Die Ressourcen sind geladen. Beförderung...

Handelsstrategie für die Umkehrung beidseitiger gleitender Durchschnittswerte

Schriftsteller:ChaoZhang, Datum: 2024-01-15 12:15:14
Tags:

Übersicht

Die zweiseitige Moving Average Reversion Trading Strategie ist eine quantitative Handelsstrategie, die auf der Theorie der Preisdurchschnittsreversion basiert.

Strategie Logik

Die Kernidee dieser Strategie ist die Preisdurchschnittsreversion, die darauf hindeutet, dass die Preise tendenziell um einen Durchschnittswert herum schwanken und eine höhere Chance haben, zurückzukehren, wenn sie zu weit vom Durchschnitt abweichen. Insbesondere setzt diese Strategie drei Gruppen von gleitenden Durchschnitten auf: Eintrittsgleitdurchschnitte, Ausstiegsgleitdurchschnitte und Stop-Loss-Gleitdurchschnitte. Sie eröffnet entsprechende Long- oder Short-Positionen, wenn die Preise die Eintrittsgleitdurchschnitte erreichen; schließt Positionen, wenn die Preise die Austrittsgleitdurchschnitte erreichen; und kontrolliert Verluste mit Stop-Loss-Gleitdurchschnitten, falls die Preise weiterhin trenden, ohne zurückzukehren.

Aus der Code-Logikperspektive gibt es zwei Eintritts gleitende Durchschnitte - lang und kurz - bestehend aus schnellen und langsamen gleitenden Durchschnitten. Die Abweichung zwischen ihnen und dem Preis bestimmt die Positionsgröße. Darüber hinaus ist der Exit-Gleibende Durchschnitt ein separater gleitender Durchschnitt, der signalisiert, wann die Positionen geschlossen werden sollen. Wenn die Preise diese Linie erreichen, werden bestehende Positionen abgeflacht.

Analyse der Vorteile

Zu den Hauptvorteilen der bidirektionalen Strategie zur Umkehrung des gleitenden Durchschnitts gehören:

Erfassung von Preisumkehrungen, geeignet für bereichsgebundene Märkte
Risikokontrolle durch Stop-Loss
Sehr anpassungsfähige Parameter für Anpassungsfähigkeit
Einfach zu verstehen, bequem für die Optimierung von Parametern

Diese Strategie funktioniert gut mit Instrumenten mit geringer Volatilität, die relativ geringe Kursschwankungen haben, insbesondere wenn sie in Bereichsgebundene Zyklen eintreten. Sie kann Chancen aus vorübergehenden Preisumkehrungen effektiv nutzen. In der Zwischenzeit sind die Risikokontrollmaßnahmen ziemlich umfassend und begrenzen Verluste innerhalb angemessener Bereiche, auch wenn die Preise nicht zurückkehren.

Risikoanalyse

Diese Strategie birgt auch einige Risiken:

Nachträglich neue Positionen können bei starken Trendbewegungen zur Liquidation führen.
Das Risiko von übermäßigen Kursschwankungen, bei denen ein Stop-Loss durch eine erhöhte Volatilität beeinträchtigt werden könnte.
Parameteroptimierungsrisiko: Unangemessene Parametereinstellungen können zu erheblichen Leistungsstörungen führen.

Einige Möglichkeiten, die oben genannten Risiken zu mindern, sind:

Beschränkung neuer Einträge zur Vermeidung von Überhandelungen
Verringerung der Positionsgröße zur Begrenzung der Liquidationsrisiken
Optimierung von Parametern wie gleitenden Durchschnittsperioden und Exit-Line-Multiplikatoren

Optimierungsrichtlinien

Es gibt auch viel Raum für eine weitere Optimierung dieser Strategie:

Hinzufügen zusätzlicher Eingabelogik, um Trendverfolgung zu verhindern
Einbeziehung einer anpassungsfähigen Positionsgrößerung gegenüber der Volatilität
Experimente mit verschiedenen Arten gleitender Durchschnitte
Maschinelles Lernen zur automatisierten Parameteroptimierung
Einbeziehung von Trailing Stops für ein dynamischeres Risikomanagement

Schlussfolgerung

Die zweiseitige gleitende Durchschnitts-Reversion-Handelsstrategie zielt darauf ab, von Preisumkehrungen nach signifikanten Abweichungen von ihren gleitenden Durchschnittsniveaus zu profitieren. Mit geeigneten Risikokontrollmaßnahmen kann sie durch Parameter-Tuning konsistente Gewinne erzielen. Während Risiken wie das Verfolgen von Trends und übermäßige Volatilität noch bestehen, können sie durch Verbesserung der Eingangslogik, Verringerung der Positionsgrößen und mehr angegangen werden. Diese leicht verständliche Strategie verdient weitere Forschung und Optimierung durch quantitative Händler.

/*backtest
start: 2023-12-15 00:00:00
end: 2024-01-14 00:00:00
period: 1h
basePeriod: 15m
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/

//@version=5
strategy(title = "hamster-bot MRS 2", overlay = true, default_qty_type = strategy.percent_of_equity, initial_capital = 100, default_qty_value = 30, pyramiding = 1, commission_value = 0.1, backtest_fill_limits_assumption = 1)
info_options = "Options"

on_close = input(false, title = "Entry on close", inline=info_options, group=info_options)
OFFS = input.int(0, minval = 0, maxval = 1, title = "| Offset View", inline=info_options, group=info_options)
trade_offset = input.int(0, minval = 0, maxval = 1, title = "Trade", inline=info_options, group=info_options)
use_kalman_filter = input.bool(false, title="Use Kalman filter", group=info_options)

//MA Opening
info_opening = "MA Opening Long"
maopeningtyp_l = input.string("SMA", title="Type", options=["SMA", "EMA", "TEMA", "DEMA", "ZLEMA", "WMA", "Hma", "Thma", "Ehma", "H", "L", "DMA"], title = "", inline=info_opening, group=info_opening)
maopeningsrc_l = input.source(ohlc4, title = "", inline=info_opening, group=info_opening)
maopeninglen_l = input.int(3, minval = 1, title = "", inline=info_opening, group=info_opening)
long1on    = input(true, title = "", inline = "long1")
long1shift = input.float(0.96, step = 0.005, title = "Long", inline = "long1")
long1lot   = input.int(10, minval = 0, maxval = 10000, step = 10, title = "Lot 1", inline = "long1")

info_opening_s = "MA Opening Short"
maopeningtyp_s = input.string("SMA", title="Type", options=["SMA", "EMA", "TEMA", "DEMA", "ZLEMA", "WMA", "Hma", "Thma", "Ehma", "H", "L", "DMA"], title = "", inline=info_opening_s, group=info_opening_s)
maopeningsrc_s = input.source(ohlc4, title = "", inline=info_opening_s, group=info_opening_s)
maopeninglen_s = input.int(3, minval = 1, title = "", inline=info_opening_s, group=info_opening_s)
short1on    = input(true, title = "", inline = "short1")
short1shift = input.float(1.04, step = 0.005, title = "short", inline = "short1")
short1lot   = input.int(10, minval = 0, maxval = 10000, step = 10, title = "Lot 1", inline = "short1")


//MA Closing
info_closing = "MA Closing"
maclosingtyp = input.string("SMA", title="Type", options=["SMA", "EMA", "TEMA", "DEMA", "ZLEMA", "WMA", "Hma", "Thma", "Ehma", "H", "L", "DMA"], title = "", inline=info_closing, group=info_closing)
maclosingsrc = input.source(ohlc4, title = "", inline=info_closing, group=info_closing)
maclosinglen = input.int(3, minval = 1, maxval = 200, title = "", inline=info_closing, group=info_closing)
maclosingmul = input.float(1, step = 0.005, title = "mul", inline=info_closing, group=info_closing)

startTime = input(timestamp("01 Jan 2010 00:00 +0000"), "Start date", inline = "period")
finalTime = input(timestamp("31 Dec 2030 23:59 +0000"), "Final date", inline = "period")

HMA(_src, _length) =>  ta.wma(2 * ta.wma(_src, _length / 2) - ta.wma(_src, _length), math.round(math.sqrt(_length)))
EHMA(_src, _length) =>  ta.ema(2 * ta.ema(_src, _length / 2) - ta.ema(_src, _length), math.round(math.sqrt(_length)))
THMA(_src, _length) =>  ta.wma(ta.wma(_src,_length / 3) * 3 - ta.wma(_src, _length / 2) - ta.wma(_src, _length), _length)
tema(sec, length)=>
    tema1= ta.ema(sec, length)
    tema2= ta.ema(tema1, length)
    tema3= ta.ema(tema2, length)
    tema_r = 3*tema1-3*tema2+tema3
donchian(len) => math.avg(ta.lowest(len), ta.highest(len))
ATR_func(_src, _len)=>
    atrLow = low - ta.atr(_len)
    trailAtrLow = atrLow
    trailAtrLow := na(trailAtrLow[1]) ? trailAtrLow : atrLow >= trailAtrLow[1] ? atrLow : trailAtrLow[1]
    supportHit = _src <= trailAtrLow
    trailAtrLow := supportHit ? atrLow : trailAtrLow
    trailAtrLow
f_dema(src, len)=>
    EMA1 = ta.ema(src, len)
    EMA2 = ta.ema(EMA1, len)
    DEMA = (2*EMA1)-EMA2
f_zlema(src, period) =>
    lag = math.round((period - 1) / 2)
    ema_data = src + (src - src[lag])
    zl= ta.ema(ema_data, period)
f_kalman_filter(src) =>
    float value1= na
    float value2 = na
    value1 := 0.2 * (src - src[1]) + 0.8 * nz(value1[1])
    value2 := 0.1 * (ta.tr) + 0.8 * nz(value2[1])
    lambda = math.abs(value1 / value2)
    alpha = (-math.pow(lambda, 2) + math.sqrt(math.pow(lambda, 4) + 16 * math.pow(lambda, 2)))/8
    value3 = float(na)
    value3 := alpha * src + (1 - alpha) * nz(value3[1])
//SWITCH
ma_func(modeSwitch, src, len, use_k_f=true) =>
      modeSwitch == "SMA"   ? use_kalman_filter and use_k_f ? f_kalman_filter(ta.sma(src, len))  : ta.sma(src, len) :
      modeSwitch == "RMA"   ? use_kalman_filter and use_k_f ? f_kalman_filter(ta.rma(src, len))  : ta.rma(src, len) :
      modeSwitch == "EMA"   ? use_kalman_filter and use_k_f ? f_kalman_filter(ta.ema(src, len))  : ta.ema(src, len) :
      modeSwitch == "TEMA"  ? use_kalman_filter and use_k_f ? f_kalman_filter(tema(src, len))    : tema(src, len):
      modeSwitch == "DEMA"  ? use_kalman_filter and use_k_f ? f_kalman_filter(f_dema(src, len))  : f_dema(src, len):
      modeSwitch == "ZLEMA" ? use_kalman_filter and use_k_f ? f_kalman_filter(f_zlema(src, len)) : f_zlema(src, len):
      modeSwitch == "WMA"   ? use_kalman_filter and use_k_f ? f_kalman_filter(ta.wma(src, len))  : ta.wma(src, len):
      modeSwitch == "VWMA"  ? use_kalman_filter and use_k_f ? f_kalman_filter(ta.vwma(src, len)) : ta.vwma(src, len):
      modeSwitch == "Hma"   ? use_kalman_filter and use_k_f ? f_kalman_filter(HMA(src, len))     : HMA(src, len):
      modeSwitch == "Ehma"  ? use_kalman_filter and use_k_f ? f_kalman_filter(EHMA(src, len))    : EHMA(src, len):
      modeSwitch == "Thma"  ? use_kalman_filter and use_k_f ? f_kalman_filter(THMA(src, len/2))  : THMA(src, len/2):
      modeSwitch == "ATR"   ? use_kalman_filter and use_k_f ? f_kalman_filter(ATR_func(src, len)): ATR_func(src, len) :
      modeSwitch == "L"   ? use_kalman_filter and use_k_f ? f_kalman_filter(ta.lowest(len)): ta.lowest(len) :
      modeSwitch == "H"   ? use_kalman_filter and use_k_f ? f_kalman_filter(ta.highest(len)): ta.highest(len) :
      modeSwitch == "DMA"   ? donchian(len) : na

//Var
sum = 0.0
maopening_l = 0.0
maopening_s = 0.0
maclosing = 0.0
pos = strategy.position_size
p = 0.0
p := pos == 0 ? (strategy.equity / 100) / close : p[1]
truetime = true
loss = 0.0
maxloss = 0.0
equity = 0.0

//MA Opening
maopening_l := ma_func(maopeningtyp_l, maopeningsrc_l, maopeninglen_l)
maopening_s := ma_func(maopeningtyp_s, maopeningsrc_s, maopeninglen_s)

//MA Closing
maclosing := ma_func(maclosingtyp, maclosingsrc, maclosinglen) * maclosingmul

long1 = long1on == false ? 0 : long1shift == 0 ? 0 : long1lot == 0 ? 0 : maopening_l == 0 ? 0 : maopening_l * long1shift
short1 = short1on == false ? 0 : short1shift == 0 ? 0 : short1lot == 0 ? 0 : maopening_s == 0 ? 0 : maopening_s * short1shift
//Colors
long1col = long1 == 0 ? na : color.green
short1col = short1 == 0 ? na : color.red
//Lines
// plot(maopening_l, offset = OFFS, color = color.new(color.green, 50))
// plot(maopening_s, offset = OFFS, color = color.new(color.red, 50))
plot(maclosing, offset = OFFS, color = color.fuchsia)
long1line = long1 == 0 ? close : long1
short1line = short1 == 0 ? close : short1
plot(long1line, offset = OFFS, color = long1col)
plot(short1line, offset = OFFS, color = short1col)

//Lots
lotlong1 = p * long1lot
lotshort1 = p * short1lot

//Entry
if truetime
    //Long
    sum := 0
    strategy.entry("L", strategy.long, lotlong1, limit = on_close ? na : long1, when = long1 > 0 and pos <= sum and (on_close ? close <= long1[trade_offset] : true))
    sum := lotlong1

    //Short
    sum := 0
    pos := -1 * pos
    strategy.entry("S", strategy.short, lotshort1, limit = on_close ? na : short1, when = short1 > 0 and pos <= sum and (on_close ? close >= short1[trade_offset] : true))
    sum := lotshort1

strategy.exit("Exit", na, limit = maclosing)
if time > finalTime
    strategy.close_all()

Mehr