交易想法 - 從 Binance 下架消息到建立策略

以下內容僅供參考，並非投資建議。進行任何投資決策前，請務必自行研究並諮詢財務專業人士。本文討論的策略與觀察基於歷史數據與市場模式，無法保證未來結果。加密貨幣市場波動性極高，交易具有顯著風險，包括可能損失您的資金。請確保您充分了解相關風險後再參與任何交易活動。

--------------------------------------------------------------------------------------------

前言

我們都知道幣安是最大的中心化加密貨幣交易所，因此其公告可以作為重要的市場指標，並且可能成為發展交易策略的基礎。

此策略想法建立在，每個加密項目都希望能在幣安上架，因為幣安提供市場上最高的流動性，對於一個項目來說，上架幣安可以說是最好的事情。假設反過來想，如果代幣被幣安下架會發生什麼情況？我們從這個角度來開始探討。

研究方法

1. 當我們說「幣安下架」，我們指的是現貨交易的移除。為什麼是現貨而不是合約？根據我們觀察的模式，幣安通常會先下架合約，再下架現貨交易。當現貨交易被移除時，意味著該代幣的所有流動性都從幣安撤出了。
2. 因此，我們的研究集中於現貨交易，特別是幣安公告頁面上標題通常為「幣安將下架…」的交易對。

我們的樣本代幣：[CVPUSDT, EPXUSDT, FORUSDT, LOOMUSDT, REEFUSDT, VGXUSDT, BONDUSDT, DOCKUSDT, MDXUSDT, POLSUSDT, OMGUSDT, WAVESUSDT, WNXMUSDT, XEMUSDT, DREPUSDT, MOBUSDT, PNTUSDT, ANTUSDT, MULTIUSDT, XMRUSDT, BTSUSDT, PERLUSDT, TORNBUSD, WTCUSDT, SNMBUSD, SRMBUSD, YFIIUSDT, NEBLUSDT, AUTOUSDT, HNTBUSD, AIONUSDT, MIRBUSD, ANCBUSD, BEAMUSDT, MITHUSDT, TRIBEBUSD, REPUSDT, BTCSTBUSD, DNTUSDT, NBSUSDT, BTGUSDT, TCTUSDT, HEGICBUSD]。

3. 觀察時段：

• 研究格局：1分鐘圖表
• 開始時間：在公告前1分鐘開始觀察價格。
• 結束時間：公告後7天結束觀察。為什麼是七天而不是六天或八天？因為公告後，幣安通常給用戶8天時間來處理頭寸，在此期間結束後，用戶將無法再交易該下架的交易對。

4. 定義名詞 (文章後續會用上)：

定義第一根K線：

• start_bar：公告時間當下那一分鐘的K線定義為「start_bar」。
• start_bar百分比 = （start_bar的開盤價 - start_bar的收盤價） / start_bar的開盤價

假設的進場點：

second_bar：在start_bar之後形成下一根的K線（第二根K棒）的開盤價視為假設的進場點。我們使用第二根K線而不是第一根，因為爬蟲過程需要一些時間中（少於15秒），在最糟情況下我們可能會在第二根K線進場，因此以最糟的狀況作為假設的進場點，停損點設置在start_bar的開盤價往上1%的地方。

測量跌幅：

1.     從second_bar的開盤價開始測量最大跌幅。

2.     在7天的觀察期內，追蹤最大百分比下跌幅度，且這個最大跌幅的過程中價格不能高過於start_bar的開盤價，因為這是我們的停損點。

研究目標

• 計算 start_bar 實體K棒的跌幅

= ( start_bar開盤價-start_bar收盤價 ) / start_bar開盤價

為什麼start_bar的跌幅很重要？因為它代表我們的風險。但為什麼我們將止損設置在start_bar的開盤價往上1%的地方，因我們假設的行情是當公告發生後，該標的就陸續一直跌一直跌，不回頭的行情，因此start_bar 實體K棒的幅度就代表了我們的風險！

• 計算進場點（second_bar的開盤價）後7天內的最大的下跌幅度，且過程中價格不能高過於start_bar的開盤價。
• 探討上述兩項之間是否有任何相關性，若沒有原因為何？
• 是否能發展出相對應的手法進行操作？

案例分析 1  – CVPUSDT

CVPUSDT是已被下架的標的，讓我們把上面定義的名詞放進圖表查看。此外，目前無法在幣安或TradingView上查看圖表，但可以幣安的API拿到數據。

from binance.client import Client
client.get_historical_klines(symbol, interval, start_str, end_str, klines_type=HistoricalKlinesType.SPOT)

正如我們所提到的，觀察期為7天，我們從第二根K線的開盤價開始測量最大百分比下跌幅度。

在CVPUSDT案例中，start_bar百分比為0.739%，最大的下跌幅度為66.538%。

案例分析 2  – REEFUSDT

接下來，REEFUSDT的案例就比較特殊了，先來看結果，在REEFUSDT案例中，start_bar百分比為26.027%，最大的下跌幅度為7.284%。我們可以看到REEFUSDT的start_bar的跌幅很大，但最大跌幅其實很小。

從這可以推斷出一個假設，當start_bar很大的時候某種程度來說會擠壓到最大跌幅的空間。簡單來說就是第一根就全部跌完了，後續的跌幅就會相對很少。

從這也可以推斷出後續策略若失效的話，大致上也會呈現類似的狀況，參與者同一時間衝進市場做出同樣行為，造成價格大幅度滑動向下，以至於造成一根很大幅度的K棒，相對的最大跌幅也會被壓縮，這就是我認為策略未來可能失效的跡象。

最終結果

樣本清單中共有43個代幣。對所有樣本應用相同流程後，結果如下圖所示：

• 上方圖表（藍色）顯示最大跌幅
• 下方圖表（綠色）顯示start_bar跌幅

從視覺上看，當start_bar的跌幅（下方圖表）較大時，最大跌幅（上方圖表）往往較小。這就是上述REEFUSDT的狀去，若短時間內跌的空間有限，那麼start_bar的跌幅就會壓縮了最大跌幅的空間。 此外，圖表按時間排序，2024年在左側，2022年在右側。可以看到，雖然不太明顯，但最大跌幅隨時間減少的趨勢仍存在，這也是其中一個策略可能失效的徵兆，須定期追蹤此數據，若未來最大跌幅慢慢減少（利潤），那麼也意味著策略有可能漸漸失效。

但是當我們對這兩組數據（start_bar的跌幅和最大跌幅）進行相關性分析時，相關性為-0.214，數據顯示兩者為弱相關，但趨近於沒有相關性，為什麼會這樣? 大家可以先想看看，再繼續往下閱讀。

探討start_bar 跌幅和最大跌幅之間是否有任何相關性，若沒有原因為何？

以下的想法為個人主觀意見僅供參考，目前的解讀是因為此策略還沒有失效或者說交易失敗(停損)的樣本不夠多，因此在僅有的樣本裡賠錢的交易發生的次數還不足以讓他們有非常強的相關性。但推斷在未來，此策略越來越多人知道的情況下，其最大跌幅可能會慢慢減少，並且 start_bar 的跌幅也可能相對增加，可能的原因如 REEFUSDT 案例中說的一樣，當越來越多參與者同時間做出同樣行為時，造成第一根得跌幅增加，並且潛在利潤也可能降低。

是否能發展出相對應的手法進行操作？

首先，進場點和停損點延續上面的假設下，那就剩下停利點和濾網需要考量。前面有提到 start_bar 得跌幅若太大的話，會相對壓縮我們的利潤，因此我們需要一個濾網去篩選掉一些不是很好的機會，當 start_bar 超過某數值時就不進場，因此我稱此參數為Start_bar limit。

接著，我們也需要一個適當的停利點，我稱之為 Tp_point。因此我去跑了最佳化目的是找出其參數高原，首先這個最佳化模型的x軸、y軸、z軸依序為 Start_bar limit 、Tp_point 和 PPF ，這個 PPF (Pessimistic Profit Factor )其公式如下：

PPF 是一項穩健度衡量指標，其計算方式會根據勝負次數取平方根後進行調整（注意正負號的影響）。這樣的設計會使樣本數較少的小交易更易受到不利影響。由於樣本量極少，所以我們選擇使用對小樣本不利的模型來作為最佳化指標。然而，由於此最佳化模型的科學性尚不足，僅供參考。

假設資料 A 獲利和虧損次數為100次，資料 B 獲利次數和虧損次數為10次，假設兩個平均獲利和平均虧損都相同:

• Win count: 100-sqrt(100) ; Lose count: 100+sqrt(100)
• Win count: 10-sqrt(10) ;  Lose count: 10+sqrt(10)

在樣本少的情況下，win count會被扣的比例較多，lose count會被加的比例較高，算式如下：

• sqrt(100) /100 = 0.1
• sqrt(10)/10 = 3.162/10 = 0.3162

為什麼會說這最佳化模型不夠科學？

參數選擇的主觀性和數據分布特性

在選擇參數時，由於高度主觀性，我們必須注意「start_bar 跌幅」與「最大跌幅」這兩個變量之間並無顯著相關性，因此這種模型參數在實務操作中可能會失效。然而，考慮到策略未來的適應性，將「start_bar 跌幅」和「最大跌幅」作為 x 和 y 軸參數仍有其必要性。特別是「start_bar 跌幅」，不僅可作為篩選條件，也很大程度上反映了潛在風險。

如何解讀圖表

在解讀圖表時需要謹慎，特別是考量到目前失敗樣本數相對較少的情況。零散的參數分布意味著結果的穩定性可能受到影響，因此在分析模型時，需注意這些變量並非具有絕對影響力。圖表主要提供了一種參考，用來評估參數在不同情境下的可能影響，而非做出最終決策。

可以看到當start_bar的跌幅設定在0.04（4%）和0.02（2%）時，模型的效果相對較佳。然而，考慮到未來start_bar跌幅可能增加、最大跌幅可能減少的情況，我會將start_bar的限制範圍設置在0.04至0.05之間，並將Tp_point設置在0.3至0.375之間。以上是我選擇這些參數的原因，但需要強調的是，因為失敗的樣本數量有限，此模型僅為我個人的主觀判斷，請勿直接採用。

此外，有讀者可能會想問：

現貨到底要怎麼放空？

首先需要先到 Binance 讀熟現貨以及槓桿借幣的相關規則，尤其起注意風險率的規定，網址如下：

這裡簡單描述其主要流程：

1.     將USDT轉入逐倉或全倉槓桿帳戶

2. 借出該代幣

3.     到逐倉或全倉槓桿帳戶賣出即可

4.     平倉買回的時候還款

講起來很簡單，中間卻有很多細節和規則，保證金的風險率(維持率)要維持在多少？要怎麼借？怎麼還？借幣會不會借不到？可以借多少？平倉的時候流動性夠不夠？這些都是需要考慮的因素，但這些就只能自己慢慢把規則一個一個看完。若是槓桿借幣太麻煩，還有另一種操作方法就是到其他交易所看有沒有合約，會是一個更簡單直接的做法。

結論

本篇文章探討幣安下架公告對加密貨幣價格的影響，並以此為基礎發展出潛在交易策略。研究方法鎖定於幣安的現貨交易下架公告，並以七天的觀察期追蹤價格的最大跌幅。研究過程定義了名詞，如start_bar（公告當下的K線）和second_bar（假設的進場點），並計算 start_bar 的跌幅及進場後的最大跌幅，以探討兩者的相關性。

主要發現包括：

1. start_bar的跌幅較大時，後續的最大跌幅空間相對受到壓縮。

2. 對43個樣本進行相關性分析後，發現兩者幾乎沒有相關性，顯示弱相關。

基於上述研究，提出了一個交易策略的初步框架，考慮設定 start_bar limit 及 tp_point作為參數篩選條件。針對參數優化的 3D 模型顯示，在特定的 start_bar 和 tp_point 組合下，策略效果較佳。

針對如何在現貨市場進行放空操作，並簡單介紹了幣安槓桿借幣的流程，並提醒需要理解其中的風險與規則，該策略尚需更多樣本與驗證。

社群媒體：

Twitter: https://x.com/UncoverTrading 不會主動私訊您 !!!

Twitter: https://x.com/wwwp407 不會主動私訊您 !!!

如果您還沒有Binance幣安或Bybit帳戶，這是我的推薦連結：

Binance：https://www.binance.com/zh-TC/activity/referral/offers/claim?ref=CPA_001AVXVMLR

Bybit：https://www.bybit.com/invite?ref=B4LAXG

--------------------------------------------------------------------------------------------

這些內容僅供參考，並非投資建議。進行任何投資決策前，請務必自行研究並諮詢財務專業人士。