संसाधन लोड हो रहा है... लोड करना...

केएनएन मशीन लर्निंग रणनीतिः के-निकटतम पड़ोस एल्गोरिथ्म पर आधारित प्रवृत्ति पूर्वानुमान ट्रेडिंग प्रणाली

लेखक:चाओझांग, दिनांकः 2024-05-15 17:09:34
टैगःसीएनएनएमएएटीआर

अवलोकन

यह रणनीति मूल्य रुझानों की भविष्यवाणी करने के लिए K-Nearest Neighbors (KNN) मशीन लर्निंग एल्गोरिथ्म का उपयोग करती है। मूल्यांकन के लिए विभिन्न मूल्य गणना विधियों (जैसे HL2, VWAP, SMA, आदि) को इनपुट मानों और विभिन्न लक्ष्य मानों (जैसे मूल्य कार्रवाई, VWAP, अस्थिरता, आदि) के रूप में चुनकर, KNN एल्गोरिथ्म वर्तमान बाजार की स्थिति के सबसे करीब के ऐतिहासिक डेटा बिंदुओं की पहचान करता है। फिर रणनीति इन K डेटा बिंदुओं की प्रवृत्ति दिशा के आधार पर लंबी या छोटी भविष्यवाणियां करती है। इसके अलावा, रणनीति भविष्यवाणियों के परिणामों को चिकना करने और स्थिरता में सुधार करने के लिए एक चलती औसत लागू करती है। अंत में, भविष्यवाणियों के अनुसार व्यापार निर्णय किए जाते हैं, और पृष्ठभूमि रंग में वर्तमान बाजार प्रवृत्ति परिवर्तन परिणामों के माध्यम से दृश्य रूप से प्रदर्शित किया जाता है।

रणनीतिक सिद्धांत

KNN एल्गोरिथ्म के लिए इनपुट मान के रूप में मूल्य गणना विधि (जैसे, HL2, VWAP, SMA) का चयन करें।
KNN एल्गोरिथ्म के लिए लक्ष्य मान के रूप में एक मूल्यांकन लक्ष्य (जैसे, मूल्य क्रिया, VWAP, अस्थिरता) चुनें।
केएनएन एल्गोरिथ्म की संवेदनशीलता और पूर्वानुमान परिणामों की सुचारूता को समायोजित करने के लिए निकटतम पड़ोसियों की संख्या (के) और चिकनाई अवधि सेट करें।
प्रत्येक नए मूल्य डेटा बिंदु के लिए, वर्तमान बाजार की स्थिति के निकटतम K ऐतिहासिक डेटा बिंदुओं को खोजने के लिए KNN एल्गोरिथ्म का उपयोग करें।
इन K डेटा बिंदुओं की प्रवृत्ति दिशा (बुलिश या मंदी) के आधार पर, वर्तमान बाजार प्रवृत्ति पूर्वानुमान प्राप्त करने के लिए मतदान करें।
स्थिरता में सुधार के लिए चलती औसत का उपयोग करके पूर्वानुमान परिणामों को चिकना करें।
समतल भविष्यवाणी के परिणामों के आधार पर ट्रेडिंग सिग्नल (लंबी या छोटी) उत्पन्न करें और पृष्ठभूमि रंग में परिवर्तन के माध्यम से वर्तमान बाजार प्रवृत्ति भविष्यवाणी का दृश्यतापूर्वक प्रदर्शन करें।

लाभ

मशीन लर्निंग एल्गोरिथ्म का उपयोग करके, रणनीति ऐतिहासिक डेटा से सीख सकती है और मूल्य रुझानों की भविष्यवाणी कर सकती है, अनुकूलन क्षमता और लचीलापन प्रदान कर सकती है।
रणनीति के प्रदर्शन को विभिन्न बाजार स्थितियों के अनुरूप अनुकूलित किया जा सकता है जैसे कि इनपुट मान, लक्ष्य मान, निकटतम पड़ोसियों की संख्या और चिकनाई अवधि जैसे मापदंडों को समायोजित करके।
भविष्यवाणियों के परिणामों को चलती औसत के साथ जोड़ने से भविष्यवाणियों की स्थिरता और विश्वसनीयता बढ़ जाती है।
वर्तमान बाजार की प्रवृत्ति का पूर्वानुमान पृष्ठभूमि रंग में परिवर्तन के माध्यम से दृश्य रूप से प्रदर्शित किया जाता है, जिससे व्यापारियों को बाजार की स्थितियों का त्वरित आकलन करने और निर्णय लेने की अनुमति मिलती है।

जोखिम

केएनएन एल्गोरिथ्म का पूर्वानुमानात्मक प्रदर्शन ऐतिहासिक डेटा की गुणवत्ता और प्रतिनिधित्व पर निर्भर करता है। अपर्याप्त या गैर-प्रतिनिधात्मक डेटा गलत भविष्यवाणियों का कारण बन सकता है।
रणनीति के प्रदर्शन को पैरामीटर सेटिंग्स से प्रभावित किया जा सकता है, और पैरामीटर संयोजनों के अनुचित परिणाम खराब प्रदर्शन या ओवरफिटिंग हो सकते हैं।
जब बाजार की प्रवृत्ति में तेजी से परिवर्तन होता है या ब्लैक स्वान घटनाएं होती हैं, तो ऐतिहासिक डेटा पर आधारित भविष्यवाणियां अप्रभावी हो सकती हैं, जिससे रणनीति गलत ट्रेडिंग संकेत उत्पन्न करती है।

अनुकूलन दिशाएँ

पूर्वानुमान की सटीकता और मजबूती में सुधार के लिए KNN एल्गोरिथ्म के लिए इनपुट के रूप में अधिक तकनीकी संकेतकों या बाजार भावना डेटा को शामिल करें।
विभिन्न बाजार स्थितियों और अस्थिरता के स्तरों के आधार पर रणनीतिक मापदंडों को गतिशील रूप से समायोजित करने के लिए एक अनुकूलन तंत्र लागू करें।
रणनीति के जोखिम जोखिम को कम करने और रिटर्न की स्थिरता को बढ़ाने के लिए अन्य तकनीकी विश्लेषण विधियों या जोखिम प्रबंधन उपायों को मिलाएं।

सारांश

मूल्य प्रवृत्ति की भविष्यवाणी के लिए केएनएन मशीन लर्निंग एल्गोरिथ्म को लागू करके, यह रणनीति यह प्रदर्शित करती है कि ऐतिहासिक डेटा और सांख्यिकीय तरीकों का उपयोग करके बाजार के रुझानों को कैसे कैप्चर किया जाए और ट्रेडिंग सिग्नल कैसे उत्पन्न किया जाए। रणनीति की ताकत इसकी अनुकूलनशीलता और लचीलापन में निहित है, क्योंकि इसे विभिन्न बाजार स्थितियों के अनुरूप पैरामीटर समायोजन के माध्यम से अनुकूलित किया जा सकता है। हालांकि, रणनीति के जोखिम मुख्य रूप से ऐतिहासिक डेटा की गुणवत्ता और प्रतिनिधिता के साथ-साथ पैरामीटर सेटिंग्स की उचितता से उत्पन्न होते हैं। भविष्य में सुधार में रणनीति की मजबूती और लाभप्रदता को और बढ़ाने के लिए अधिक संकेतकों, अनुकूलन तंत्र और जोखिम प्रबंधन उपायों को शामिल करना शामिल हो सकता है।

/*backtest
start: 2023-05-09 00:00:00
end: 2024-05-14 00:00:00
period: 1d
basePeriod: 1h
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/


// This work is licensed under a Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) https://creativecommons.org/licenses/by-nc-sa/4.0/
// © Blake_22 {

//@version=5
strategy('money printer part 1', overlay=true)

// ~~ Tooltips {
t1 ="PriceValue selects the method of price computation. \n\nSets the smoothing period for the PriceValue. \n\nAdjusting these settings will change the input values for the K-Nearest Neighbors algorithm, influencing how the trend is calculated."
t2 = "TargetValue specifies the target to evaluate. \n\nSets the smoothing period for the TargetValue."
t3 ="numberOfClosestValues sets the number of closest values that are considered when calculating the KNN Moving Average. Adjusting this number will affect the sensitivity of the trend line, with a higher value leading to a smoother line and a lower value resulting in a line that is more responsive to recent price changes."
t4 ="smoothingPeriod sets the period for the moving average applied to the KNN classifier. Adjusting the smoothing period will affect how rapidly the trend line responds to price changes, with a larger smoothing period leading to a smoother line that may lag recent price movements, and a smaller smoothing period resulting in a line that more closely tracks recent changes."
t5 ="This option controls the background color for the trend prediction. Enabling it will change the background color based on the prediction, providing visual cues on the direction of the trend. A green color indicates a positive prediction, while red indicates a negative prediction."
//~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~}

// ~~ Inputs {
PriceValue   = input.string("hl2", options = ["hl2","VWAP", "sma", "wma", "ema", "hma"], group="", inline="Value")
maLen        = input.int(5, minval=2, maxval=200, title="", group="", inline="Value", tooltip=t1)
TargetValue  = input.string("Price Action", options = ["Price Action","VWAP", "Volatility", "sma", "wma", "ema", "hma"], group="", inline="Target")
maLen_       = input.int(5, minval=2, maxval=200, title="", group="", inline="Target", tooltip=t2)
// Input parameters for the KNN Moving Average
numberOfClosestValues = input.int(3, "Number of Closest Values", 2, 200, tooltip=t3) 
smoothingPeriod       = input.int(50, "Smoothing Period", 2, 500, tooltip=t4) 
windowSize            = math.max(numberOfClosestValues, 30) 

// knn Color
Upknn_col   = input.color(color.lime, title="", group="KNN Color", inline="knn col")
Dnknn_col   = input.color(color.red, title="", group="KNN Color", inline="knn col")
Neuknn_col  = input.color(color.orange, title="", group="KNN Color", inline="knn col")
// MA knn Color
Maknn_col   = input.color(color.teal, title="", group="MA KNN Color", inline="MA knn col")
// BG Color
bgcolor = input.bool(false, title="Trend Prediction Color", group="BG Color", inline="bg", tooltip=t5)
Up_col  = input.color(color.lime, title="", group="BG Color", inline="bg")
Dn_col  = input.color(color.red, title="", group="BG Color", inline="bg")
//~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~}

// ~~ kNN Classifier {
value_in = switch PriceValue
    "hl2"  => ta.sma(hl2,maLen)
    "VWAP" => ta.vwap(close[maLen])
    "sma" => ta.sma(close,maLen)
    "wma" => ta.wma(close,maLen)
    "ema" => ta.ema(close,maLen)
    "hma" => ta.hma(close,maLen)

meanOfKClosest(value_,target_) => 
    closestDistances = array.new_float(numberOfClosestValues, 1e10) 
    closestValues    = array.new_float(numberOfClosestValues, 0.0) 
    for i = 1 to windowSize 
        value = value_[i] 
        distance = math.abs(target_ - value) 
        maxDistIndex = 0 
        maxDistValue = closestDistances.get(0) 
        for j = 1 to numberOfClosestValues - 1 
            if closestDistances.get(j) > maxDistValue
                maxDistIndex := j
                maxDistValue := closestDistances.get(j)
        if distance < maxDistValue 
            closestDistances.set(maxDistIndex, distance)
            closestValues.set(maxDistIndex, value)
    closestValues.sum() / numberOfClosestValues 

// Choose the target input based on user selection
target_in = switch TargetValue
    "Price Action"  => ta.rma(close,maLen_) 
    "VWAP"          => ta.vwap(close[maLen_])
    "Volatility"    => ta.atr(14)
    "sma" => ta.sma(close,maLen_)
    "wma" => ta.wma(close,maLen_)
    "ema" => ta.ema(close,maLen_)
    "hma" => ta.hma(close,maLen_)

knnMA = meanOfKClosest(value_in,target_in)
//~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~}

// ~~ kNN Prediction {
// Function to calculate KNN Classifier
price = math.avg(knnMA, close)
c     = ta.rma(knnMA[1], smoothingPeriod) 
o     = ta.rma(knnMA, smoothingPeriod)

// Defines KNN function to perform classification
knn(price) => 
    Pos_count = 0 
    Neg_count = 0 
    min_distance = 10e10 
    nearest_index = 0 
    for j = 1 to 10 
        distance = math.sqrt(math.pow(price[j] - price, 2)) 
        if distance < min_distance 
            min_distance := distance
            nearest_index := j
            Neg = c[nearest_index] > o[nearest_index] 
            Pos = c[nearest_index] < o[nearest_index] 
            if Pos 
                Pos_count += 1
            if Neg 
                Neg_count += 1
    output = Pos_count>Neg_count?1:-1 

// Calls KNN function and smooths the prediction
knn_prediction_raw = knn(price) 
knn_prediction     = ta.wma(knn_prediction_raw, 3)
//~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~}

// ~~ Plots {
// Plots for display on the chart
knnMA_          = ta.wma(knnMA,5)
knnMA_col       = knnMA_>knnMA_[1]?Upknn_col:knnMA_<knnMA_[1]?Dnknn_col:Neuknn_col
Classifier_Line = plot(knnMA_,"Knn Classifier Line", knnMA_col)
MAknn_          = ta.rma(knnMA, smoothingPeriod)
plot(MAknn_,"Average Knn Classifier Line" ,Maknn_col) 
green = knn_prediction < 0.5
red   = knn_prediction > -0.5 
bgcolor( green and bgcolor? color.new(Dn_col,80) : 
 red and bgcolor ? color.new(Up_col,80) : na) 
//~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~}

// ~~ Alerts {
knnMA_cross_Over_Ma      = ta.crossover(knnMA_,MAknn_)
knnMA_cross_Under_Ma     = ta.crossunder(knnMA_,MAknn_)
knnMA_cross_Over_Close   = ta.crossover(knnMA_,close)
knnMA_cross_Under_Close  = ta.crossunder(knnMA_,close)
knnMA_Switch_Up          = knnMA_[1]<knnMA_ and knnMA_[1]<=knnMA_[2]
knnMA_Switch_Dn          = knnMA_[1]>knnMA_ and knnMA_[1]>=knnMA_[2]
knnMA_Neutral            = knnMA_col==Neuknn_col and knnMA_col[1]!=Neuknn_col
greenBG                  = green and not green[1]
redBG                    = red and not red[1]

alertcondition(knnMA_cross_Over_Ma,  title = "Knn Crossover Average Knn",  message = "Knn Crossover Average Knn")
alertcondition(knnMA_cross_Under_Ma, title = "Knn Crossunder Average Knn", message = "Knn Crossunder Average Knn")
alertcondition(knnMA_cross_Over_Close,  title = "Knn Crossover Close",  message = "Knn Crossover Close")
alertcondition(knnMA_cross_Under_Close, title = "Knn Crossunder Close", message = "Knn Crossunder Close")
alertcondition(knnMA_Switch_Up,  title = "Knn Switch Up",  message = "Knn Switch Up")
alertcondition(knnMA_Switch_Dn, title = "Knn Switch Dn", message = "Knn Switch Dn")
alertcondition(knnMA_Neutral, title = "Knn is Neutral", message = "Knn is Neutral")
alertcondition(greenBG, title = "Positive Prediction", message = "Positive Prediction")
alertcondition(redBG, title = "Negative Prediction", message = "Negative Prediction")
//~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~}

//~~Trenddilo {



//~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~}



//~~ strategy { 1

LongCondtion = knnMA_[1]<knnMA_ and knnMA_[1]<=knnMA_[2]
ShortCondtion = knnMA_[1]>knnMA_ and knnMA_[1]>=knnMA_[2]


//SecondaryLongCondtion = col == color.lime
//SecondaryShortCondtion = col == color.red

strategy.entry("Long", strategy.long, when = LongCondtion)
strategy.close("Long", when =ShortCondtion)

strategy.entry("Short", strategy.short, when =ShortCondtion)
strategy.close("short", when =LongCondtion)


plot(strategy.equity, title="equity", color=color.red, linewidth=2, style=plot.style_areabr)
//~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~}

संबंधित

अधिक

2019 FMZ - सभी अधिकार सुरक्षित