ChaoZhang
Überblick
Die Strategie verwendet die Kreuzung von einfachen gleitenden Durchschnitten aus zwei verschiedenen Zeitspannen, um die Richtung eines Trends zu bestimmen und bei Trends zu handeln. Gleichzeitig wird eine Erwartungs-Panel eingeführt, um die erwarteten Erträge der Strategie in verschiedenen Zeitspannen zu berechnen und anzuzeigen, damit Benutzer die Strategie-Performance besser bewerten können. Die Erwartungs-Panel berücksichtigt wichtige Kennzahlen wie die Gewinnrate, die durchschnittlichen Gewinne und die durchschnittlichen Verluste der Strategie in historischen Zeitabschnitten und ist in der Lage, die Performance der Strategie in verschiedenen Marktumgebungen in einer visuellen Weise darzustellen.
Strategieprinzip
Der Kern der Strategie ist die Verwendung von einfachen gleitenden Durchschnitten aus zwei verschiedenen Zeitspannen (in diesem Fall 14 und 28 Tage) zur Beurteilung der Markttrends. Wenn die kurzfristige Durchschnittslinie von unten nach oben durch die langfristige Durchschnittslinie geht, wird der Markt als aufwärts bewertet und die Strategie wird positioniert. Umgekehrt, wenn die kurzfristige Durchschnittslinie von oben nach unten durch die langfristige Durchschnittslinie geht, wird der Markt als abwärts bewertet und die Strategie wird leer.
Zusätzlich zu den grundlegenden Trends und der Handelslogik wurde eine Erwartungs-Panel eingeführt, um die erwarteten Erträge der Strategie auf verschiedenen Zeitskalen (monatlich und jährlich) zu berechnen und darzustellen. Die Berechnung der Erwartungswerte basiert auf den wichtigsten statistischen Kennzahlen der Strategie in der historischen Periode, einschließlich:
- Gewinnrate: Anteil der Gewinne der Strategie an der Gesamtzahl der Geschäfte in diesem Zeitraum
- Durchschnittliche Gewinnspanne: Die durchschnittliche Gewinnspanne aller gewinnbringenden Geschäfte der Strategie in diesem Zeitraum
- Durchschnittlicher Verlust: Der durchschnittliche Verlustbetrag aller verlustbringenden Geschäfte der Strategie während des Zeitraums
Mit Hilfe dieser Kennzahlen können die erwarteten Werte der Strategie für diesen Zeitraum berechnet werden: Erwartung = Gewinnrate × Durchschnittsgewinn - (1 - Gewinnrate) × Durchschnittsverlust
Durch die Darstellung von Erwartungen für verschiedene Zeiträume in Form von Heat-Charts auf der Grafik können Benutzer die erwartete Leistung der Strategie in verschiedenen Marktumgebungen auf einen Blick sehen und somit die Anwendbarkeit und das Risiko der Strategie besser erfassen.
Analyse der Stärken
Trendadaptivität: Durch die Verwendung von Moving Average Crossovers, um Trends zu beurteilen, kann die Strategie ihre Positionen unter verschiedenen Markttrends rechtzeitig anpassen, um sich an Marktveränderungen anzupassen. Dies ermöglicht der Strategie, in einem trendigen Markt bessere Gewinne zu erzielen.
Intuitive Performance-Bewertung: Die integrierte Erwartungsplatte zeigt die erwarteten Erträge der Strategie für verschiedene Zeiträume in Form eines Heatgrads und ermöglicht es dem Benutzer, die Performance der Strategie in verschiedenen Marktumgebungen auf einen Blick zu bewerten. Diese visuelle Darstellung der Leistung bietet dem Benutzer mehr Entscheidungsreferenzen.
Berücksichtigung der wichtigsten statistischen Kennzahlen: Die Berechnung des Erwartungswerts berücksichtigt nicht nur die Gewinnrate der Strategie, sondern auch die Auswirkungen von durchschnittlichen Gewinnen und durchschnittlichen Verlusten. Diese Berechnung kann die tatsächliche Leistung der Strategie umfassender und genauer widerspiegeln und den Benutzern eine zuverlässigere Referenz bieten.
Flexible Parameter-Einstellungen: Der Benutzer kann die Anzeige der gewünschten Werte und die Transparenz des Panels flexibel einstellen. Dies ermöglicht dem Benutzer, die Anzeige der Diagramme an seine eigenen Vorlieben anzupassen und die Benutzererfahrung zu verbessern.
Risikoanalyse
Schlechte Performance in einem wackligen Markt: Da die Strategie hauptsächlich auf Trends angewiesen ist, um Gewinne zu erzielen, können häufige Geschäfte in einem wackligen Markt oder in einem unklaren Marktumfeld zu größeren Schlupfpunkten und Handelskosten führen, was die Gesamtperformance der Strategie beeinträchtigt.
Die Einschränkungen der Erwartungswert-Berechnung: Obwohl die Erwartungswert-Panel eine intuitive Methode zur Bewertung der Strategie-Performance bietet, basiert sie auf historischen Daten. Bei erheblichen Marktveränderungen oder Extremen können die historischen Daten die tatsächliche Leistung der Strategie möglicherweise nicht sehr gut widerspiegeln, und die Referenzwertwert der Erwartungswerte kann verringert werden.
Die Auswahl der Parameter ist von großer Bedeutung: Die Performance der Strategie hängt in hohem Maße von der Periodenauswahl des Moving Averages ab. Verschiedene Periodenkombinationen können zu völlig unterschiedlichen Handelsergebnissen führen. Wenn die gewählten Parameter nicht gut an die Merkmale des Marktes angepasst sind, kann die tatsächliche Performance der Strategie von den erwarteten Werten abweichen.
Optimierungsrichtung
Einführung von mehr technischen Indikatoren: Auf der Grundlage der vorhandenen Moving Averages können andere technische Indikatoren wie MACD, RSI usw. in Betracht gezogen werden, um die Stärke und Nachhaltigkeit von Trends besser zu beurteilen und somit die Ein- und Ausstiegszeit von Strategien zu verbessern.
Optimierung der Positionsverwaltung: Die derzeitige Strategie verfolgt die Vorgehensweise der Festlegung von Positionen bei Handelssignalen. Es kann in Erwägung gezogen werden, die Positionen dynamisch an die Marktvolatilität und die Trendstärke anzupassen, um Risiken besser zu kontrollieren und die Erträge zu steigern.
Die Einbeziehung eines angemessenen Stop-Loss-Mechanismus in die Strategie hilft der Strategie, bereits erzielte Gewinne rechtzeitig zu sperren und mögliche Verluste zu begrenzen. Dies trägt dazu bei, die Risiko-Gewinn-Ratio der Strategie zu erhöhen, so dass sie in verschiedenen Marktumgebungen relativ robust bleibt.
Optimierung der Berechnung des Erwartungswerts: Die Berechnungsmethode des Erwartungswerts kann weiter optimiert werden, z. B. die Berücksichtigung der Transaktionskosten, die Einführung eines mobilen Fensters usw., um die Wirksamkeit und die praktische Nutzung des Erwartungswertindikators zu verbessern. Darüber hinaus können andere strategische Leistungsbewertungsindikatoren erforscht werden, um den Benutzern eine umfassendere Referenz zu bieten.
Zusammenfassen
Die Strategie nutzt die Kreuzung von Moving Averages, um Markttrends zu beurteilen und bei Trends zeitnah Positionen zu erstellen, um die Gewinne aus den Trends zu erhalten. Gleichzeitig wird eine intuitive Erwartungsplatte eingeführt, die die erwarteten Erträge der Strategie auf verschiedenen Zeitskalen anzeigt und den Benutzern mehr Entscheidungsreferenzen bietet. Obwohl die Strategie in einem wackligen Markt schlechte Leistungen erbringen kann und die Erwartungsschwellen begrenzt sind, kann die Strategie durch die Einführung von mehr technischen Indikatoren, die Optimierung der Positionsverwaltung und die Einbeziehung von Stop-Loss-Maßnahmen weiter verbessert werden.
/*backtest
start: 2023-06-11 00:00:00
end: 2024-06-16 00:00:00
period: 1d
basePeriod: 1h
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/
// This Pine Script™ code is subject to the terms of the Mozilla Public License 2.0 at https://mozilla.org/MPL/2.0/
// © ir0nantc2
//@version=5
strategy("Expected Value Panel", overlay=true)
// ロングエントリー条件 / Long entry condition
longCondition = ta.crossover(ta.sma(close, 14), ta.sma(close, 28))
if (longCondition)
strategy.entry("My Long Entry Id", strategy.long)
// ショートエントリー条件 / Short entry condition
shortCondition = ta.crossunder(ta.sma(close, 14), ta.sma(close, 28))
if (shortCondition)
strategy.entry("My Short Entry Id", strategy.short)
// ■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■
// Please copy the code below and paste it into the strategy where you want to display the expected value.
// 以下のコードをコピーして期待値を表示させたいストラテジーに貼り付けて下さい。
// ■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■
// 表示選択 / Display selection
show_performance = input.bool(true, '期待値ON/OFF (Show Expected Value)', group='Expected Value / ©ir0nantc2')
transparency = input.int(50, '透過度 (Transparency)', minval=0, maxval=100, group='Expected Value / ©ir0nantc2')
prec = 2
// 背景色 / Background color
bg_color(value) =>
na(value) ? color.new(color.gray, transparency) : value > 0.0 ? color.new(color.green, transparency) :
value < 0.0 ? color.new(color.red, transparency) :color.new(color.gray, transparency)
// 利益と損失の追跡 / Track profits and losses
var float total_monthly_profit = 0.0
var float total_yearly_profit = 0.0
if show_performance
new_month = month(time) != month(time[1])
new_year = year(time) != year(time[1])
cur_month_pnl = 0.0, cur_year_pnl = 0.0
eq = strategy.equity
bar_pnl = eq / eq[1] - 1
// 月次・年次 期待値 / Monthly & Yearly Expected Value
cur_month_pnl := new_month ? 0.0 : (1 + cur_month_pnl[1]) * (1 + bar_pnl) - 1
cur_year_pnl := new_year ? 0.0 : (1 + cur_year_pnl[1]) * (1 + bar_pnl) - 1
// 年次および月次期待値を格納 / Store monthly and yearly expected values
var month_pnl = array.new_float(), var month_time = array.new_int()
var year_pnl = array.new_float(), var year_time = array.new_int()
// 期待値計算の変数 / Variables for expected value calculation
var month_wins = array.new_int(), var month_losses = array.new_int()
var month_avg_win = array.new_float(), var month_avg_loss = array.new_float()
var year_wins = array.new_int(), var year_losses = array.new_int()
var year_avg_win = array.new_float(), var year_avg_loss = array.new_float()
// 月次および年次期待値の配列更新 / Update arrays for monthly and yearly expected values
bool last_computed = false
if (not na(cur_month_pnl[1]) and (new_month or barstate.islastconfirmedhistory))
if (last_computed and array.size(month_pnl) > 0)
array.pop(month_pnl), array.pop(month_time)
array.pop(month_wins), array.pop(month_losses)
array.pop(month_avg_win), array.pop(month_avg_loss)
array.push(month_pnl, cur_month_pnl[1]), array.push(month_time, time[1])
array.push(month_wins, 0), array.push(month_losses, 0)
array.push(month_avg_win, 0.0), array.push(month_avg_loss, 0.0)
if (not na(cur_year_pnl[1]) and (new_year or barstate.islastconfirmedhistory))
if (last_computed and array.size(year_pnl) > 0)
array.pop(year_pnl), array.pop(year_time)
array.pop(year_wins), array.pop(year_losses)
array.pop(year_avg_win), array.pop(year_avg_loss)
array.push(year_pnl, cur_year_pnl[1]), array.push(year_time, time[1])
array.push(year_wins, 0), array.push(year_losses, 0)
array.push(year_avg_win, 0.0), array.push(year_avg_loss, 0.0)
last_computed := barstate.islastconfirmedhistory ? true : last_computed
// 勝ち取引と負け取引を追跡 / Track winning and losing trades
if (strategy.closedtrades > 0 and na(strategy.closedtrades[1]) == false)
closed_profit = strategy.netprofit - strategy.netprofit[1]
if closed_profit > 0
if array.size(month_wins) > 0
wins = array.get(month_wins, array.size(month_wins) - 1) + 1
avg_win = (array.get(month_avg_win, array.size(month_avg_win) - 1) * (wins - 1) + closed_profit) / wins
array.set(month_wins, array.size(month_wins) - 1, wins)
array.set(month_avg_win, array.size(month_avg_win) - 1, avg_win)
if array.size(year_wins) > 0
wins = array.get(year_wins, array.size(year_wins) - 1) + 1
avg_win = (array.get(year_avg_win, array.size(year_avg_win) - 1) * (wins - 1) + closed_profit) / wins
array.set(year_wins, array.size(year_wins) - 1, wins)
array.set(year_avg_win, array.size(year_avg_win) - 1, avg_win)
else
if array.size(month_losses) > 0
losses = array.get(month_losses, array.size(month_losses) - 1) + 1
avg_loss = (array.get(month_avg_loss, array.size(month_avg_loss) - 1) * (losses - 1) + closed_profit) / losses
array.set(month_losses, array.size(month_losses) - 1, losses)
array.set(month_avg_loss, array.size(month_avg_loss) - 1, avg_loss)
if array.size(year_losses) > 0
losses = array.get(year_losses, array.size(year_losses) - 1) + 1
avg_loss = (array.get(year_avg_loss, array.size(year_avg_loss) - 1) * (losses - 1) + closed_profit) / losses
array.set(year_losses, array.size(year_losses) - 1, losses)
array.set(year_avg_loss, array.size(year_avg_loss) - 1, avg_loss)
// 月次テーブル / Monthly table
var monthly_table = table(na)
if (barstate.islastconfirmedhistory)
monthly_table := table.new(position.bottom_right, columns = 14, rows = array.size(year_time) + 1, border_width = 1)
table.cell(monthly_table, 0, 0, "", bgcolor = #bbbbbb00)
table.cell(monthly_table, 1, 0, "Jan", bgcolor = #bbbbbb)
table.cell(monthly_table, 2, 0, "Feb", bgcolor = #bbbbbb)
table.cell(monthly_table, 3, 0, "Mar", bgcolor = #bbbbbb)
table.cell(monthly_table, 4, 0, "Apr", bgcolor = #bbbbbb)
table.cell(monthly_table, 5, 0, "May", bgcolor = #bbbbbb)
table.cell(monthly_table, 6, 0, "Jun", bgcolor = #bbbbbb)
table.cell(monthly_table, 7, 0, "Jul", bgcolor = #bbbbbb)
table.cell(monthly_table, 8, 0, "Aug", bgcolor = #bbbbbb)
table.cell(monthly_table, 9, 0, "Sep", bgcolor = #bbbbbb)
table.cell(monthly_table, 10, 0, "Oct", bgcolor = #bbbbbb)
table.cell(monthly_table, 11, 0, "Nov", bgcolor = #bbbbbb)
table.cell(monthly_table, 12, 0, "Dec", bgcolor = #bbbbbb)
table.cell(monthly_table, 13, 0, "Year", bgcolor = #bbbbbb)
// 年次データの集計 / Collecting yearly data
var year_total_pnl = array.new_float()
var year_exp_val = array.new_float()
for yt = 0 to array.size(year_time) - 1
total_year_wins = 0, total_year_losses = 0
total_year_avg_win = 0.0, total_year_avg_loss = 0.0
total_year_pnl = 0.0
for mt = 1 to 12
idx = -1
for j = 0 to array.size(month_time) - 1
if year(array.get(month_time, j)) == year(array.get(year_time, yt)) and month(array.get(month_time, j)) == mt
idx := j
break
if idx != -1
total_year_pnl := total_year_pnl + array.get(month_pnl, idx)
total_year_wins := total_year_wins + array.get(month_wins, idx)
total_year_losses := total_year_losses + array.get(month_losses, idx)
total_year_avg_win := total_year_avg_win + (array.get(month_avg_win, idx) * array.get(month_wins, idx))
total_year_avg_loss := total_year_avg_loss + (array.get(month_avg_loss, idx) * array.get(month_losses, idx))
total_year_avg_win := total_year_wins > 0 ? total_year_avg_win / total_year_wins : 0.0
total_year_avg_loss := total_year_losses > 0 ? total_year_avg_loss / total_year_losses : 0.0
win_rate = total_year_wins + total_year_losses > 0 ? total_year_wins / (total_year_wins + total_year_losses) : na
exp_val = win_rate ? (win_rate * total_year_avg_win) - ((1 - win_rate) * math.abs(total_year_avg_loss)) : na
array.push(year_total_pnl, total_year_pnl)
array.push(year_exp_val, exp_val)
for yt = 0 to array.size(year_time) - 1
table.cell(monthly_table, 0, yt + 1, str.tostring(year(array.get(year_time, yt))), bgcolor = #bbbbbb)
y_color = bg_color(array.get(year_exp_val, yt))
value_to_display = na(array.get(year_exp_val, yt)) ? "" : str.tostring(math.round(array.get(year_exp_val, yt) * 100, prec))
table.cell(monthly_table, 13, yt + 1, value_to_display, bgcolor = y_color, text_color=color.new(color.white, 0))
for mt = 0 to array.size(month_time) - 1
m_row = year(array.get(month_time, mt)) - year(array.get(year_time, 0)) + 1
m_col = month(array.get(month_time, mt))
if array.size(month_wins) > mt and array.size(month_losses) > mt and array.size(month_avg_win) > mt and array.size(month_avg_loss) > mt
win_rate = array.get(month_wins, mt) / (array.get(month_wins, mt) + array.get(month_losses, mt))
exp_val = (win_rate * array.get(month_avg_win, mt)) - ((1 - win_rate) * math.abs(array.get(month_avg_loss, mt)))
m_color = bg_color(exp_val)
value_to_display = na(exp_val) ? "" : str.tostring(math.round(exp_val * 100, prec))
table.cell(monthly_table, m_col, m_row, value_to_display, bgcolor = m_color, text_color=color.new(color.white, 0))
else
table.cell(monthly_table, m_col, m_row, "", bgcolor = color.new(color.gray, transparency), text_color=color.new(color.white, 0))
// [EOF]