Search

Obchodní strategie pro kryptoměny bývají založeny na padajícím nebo stoupajícím trhu. Kámen úrazu nastává, když jsou aplikovány na špatný trend v tak nestabilním trhu, jako je ten s kryptoměnami. Tato práce se zabývá možností adaptivních obchodních strategií, které se dokáží přizpůsobit na klesající a stoupající trendy v kryptoměnovém trhu. Analyzováním ceny Bitcoinu a vytvořením metriky risku, kde se díváme na extrémy vytvořené funkce, můžeme dojít k řešení návrhu adaptivních strategií. Zkoumají se jak dlouhodobé, tak krátkodobé možnosti investování. K vyhodnocování strategií a vykreslování časových řad je vytvořen rozšířitelný program pro testování historických dat. Výsledky jsou porovnány s tradičními přístupy, jako je HODL a rebalancování, přičemž bylo zjištěno, že při použití správných kritérií se mohou více než ztrojnásobit. Práce nabízí investorům nové způsoby zisků a zároveň dává čtenářům možnost nahlédnout do tvorby (adaptivních) strategií a jejich zpětného testování v kódu. Předpokládá se, že výsledky práce budou využívány automatizovanými obchodními systémy., Cryptocurrency trading strategies are based on either rising or falling markets, however, they fail when applied to the wrong trend in a volatile market. This thesis explores the idea of cryptocurrency trading in rising and falling markets with adaptive strategies that can adjust to current market trends in order to maximize effectiveness. The problem is solved by analyzing the Bitcoin price, creating risk metric and focusing on the function's extrema. Both long-term and short-term options are explored. An extensible backtester program is created to evaluate the strategies and plot the time series. The results are compared to traditional approaches like HODL and rebalance, the profits can multiply more than three times using the right criteria. The thesis offers new ways of gaining profit to cryptocurrency investors, as well as giving readers insight into creating (adaptive) trading strategies and backtesting them in code. The output of the thesis is expected to be used by automated trading systems.

Obchodní strategie pro kryptoměny bývají založeny na padajícím nebo stoupajícím trhu. Kámen úrazu nastává, když jsou aplikovány na špatný trend v tak nestabilním trhu, jako je ten s kryptoměnami. Tato práce se zabývá možností adaptivních obchodních strategií, které se dokáží přizpůsobit na klesající a stoupající trendy v kryptoměnovém trhu. Analyzováním ceny Bitcoinu a vytvořením metriky risku, kde se díváme na extrémy vytvořené funkce, můžeme dojít k řešení návrhu adaptivních strategií. Zkoumají se jak dlouhodobé, tak krátkodobé možnosti investování. K vyhodnocování strategií a vykreslování časových řad je vytvořen rozšířitelný program pro testování historických dat. Výsledky jsou porovnány s tradičními přístupy, jako je HODL a rebalancování, přičemž bylo zjištěno, že při použití správných kritérií se mohou více než ztrojnásobit. Práce nabízí investorům nové způsoby zisků a zároveň dává čtenářům možnost nahlédnout do tvorby (adaptivních) strategií a jejich zpětného testování v kódu. Předpokládá se, že výsledky práce budou využívány automatizovanými obchodními systémy., Cryptocurrency trading strategies are based on either rising or falling markets, however, they fail when applied to the wrong trend in a volatile market. This thesis explores the idea of cryptocurrency trading in rising and falling markets with adaptive strategies that can adjust to current market trends in order to maximize effectiveness. The problem is solved by analyzing the Bitcoin price, creating risk metric and focusing on the function's extrema. Both long-term and short-term options are explored. An extensible backtester program is created to evaluate the strategies and plot the time series. The results are compared to traditional approaches like HODL and rebalance, the profits can multiply more than three times using the right criteria. The thesis offers new ways of gaining profit to cryptocurrency investors, as well as giving readers insight into creating (adaptive) trading strategies and backtesting them in code. The output of the thesis is expected to be used by automated trading systems.

Cíl této práce je prostudovat svět obchodování. Analyzovat jak se trhy chovají, kdo nebo co se na nich nachází a jaké existují přístupy k obchodování. Strategie obchodování nejen probádat, ale také analyzovat a simulovat jejich chování. Výsledkem by měl být nástroj schopný srovnání naimplementovaných metod a vlastního návrhu autora. Pro řešení byla využita implementace simulačního nástroje v Pythonu, který pracuje s daty staženými z Binance rozhraní. Strategie, které jsou analyzovány a simulovány jsou Lump Sum (LS), Dollar Cost Averaging (DCA) a Rebalancing. Práce představuje také vlastní strategii pojmenovanou Momentum and Overheating Strategy (MOS), která využívá indikátoru relativní síly (RSI) a sezóního chování trhu. Srdcem této metody je skládání několika ohodnocených funkcí tak, aby vznikla synergie. Využívá se nejen RSI, ale také klouzavého průměru, sezónního rozložení a derivace. Výsledkem je empirické a statistické porovnání všech metod a zjištění která z metod je jak moc vhodná a za jakých podmínek. MOS a Rebalancing se ukázaly být přibližně stejně výnosné a ze zkoumaných metod nejlepší. Na závěr jsou uvedeny hypotézy proč je MOS lukrativní a jaké vhodné vylepšení do budoucna by mělo smysl implementovat., The objective of this study is to explore the world of trading by analyzing market behavior, identifying market participants, and examining various trading approaches. The study aims to not only investigate trading strategies but also analyze and simulate their performance. The outcome of this work is the development of a tool capable of comparing implemented methods and the author’s own proposed strategies. To achieve this goal, a Python simulation tool was implemented that uses data obtained from the Binance API. The analyzed and simulated strategies include Lump Sum (LS), Dollar Cost Averaging (DCA), and Rebalancing. Additionally, a novel strategy called Momentum and Overheating Strategy (MOS) is introduced, which incorporates the Relative Strength Index (RSI) indicator and takes advantage of seasonal behavior in market. The core of this strategy involves combining multiple weighted functions to achieve synergy, leveraging not only RSI but also moving averages, seasonal decomposition and derivatives. The results consist of an empirical and statistical comparison of all the methods to determine their relative suitability under different conditions. MOS and rebalancing were found to be similarly profitable, outperforming the other examined methods. Finally, hypotheses are presented to explain the profitability of MOS and suggest potential future enhancements that could be implemented.

Cíl této práce je prostudovat svět obchodování. Analyzovat jak se trhy chovají, kdo nebo co se na nich nachází a jaké existují přístupy k obchodování. Strategie obchodování nejen probádat, ale také analyzovat a simulovat jejich chování. Výsledkem by měl být nástroj schopný srovnání naimplementovaných metod a vlastního návrhu autora. Pro řešení byla využita implementace simulačního nástroje v Pythonu, který pracuje s daty staženými z Binance rozhraní. Strategie, které jsou analyzovány a simulovány jsou Lump Sum (LS), Dollar Cost Averaging (DCA) a Rebalancing. Práce představuje také vlastní strategii pojmenovanou \textit{Momentum and Overheating Strategy} (MOS), která využívá indikátoru relativní síly (RSI). Srdcem této metody je skládání několika ohodnocených funkcí tak, aby vznikla synergie. Využívá se nejen RSI, ale také klouzavého průměru a derivace. Výsledkem je empirické porovnání všech metod a zjištění která z metod je jak moc vhodná a za jakých podmínek. MOS a Rebalancing se ukázaly být přibližně stejně výnosné a ze zkoumaných metod nejlepší, The objective of this study is to explore the world of trading by analyzing market behavior, identifying market participants, and examining various trading approaches. The study aims to not only investigate trading strategies but also analyze and simulate their performance. The outcome of this work is the development of a tool capable of comparing implemented methods and the author's own proposed strategies. To achieve this goal, a Python simulation tool was implemented that uses data obtained from the Binance API. The analyzed and simulated strategies include Lump Sum (LS), Dollar Cost Averaging (DCA), and Rebalancing. Additionally, a novel strategy called Momentum and Overheating Strategy (MOS) is introduced, which incorporates the Relative Strength Index (RSI) indicator. The core of this strategy involves combining multiple weighted functions to achieve synergy, leveraging not only RSI but also moving averages and derivatives. The results consist of an empirical comparison of all the methods to determine their relative suitability under different conditions. MOS and rebalancing were found to be similarly profitable, outperforming the other examined methods. Finally, hypotheses are presented to explain the profitability of MOS and suggest potential future enhancements that could be implemented.

Cíl této práce je prostudovat svět obchodování. Analyzovat jak se trhy chovají, kdo nebo co se na nich nachází a jaké existují přístupy k obchodování. Strategie obchodování nejen probádat, ale také analyzovat a simulovat jejich chování. Výsledkem by měl být nástroj schopný srovnání naimplementovaných metod a vlastního návrhu autora. Pro řešení byla využita implementace simulačního nástroje v Pythonu, který pracuje s daty staženými z Binance rozhraní. Strategie, které jsou analyzovány a simulovány jsou Lump Sum (LS), Dollar Cost Averaging (DCA) a Rebalancing. Práce představuje také vlastní strategii pojmenovanou \textit{Momentum and Overheating Strategy} (MOS), která využívá indikátoru relativní síly (RSI). Srdcem této metody je skládání několika ohodnocených funkcí tak, aby vznikla synergie. Využívá se nejen RSI, ale také klouzavého průměru a derivace. Výsledkem je empirické porovnání všech metod a zjištění která z metod je jak moc vhodná a za jakých podmínek. MOS a Rebalancing se ukázaly být přibližně stejně výnosné a ze zkoumaných metod nejlepší, The objective of this study is to explore the world of trading by analyzing market behavior, identifying market participants, and examining various trading approaches. The study aims to not only investigate trading strategies but also analyze and simulate their performance. The outcome of this work is the development of a tool capable of comparing implemented methods and the author's own proposed strategies. To achieve this goal, a Python simulation tool was implemented that uses data obtained from the Binance API. The analyzed and simulated strategies include Lump Sum (LS), Dollar Cost Averaging (DCA), and Rebalancing. Additionally, a novel strategy called Momentum and Overheating Strategy (MOS) is introduced, which incorporates the Relative Strength Index (RSI) indicator. The core of this strategy involves combining multiple weighted functions to achieve synergy, leveraging not only RSI but also moving averages and derivatives. The results consist of an empirical comparison of all the methods to determine their relative suitability under different conditions. MOS and rebalancing were found to be similarly profitable, outperforming the other examined methods. Finally, hypotheses are presented to explain the profitability of MOS and suggest potential future enhancements that could be implemented.

Obchodní strategie pro kryptoměny bývají založeny na padajícím nebo stoupajícím trhu. Kámen úrazu nastává, když jsou aplikovány na špatný trend v tak nestabilním trhu, jako je ten s kryptoměnami. Tato práce se zabývá možností adaptivních obchodních strategií, které se dokáží přizpůsobit na klesající a stoupající trendy v kryptoměnovém trhu. Analyzováním ceny Bitcoinu a vytvořením metriky risku, kde se díváme na extrémy vytvořené funkce, můžeme dojít k řešení návrhu adaptivních strategií. Zkoumají se jak dlouhodobé, tak krátkodobé možnosti investování. K vyhodnocování strategií a vykreslování časových řad je vytvořen rozšířitelný program pro testování historických dat. Výsledky jsou porovnány s tradičními přístupy, jako je HODL a rebalancování, přičemž bylo zjištěno, že při použití správných kritérií se mohou více než ztrojnásobit. Práce nabízí investorům nové způsoby zisků a zároveň dává čtenářům možnost nahlédnout do tvorby (adaptivních) strategií a jejich zpětného testování v kódu. Předpokládá se, že výsledky práce budou využívány automatizovanými obchodními systémy., Cryptocurrency trading strategies are based on either rising or falling markets, however, they fail when applied to the wrong trend in a volatile market. This thesis explores the idea of cryptocurrency trading in rising and falling markets with adaptive strategies that can adjust to current market trends in order to maximize effectiveness. The problem is solved by analyzing the Bitcoin price, creating risk metric and focusing on the function's extrema. Both long-term and short-term options are explored. An extensible backtester program is created to evaluate the strategies and plot the time series. The results are compared to traditional approaches like HODL and rebalance, the profits can multiply more than three times using the right criteria. The thesis offers new ways of gaining profit to cryptocurrency investors, as well as giving readers insight into creating (adaptive) trading strategies and backtesting them in code. The output of the thesis is expected to be used by automated trading systems.

Obchodní strategie pro kryptoměny bývají založeny na padajícím nebo stoupajícím trhu. Kámen úrazu nastává, když jsou aplikovány na špatný trend v tak nestabilním trhu, jako je ten s kryptoměnami. Tato práce se zabývá možností adaptivních obchodních strategií, které se dokáží přizpůsobit na klesající a stoupající trendy v kryptoměnovém trhu. Analyzováním ceny Bitcoinu a vytvořením metriky risku, kde se díváme na extrémy vytvořené funkce, můžeme dojít k řešení návrhu adaptivních strategií. Zkoumají se jak dlouhodobé, tak krátkodobé možnosti investování. K vyhodnocování strategií a vykreslování časových řad je vytvořen rozšířitelný program pro testování historických dat. Výsledky jsou porovnány s tradičními přístupy, jako je HODL a rebalancování, přičemž bylo zjištěno, že při použití správných kritérií se mohou více než ztrojnásobit. Práce nabízí investorům nové způsoby zisků a zároveň dává čtenářům možnost nahlédnout do tvorby (adaptivních) strategií a jejich zpětného testování v kódu. Předpokládá se, že výsledky práce budou využívány automatizovanými obchodními systémy., Cryptocurrency trading strategies are based on either rising or falling markets, however, they fail when applied to the wrong trend in a volatile market. This thesis explores the idea of cryptocurrency trading in rising and falling markets with adaptive strategies that can adjust to current market trends in order to maximize effectiveness. The problem is solved by analyzing the Bitcoin price, creating risk metric and focusing on the function's extrema. Both long-term and short-term options are explored. An extensible backtester program is created to evaluate the strategies and plot the time series. The results are compared to traditional approaches like HODL and rebalance, the profits can multiply more than three times using the right criteria. The thesis offers new ways of gaining profit to cryptocurrency investors, as well as giving readers insight into creating (adaptive) trading strategies and backtesting them in code. The output of the thesis is expected to be used by automated trading systems.

Obchodní strategie pro kryptoměny bývají založeny na padajícím nebo stoupajícím trhu. Kámen úrazu nastává, když jsou aplikovány na špatný trend v tak nestabilním trhu, jako je ten s kryptoměnami. Tato práce se zabývá možností adaptivních obchodních strategií, které se dokáží přizpůsobit na klesající a stoupající trendy v kryptoměnovém trhu. Analyzováním ceny Bitcoinu a vytvořením metriky risku, kde se díváme na extrémy vytvořené funkce, můžeme dojít k řešení návrhu adaptivních strategií. Zkoumají se jak dlouhodobé, tak krátkodobé možnosti investování. K vyhodnocování strategií a vykreslování časových řad je vytvořen rozšířitelný program pro testování historických dat. Výsledky jsou porovnány s tradičními přístupy, jako je HODL a rebalancování, přičemž bylo zjištěno, že při použití správných kritérií se mohou více než ztrojnásobit. Práce nabízí investorům nové způsoby zisků a zároveň dává čtenářům možnost nahlédnout do tvorby (adaptivních) strategií a jejich zpětného testování v kódu. Předpokládá se, že výsledky práce budou využívány automatizovanými obchodními systémy., Cryptocurrency trading strategies are based on either rising or falling markets, however, they fail when applied to the wrong trend in a volatile market. This thesis explores the idea of cryptocurrency trading in rising and falling markets with adaptive strategies that can adjust to current market trends in order to maximize effectiveness. The problem is solved by analyzing the Bitcoin price, creating risk metric and focusing on the function's extrema. Both long-term and short-term options are explored. An extensible backtester program is created to evaluate the strategies and plot the time series. The results are compared to traditional approaches like HODL and rebalance, the profits can multiply more than three times using the right criteria. The thesis offers new ways of gaining profit to cryptocurrency investors, as well as giving readers insight into creating (adaptive) trading strategies and backtesting them in code. The output of the thesis is expected to be used by automated trading systems.

Obchodní strategie pro kryptoměny bývají založeny na padajícím nebo stoupajícím trhu. Kámen úrazu nastává, když jsou aplikovány na špatný trend v tak nestabilním trhu, jako je ten s kryptoměnami. Tato práce se zabývá možností adaptivních obchodních strategií, které se dokáží přizpůsobit na klesající a stoupající trendy v kryptoměnovém trhu. Analyzováním ceny Bitcoinu a vytvořením metriky risku, kde se díváme na extrémy vytvořené funkce, můžeme dojít k řešení návrhu adaptivních strategií. Zkoumají se jak dlouhodobé, tak krátkodobé možnosti investování. K vyhodnocování strategií a vykreslování časových řad je vytvořen rozšířitelný program pro testování historických dat. Výsledky jsou porovnány s tradičními přístupy, jako je HODL a rebalancování, přičemž bylo zjištěno, že při použití správných kritérií se mohou více než ztrojnásobit. Práce nabízí investorům nové způsoby zisků a zároveň dává čtenářům možnost nahlédnout do tvorby (adaptivních) strategií a jejich zpětného testování v kódu. Předpokládá se, že výsledky práce budou využívány automatizovanými obchodními systémy., Cryptocurrency trading strategies are based on either rising or falling markets, however, they fail when applied to the wrong trend in a volatile market. This thesis explores the idea of cryptocurrency trading in rising and falling markets with adaptive strategies that can adjust to current market trends in order to maximize effectiveness. The problem is solved by analyzing the Bitcoin price, creating risk metric and focusing on the function's extrema. Both long-term and short-term options are explored. An extensible backtester program is created to evaluate the strategies and plot the time series. The results are compared to traditional approaches like HODL and rebalance, the profits can multiply more than three times using the right criteria. The thesis offers new ways of gaining profit to cryptocurrency investors, as well as giving readers insight into creating (adaptive) trading strategies and backtesting them in code. The output of the thesis is expected to be used by automated trading systems.