Diese Strategie beurteilt die zukünftige Preisbewegung, indem sie die Differenz zwischen den Schlusskurs von zwei aufeinander folgenden Tagen analysiert, mit dem Ziel, kurzfristigen Handel umzusetzen.
Die Kernlogik dieser Strategie besteht darin, den heutigen Schlusskurs mit dem gestrigen Schlusskurs zu vergleichen.
Der Schlüssel hier ist, einen angemessenen Schwellenwert festzulegen. Wenn der Schwellenwert zu groß ist, wird er kleinere Preisschwankungen verpassen. Wenn der Schwellenwert zu klein ist, wird er aufgrund normaler Schwankungen zu einem übermäßigen irrationalen Handel führen. Die Strategie verwendet ein anpassbares Schwellenwertdesign mit einem Standardwert von 0,004 und einem Schritt von 0,001. Angemessene Schwellenwerte können durch Backtesting auf Basis historischer Daten ausgewählt werden.
Zusammenfassend lässt sich sagen, dass diese Strategie Preisänderungen zwischen zwei aufeinanderfolgenden Handelstagen erfasst, mögliche zukünftige Preistrends beurteilt, indem normale Schwankungen durch Schwellenwerte herausgefiltert werden, und somit kurzfristigen Handel durchführt.
Um diesen Risiken entgegenzuwirken, sollten Sie Folgendes berücksichtigen:
Die Strategie kann in folgenden Aspekten optimiert werden:
Zurückprüfung in mehreren Zeitrahmen- Verwenden Sie verschiedene Zeitrahmen (täglich, 4 Stunden, 1 Stunde usw.) zum Backtest von Parametern und wählen Sie die optimalen Zeitrahmen und Parameter aus.
Kombination von Volatilitätsindikatoren- Hinzufügen von Indikatoren, die die Preisvolatilität berücksichtigen, wie z. B. ATR, um dynamische Schwellenwerte besser festzulegen.
Hinzufügen von Stop Loss Logik- Setzen Sie angemessene Stop-Loss-Punkte, um Einzelverluste zu kontrollieren.
Optimierung des Positionsmanagements- Optimierung der Größe der Anfangspositionen und zusätzliche Regeln zur Steigerung der Rentabilität bei gleichzeitiger Gewährleistung von Stop-Loss.
Berücksichtigen Sie die Handelskosten- Fügen Sie Handelskosten wie Provisionen und Slippage in Backtesting hinzu, um näher am Live-Handel zu sein.
Einführung von maschinellem Lernen- Maschinelles Lernen-Algorithmen anwenden, um mehr Funktionen zu extrahieren und stärkere Handelssignale zu erstellen.
Diese Strategie beurteilt zukünftige Preistrends anhand von Schlusskursunterschieden und verwendet einen einfachen und intuitiven Ansatz zur Entwicklung von kurzfristigen Handelsstrategien. Die Strategie ist einfach umzusetzen und für kurzfristige Operationen geeignet, kann aber einige Verlustrisiken haben. Verschiedene Optimierungsmethoden können die Stabilität und Rentabilität der Strategie verbessern. Als grundlegende Strategie kann sie Ideen und Referenzen für weitere Forschung liefern.
/*backtest start: 2023-08-28 00:00:00 end: 2023-09-27 00:00:00 period: 2h basePeriod: 15m exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}] */ //@version=2 strategy("Daily Close Comparison Strategy (by ChartArt) repainting results", shorttitle="CA_-_Daily_Close_Strat", overlay=false) // ChartArt's Daily Close Comparison Strategy // // Version 1.0 // Idea by ChartArt on February 28, 2016. // // This strategy is equal to the very // popular "ANN Strategy" coded by sirolf2009, // but without the Artificial Neural Network (ANN). // // Main difference besides stripping out the ANN // is that I use close prices instead of OHLC4 prices. // And the default threshold is set to 0 instead of 0.0014 // with a step of 0.001 instead of 0.0001. // // This strategy goes long if the close of the current day // is larger than the close price of the last day. // If the inverse logic is true, the strategy // goes short (last close larger current close). // // This simple strategy does not have any // stop loss or take profit money management logic. // // List of my work: // https://www.tradingview.com/u/ChartArt/ // // __ __ ___ __ ___ // / ` |__| /\ |__) | /\ |__) | // \__, | | /~~\ | \ | /~~\ | \ | // // threshold = input(title="Price Difference Threshold repainting results", type=float, defval=0.004, step=0.001) getDiff() => yesterday=security(syminfo.tickerid, 'D', close[1]) today=security(syminfo.tickerid, 'D', close) delta=today-yesterday percentage=delta/yesterday closeDiff = getDiff() buying = closeDiff > threshold ? true : closeDiff < -threshold ? false : buying[1] hline(0, title="zero line") bgcolor(buying ? green : red, transp=25) plot(closeDiff, color=silver, style=area, transp=75) plot(closeDiff, color=aqua, title="prediction") longCondition = buying if (longCondition) strategy.entry("Long", strategy.long) shortCondition = buying != true if (shortCondition) strategy.entry("Short", strategy.short)