রিসোর্স লোড হচ্ছে... লোডিং...

ডায়নামিক আরএসআই ওসিলেটর পলিনোমিয়াল ফিটিং ইন্ডিকেটর ট্রেন্ড পরিমাণগত ট্রেডিং কৌশল

লেখক:চাওঝাং, তারিখঃ 2024-12-11 15:32:23
ট্যাগঃআরএসআইডিআরএসআইকিউআরইএমএRMSEএমএসই

img

এই কৌশলটি একটি পরিমাণগত ট্রেডিং সিস্টেম যা আরএসআই ডায়নামিক দোলকের উপর ভিত্তি করে। আরএসআই সূচকটিতে বহুপদী ফিটিং এবং সময় সিরিজ বিশ্লেষণ সম্পাদন করে, এটি বাজারের গতি ধরে রাখার জন্য আরএসআইয়ের পরিবর্তনের হার গণনা করে। কৌশলটি সংকেত প্রক্রিয়াকরণের জন্য কিউআর বিভাজনের মতো উন্নত গাণিতিক পদ্ধতি ব্যবহার করে এবং ট্রেডিং সিদ্ধান্তের জন্য চলমান গড় সিস্টেমের সাথে একত্রিত হয়।

কৌশল নীতি

এই কৌশলটির মূল উপাদান হল ডেল্টা-আরএসআই দোলক, যা নিম্নলিখিত ধাপগুলির মাধ্যমে বাস্তবায়িত হয়ঃ

  1. প্রথমে বেসিক ডেটা হিসাবে ঐতিহ্যবাহী RSI সূচক গণনা করুন
  2. RSI মসৃণ এবং গোলমাল কমাতে বহুপদী ফিটিং ব্যবহার করুন
  3. আরএসআই এর পরিবর্তনের হার প্রতিফলিত করে ডেল্টা-আরএসআই পেতে আরএসআই এর সময় প্রাপ্তি গণনা করুন
  4. ট্রেডিং সিগন্যাল তৈরির জন্য ডেল্টা-আরএসআই এর চলমান গড়ের সাথে তুলনা করুন
  5. ফিটিং মানের মূল গড় বর্গক্ষেত্র ত্রুটি (RMSE) মূল্যায়ন এবং ফিল্টার ব্যবহার করুন

ট্রেডিং সিগন্যাল তিনটি উপায়ে তৈরি করা যায়:

  • শূন্য-রেখা অতিক্রমঃ যখন ডেল্টা-আরএসআই নেতিবাচক থেকে ইতিবাচক হয়ে যায় তখন দীর্ঘ, যখন ইতিবাচক থেকে নেতিবাচক হয়ে যায় তখন সংক্ষিপ্ত
  • সিগন্যাল লাইন ক্রসিংঃ লং/কোর্ট যখন ডেল্টা-আরএসআই তার চলমান গড়ের উপরে/নীচে ক্রসিং করে
  • দিক পরিবর্তনঃ যখন ডেল্টা-আরএসআই নেতিবাচক অঞ্চলে উঠতে শুরু করে তখন দীর্ঘ, যখন ইতিবাচক অঞ্চলে হ্রাস পেতে শুরু করে তখন সংক্ষিপ্ত

কৌশলগত সুবিধা

  1. শক্তিশালী গাণিতিক ভিত্তিঃ সিগন্যাল প্রক্রিয়াকরণের জন্য কিউআর বিভাজনের মতো উন্নত গাণিতিক পদ্ধতি ব্যবহার করে
  2. সিগন্যাল মসৃণকরণঃ বহুভুজীয় ফিটিং কার্যকরভাবে বাজারের গোলমাল ফিল্টার করতে পারে এবং সংকেতের গুণমান উন্নত করতে পারে
  3. উচ্চ নমনীয়তাঃ বিভিন্ন বাজারের অবস্থার সাথে মানিয়ে নিতে একাধিক সংকেত উত্পাদন পদ্ধতি এবং প্যারামিটার পছন্দ সরবরাহ করে
  4. নিয়ন্ত্রিত ঝুঁকিঃ আরও নির্ভরযোগ্য সংকেতগুলি স্ক্রিন করার জন্য RMSE ফিল্টারিং প্রক্রিয়া অন্তর্ভুক্ত
  5. কম্পিউটেশনাল দক্ষতাঃ ম্যাট্রিক্স অপারেশনগুলি উচ্চ চলমান দক্ষতার জন্য অনুকূলিত অ্যালগরিদম ব্যবহার করে

কৌশলগত ঝুঁকি

  1. প্যারামিটার সংবেদনশীলতাঃ একাধিক মূল প্যারামিটারগুলি সাবধানে সামঞ্জস্য করার প্রয়োজন, প্যারামিটারগুলির দুর্বল নির্বাচন কৌশল কার্যকারিতাকে গুরুতরভাবে প্রভাবিত করে
  2. বিলম্বঃ সংকেত মসৃণকরণ কিছু বিলম্বের সূচনা করে, দ্রুত বাজারের গতিবিধি মিস করতে পারে
  3. ভুয়া ব্রেকআউটঃ অস্থির বাজারগুলিতে মিথ্যা সংকেত তৈরি করতে পারে, ট্রেডিংয়ের ব্যয় বাড়িয়ে তুলতে পারে
  4. কম্পিউটেশনাল জটিলতাঃ অনেক ম্যাট্রিক্স অপারেশন জড়িত, উচ্চ ফ্রিকোয়েন্সি ট্রেডিংয়ের পারফরম্যান্স বোতল ঘাঁটি থাকতে পারে
  5. ওভারফিটিংঃ প্যারামিটার অপ্টিমাইজ করার সময় ঐতিহাসিক ডেটা ওভারফিটিং এড়ানোর প্রয়োজন

কৌশল অপ্টিমাইজেশান নির্দেশাবলী

  1. অ্যাডাপ্টিভ প্যারামিটারঃ বাজারের অস্থিরতার উপর ভিত্তি করে RSI সময়কাল এবং উপযুক্ত ক্রমানুসারে গতিশীলভাবে সামঞ্জস্য করুন
  2. একাধিক টাইমফ্রেমঃ ক্রস ভ্যালিডেশনের জন্য একাধিক টাইমফ্রেম থেকে সংকেত অন্তর্ভুক্ত করুন
  3. ভোল্টেবিলিটি ফিল্টারিংঃ সিগন্যাল ফিল্টারিংয়ের জন্য ATR এর মতো ভোল্টেবিলিটি সূচক যুক্ত করুন
  4. বাজার শ্রেণীবিভাগঃ বিভিন্ন বাজারের অবস্থার জন্য বিভিন্ন সংকেত উত্পাদন নিয়ম ব্যবহার করুন (প্রবণতা / দোলন)
  5. স্টপ-লস অপ্টিমাইজেশনঃ সমর্থন / প্রতিরোধের স্তরের উপর ভিত্তি করে গতিশীল স্টপ-লসের মতো স্মার্ট স্টপ-লস প্রক্রিয়া যুক্ত করুন

সংক্ষিপ্তসার

এটি একটি সম্পূর্ণ পরিমাণগত ট্রেডিং কৌশল যা একটি শক্ত তাত্ত্বিক ভিত্তি রয়েছে। সিগন্যাল প্রক্রিয়াকরণের জন্য আধুনিক গাণিতিক পদ্ধতির সাথে সংযুক্ত আরএসআই এর গতিশীল বৈশিষ্ট্যগুলির বিশ্লেষণের মাধ্যমে এটি কার্যকরভাবে বাজারের প্রবণতা ক্যাপচার করতে পারে। যদিও প্যারামিটার সংবেদনশীলতা এবং গণনার জটিলতার সাথে কিছু সমস্যা রয়েছে, সঠিক প্যারামিটার নির্বাচন এবং অপ্টিমাইজেশান উন্নতির মাধ্যমে কৌশলটির ভাল ব্যবহারিক মূল্য রয়েছে। লাইভ ট্রেডিংয়ের জন্য প্রয়োগ করার সময়, ঝুঁকি নিয়ন্ত্রণে মনোযোগ দেওয়ার পরামর্শ দেওয়া হয়, যুক্তিসঙ্গত অবস্থানের আকার সেট করুন এবং কৌশল কর্মক্ষমতা ক্রমাগত পর্যবেক্ষণ করুন।


/*backtest
start: 2024-11-10 00:00:00
end: 2024-12-09 08:00:00
period: 4h
basePeriod: 4h
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/

// This source code is subject to the terms of the Mozilla Public License 2.0 at https://mozilla.org/MPL/2.0/
// © tbiktag
//
// Delta-RSI Oscillator Strategy
//
// A strategy that uses Delta-RSI Oscillator (© tbiktag) as a stand-alone indicator:
// https://www.tradingview.com/script/OXQVFTQD-Delta-RSI-Oscillator/
//
// Delta-RSI is a smoothed time derivative of the RSI, plotted as a histogram 
// and serving as a momentum indicator. 
// 
// Input parameters:
// RSI Length: The timeframe of the RSI that serves as an input to D-RSI.
// Length: The length of the lookback frame used for local regression.
// Polynomial Order: The order of the local polynomial function used to interpolate the RSI.
// Signal Length: The length of a EMA of the D-RSI series that is used as a signal line.
// Trade signals are generated based on three optional conditions:
// - Zero-crossing: bullish when D-RSI crosses zero from negative to positive values (bearish otherwise)
// - Signal Line Crossing: bullish when D-RSI crosses from below to above the signal line (bearish otherwise)
// - Direction Change: bullish when D-RSI was negative and starts ascending (bearish otherwise)
//
// Since D-RSI oscillator is based on polynomial fitting of the RSI curve, there is also an option
// to filter trade signal by means of the root mean-square error of the fit (normalized by the sample average).
// 
//@version=5
strategy(title='Delta-RSI Oscillator Strategy-QuangVersion', shorttitle='D-RSI-Q', overlay=true)

// ---Subroutines---
matrix_get(_A, _i, _j, _nrows) =>
    // Get the value of the element of an implied 2d matrix
    //input: 
    // _A :: array: pseudo 2d matrix _A = [[column_0],[column_1],...,[column_(n-1)]]
    // _i :: integer: row number
    // _j :: integer: column number
    // _nrows :: integer: number of rows in the implied 2d matrix
    array.get(_A, _i + _nrows * _j)

matrix_set(_A, _value, _i, _j, _nrows) =>
    // Set a value to the element of an implied 2d matrix
    //input: 
    // _A :: array, changed on output: pseudo 2d matrix _A = [[column_0],[column_1],...,[column_(n-1)]]
    // _value :: float: the new value to be set
    // _i :: integer: row number
    // _j :: integer: column number
    // _nrows :: integer: number of rows in the implied 2d matrix
    array.set(_A, _i + _nrows * _j, _value)

transpose(_A, _nrows, _ncolumns) =>
    // Transpose an implied 2d matrix
    // input:
    // _A :: array: pseudo 2d matrix _A = [[column_0],[column_1],...,[column_(n-1)]]
    // _nrows :: integer: number of rows in _A
    // _ncolumns :: integer: number of columns in _A
    // output:
    // _AT :: array: pseudo 2d matrix with implied dimensions: _ncolums x _nrows
    var _AT = array.new_float(_nrows * _ncolumns, 0)
    for i = 0 to _nrows - 1 by 1
        for j = 0 to _ncolumns - 1 by 1
            matrix_set(_AT, matrix_get(_A, i, j, _nrows), j, i, _ncolumns)
    _AT

multiply(_A, _B, _nrowsA, _ncolumnsA, _ncolumnsB) =>
    // Calculate scalar product of two matrices
    // input: 
    // _A :: array: pseudo 2d matrix
    // _B :: array: pseudo 2d matrix
    // _nrowsA :: integer: number of rows in _A
    // _ncolumnsA :: integer: number of columns in _A
    // _ncolumnsB :: integer: number of columns in _B
    // output:
    // _C:: array: pseudo 2d matrix with implied dimensions _nrowsA x _ncolumnsB
    var _C = array.new_float(_nrowsA * _ncolumnsB, 0)
    int _nrowsB = _ncolumnsA
    float elementC = 0.0
    for i = 0 to _nrowsA - 1 by 1
        for j = 0 to _ncolumnsB - 1 by 1
            elementC := 0
            for k = 0 to _ncolumnsA - 1 by 1
                elementC += matrix_get(_A, i, k, _nrowsA) * matrix_get(_B, k, j, _nrowsB)
                elementC
            matrix_set(_C, elementC, i, j, _nrowsA)
    _C

vnorm(_X, _n) =>
    //Square norm of vector _X with size _n
    float _norm = 0.0
    for i = 0 to _n - 1 by 1
        _norm += math.pow(array.get(_X, i), 2)
        _norm
    math.sqrt(_norm)

qr_diag(_A, _nrows, _ncolumns) =>
    //QR Decomposition with Modified Gram-Schmidt Algorithm (Column-Oriented)
    // input:
    // _A :: array: pseudo 2d matrix _A = [[column_0],[column_1],...,[column_(n-1)]]
    // _nrows :: integer: number of rows in _A
    // _ncolumns :: integer: number of columns in _A
    // output:
    // _Q: unitary matrix, implied dimenstions _nrows x _ncolumns
    // _R: upper triangular matrix, implied dimansions _ncolumns x _ncolumns
    var _Q = array.new_float(_nrows * _ncolumns, 0)
    var _R = array.new_float(_ncolumns * _ncolumns, 0)
    var _a = array.new_float(_nrows, 0)
    var _q = array.new_float(_nrows, 0)
    float _r = 0.0
    float _aux = 0.0
    //get first column of _A and its norm:
    for i = 0 to _nrows - 1 by 1
        array.set(_a, i, matrix_get(_A, i, 0, _nrows))
    _r := vnorm(_a, _nrows)
    //assign first diagonal element of R and first column of Q
    matrix_set(_R, _r, 0, 0, _ncolumns)
    for i = 0 to _nrows - 1 by 1
        matrix_set(_Q, array.get(_a, i) / _r, i, 0, _nrows)
    if _ncolumns != 1
        //repeat for the rest of the columns
        for k = 1 to _ncolumns - 1 by 1
            for i = 0 to _nrows - 1 by 1
                array.set(_a, i, matrix_get(_A, i, k, _nrows))
            for j = 0 to k - 1 by 1
                //get R_jk as scalar product of Q_j column and A_k column:
                _r := 0
                for i = 0 to _nrows - 1 by 1
                    _r += matrix_get(_Q, i, j, _nrows) * array.get(_a, i)
                    _r
                matrix_set(_R, _r, j, k, _ncolumns)
                //update vector _a
                for i = 0 to _nrows - 1 by 1
                    _aux := array.get(_a, i) - _r * matrix_get(_Q, i, j, _nrows)
                    array.set(_a, i, _aux)
            //get diagonal R_kk and Q_k column
            _r := vnorm(_a, _nrows)
            matrix_set(_R, _r, k, k, _ncolumns)
            for i = 0 to _nrows - 1 by 1
                matrix_set(_Q, array.get(_a, i) / _r, i, k, _nrows)
    [_Q, _R]

pinv(_A, _nrows, _ncolumns) =>
    //Pseudoinverse of matrix _A calculated using QR decomposition
    // Input: 
    // _A:: array: implied as a (_nrows x _ncolumns) matrix _A = [[column_0],[column_1],...,[column_(_ncolumns-1)]]
    // Output: 
    // _Ainv:: array implied as a (_ncolumns x _nrows) matrix _A = [[row_0],[row_1],...,[row_(_nrows-1)]]
    // ----
    // First find the QR factorization of A: A = QR,
    // where R is upper triangular matrix.
    // Then _Ainv = R^-1*Q^T.
    // ----
    [_Q, _R] = qr_diag(_A, _nrows, _ncolumns)
    _QT = transpose(_Q, _nrows, _ncolumns)
    // Calculate Rinv:
    var _Rinv = array.new_float(_ncolumns * _ncolumns, 0)
    float _r = 0.0
    matrix_set(_Rinv, 1 / matrix_get(_R, 0, 0, _ncolumns), 0, 0, _ncolumns)
    if _ncolumns != 1
        for j = 1 to _ncolumns - 1 by 1
            for i = 0 to j - 1 by 1
                _r := 0.0
                for k = i to j - 1 by 1
                    _r += matrix_get(_Rinv, i, k, _ncolumns) * matrix_get(_R, k, j, _ncolumns)
                    _r
                matrix_set(_Rinv, _r, i, j, _ncolumns)
            for k = 0 to j - 1 by 1
                matrix_set(_Rinv, -matrix_get(_Rinv, k, j, _ncolumns) / matrix_get(_R, j, j, _ncolumns), k, j, _ncolumns)
            matrix_set(_Rinv, 1 / matrix_get(_R, j, j, _ncolumns), j, j, _ncolumns)
    //
    _Ainv = multiply(_Rinv, _QT, _ncolumns, _ncolumns, _nrows)
    _Ainv

norm_rmse(_x, _xhat) =>
    // Root Mean Square Error normalized to the sample mean
    // _x.   :: array float, original data
    // _xhat :: array float, model estimate
    // output
    // _nrmse:: float
    float _nrmse = 0.0
    if array.size(_x) != array.size(_xhat)
        _nrmse := na
        _nrmse
    else
        int _N = array.size(_x)
        float _mse = 0.0
        for i = 0 to _N - 1 by 1
            _mse += math.pow(array.get(_x, i) - array.get(_xhat, i), 2) / _N
            _mse
        _xmean = array.sum(_x) / _N
        _nrmse := math.sqrt(_mse) / _xmean
        _nrmse
    _nrmse


diff(_src, _window, _degree) =>
    // Polynomial differentiator
    // input:
    // _src:: input series
    // _window:: integer: wigth of the moving lookback window
    // _degree:: integer: degree of fitting polynomial
    // output:
    // _diff :: series: time derivative
    // _nrmse:: float: normalized root mean square error
    //
    // Vandermonde matrix with implied dimensions (window x degree+1)
    // Linear form: J = [ [z]^0, [z]^1, ... [z]^degree], with z = [ (1-window)/2 to (window-1)/2 ] 
    var _J = array.new_float(_window * (_degree + 1), 0)
    for i = 0 to _window - 1 by 1
        for j = 0 to _degree by 1
            matrix_set(_J, math.pow(i, j), i, j, _window)
    // Vector of raw datapoints:
    var _Y_raw = array.new_float(_window, na)
    for j = 0 to _window - 1 by 1
        array.set(_Y_raw, j, _src[_window - 1 - j])
    // Calculate polynomial coefficients which minimize the loss function
    _C = pinv(_J, _window, _degree + 1)
    _a_coef = multiply(_C, _Y_raw, _degree + 1, _window, 1)
    // For first derivative, approximate the last point (i.e. z=window-1) by 
    float _diff = 0.0
    for i = 1 to _degree by 1
        _diff += i * array.get(_a_coef, i) * math.pow(_window - 1, i - 1)
        _diff
    // Calculates data estimate (needed for rmse)
    _Y_hat = multiply(_J, _a_coef, _window, _degree + 1, 1)
    float _nrmse = norm_rmse(_Y_raw, _Y_hat)
    [_diff, _nrmse]

/// --- main ---
degree = input.int(title='Polynomial Order', group='Model Parameters:', inline='linepar1', defval=2, minval=1)
rsi_l = input.int(title='RSI Length', group='Model Parameters:', inline='linepar1', defval=21, minval=1, tooltip='The period length of RSI that is used as input.')
window = input.int(title='Length ( > Order)', group='Model Parameters:', inline='linepar2', defval=21, minval=2)
signalLength = input.int(title='Signal Length', group='Model Parameters:', inline='linepar2', defval=9, tooltip='The signal line is a EMA of the D-RSI time series.')
islong = input.bool(title='Buy', group='Show Signals:', inline='lineent', defval=true)
isshort = input.bool(title='Sell', group='Show Signals:', inline='lineent', defval=true)
showendlabels = input.bool(title='Exit', group='Show Signals:', inline='lineent', defval=true)
buycond = input.string(title='Buy', group='Entry and Exit Conditions:', inline='linecond', defval='Zero-Crossing', options=['Zero-Crossing', 'Signal Line Crossing', 'Direction Change'])
sellcond = input.string(title='Sell', group='Entry and Exit Conditions:', inline='linecond', defval='Zero-Crossing', options=['Zero-Crossing', 'Signal Line Crossing', 'Direction Change'])
endcond = input.string(title='Exit', group='Entry and Exit Conditions:', inline='linecond', defval='Zero-Crossing', options=['Zero-Crossing', 'Signal Line Crossing', 'Direction Change'])
usenrmse = input.bool(title='', group='Filter by Means of Root-Mean-Square Error of RSI Fitting:', inline='linermse', defval=false)
rmse_thrs = input.float(title='RSI fitting Error Threshold, %', group='Filter by Means of Root-Mean-Square Error of RSI Fitting:', inline='linermse', defval=10, minval=0.0) / 100


src = ta.rsi(close, rsi_l)
[drsi, nrmse] = diff(src, window, degree)
signalline = ta.ema(drsi, signalLength)

// Conditions and filters
filter_rmse = usenrmse ? nrmse < rmse_thrs : true
dirchangeup = drsi > drsi[1] and drsi[1] < drsi[2] and drsi[1] < 0.0
dirchangedw = drsi < drsi[1] and drsi[1] > drsi[2] and drsi[1] > 0.0
crossup = ta.crossover(drsi, 0.0)
crossdw = ta.crossunder(drsi, 0.0)
crosssignalup = ta.crossover(drsi, signalline)
crosssignaldw = ta.crossunder(drsi, signalline)

//Signals
golong = (buycond == 'Direction Change' ? dirchangeup : buycond == 'Zero-Crossing' ? crossup : crosssignalup) and filter_rmse
goshort = (sellcond == 'Direction Change' ? dirchangedw : sellcond == 'Zero-Crossing' ? crossdw : crosssignaldw) and filter_rmse
endlong = (endcond == 'Direction Change' ? dirchangedw : endcond == 'Zero-Crossing' ? crossdw : crosssignaldw) and filter_rmse
endshort = (endcond == 'Direction Change' ? dirchangeup : endcond == 'Zero-Crossing' ? crossup : crosssignalup) and filter_rmse
plotshape(golong and islong ? low : na, location=location.belowbar, style=shape.labelup, color=color.new(#2E7C13, 0), size=size.small, title='Buy')
plotshape(goshort and isshort ? high : na, location=location.abovebar, style=shape.labeldown, color=color.new(#BF217C, 0), size=size.small, title='Sell')
plotshape(showendlabels and endlong and islong ? high : na, location=location.abovebar, style=shape.xcross, color=color.new(#2E7C13, 0), size=size.tiny, title='Exit Long')
plotshape(showendlabels and endshort and isshort ? low : na, location=location.belowbar, style=shape.xcross, color=color.new(#BF217C, 0), size=size.tiny, title='Exit Short')

alertcondition(golong, title='Long Signal', message='D-RSI: Long Signal')
alertcondition(goshort, title='Short Signal', message='D-RSI: Short Signal')
alertcondition(endlong, title='Exit Long Signal', message='D-RSI: Exit Long')
alertcondition(endshort, title='Exit Short Signal', message='D-RSI: Exit Short')

strategy.entry('long', strategy.long, when=golong and islong)
strategy.entry('short', strategy.short, when=goshort and isshort)
strategy.close('long', when=endlong and islong)
strategy.close('short', when=endshort and isshort)



সম্পর্কিত

আরো