Академия ончейн-данных (9): Рыночный барометр RUPL (I) – Введение в данные и применение для покупки на дне

Автор: Мистер Берг

🔸TL;DR

- Серия статей о RUPL будет разделена на 2 части, это часть 1

- RUPL может отображать текущее состояние “нереализованной прибыли/убытка” на рынке

- Наблюдая за RUPL, можно обнаружить закономерности движения рыночных вершин и дна

- Делюсь моделью для покупки на дне, разработанной на основе RUPL

🟡 Введение в RUPL

RUPL, полное название Relative Unrealized Profit & Loss, в переводе “относительная нереализованная прибыль/убыток”.

Сам индикатор можно разделить на две части: RUP и RUL.

В качестве примера возьмем RUP, способ расчета следующий:

1. Сравните “текущую цену” с “ценой последнего перемещения каждой монеты BTC”, классифицируйте позиции как прибыльные, если “текущая цена > цена последнего перемещения”.

2. Умножьте прибыль каждой позиции на соответствующее количество позиций, чтобы получить Unrealized Profit

3. Наконец, стандартизируйте полученные данные в соответствии с рыночной капитализацией на тот момент

Другими словами, Unrealized Profit — это “сумма нереализованной прибыли” на рынке в настоящее время;

А RUP стандартизирует эти данные на основе рыночной капитализации, чтобы сравнивать состояние прибыли рынка в разные периоды.

Алгоритм RUL полностью идентичен логике RUP, поэтому здесь мы не будем вдаваться в подробности.

Как показано на рисунке выше, зеленая линия — это RUP, красная линия — это RUL.

Мы можем обнаружить: цена имеет высокую положительную корреляцию с RUP и высокую отрицательную корреляцию с RUL.

Это очень интуитивно понятно, поскольку по мере роста цены монеты сумма прибыли нереализованных прибыльных позиций естественно увеличивается.

Но если мы внимательно рассмотрим приведенный выше рисунок, то обнаружим, что в некоторые периоды RUL превышает RUP (красная линия выше зеленой),

Это означает, что общее состояние нереализованной прибыли/убытка на рынке отрицательное. Имеет ли это состояние особое значение? Пожалуйста, читайте далее …

🟡 Применение RUPL для покупки на дне

Как гласит древняя поговорка: “Я жаден, когда другие боятся”. Когда держатели позиций на рынке в среднем находятся в состоянии убытка,

возможно, это именно то время, когда стоит войти на рынок и собрать позиции.

Как показано на рисунке выше, я выделил периоды, когда RUL > RUP, и получил этот график сигналов.

Мы можем четко обнаружить: когда RUL > RUP, это в основном соответствует циклическим большим днам!

Это вовсе не просто слепое следование шаблону, логика заключается в следующем:

“Когда рынок в среднем находится в состоянии убытка, это означает, что застрявшие держатели, вероятно, не желают продавать свои позиции из-за слишком низкой цены”. В условиях значительного снижения давления продаж, последующее даже небольшое усиление покупательского спроса может развернуть тренд и начать рост.

Эта логика очень похожа на стратегию покупки на дне LTH-RP, представленную в предыдущих статьях. Заинтересованные читатели могут просмотреть предыдущие публикации.

🟡 Делюсь логикой дизайна модели покупки на дне на основе RUPL

Далее, давайте временно игнорируем RUL и сосредоточимся на самом графике RUP. Мы обнаружим, что значения дна RUP в истории на самом деле очень близки.

Например, я добавил горизонтальную линию 0,4 на график RUP, чтобы мы могли четко видеть позиции, где RUP < 0,4.

（Здесь 0,4 — это настраиваемый параметр, позже мы еще раз упомянем его）

Обнаружив, что у RUP есть относительно очевидная зона дна, мы можем наложить условие RUP < 0,4 на предыдущее условие “RUP < RUL” для вторичной фильтрации сигналов. Результат следующий:

Это очень распространенный метод при проектировании моделей, цель которого — достичь эффекта фильтрации через сигнальную сетку, чтобы разработанная нами модель была более точной.

Два условия на рисунке выше (RUP < 0,4 & RUP < RUL), эффект фильтрации на самом деле не настолько очевиден,

Но если присмотреться, можно обнаружить, что это действительно строже, чем просто RUP < RUL.

Здесь, если уменьшить 0,4 (например, до 0,38), можно сделать общий сигнал более строгим;

Но в процессе настройки параметров все еще необходимо обращать внимание на проблему Overfitting, ведь простая подгонка модели под исторические данные, скорее всего, окажется неэффективной в будущем!