0手续费交易对值得被重视

6月，币安推出了几个0手续费交易对，紧接着Dydx交易所也跟进了。

dydx 交易所， 用户交易额的不同，手续费也不同

和币安不同，币安仅仅减免少量几个交易对的手续费。 DYDX则根据用户的交易额的不同，手续费可能是 0% ~ 0.1% 不等。

• 月交易量小于10w U 或者 大于 5000w U的用户是免手续费的；
• 介于10w ~ 5000w 的用户是手续费的主要贡献者。

真的有点类似我们社会的中产阶级，穷人阶级太穷了无法收割，富豪阶级富可敌国，收割不了。

那么0手续费交易(对)值得薅吗？

我们做一下实验。

手续费差之毫厘，收益失之千里

下面是同一个由AI驱动的策略。

按万分之0.5 （0.005%） 手续费计算， 也就是几乎忽略手续费，2022年初至八月底 获得了679.48倍收益 （是679.48倍，不是679.48%，没错！）。

下图按万二五（0.025%）手续费计算，收益只剩 7.03 倍了。

下图按万分之5（0.05%）手续费计算，收益是负的！ -0.28倍！
但是从下方的第二个子图的蓝色点 vs 红色点可以看出，盈利的交易依然多于亏损的交易，只是获利不足以覆盖手续费开支而已。

越是高频的交易策略，对手续费越是敏感

笔者做了一下实验，发现最小K线用到2分钟图（但是不意味着只使用2分钟K线，可能同时也使用了6/8/12/20/25/40/50分钟图，稍后解释）的策略，按一开一平各万分之五（0.05%）手续费计算，2022年至今依然获得 429倍的收益， 但手续费消耗也极大，也就是说，每获得100W收益，就给交易所贡献了大约30W手续费。

实验1

最小周期K线使用15分钟图的策略，2022年获利能达到 14倍， 但是手续费/利润比达到0.1662， 也就是说，每获得100W收益，就给交易所贡献了大约16W手续费。

点此查看详尽的performance report

实验2： 高盈亏比能缓冲手续费开支

最小周期K线使用5分钟图的策略，2022年获利能达到122.8倍， 手续费/利润比达到 0.111， 也就是说，每获得100W收益，就给交易所贡献了大约11W手续费。看起来比实验1更好，但是这个策略的盈亏比可是实验1的3.5倍。

点此查看详尽的performance report

实验3

最小周期K线使用2分钟图的策略，2022年获利能达到428.4倍，手续费/利润比达到 0.298， 也就是说，每获得100W收益，就给交易所贡献了大约29.8W手续费

点此查看详尽的performance report

上面均是没有使用杠杆的结果。 每日的交易次数有点多，因为系统会合成6/8/12/20/25/40/50分钟等不常见的K线，并抓住其中的交易信号。

题外话

没什么好惊奇和质疑的，刚才428倍收益的策略，分散到每一个月份，也就42%~330%而已

上面的实验中，有些策略不到1年就几百倍的收益，系统算错了吧！ 还是用了什么黑科技？

我第一感觉也怀疑系统算错了。

然后我用了PyFolio 、 QuantStats 和 Backstrader自带的analyzer分别做了业绩分析，结果显示一致的。

依然担心它们全部都错了，就又用pandas分析和统计了原始的交割单，再抽查了部分交割单的盈亏和手续费计算，结果显示依然是一致的。

原始交割单

原始的交割单有备份，哪位读者朋友有兴趣再次分析一下， 可以加入 这个Slack Channel 索取， 如果加不了请 点此Telegram联系博主。

欢迎加入“ML与量化”Slack Channel一起探讨学习

上面是开发者/研究人员的Channel， 不想参与研究，只想围观研究成果的读者朋友请加 https://litupme.slack.com/archives/C042YH1C945

至于有没有使用什么黑科技，可以简单的总结为：
如果这部分没看懂，可以先读下方FAQ，然后再回头看

• 1.时序预测模型提供了60%左右的准确率 <- 很平凡对吧？
• 2.仓位优化模型加重了获利较好的交易的仓位，减少了获利一般的交易的仓位，阻止了亏损或者不盈不亏的交易。
• 3.风控模型使用和1类似的预测技术，在暴风雨来临之前就“只平不开”，或者提前退场避险，把最大回撤压到极低。
• 4.按需合成 6/8/12/20/25/40/50分钟的K线图，并监控其中的交易信号提供了更多的交易机会，日均交易次数有时可达16次/日。

更详尽的信息请认真看下方FAQ

Faq

下面部分有很多AI领域的专业术语，没有相关基础的读者可以先看看“AI知识导读”

—— —— —— —— FAQ: —— —— —— ——

• 策略是在什么周期的K线上操作的？
  答：全部周期。传统的交易会在 1分钟、5分钟、10分钟、30分钟、1/2/4/12小时等线图上操作。
  而这个策略会K线图重采样为 2/3/4/6/7/8/9/12/16 …… 40/50分钟图，并抓住其中每一个周期的交易机会。实验证明：单个标的在多个周期的交易机会要比 多个标的在单个 timeframe K线图上的交易机会 要多得多，可能是因为整个币圈的98%的比都是具有协同性（高度相关的），大饼在15分钟图上没有交易机会时，遍历整个市场，通常也没有。
  但可能不会同时使用 51分钟、52分钟、53分钟 这种图， 因为他们太过于类似了，浪费计算资源。

• 策略在满足什么条件下开仓和平仓呢？
  答：并不能用传统的技术指标术语去描述，也不能用硬编程或者数学公式去界定，就像你可以写出程序代码或者数学公式分辨胖子和瘦子，但是“美女”和“非美女”却很难用程序代码或者数学公式来分组。AI模型则可以给颜值打分，前提是，你喂给它足够多的美女图片和得分。
  不否认训练集中也有一些流行的技术指标和新创的指标作为特征，但目前还没有用feature selection去衡量其对模型推导结果的帮助。

• 训练集都包括哪些数据？
  答：单个交易提供的OHLCV数据、多个交易所提供的volume数据、ETH/EVM运作产生的数据（并非由交易所提供）、Gan模型生成的一些未来仿真数据。数据多多益善，就像一个预测天气的模型，最开始可能只有 过去和当前的温度、湿度、风向、风速、紫外线强度、pm2.5等，现在把太阳黑子活跃程度 的数据也扔进去，说不定天气和太阳黑子真的有关系，模型就能获得进步，当然如果他们俩没有啥关联，最坏的结果也只是多耗点CPU 算力而已。

• 用了多长时间的数据作为训练集？ 测试集呢？ 发生数据漂移时是怎么处理的？
  答：非严格来讲最初训练集数据只有2021年上半年的2-6个月的数据， 但是策略中使用的大部分模型是 online training 模型，意味着，当回测K线走到2022-02-22时，各个模型已经用2022-02-21以前的数据训练了自己； 当回测K线走到2022-02-23时，各个模型已经用2022-02-22前的数据训练了自己。和一些用了前两年的数据做训练和测试集，然后期望不用继续更新，就能在今年中表现卓越的模型还是不一样的。
  如果数据只是缓慢地发生了concept drift，上面的机制会很快地学到新的概念；如果极短时间内发生了剧烈的domain drift，寄望于下方2个风控模型起作用。

• 这是CTA趋势策略还是均值回复策略？
  答：不能用传统的目光去归类。这是1个AI驱动的策略，其中有一组时序预测模型负责预测未来几根K线的走势，如果模型推导出来的近期K线往某一个方向走的幅度和概率达到一定的标准（并且这次交易被另外一个多分类模型分到“盈利的”、“不盈不亏的”、“亏损的”中的第1种分类），系统则会顺势开仓。……更像CTA策略。

• 最大仓位是多少？ 最大杠杆呢？
  答：也是由AI决定的。 上面提到 “并且这次交易被另外一个多分类模型分到“盈利的”、“不盈不亏的”、“亏损的”中的第1种分类”只是为了简化易理解的解释，实际上 “盈利的” 这种类别中又分为 “盈利超过100%的”、“盈利50~100%的”、“盈利20~50%的”等等，假定一次交易在准备开仓时被这个分类模型分到比较靠前的类别，则仓位比较重，否则比较轻。杠杆是动态的，被限制为最高不超2倍。

• 最大回撤是多少？ 有没有设定硬止损？
  答：不超6%，没有设硬止损。 风控这块由3个模型起作用：
  第1个是上面的多分类模型，假定一个交易在即将开仓的一瞬间被分类到 “不盈不亏的”或者“亏损的”，则仓位被调整为0。
  第2个模型是一个非常保守的时序预测模型，利用了“狂风大雨来临前夕，总是会有一些征兆，在地球上生活久了的人都懂。金融风暴来临之前也会有征兆”的原理， 模型发现推导出的K线走势和真实走势不接近了，就知道自己不行了，“宁可错过，也不做错”，就知道该跑了。假如传统的乖离率像“假如3小时内平均降雨超过150mm，那么我们就终止运动会，回室内休息（但毕竟也被雨淋了3个小时）”， 那么时序预测模型更像“如果接下来的几个小时不再天晴，那么就不开运动会了”。 传统的指标计算止损法是滞后的，等待亏损发生了再去止损，预测模型努力去躲开风险大于收益的区域。
  第3个模型是一个强化学习模型，目的是让1和2成为好搭档发挥到最优。

长按识别下方二维码可在浏览器中打开阅读。