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।
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) //~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~}