리소스 로딩... 로딩...

KNN 기계 학습 전략: K-최근 이웃 알고리즘에 기반한 트렌드 예측 거래 시스템

저자:차오장, 날짜: 2024-05-15 17:09:34
태그:KNNMAATR

전반적인 설명

이 전략은 가격 추세를 예측하기 위해 K-Nearest Neighbors (KNN) 머신 러닝 알고리즘을 사용합니다. 입력 값과 다양한 목표 값 (가격 액션, VWAP, 변동성 등) 으로 다른 가격 계산 방법 (HL2, VWAP, SMA 등) 을 선택하여 평가하기 위해 KNN 알고리즘은 현재 시장 상태에 가장 가까운 K 역사 데이터 포인트를 식별합니다. 이 전략은 K 데이터 포인트의 트렌드 방향에 따라 길거나 짧은 예측을합니다. 또한 전략은 예측 결과를 매끄럽게하고 안정성을 향상시키기 위해 이동 평균을 적용합니다. 마지막으로 예측 결과에 따라 거래 결정이 이루어지며 현재 시장 트렌드 변화는 배경 색상의 결과를 통해 시각적으로 표시됩니다.

전략 원칙

KNN 알고리즘의 입력 값으로 가격 계산 방법 (예를 들어, HL2, VWAP, SMA) 을 선택합니다.
KNN 알고리즘의 목표값으로 평가 목표값 (예를 들어, 가격 액션, VWAP, 변동성) 을 선택합니다.
KNN 알고리즘의 감수성 및 예측 결과의 부드러움을 조정하기 위해 가장 가까운 이웃 (K) 수와 평평화 기간을 설정합니다.
각 새로운 가격 데이터 포인트에 대해 KNN 알고리즘을 사용하여 현재 시장 상태에 가장 가까운 역사 데이터 포인트 K를 찾습니다.
이 K 데이터 포인트의 트렌드 방향 (승향 또는 하락) 을 기반으로 현재 시장 트렌드 예측을 얻기 위해 투표하십시오.
안정성을 높이기 위해 이동 평균을 사용하여 예측 결과를 부드럽게하십시오.
평평한 예측 결과를 기반으로 거래 신호 (장 또는 짧은) 를 생성하고 배경 색상의 변화를 통해 현재 시장 트렌드 예측을 시각적으로 보여줍니다.

장점

머신러닝 알고리즘을 활용함으로써 전략은 역사적 데이터로부터 학습하고 가격 추세를 예측하여 적응력과 유연성을 제공합니다.
전략의 성능은 입력 값, 목표 값, 가장 가까운 이웃의 수 및 평형 기간과 같은 매개 변수를 조정함으로써 다른 시장 조건에 맞게 최적화 될 수 있습니다.
예측 결과를 이동 평균과 결합하면 예측의 안정성과 신뢰성이 향상됩니다.
현재 시장 트렌드 예측은 배경 색상의 변화를 통해 시각적으로 표시되며, 거래자가 시장 상황을 빠르게 평가하고 결정을 내릴 수 있습니다.

위험성

KNN 알고리즘의 예측 성능은 역사적 데이터의 품질과 대표성에 의존합니다. 불충분하거나 대표적이지 않은 데이터는 부정확한 예측으로 이어질 수 있습니다.
전략의 성능은 매개 변수 설정에 의해 영향을 받을 수 있으며, 부적절한 매개 변수 조합은 저성능 또는 과도한 적응을 초래할 수 있습니다.
시장 트렌드가 급격한 변화를 겪거나 블랙 스완 이벤트가 발생하면 역사적 데이터에 기반한 예측이 무효가 될 수 있으며 전략이 잘못된 거래 신호를 생성하게됩니다.

최적화 방향

더 많은 기술적 지표 또는 시장 정서 데이터를 KNN 알고리즘의 입력으로 포함하여 예측 정확성과 안정성을 향상시킵니다.
다른 시장 조건과 변동성 수준에 따라 전략 매개 변수를 동적으로 조정하는 적응 메커니즘을 구현합니다.
다른 기술 분석 방법이나 위험 관리 조치를 결합하여 전략의 위험 노출을 줄이고 수익의 안정성을 향상시킵니다.

요약

이 전략은 KNN 머신 러닝 알고리즘을 가격 트렌드 예측에 적용함으로써, 시장 트렌드를 캡처하고 역사적 데이터와 통계적 방법을 사용하여 거래 신호를 생성하는 방법을 보여줍니다. 전략의 강점은 다른 시장 조건에 맞게 매개 변수 조정을 통해 최적화 될 수 있기 때문에 적응성과 유연성에 있습니다. 그러나 전략의 위험은 주로 역사적 데이터의 품질과 대표성과 매개 변수 설정의 합리성에서 비롯됩니다. 미래의 개선은 더 많은 지표, 적응 메커니즘 및 위험 관리 조치를 통합하여 전략의 안정성과 수익성을 더욱 향상시킬 수 있습니다.

/*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)
//~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~}