o valor real do bitcoin, usei a proporção relativa do bitcoin com o ouro para determinar os níveis de sobrevenda ou sobrecompra (veja a figura 2) e refinei os sinais com o oscilador estocástico de curto prazo (10 dias). A relação BTC/Ouro foi normalizada de 0 (sobrevenda) a 100 (sobrecompra) durante o período dos últimos 250 dias. Para calcular esse índice, usei o Gold ETF (GLD), mas, como o índice é normalizado, o preço absoluto do ouro é irrelevante, portanto, você também pode usar os preços à vista ou futuros do ouro.

Um problema com o uso de osciladores é que eles geralmente apresentam sinais de compra ou venda muito cedo em um mercado de tendências, então usei o índice Congestion Index (CI) para filtrar os trades em mercados de tendências. Então, os trades só foram considerados quando o CI de 30 dias estava abaixo de 30. O CI é um indicador de tendência personalizado semelhante ao ADX de Wilder ou ao filtro Vertical Horizontal, que menciono em meu livro (consulte a leitura sugerida).

B. Condições de Venda (fechamento de posições Long):

As posições Long foram fechadas quando o preço caiu abaixo da linha intermediária do intervalo/canal.

Eu também usei um Stop Loss Chandelier Trailing baseado em 10 Períodos de Average True Range (ATR) que fechava o trade se o preço caísse 2 ATR abaixo do preço máximo dos últimos 2 dias. Todos os stop loss foram executados no dia seguinte, na abertura. Os melhores parâmetros de stop loss foram escolhidos pelo método de otimização walk forward.

Por fim, uma saída de 15 dias encerrava todos os trades caso nenhum dos stop loss fosse ativado.

Para escolher a duração do trade, não usei a otimização, mas selecionei o valor de atraso (lag) mais alto da tabela de autocorrelação na figura 13, com autocorrelação lagging razoavelmente forte para retornos de 25-30 dias.

C. Condições de Venda de posições Short:

As condições de venda ou compra para cobrir a posição eram exatamente opostas às condições de compra descritas acima e não havia uma tendência de long ou short no sistema.

Para evitar uma ilusão de otimização ou ajuste de curva, não otimizei nenhum dos parâmetros usados para o comprimento do canal, mas selecionei o menor tempo com a melhor autocorrelação, que foi cerca de 30 dias. Para o período de tendência da média móvel, escolhi o período de 100 dias. Para evitar a armadilha do ajuste da curva, usei o método de otimização walk forward para selecionar os parâmetros mais sólidos para o indicador stop loss Chandelier, o período estocástico e os níveis de sobrecompra ou sobrevenda. Obviamente, nada pode garantir resultados futuros, mas essa abordagem ser a mais consistente para estimar os parâmetros de trading durante condições de mercado em constante mudança. 

Para realizar a otimização walk forward, dividi todos os dados disponíveis durante os últimos 9 anos, desde 25 de maio de 2011, em cinco conjuntos de dados de 18 meses cada. Otimizei o sistema usando o primeiro subperíodo e testei-o fora da amostra usando o próximo período. Depois que esse teste foi concluído, a janela de tempo foi adiada em 18 meses para incluir o período recém testado e o sistema foi então otimizado novamente. Em seguida, o sistema foi testado mais uma vez, usando o próximo conjunto de dados. Esse processo foi repetido várias vezes, "avançando" (walking forward) através da série de dados até esgotar todos os dados disponíveis. No final, todos os resultados de um ano obtidos fora da amostra, foram combinados para criar um grande segmento de resultados e o desempenho do sistema foi avaliado com base nesses resultados combinados (fora da amostra).

Para testar o desempenho das outras altcoins, não otimizei nenhum dos parâmetros, exceto o parâmetro de stop loss. Altcoins são mais voláteis que bitcoins, portanto, aumentar a margem de stop-loss proporcionou melhor desempenho em três de cinco altcoins.

Procedimento de Teste

Um problema no backtesting da estratégia foi a variabilidade dos dados entre diferentes corretoras de criptomoedas portanto, para esta simulação, decidi usar os dados do Crypto Index da Investing.com, que obtém os preços médios de todas as corretoras. Os dados usados para esses testes incluíram fins de semana, portanto, esse método não é apropriado para trading de futuros de bitcoin no CME, pois eles são negociados somente em dias úteis. Se quiser usá-lo para trading de futuros, terá que ajustar os parâmetros do ATR e levar em consideração a maior volatilidade nas segundas-feiras, bem como todos os períodos do indicador e a duração do trade, considerando os dias de semana mais curtos.

Outro problema foi a grande variação de preços do bitcoin durante a duração do teste, resultando em valores de trading extremamente diferentes, então decidi especificar um valor constante, em dólares americanos, para o tamanho padrão do trade e uma casa decimal para o tamanho do lote.

O capital inicial era de $22.000, o tamanho do trade $20.000 e o lote de 0,10 moedas. A duração do trade foi de oito anos, de 28 de maio de 2012 a 28 de maio de 2020, para o bitcoin. Os outros altcoins começaram a ser negociados mais tarde, então o período de teste variou de 2,6 anos para o BNB a 4,2 anos para o ETH. Sinais long e short foram executados no dia seguinte na abertura e nenhum juro foi creditado na conta quando estava fora do mercado, pois se presumiu que isso anularia os custos adicionais de slippage e skid. A comissão de 0,1% foi deduzida de cada trade. O sistema não reinvestiu os valores de lucros. O retorno total seria obviamente muito maior se os retornos fossem compostos.

Para avaliar a eficácia do sistema, comparei seu desempenho com a estratégia Buy & Hold de benchmark padrão, que envolvia comprar e manter uma quantidade equivalente (em dólares) de bitcoins nos últimos três e oito anos de períodos de teste, até o final de maio de 2018.

Avaliação

Na tabela da Figura 16 abaixo, você pode ver os resultados da simulação de um backtest de 3 e 8 anos em comparação com o Buy & Hold para bitcoin e o desempenho do mesmo sistema em outras cinco altcoins populares.

A comparação com a estratégia de Buy & Hold não foi muito pertinente devido ao aumento meteórico de 187.000% do Bitcoin, de $5,10 no início do teste para $9.572 no final. Isso é algo impossível de superar com base no lucro líquido. No entanto, o sistema melhorou significativamente as características relacionadas ao risco, reduzindo drasticamente as perdas máximas de um valor catastrófico de 91% do patrimônio líquido (-$63 milhões) para 16,5% ($16.000), para o bitcoin.

Uma comparação mais realista entre o sistema e a estratégia Buy & Hold foi durante o último período de 3 anos (veja a Figura 16, nas duas primeiras colunas). Neste caso, o sistema conseguiu bater o benchmark tanto no lucro líquido quanto na base de risco.

O sistema produziu a maior parte dos lucros no lado Long. Os trades Short contribuíram com apenas 15% dos lucros e prejudicaram todas as outras métricas.

Isso ocorreu porque o preço do bitcoin foi predominantemente de alta durante o período de teste e não havia uma tendência Long no sistema. No futuro, entretanto, esse pode não ser o caso.

Você deve ter notado que a porcentagem de trades lucrativos para XRP e BCH é de apenas 45%. Tenha em mente que não há necessidade de um valor superior a 50% para um sistema lucrativo caso você ganhe mais em trades bem-sucedidas do que perde em trades ruins. Para determinar a lucratividade do sistema, você deve usar a porcentagem de vitórias em conjunto com a relação de Ganhos/Perdas. Nesse caso, os trades lucrativos de XRP produziram 6 vezes mais lucros do que os trades negativos, gerando mais lucros do que outras altcoins, com uma porcentagem maior de trades bem-sucedidas.

Para obter mais informações sobre as características de risco e robustez do sistema, decidi analisar o desempenho do sistema com o método de Monte Carlo, usando uma amostragem aleatória da lista de trades reais gerada pelo back-test e calculando o patrimônio do sistema para cada amostra.

Como podemos ver na tabela da Figura 17 e no gráfico da Figura 18, os resultados da simulação de Monte Carlo foram muito encorajadores. A probabilidade de uma perda (drawdown) máxima superior a 31% foi de apenas 1% e o patrimônio líquido final apresentou sempre um valor lucrativo. Como você pode ver nos gráficos da figura 18, havia 25% de chance de que a linha de patrimônio líquido mínimo (em vermelho) caísse abaixo do patrimônio inicial, o que só aconteceria se a maioria dos trades não lucrativos ocorressem no início do teste.

Apesar do sistema Trend Hybrid ter sido desenvolvido e otimizado para o bitcoin, ele teve um desempenho razoavelmente bom para todas as outras altcoins (ver Figura 16) sem qualquer otimização adicional, exceto para o parâmetro ATR de stop loss, levando em consideração a maior volatilidade das altcoins (ver Figura 15). Os melhores desempenhos foram do ETH, em termos de índice de lucro e % de lucratividade, e do XRP em termos de lucro líquido. Lembre-se de que o dado de perda máxima em % não é um excelente indicativo do risco do sistema, pois este depende do valor patrimonial no momento da perda máxima. Portanto, se a perda ocorresse com um pequeno valor de patrimônio (geralmente no início do teste), o percentual de perda seria alto. Isso fica evidente no caso do ETH, onde a perda máxima percentual foi de 53% do patrimônio, porém em dólares foi de apenas $16.400.

No gráfico de otimização 3D na Figura 19, você pode ver que a estratégia foi lucrativa para comprimentos de canal (CL) de 25 a 40 dias e períodos de holding (saída) de 10 a 20 dias.

Figura 16. Podemos ver o desempenho do sistema durante os últimos 3 e 8 anos até 28 de maio de 2020, para o BTC. As outras altcoins começaram a ser negociadas mais tarde, então o período de teste variou de acordo com os dados disponíveis. O Retorno Ajustado ao Risco (RAR) - terceira linha - é o lucro líquido dividido pela exposição e é calculado considerando barra por barra. A exposição de uma única barra é o valor de suas posições abertas dividido pelo patrimônio da carteira. O fator de lucro é a relação entre valores brutos de ganhos e perdas. O lucro/perda máx. (última linha) é calculado dividindo o lucro líquido pela perda máxima do sistema.

Figura 17. Principais estatísticas derivadas dos gráficos de distribuição cumulativa (CDFs), resultantes da simulação de Monte Carlo. O patrimônio inicial era de $22.000 e o teste teve 8 anos de duração (dados EOD). A primeira coluna mostra o nível de percentil (os resultados do teste se situam neste ponto ou abaixo dele). Portanto, o 95º percentil nos diz que 95% do valor observado no período, está abaixo do valor mostrado. Por exemplo, a perda máxima no percentil 95 (neste caso, 21%) significa que 95% dos testes tiveram perdas de menos de 21%. Portanto, podemos dizer que há 5% de chance de que o valor seja maior do que isso. Se observarmos os detalhes na tabela, também podemos perceber que em 99% dos casos, as perdas serão inferiores a 31%.

Figura 18. Aqui podemos ver a mínima (em vermelho), a média (em azul), a máxima (verde) e vários outros gráficos dentre os resultados da simulação de Monte Carlo. Observe que as linhas verdes e vermelhas (patrimônio mínimo/máximo) não são "melhores" e "piores" ações isoladas. Elas são os pontos máximo e mínimo, barra por barra, de TODAS os valores de patrimônio (ações) gerados durante a Simulação de Monte Carlo. A linha azul (média) é a média de todas as outras linhas de patrimônio líquido. A 'nuvem' de linhas cinzas representa patrimônios de teste individuais - como podemos ver, o mesmo sistema de trading pode gerar resultados diferentes quando as condições de mercado mudam e a simulação de MC tenta simular vários resultados e fornecer informações estatísticas sobre esses resultados (bons ou ruins). O patrimônio inicial era de $22.000 e o teste teve 8 anos de duração.

Figura 19. Gráfico 3D dos parâmetros do Trend Hybrid System para o Bitcoin, de maio de 2012 até o final de maio de 2020. O sistema foi otimizado para valores do período do canal de 20 a 45 dias no eixo X e períodos de holding de 5 a 30 dias no eixo y. O fator de lucro foi traçado no eixo Z. As combinações de parâmetros que produzem um fator de lucro maior que 7,5 se projetam acima da linha de flutuação (plano horizontal azul).

Sistema de Divergência

Este sistema explora a forte correlação entre criptomoedas. Para calcular a divergência entre várias moedas, usei o indicador Regression Divergence apresentado no Capítulo 9 do meu livro Intermarket Trading Strategies (veja a leitura sugerida). Este indicador pode ser usado para calcular a divergência entre um título e um mercado relacionado, regredindo a taxa de variação entre os dois títulos e em seguida, calculando a diferença do preço real em relação ao preço previsto. A divergência é então normalizada em uma escala de 0 a 100 e sinais de compra são gerados quando o indicador atinge um pico acima de certo nível (geralmente 75-80%) e então diminui. Da mesma forma, os sinais de venda são acionados quando o indicador atinge um mínimo abaixo de certo nível (geralmente de 25 a 20%) e então sobe. Para encontrar as moedas com melhor correlação e o intervalo de tempo para a taxa de variação, usei as tabelas das figuras 5, 6 e 7 e a análise leading/lagging das figuras 10 e 11.

Minha primeira escolha foi projetar um sistema para fazer trade com Ether, dada sua forte correlação lagging (de atraso) com o bitcoin. Para calcular a divergência, usei retornos diários, pois eles tinham a melhor correlação (r=0,84 na figura 5) com o bitcoin.

Os sistemas de divergência geralmente não produzem muitos sinais, então adicionei uma segunda condição de tendência para aumentar o número de trades. Isso dobrou o número de trades sendo que metade dos sinais foram gerados pela divergência e a outra metade pela condição de tendência. Para testar o sistema, usei o histórico de dados do Crypto Index do investing.com e as mesmas especificações de teste do sistema Trend Hybrid descrito anteriormente.

O sistema final pode ser resumido da seguinte forma:

Condição de Divergência Long:

Um sinal de compra era gerado quando a divergência máxima ultrapassava 75 e então invertia a direção nos próximos 6 dias, enquanto que, ao mesmo tempo, o bitcoin apresentava uma tendência de alta durante o período anterior de 3 dias.

Sinal de Tendência Long:

Para este sinal, usei a condição de ruptura do intervalo de 30 dias, sem qualquer otimização. Nesse caso, a fim de filtrar os trades durante a consolidação de mercados sem tendência, usei a correlação diretamente como um indicador, correlacionando os preços em uma linha reta com ângulo de 45 graus.

Dessa forma, se a tendência for de alta, a correlação com a linha reta é positiva, variando de +0,70 a um máximo de +1,0. Se a tendência for de baixa, a correlação será negativa, variando de -0,70 a -1,0. Se a tendência do preço for lateral, então não há correlação ao longo do período de correlação

Nesse caso, os sinais de tendência Long eram filtrados caso a correlação ao longo do intervalo (canal) fosse menor que 0,70.

Condição de Divergência Short:

A condição de divergência Short é o inverso da condição de compra (Long) descrita acima. Sinais Short eram acionados caso a divergência caísse abaixo de 20 e a direção se invertesse. Condição de Tendência Short:

Novamente, é a reversão de uma tendência long e não há uma tendência long ou short no sistema. Os sinais de tendência eram filtrados quando a tendência de correlação era maior que -0,70.

Condições de Venda (fechamento de posições Long):

Usei uma condição de venda para fechar trades divergentes e outra para fazer trades de tendência. A saída da divergência fechava o trade quando a divergência normalizada caía para menos de 20 e em seguida, começava a subir enquanto a divergência bruta estava abaixo de zero. A saída da tendência fechou o trade quando a tendência de correlação se tornou negativa.

Usei também a seguinte condição de trailing stop no caso de algo dar errado: o trade era fechado se o preço caísse 2,5 ATR abaixo do preço máximo, durante os últimos quatro dias. Isso era implantado apenas se o preço estivesse abaixo da média móvel de 20 dias.

Se nenhuma das condições acima forem acionadas, todas as posições serão fechadas em no máximo 15 dias corridos (incluindo fins de semana).

Todos os trades foram executados no dia seguinte, na abertura.

Compras para cobrir Condições. Novamente, foram exatamente o oposto das condições de venda descritas acima.

Usei a otimização walk forward para selecionar os melhores parâmetros para os limites de divergência long e short, o comprimento da regressão, a tendência de correlação crítica, a taxa de variação do BTC (%) e os parâmetros de trailing stop para o teste ETH. Para o BTC e outras altcoins, não otimizei nenhum parâmetro, exceto o parâmetro ATR de trailing stop e o período de retorno (ROC) usado para calcular a divergência. Houve uma variação de 1 dia para ETH e XRP, 2 dias para BNB e LTC e 3 dias para o teste de BTC. O ATR do trailing stop variou de 2 a 3.

Para os outros testes, usei tabelas de correlação para selecionar a criptomoeda com a melhor correlação para o cálculo da divergência. Todas as altcoins se correlacionaram melhor com o ETH, exceto o BCH, que apresentou melhor correlação com o LTC. Para o teste BTC, usei a próxima melhor altcoin (LTC), pois a correlação com o ETH apresentou atraso (lagging). Na Figura 20, podemos ver os parâmetros de teste para todas as criptomoedas.

Figura 20. Aqui, podemos ver o desempenho do sistema durante os últimos 4 anos, até 28 de maio de 2020, para ETH e BTC. As outras altcoins começaram a ser negociadas mais tarde, então o período de teste variou de acordo com os dados disponíveis. Para obter uma explicação das estatísticas do teste, consulte a legenda da Figura 16. O teste foi projetado e otimizado apenas para o ETH. Por causa das volatilidades variáveis, só otimizei o parâmetro de trailing stop do ATR para os outros testes de criptomoedas.

Figura 21. Gráfico 3D dos parâmetros do Sistema de Divergência ETH, de 28 de maio de 2016 até o final de maio de 2020. O sistema foi otimizado para valores do período de retorno do ROC (para o cálculo da divergência de regressão) de 1 a 10 dias no eixo X e períodos de holding de 5 a 60 dias no eixo Y. O fator de lucro foi traçado no eixo Z. As combinações de parâmetros que produzem um fator de lucro maior que 3 se projetam acima da linha de flutuação (plano horizontal azul).

Avaliação

Na tabela da Figura 20, podemos ver os resultados da simulação de teste de um backtest de 4 anos em comparação com a estratégia de Buy & Hold de ETH

Novamente, a comparação com a estratégia de Buy & Hold não foi muito realista devido ao aumento de 1738% do Ether, de $12 no início do teste para $220 no final. De qualquer forma, não acredito que exista alguém que comprou uma grande quantidade de ETH em 2016 e ficou com ela até hoje, depois de uma perda (drawdown) de 94% ou $2 milhões, no final de 2018. O sistema de divergência melhorou consideravelmente as características de risco, reduzindo a perda máxima de 94% do patrimônio ou -$2,2 milhões para 13,6% ou -$12.500, para o ETH.

Conforme mencionado acima, desenvolvi este sistema especificamente para o ETH, a fim de explorar sua correlação de lagging com o bitcoin. Fiquei surpreso que ele teve um desempenho tão bom, ou melhor, com outras criptomoedas. O XRP apresentou um melhor desempenho em uma base de lucro líquido e retorno ajustado ao risco, produzindo $100.000 a mais de lucro sem qualquer alteração nos parâmetros originais do sistema ETH. No entanto, a precisão dos trades (porcentagem lucrativa) não foi tão boa. Apenas 37% dos trades foram lucrativos. No entanto, isso foi compensado por um maior índice de ganhos/perdas, de 6,8, o que implica que os trades lucrativos produziram quase 7 vezes mais lucros do que as perdas de trades negativos. As estatísticas de desempenho (baixo percentual de lucratividade e alta taxa de ganhos/perdas) são típicas dos sistemas de tendência e isso foi confirmado pela análise dos sinais que produziram os trades mais lucrativos. Este não foi o caso com ETH, BTC e BNB. Consequentemente, tivemos uma maior porcentagem de trades lucrativos e uma relação de ganho/perda menor.

No gráfico 3D da Figura 21, podemos ver que a estratégia foi mais lucrativa para períodos de holding de 15 dias ou mais e retornos de 1 a 10 dias (ROC para o cálculo da divergência). Observe também que quanto mais tempo você mantiver o trade, maior será o fator de lucro, até que ele finalmente atinja o pico, após 55 dias ou pouco menos de 2 meses. Isso provavelmente ocorre porque os efeitos da divergência se dissipam.

O sistema produziu a maior parte dos lucros no lado long. Os trades de posições short contribuíram com apenas 28% dos lucros para o teste ETH. O valor de contribuição foi ainda menor para outras criptomoedas. Os trades de posições short também afetaram negativamente o drawdown (perda) e todos os outros indicadores.

Isso não é uma surpresa, uma vez que a ação do preço foi predominantemente de alta durante o período de teste com BTC, ETH, XRP e LTC subindo mais de 1700% durante a duração do teste.

No entanto, projetei este sistema para todas as condições de mercado com condições short exatamente opostas às condições long correspondentes. Isso pode ter prejudicado o desempenho anterior, mas pode melhorar o desempenho futuro se as condições do mercado de criptomoedas mudarem.

Conclusão

O mercado de criptomoedas é uma classe de ativos relativamente nova e volátil e a abordagem técnica parece uma maneira razoável de negociá-los porque bloqueia muito do ruído ao focar apenas na ação do preço, dando suporte a indicadores técnicos e de intermercados. Esses indicadores são fatores matemáticos derivados de preços ou mercados correlacionados.

Obviamente, o futuro não pode ser otimizado e como o backtesting é feito sempre em retrospectiva, existem muitas maneiras de adulterar o desempenho relatado. Afinal, este é um artigo sobre o que você pode esperar, realisticamente, do seu sistema de trading e não um artigo que mostra como forjar estatísticas.

O fato de que cada sistema foi desenvolvido e otimizado em apenas uma criptomoeda, mas teve um desempenho razoavelmente bom em cinco outras altcoins, sem qualquer alteração ou otimização (exceto para o parâmetro de trailing stop), sugere que eles são robustos o suficiente e as estatísticas de teste fornecerão uma expectativa realista de como os sistemas de trading irão funcionar no futuro. Isso lhe dará confiança para aderir à estratégia do sistema.

Sobre o Autor

Markos Katsanos é um Engenheiro Estrutural e Analista Técnico, membro da Technical Securities Analysts Association of San Francisco (TSAASF) e autor do “Intermarket Trading Strategies”, publicado por John Wiley & Sons. É também co-autor do Technical Analysis of Stocks & Commodities. Ele pode ser contatado através do e-mail markos.katsanos@gmail.com ou em seu site http://mkatsanos.com.

Leitura Sugerida

Katsanos, Markos [2009]. Intermarket Trading Strategies, John Wiley &Sons. 

Katsanos, Markos et al. [2016]. CMT Level III The Integration of Technical Analysis, John Wiley &Sons.

Katsanos, Markos [2016]. Which trend indicator wins? Technical Analysis of Stocks & Commodities, Volume 34: October.

Satoshi Nakamoto [2009] Bitcoin: A Peer-to-Peer Electronic Cash System.

Binance Research [2020]. How Has the Recent Market Turmoil Impacted Cryptocurrencies?

Marina Resta et al. [2020] Technical Analysis on the Bitcoin Market: Trading Opportunities or Investors’ Pitfall? MDPI

Fan Fang et al. Cryptocurrency Trading: A Comprehensive Survey Kings College, UK