Lớp học dữ liệu chuỗi (9): Chỉ báo thị trường RUPL (I) - Giới thiệu dữ liệu & Ứng dụng bắt đáy
Tuyển chọn TechFlowTuyển chọn TechFlow
Lớp học dữ liệu chuỗi (9): Chỉ báo thị trường RUPL (I) - Giới thiệu dữ liệu & Ứng dụng bắt đáy
RUPL có thể phản ánh tình trạng "lãi/lỗ chưa thực hiện" hiện tại của thị trường.
Chuyên sâu báo cáo Web3Tác giả: Ông Berg
🔸TL;DR
- Loạt bài viết về RUPL sẽ được chia làm 2 phần, đây là phần 1
- RUPL có thể thể hiện trạng thái "lãi/lỗ chưa thực hiện" hiện tại của thị trường
- Qua việc quan sát RUPL, ta có thể phát hiện ra các quy luật vận động ở đỉnh và đáy thị trường
- Chia sẻ một mô hình bắt đáy được thiết kế dựa trên RUPL
🟡 Giới thiệu RUPL
RUPL, tên đầy đủ là Relative Unrealized Profit & Loss, dịch sang tiếng Trung là “Lãi lỗ chưa thực hiện tương đối”.
Bản thân chỉ báo này có thể tách thành hai phần, lần lượt là RUP và RUL.
Lấy RUP làm ví dụ, cách tính như sau:
1. So sánh "giá hiện tại" với "giá chuyển nhượng lần cuối của từng đồng BTC", những đồng tiền nào có "giá hiện tại > giá chuyển nhượng lần cuối" sẽ được phân loại là vốn đang lãi.
2. Lấy khoản lãi của từng nhóm vốn nhân với số lượng tương ứng để tính ra Unrealized Profit (Lãi chưa thực hiện)
3. Cuối cùng chuẩn hóa dữ liệu thu được theo vốn hóa thị trường tại thời điểm đó
Nói cách khác, Unrealized Profit chính là "tổng lợi nhuận chưa thực hiện" trên thị trường hiện nay;
Còn RUP là việc chuẩn hóa dữ liệu này theo vốn hóa thị trường nhằm so sánh tình trạng lợi nhuận của thị trường ở các giai đoạn khác nhau.
Thuật toán RUL hoàn toàn giống logic của RUP, nên không cần giải thích thêm.
Như hình trên, đường màu xanh lá là RUP, đường màu đỏ là RUL.
Chúng ta có thể nhận thấy: giá cả có tương quan dương cao với RUP, và tương quan âm cao với RUL.
Điều này rất trực quan, bởi khi giá tiền tăng lên, tổng lợi nhuận chưa thực hiện tất nhiên cũng tăng theo.
Tuy nhiên, nếu quan sát kỹ hơn biểu đồ trên, ta thấy rằng trong một vài thời điểm hiếm hoi RUL vượt qua RUP (đường đỏ nằm trên đường xanh),
Điều này có nghĩa là trạng thái lãi/lỗ chưa thực hiện tổng thể của thị trường đang âm. Liệu hiện tượng này có ý nghĩa đặc biệt gì không? Hãy tiếp tục đọc bên dưới…
🟡 Ứng dụng RUPL trong chiến lược bắt đáy
Ngạn ngữ có câu: “Khi người khác sợ hãi thì ta tham lam”, khi phần lớn người nắm giữ tài sản trong thị trường đang trung bình chịu lỗ,
có lẽ đã đến lúc chúng ta nên vào lệnh tích lũy tài sản.
Như hình trên, tôi đã đánh dấu các khoảng thời gian mà RUL > RUP, tạo thành biểu đồ tín hiệu này.
Chúng ta có thể thấy rõ ràng: mỗi khi RUL > RUP, gần như luôn trùng khớp với các đáy chu kỳ lớn!
Đây tuyệt nhiên không phải là kiểu mò kim đáy máy móc, mà logic đằng sau nó là:
"Khi toàn bộ thị trường trung bình đang trong trạng thái lỗ, điều đó có nghĩa là những người bị mắc kẹt có khả năng sẽ không muốn bán tháo tài sản do giá quá thấp", khi áp lực bán giảm mạnh, chỉ cần lực mua tăng nhẹ cũng có thể khiến xu hướng đảo chiều và bắt đầu tăng giá.
Logic này rất giống với chiến lược bắt đáy LTH-RP đã giới thiệu trong các bài viết trước, bạn đọc quan tâm có thể tham khảo lại các bài đăng trước đó.
🟡 Chia sẻ logic thiết kế mô hình bắt đáy dựa trên RUPL
Tiếp theo, hãy tạm bỏ qua RUL, tập trung vào biểu đồ RUP, ta sẽ thấy giá trị RUP tại các đáy trong lịch sử thực tế khá gần nhau.
Ví dụ, tôi thêm một đường ngang cố định ở mức 0,4 trên biểu đồ RUP để dễ dàng nhận diện các vị trí RUP < 0,4.
(Con số 0,4 ở đây là một tham số điều chỉnh được, sẽ đề cập lại sau)
Khi nhận thấy RUP có một vùng đáy tương đối rõ ràng, ta có thể kết hợp điều kiện RUP < 0,4 với điều kiện trước đó là "RUP < RUL" để lọc lại tín hiệu, kết quả như sau:
Đây là một phương pháp rất phổ biến khi thiết kế mô hình, mục đích là dùng các lớp lọc tín hiệu để đạt hiệu quả sàng lọc, giúp mô hình cuối cùng trở nên chính xác hơn.
Hai điều kiện trong hình trên (RUP < 0,4 & RUP < RUL) về hiệu quả lọc chưa thực sự nổi bật,
nhưng nếu quan sát kỹ, vẫn có thể thấy nó nghiêm ngặt hơn so với chỉ dùng đơn thuần RUP < RUL.
Tại đây, nếu giảm giá trị 0,4 xuống (ví dụ điều chỉnh thành 0,38), tín hiệu sẽ càng chặt chẽ hơn;
tuy nhiên trong quá trình điều chỉnh tham số, cần lưu ý vấn đề overfitting (hiệu chỉnh quá mức), vì chỉ đơn thuần khớp dữ liệu lịch sử thì mô hình rất dễ mất hiệu lực trong tương lai!
Chào mừng tham gia cộng đồng chính thức TechFlow
Nhóm Telegram:https://t.me/TechFlowDaily
Tài khoản Twitter chính thức:https://x.com/TechFlowPost
Tài khoản Twitter tiếng Anh:https://x.com/BlockFlow_News
@market_beggar
