永续合约多空双开“戴套”策略的逻辑是什么,胜率惊人的96%是怎么做到的,其实并没有想的那么复杂,会代码的都可以写出来

为什么叫多空双开“戴套”量化策略呢,因为这个策略的特点是永远有一个仓位是被套的,但是这个不影响我们盈利,具体怎么实现大家看下面这个图就明白是怎么回事了。

在这里插入图片描述

这个策略的逻辑很简单也容易理解,就是多空双开,盈利平仓,被套加仓,直到被套订单回到成本价平仓出局,这个就保证了所有的平仓单都是不亏损的,至于实盘中有一些是亏损的订单,是因为平仓滑点导致,并非策略问题造成的。

我们用上面这个图做案例讲解,大家很快就明白是怎么样的策略了

我在1的位置同时多空双开,仓位各1张,多1空1

行情往下跌到2的位置,空单盈利,多单被套浮亏,我们平仓盈利的1张空单,同时在2位置的价格处新开1张空单,此时仓位多2空1,

价格继续往下跌到3的位置,这时候在2价位开的空单盈利,多单继续被套,我们平掉获利的1张空单,同时新开1张空单,再加仓1张多单,仓位多3空1

价格继续下跌到4的位置,平获利的1张空单,新开1张空单,加仓1张多单,仓位多4空1

价格继续下跌到5的位置,平获利的1张空单,新开1张空单,加仓1张多单,仓位多5空1

价格反弹到6的位置,多单仍浮亏,不加仓,空单加仓1张,仓位多5空2

价格上涨到7的位置,多单回到持仓成本及,平仓出局,收益0,再新开1张多单,加仓1张空单,此时仓位多1空3

我们以价格走到7这个位置为准,计算一下盈利的情况,平仓订单有5单,其中空单4单全部获利,多单1单成本价平仓0亏损,这就是整个量化策略的交易逻辑,非常的容易理解。

图片

这个是简单的一个策略逻辑介绍,但实际的策略我们在补仓的间隔上会放的更大一些,同时加入马丁的补仓法让被套单以更快的速度回本平仓,当然这个在运行过程也是把风险放大了,那么真的遇到极端的风险的情况下我们还是要进行止损的,以下是我们根据不同的仓位大小,配置不同的币对的情况,大家可以做下参考!

图片

在风险控制方面,首先会通过子账户功能把风险做隔离,其次首仓的仓位大小做好控制,最后是币种的选择上,避开新币,市值小的币种,以上就是关于多空双开“戴套”策略的相关介绍!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/758699.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

FREERTOS空闲任务和低功耗

空闲任务 空闲任务是 FreeRTOS 必不可少的一个任务,其他 RTOS 类系统也有空闲任务,比如uC/OS。看名字就知道,空闲任务是处理器空闲的时候去运行的一个任务,当系统中没有其他就绪任务的时候空闲任务就会开始运行,空闲任…

slab分配器

什么是slab分配器? 用户态程序可以使用malloc及其在C标准库中的相关函数申请内存;内核也需要经常分配内存,但无法使用标准库函数;linux内核中,伙伴分配器是一种页分配器,是以页为单位的,但这个…

基于 Echarts + Python Flask ,我搭建了一个动态实时大屏监管系统

一、效果展示 1. 动态实时更新数据效果图 2. 鼠标右键切换主题 二、确定需求方案 支持Windows、Linux、Mac等各种主流操作系统;支持主流浏览器Chrome,Microsoft Edge,360等;服务器采用python语言编写,配置好python环…

计算机设计大赛 题目: 基于深度学习的疲劳驾驶检测 深度学习

文章目录 0 前言1 课题背景2 实现目标3 当前市面上疲劳驾驶检测的方法4 相关数据集5 基于头部姿态的驾驶疲劳检测5.1 如何确定疲劳状态5.2 算法步骤5.3 打瞌睡判断 6 基于CNN与SVM的疲劳检测方法6.1 网络结构6.2 疲劳图像分类训练6.3 训练结果 7 最后 0 前言 🔥 优…

Orange3数据预处理(公式组件)

公式 为您的数据集添加新特征。 输入 数据:输入数据集 输出 数据:带有额外特征的数据集 公式组件允许通过使用用户定义的表达式来计算新列。结果列可以是分类的、数值的或文本的。 对于数值变量,只需提供名称和表达式。 1.构建变量列表…

学点儿Java_Day7_在实体类当中IDEA无法进行单元测试(@Test没有启动按钮)

在敲代码体会继承和访问修饰符的时候忽然遇到了单元测试不管用的情况,表现为没有启动按钮   经过一番折腾,发现我的测试是在具有构造函数的实体类Person当中进行的,当我把所有的构造函数删除后,启动按钮又出来了,加…

水电能源智能化监控系统

水电能源智能化监控系统是利用现代信息技术,对水电站的运行状态、设备性能、环境参数等进行实时监测和管理的一种智能化系统。随着我国水电能源事业的快速发展,水电能源智能化监控系统在水电能源行业中的应用越来越广泛,为我国水电能源事业的…

关于继承是怎么样的?那当然是很好理解之

本文描述了关于继承的大部分知识,但是并不全,每篇博客之间的知识都有互串,所以需要把几篇文章合起来看,学会融会贯通! 温馨提示:使用PC端观看,效果更佳! 目录 1.继承是什么 2.什…

【位运算】【 数学】【 哈希映射】2857. 统计距离为 k 的点对

本文涉及知识点 位运算 数学 哈希映射 LeetCode 2857. 统计距离为 k 的点对 给你一个 二维 整数数组 coordinates 和一个整数 k ,其中 coordinates[i] [xi, yi] 是第 i 个点在二维平面里的坐标。 我们定义两个点 (x1, y1) 和 (x2, y2) 的 距离 为 (x1 XOR x2) …

STM32最小核心板使用HAL库实现UART接口通讯(中断方式)

正式环境里需要串联电阻,或设计过滤电路。核心板是STM32F103C8T6 这里使用了UART3的接口,具体使用MX创建项目就不放了,百度下都有 /*USART3 GPIO ConfigurationPB10 ------> USART3_TXPB11 ------> USART3_RX */ 因为是串口…

开发技术-FeignClient 对单个接口设置超时时间

1. 背景 FeignClient 调用某个接口,3s 没有结果就需要停止,处理后续业务。 2. 方法 FeignClient 自定义 name 属性 FeignClient(name "aaa" , url "xxx") public interface TestApi {ResponseBodyPOSTMapping(value "xx…

以码会友|PR大征集!2024共绘 MoonBit 新篇章!

首先,感谢 MoonBit 社区所有的贡献者在过去一个月积极的参与和贡献!为了感谢与鼓励更多的MoonBit Contributor,我们以码会友,邀请你加入“一起成为MoonBit Contributor!” 的活动! 活动内容也可以点击文章…

【第十三章】改进神经网络学习方式-其他正则化技术

L1正则化 除了L2正则化之外,还有许多正则化技术。事实上,已经开发出了如此多的技术,以至于我不可能总结它们。在本节中,我简要介绍了三种减少过拟合的其他方法:L1正则化、dropout和人为增加训练集大小。我们不会像之前…

在ComfyUI中,IP-Adapter的一大堆模型应该怎么放?

🎁背景介绍 IP-Adapter有一大堆的模型,那么这个模型在ComfyUI中,这些模型到底应该怎么放呢?这篇文章简单介绍一下。 首先,大家需要到huggingface上找到对应的模型,把所有的模型先下载下来。 huggingface…

技术工作报告-基于linux的信息转二维码图像方法的研究

一、摘要: 本报告旨在介绍基于Linux的信息转二维码图像方法的研究。通过对二维码技术的背景和相关研究的调研,我们提出了一种基于Linux平台的信息转二维码图像方法,并进行了实验验证。本方法可以在Linux系统上实现高效、准确的信息转二维码图…

数据分析的具体流程

1.导入 表格导入数据时要注意数据的格式问题非表格导入 可以先将文档放入word中 将换行符(^p)替换为|||,选择特殊格式中的段落标记 进行全部替换 以每一列最后的数据/平,作为换行的标志 将所整理的信息导入excel,对数据进行分列 选…

大数据 - Spark系列《十四》- spark集群部署模式

Spark系列文章: 大数据 - Spark系列《一》- 从Hadoop到Spark:大数据计算引擎的演进-CSDN博客 大数据 - Spark系列《二》- 关于Spark在Idea中的一些常用配置-CSDN博客 大数据 - Spark系列《三》- 加载各种数据源创建RDD-CSDN博客 大数据 - Spark系列《…

Git版本管理工具

前言: 本文记录学习使用 Git 版本管理工具的学习笔记,通过阅读参考链接中的博文和实际操作,快速的上手使用 Git 工具。 本文参考了引用链接博文里的内容。 引用: Git使用教程-配置管理 git reset详解-CSDN博客 3、Git使用不完全指南&am…

二维数组应用案例

大家好: 衷心希望各位点赞。 您的问题请留在评论区,我会及时回答。 考试成绩统计 案例描述:有三名同学(张三、李四、王五),在一次考试中成绩分别如下表,请分别输出三名同学的总成绩。 成绩表 语…

全面整理!机器学习常用的回归预测模型(表格数据)

文章目录 一、前言二、线性模型三、非线性模型 🍉 CSDN 叶庭云:https://yetingyun.blog.csdn.net/ 一、前言 回归预测建模的核心是学习输入 X X X 到输出 y y y (其中 y y y 是连续值向量)的映射关系。条件期望 E ( Y ∣ X x…