PORT:什么是网格交易法?它在加密市场有何优势?_数字货币

Overview概述

数字货币市场作为一个7x24小时交易的市场,靠人工全天候盯盘是不可实现的,所以量化交易和程序系统交易则在数字货币市场存在天然的生长土壤。本文将简单为投资者介绍量化交易策略之一:网格交易法。

Report报告

网格交易法的来源

网格交易法的思路来源于信息论之父——香农。上世纪40年代的某一天,信息论之父申农在黑板上给大家演示:任何一个价位买进资金的50%,也就是说资金数量:股票市值=50%:50%,当股票价格上涨到一定幅度就卖出一部分股票,保持剩余的资金数量:剩余股票市值=50%:50%;反之,股票价格下跌一定幅度,就用剩余资金买进一部分股票,始终保持剩余资金数量:剩余股票市值=50%:50%。用这个办法来对付股票价格的随机走势,长期交易是盈利的。他在十多年的交易生涯中,获得了29%的年复利增长。上面使用的交易数学模型被称为“双等仓位模型”——事实上,50%完全可以是其他的百分比数值。

网格交易法应用等差数列递增或者等比数列递增的方式来进行交易,其本质是追跌杀涨,在价格下跌的时候加仓,在价格上涨的时候减仓。网格交易法在震荡市中有着非常优异的表现。并且根据数据统计,证券交易市场有超过70%的时间都是处于震荡趋势中。虽然不同的投资者对震荡的判定有所不同,但震荡行情持续时间长,并且一定程度上缺乏赚钱效应,消磨投资者的交易耐心。比如A股上证指数经历十年仍在3,000左右,就证明了市场震荡行情是可以持续多久的。

网格交易法的应用

网格交易法需要设定价格中枢,利用“档位”的模式对投资标的进行机械式操作,下跌时,进行分档买入,上涨时,进行分档卖出。网格法由于不依赖人为的思考,完全是一种程序行为,像渔网一样,利用行情的波动在网格区间内低买高卖,可以合理控制仓位,保持仓位市值与剩余资金量为50%:50%,这样拥有较强的抗风险能力。但在大涨大跌的单边行情下,网格交易法则会出现增加资金风险或者减少潜在收益的情况。

1、建立底仓,设定价格中枢

选择开仓时点,之后配置资产和资金为50%

2、确定交易间距和网格密度

交易区间决定网格的密度,而交易区间则需要投资者根据对风险的判断来进行决定。网格越密集,越能捕捉到微小的价格波动,可能会导致盈利增加,但需要的资金量也将随着交易区间的密度降低而增长。

下面将举例三种大小的网格所对应的效果。

网格代表:每下跌3%买入,每上涨5%卖出;网格代表:每下跌5%买入,每上涨10%卖出;网格代表:每下跌8%买入,每上涨15%卖出。

所以网格范围区间越大,则投资者所要承担的风险越大,而收益回报情况也将会越高。

3、每格交易额

根据仓位管理策略进行划分,网格交易有多个变种,如等比例下注,即每一格仓位相等;金字塔策略,即每一格仓位逐渐递减;倒金字塔策略,即每一格仓位在逐步增加。

4、止盈止损

在网格交易中最重要的部分就是止盈止损,根据行情波动情况来选择网格密度,确定止盈止损区间,在上涨的时候止盈和止损可以适当放宽空间,而在下跌过程中则需要收窄止损空间。

网格交易法存在的问题

跌破最低价,会出现亏损。所以网格交易法在底部震荡区域的效果最好,安全度更高。市场都是不可预测的,往往会出现与投资者判断相反的情况出现,下跌的时候可能会加速下跌,当跌破所设最低价的时候还是及时止损离场为好。

突破最高价后仓位空仓,开始牛市单边行情的话收益不高。当面对单边行情时及时更改交易策略或者放大网格空间。

资金使用效率不高。网格交易本身是逐步买入,逐步卖出的交易策略,这样就会导致整体资金的使用率在60%~70%左右。

对人为操作交易的不友好。网格交易法偏属纯粹的机器量化交易,在设定好指标参数之后,由系统帮助投资者进行行情的实时监测,一旦发现价格触发参数条件后,直接执行买入卖出。

网格交易法在数字货币市场的优势

1、数字货币市场为7x24小时市场,比传统交易市场一周内增长了超7倍的交易时长,这无形中进一步扩大了交易机会。

2、数字货币市场整体波动较为剧烈,而网格交易法在震荡行情下,会有更好的收益情况。

3、7x24小时市场,人工来做无法全天候实时盯盘,需要交给程序来进行交易;而网格交易法也对程序交易充满了依赖性。这样使得网格交易法在数字货币交易市场存在更加契合的生长土壤。

Conclusion结语

网格交易法存在着鲜明的优缺点和适用行情,投资者在应用过程中应注意行情的判断和对止盈止损的规划。

风险提示:

警惕打着区块链和新技术的旗号进行非法金融活动,标准共识坚决抵制利用区块链进行非法集资、网络、ICO及各种变种、传播不良信息等各类违法行为。

郑重声明: 本文版权归原作者所有, 转载文章仅为传播更多信息之目的, 如作者信息标记有误, 请第一时间联系我们修改或删除, 多谢。

大币网

[0:31ms0-5:658ms