리소스 로딩... 로딩...

KRK aDa AI 향상과 함께 스토카스틱 느린 평균 반전 전략

저자:차오장, 2024-04-26 15:41:18
태그:KRKADAEMA알리RSI

전반적인 설명

이 전략은 스토카스틱 슬로우 지표를 주요 거래 신호로 사용하고, 트렌드 필터로 200주기 단순 이동 평균 (SMA) 을 결합합니다. 또한 전략은 추가 진입 신호를 제공하기 위해 가짜 인공 지능 (AI) 지표를 도입합니다. 주요 아이디어는 과판된 영역에서 구매하고 과판된 영역에서 판매하는 것입니다. 동시에 가격이 현재 트렌드에 맞춰 긴 엔트리에 대한 200 SMA 이상과 짧은 엔트리에 대한 200 SMA 이하로 유지되도록합니다. AI 지표를 포함하면 더 많은 진입 기회를 제공합니다.

전략 원칙

스토카스틱 슬로우 지표의 K와 D 값을 계산하여, K 기간을 26로 설정하고, D 값은 K 값의 3 기간 SMA입니다.
과잉 구매 수준 (OverBought) 을 81로 설정하고, 과잉 판매 수준 (OverSold) 을 20로 설정하고, 최소 K 값 (minKValue) 을 11로 설정합니다.
K선이 D선을 넘어서면 구매 신호를 생성하고, K값은 과잉판매 수준 아래와 최소 K값 위에 있습니다.
판매 신호를 생성하면 K 라인이 D 라인의 아래를 넘어서 K 값이 과잉 구매 수준과 최소 K 값보다 높습니다.
트렌드 필터로 200 페리오드 SMA를 사용하며, 가격이 200 SMA보다 높을 때만 긴 엔트리를 허용하고, 가격이 200 SMA보다 낮을 때 짧은 엔트리를 허용합니다.
가짜 AI 지표 (RSI>50을 올리고 RSI<50을 하락하는 경우) 를 도입하여 AI 신호가 올리고 하락할 때 장을 입력합니다.
스토카스틱 지표, 트렌드 필터 및 AI 지표의 신호를 결합하여 최종 거래 신호를 생성합니다.
긴 엔트리에 10%의 스톱 손실을 설정하고 짧은 엔트리에 10%의 스톱 손실을 설정합니다.

전략적 장점

스토카스틱 슬로우 지표는 시장에서 과잉 구매 및 과잉 판매 영역을 효과적으로 식별하여 거래에 좋은 입구 지점을 제공합니다.
200 SMA 트렌드 필터는 거래가 현재 트렌드에 맞춰지고 성공률을 높이는 것을 보장합니다.
인공지능 지표의 포함은 더 많은 진출 기회를 제공하며 전략의 수익성을 증가시킬 수 있습니다.
스톱 로스 오더를 사용하면 위험을 효과적으로 관리할 수 있습니다.

전략 위험

스토카스틱 지표는 불안한 시장에서 잘못된 신호를 생성할 수 있습니다.
인공지능 지표는 현재 가짜 지표이며 실제 효과는 확인되어야 합니다.
스톱 로스 설정은 일부 이익이 조기에 단축될 수 있습니다.

전략 최적화 방향

가장 좋은 기간 및 과잉 구매/ 과잉 판매 임계값 설정을 찾기 위해 스토카스틱 지표의 매개 변수를 최적화합니다.
인공지능 신호의 정확성을 향상시키기 위해 더 복잡하고 효과적인 인공지능 모델을 도입합니다.
더 나은 리스크 제어와 수익 포착을 위해 스톱 로스 및 영업 수익 설정을 정밀 조정합니다.
전략의 견고성을 높이기 위해 다른 효과적인 기술 지표 또는 기본 데이터를 통합하는 것을 고려하십시오.

요약

이 전략은 스토카스틱 슬로우 지표, 트렌드 필터 및 AI 신호를 결합하여 다중 요인 거래 접근 방식을 형성합니다. 스토카스틱 지표는 효과적인 과반 구매 및 과반 판매 신호를 제공하며, 트렌드 필터는 거래가 전체 트렌드와 일치하도록 보장하며, AI 신호는 추가 진입 기회를 제공합니다. 전략에는 잠재적인 위험과 개선의 여지가 있지만 전반적인 논리는 명확하고 합리적이며 추가 탐색과 정교화를 할 가치가 있습니다.

/*backtest
start: 2024-03-01 00:00:00
end: 2024-03-31 23:59:59
period: 1h
basePeriod: 15m
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/

//@version=5
strategy("Stochastic Slow Strategy with More Entries and AI", overlay=true)

length = input.int(26, minval=1)
OverBought = input(81)
OverSold = input(20)
smoothK = input.int(3, minval=1)
smoothD = input.int(3, minval=1)
minKValue = input(11, title="Minimum K Value")

// Stochastic calculations
k = ta.sma(ta.stoch(close, high, low, length), smoothK)
d = ta.sma(k, smoothD)
co = ta.crossover(k, d)
cu = ta.crossunder(k, d)

// Trend filter (200-period simple moving average)
ema200 = ta.sma(close, 200)

// Artificial Intelligence indicator (dummy example)
// Aquí puedes colocar la lógica de tu red neuronal artificial
// Por ahora, simplemente usaremos una señal aleatoria
ai_signal = ta.rsi(close, 14) > 50 ? 1 : -1

// Entry conditions
longCondition = ta.crossover(close, ema200) and k < OverSold and k > minKValue and ai_signal == 1
shortCondition = ta.crossunder(close, ema200) and k > OverBought and k > minKValue and ai_signal == -1

if (not na(k) and not na(d))
    if (co and k < OverSold and k > minKValue)
        strategy.entry("StochLE", strategy.long, comment="StochLE")
    if (cu and k > OverBought and k > minKValue)
        strategy.entry("StochSE", strategy.short, comment="StochSE")
    if (longCondition)
        strategy.entry("LongEntry", strategy.long, comment="LongEntry")
        strategy.exit("StopLoss", "LongEntry", loss = close * 0.9) // Stop loss del 10%
    if (shortCondition)
        strategy.entry("ShortEntry", strategy.short, comment="ShortEntry")
        strategy.exit("StopLoss", "ShortEntry", loss = close * 1.1) // Stop loss del 10%

// Plotting
plot(ema200, color=color.blue, title="200 SMA")