この戦略は,標準偏差と取引量の平均に基づいて価格変化をモデル化するためにロガリズム関数を使用し,将来の価格を予測するためのロガリズム関数への入力パラメータとしてzスコアを計算します.
この戦略は,対数関数を使用して取引量と価格予測の統計情報を組み合わせます.
利点は以下の通りです
この戦略にはいくつかのリスクもあります:
リスクは以下によって軽減できます.
この戦略は,次の方法でさらに最適化できます.
複数の方法を組み合わせることで 安定性と収益性がさらに向上します
この戦略は,取引量の統計指標とロガリズム予測をユニークな定量的な取引方法論に統合しています.継続的な最適化により,効率的で安定した自動取引システムになることができます.機械学習とポートフォリオ最適化理論を活用することで,取引パフォーマンスをさらに向上させることができると確信しています.
/*backtest start: 2023-11-19 00:00:00 end: 2023-12-10 00:00:00 period: 1h basePeriod: 15m exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}] */ //@version=4 strategy("Logistic", overlay=true ) volume_pos = 0.0 volume_neg = 0.0 roc = roc(close, 1) for i = 0 to 100 if (roc > 0) volume_pos := volume else volume_neg := volume volume_net = volume_pos - volume_neg net_std = stdev(volume_net, 100) net_sma = sma(volume_net, 10) z = net_sma / net_std std = stdev(close, 20) logistic(close, std, z) => m = (close + std) a = std / close pt = m / ( 1 + a*exp(-z)) pt pred = logistic(close, std, z) buy = pred > close * 1.005 sell = pred < close * 0.995 color = strategy.position_size > 0? #3BB3E4 : strategy.position_size == 0? #FF006E : #6b6b6b barcolor(color) if (buy == true) strategy.entry("Long", strategy.long, comment="Open L") if (sell == true) strategy.close("Long", comment="Close L")