संसाधन लोड हो रहा है... लोड करना...

केएनएन आधारित अनुकूलन पैरामीटर प्रवृत्ति रणनीति के बाद

लेखक:चाओझांग, दिनांकः 2024-11-29 10:54:49
टैगःएमएसीएनएनएसएमए

अवलोकन

यह रणनीति K-Nearest Neighbors (KNN) मशीन लर्निंग एल्गोरिथ्म पर आधारित एक अनुकूलनशील पैरामीटर प्रवृत्ति अनुसरण प्रणाली है। यह रणनीति KNN एल्गोरिथ्म के माध्यम से गतिशील रूप से प्रवृत्ति अनुसरण मापदंडों को समायोजित करती है और चलती औसत के साथ संयोजन में ट्रेडिंग संकेत उत्पन्न करती है। यह प्रणाली बाजार की स्थितियों में परिवर्तन के आधार पर स्वचालित रूप से रणनीति मापदंडों को समायोजित कर सकती है, रणनीति अनुकूलनशीलता और स्थिरता में सुधार करती है। यह रणनीति पारंपरिक प्रवृत्ति अनुसरण रणनीतियों को अनुकूलित करने के लिए मशीन सीखने के तरीकों को जोड़ती है, जो मात्रात्मक निवेश में प्रौद्योगिकी और नवाचार के एक संलयन का प्रतिनिधित्व करती है।

रणनीतिक सिद्धांत

रणनीति का मूल सिद्धांत KNN एल्गोरिथ्म का उपयोग करके ऐतिहासिक मूल्य डेटा का विश्लेषण करना और वर्तमान बाजार स्थितियों और ऐतिहासिक डेटा के बीच समानता की गणना करके मूल्य रुझानों की भविष्यवाणी करना है। विशिष्ट कार्यान्वयन चरण हैंः

अवलोकन खिड़की का आकार और K मान सेट करें, विशेषता वेक्टर बनाने के लिए ऐतिहासिक मूल्य डेटा एकत्र करें
वर्तमान मूल्य अनुक्रम और ऐतिहासिक डेटा के बीच यूक्लिडियन दूरी की गणना करें
पड़ोसी नमूनों के रूप में K सबसे समान ऐतिहासिक मूल्य अनुक्रमों का चयन करें
इन K पड़ोसी नमूनों के बाद के मूल्य आंदोलनों का विश्लेषण करें
चलती औसत के साथ संयुक्त पड़ोसी नमूनों के औसत मूल्य परिवर्तन के आधार पर व्यापार संकेत उत्पन्न करें जब K पड़ोसी नमूनों का औसत मूल्य परिवर्तन सकारात्मक होता है और वर्तमान मूल्य चलती औसत से ऊपर होता है, तो सिस्टम लंबे संकेत उत्पन्न करता है; अन्यथा, यह लघु संकेत उत्पन्न करता है।

रणनीतिक लाभ

मजबूत अनुकूलन क्षमताः KNN एल्गोरिथ्म बाजार वातावरण परिवर्तनों के आधार पर पैरामीटर को स्वचालित रूप से समायोजित कर सकता है
बहुआयामी विश्लेषणः अधिक व्यापक बाजार विश्लेषण के लिए मशीन लर्निंग एल्गोरिदम और तकनीकी संकेतकों को जोड़ती है
उचित जोखिम नियंत्रणः झूठे संकेतों के प्रभाव को कम करने के लिए सहायक पुष्टि के रूप में चलती औसत का उपयोग करता है
स्पष्ट कम्प्यूटेशनल लॉजिकः रणनीति निष्पादन प्रक्रिया पारदर्शी और समझने और अनुकूलित करने में आसान है
लचीले मापदंड: K मूल्य और खिड़की का आकार विभिन्न बाजार वातावरण के अनुसार समायोजित किया जा सकता है

रणनीतिक जोखिम

उच्च कम्प्यूटेशनल जटिलताः KNN एल्गोरिथ्म को बड़ी मात्रा में ऐतिहासिक डेटा की गणना करने की आवश्यकता होती है
पैरामीटर संवेदनशीलता: K मूल्य और खिड़की के आकार का चयन रणनीतिक प्रदर्शन को महत्वपूर्ण रूप से प्रभावित करता है
बाजार परिवेश पर निर्भरता: अस्थिर बाजारों में ऐतिहासिक समानता का संदर्भ मूल्य कम हो सकता है
अति अनुकूलन जोखिमः ऐतिहासिक आंकड़ों पर अति निर्भरता से रणनीति अति अनुकूलन हो सकती है
देरी का जोखिमः पर्याप्त ऐतिहासिक डेटा संग्रह की आवश्यकता के कारण सिग्नल देरी हो सकती है

रणनीति अनुकूलन दिशाएं

विशेषता इंजीनियरिंग अनुकूलनः

सुविधाओं के रूप में अधिक तकनीकी संकेतक जोड़ें
बाजार की भावना के संकेतक पेश करें
सुविधा मानकीकरण विधियों का अनुकूलन

एल्गोरिथ्म दक्षता में सुधारः

केडी-वृक्षों का उपयोग करके निकटतम पड़ोसी खोज को अनुकूलित करें
समानांतर कंप्यूटिंग लागू करें
डेटा भंडारण और उपयोग के तरीकों को अनुकूलित करें

जोखिम नियंत्रण में सुधारः

स्टॉप-लॉस और ले-प्रॉफिट तंत्र जोड़ें
अस्थिरता फ़िल्टर लागू करें
गतिशील स्थिति प्रबंधन प्रणाली का डिजाइन

पैरामीटर अनुकूलन समाधानः

अनुकूलनशील K मान चयन लागू करें
गतिशील रूप से अवलोकन विंडो का आकार समायोजित करें
चलती औसत अवधि का अनुकूलन करें

सिग्नल जनरेशन तंत्र में सुधारः

सिग्नल शक्ति स्कोरिंग प्रणाली का परिचय
डिजाइन सिग्नल पुष्टि तंत्र
प्रवेश और निकास का समय अनुकूलित करें

सारांश

यह रणनीति नवीन रूप से ट्रेडिंग के बाद केएनएन एल्गोरिथ्म को ट्रेंड पर लागू करती है, मशीन लर्निंग विधियों के माध्यम से पारंपरिक तकनीकी विश्लेषण रणनीतियों को अनुकूलित करती है। रणनीति में मजबूत अनुकूलन क्षमता और लचीलापन है, जो बाजार की स्थितियों के आधार पर पैरामीटर को गतिशील रूप से समायोजित करने में सक्षम है। हालांकि उच्च कम्प्यूटेशनल जटिलता और पैरामीटर संवेदनशीलता जैसे जोखिम मौजूद हैं, रणनीति में अभी भी उचित अनुकूलन और जोखिम नियंत्रण उपायों के माध्यम से अच्छा अनुप्रयोग मूल्य है। यह अनुशंसा की जाती है कि निवेशक बाजार की विशेषताओं के अनुसार मापदंडों को समायोजित करें और व्यावहारिक अनुप्रयोगों में व्यापार निर्णय लेने के लिए अन्य विश्लेषण विधियों को मिलाएं।

/*backtest
start: 2024-10-01 00:00:00
end: 2024-10-31 23:59:59
period: 1h
basePeriod: 1h
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/

//@version=6
strategy("Trend Following Strategy with KNN", overlay=true,commission_value=0.03,currency='USD', commission_type=strategy.commission.percent,default_qty_type=strategy.cash)


// Input parameters
k = input.int(5, title="K (Number of Neighbors)", minval=1)  // Number of neighbors for KNN algorithm
window_size = input.int(20, title="Window Size", minval=1)  // Window size for feature vector calculation
ma_length = input.int(50, title="MA Length", minval=1)  // Length of the moving average

// Calculate moving average
ma = ta.sma(close, ma_length)

// Initialize variables
var float[] features = na
var float[] distances = na
var int[] nearest_neighbors = na

if bar_index >= window_size - 1  // Ensure there is enough historical data
    features := array.new_float(0)  // Keep only the current window data
    for i = 0 to window_size - 1
        array.push(features, close[i])

    // Calculate distances
    distances := array.new_float(0)  // Clear the array for each calculation
    for i = 0 to window_size - 1  // Calculate the distance between the current price and all prices in the window
        var float distance = 0.0
        for j = 0 to window_size - 1
            distance += math.pow(close[j] - array.get(features, j), 2)
        distance := math.sqrt(distance)
        array.push(distances, distance)

    // Find the nearest neighbors
    if array.size(distances) > 0 and array.size(distances) >= k
        nearest_neighbors := array.new_int(0)
        for i = 0 to k - 1
            var int min_index = -1
            var float min_distance = na
            for j = 0 to array.size(distances) - 1
                if na(min_distance) or array.get(distances, j) < min_distance
                    min_index := j
                    min_distance := array.get(distances, j)
            if min_index != -1
                array.push(nearest_neighbors, min_index)
                array.remove(distances, min_index)  // Remove the processed neighbor

    // Calculate the average price change of the neighbors
    var float average_change = 0.0
    if array.size(nearest_neighbors) > 0
        for i = 0 to array.size(nearest_neighbors) - 1
            var int index = array.get(nearest_neighbors, i)
            // Ensure index + 1 is within range
            if index + 1 < bar_index
                average_change += (close[index] - close[index + 1])
        average_change := average_change / array.size(nearest_neighbors)

    // Generate trading signals
    if average_change > 0 and close > ma
        strategy.entry("Long", strategy.long)
    else if average_change < 0 and close < ma
        strategy.entry("Short", strategy.short)

संबंधित

अधिक

2019 FMZ - सभी अधिकार सुरक्षित