Sumber dimuat naik... memuat...
  1. Persegi
  2. Strategi Dagangan Kuantitatif Crossover Purata Bergerak Berasaskan Pembelajaran Mesin

Strategi Dagangan Kuantitatif Crossover Purata Bergerak Berasaskan Pembelajaran Mesin

Penulis:ChaoZhang, Tarikh: 2024-06-21 17:59:06
Tag:MASMAML

img

Ringkasan

Prinsip Strategi

Prinsip teras strategi ini adalah berdasarkan persilangan dua purata bergerak:

  1. Purata Bergerak Jangka Pendek (MA Pendek): Secara lalai, ia menggunakan Purata Bergerak Sederhana 9 tempoh.
  2. Purata Bergerak Jangka Panjang (MA Panjang): Secara lalai, ia menggunakan Purata Bergerak Sederhana 21 tempoh.

Logik penjanaan isyarat dagangan adalah seperti berikut:

  • Isyarat Jual: Dihidupkan apabila purata bergerak jangka pendek melintasi di bawah purata bergerak jangka panjang.

  1. Mengira dan merangka purata bergerak jangka pendek dan jangka panjang.
  2. Menghasilkan isyarat beli dan jual berdasarkan crossover purata bergerak.
  3. Menanda titik beli dan jual pada carta, menggunakan anak panah hijau ke atas untuk isyarat beli dan anak panah merah ke bawah untuk isyarat jual.
  4. Menetapkan amaran perdagangan untuk memberitahu pengguna apabila isyarat membeli atau menjual berlaku.

Kelebihan Strategi

  1. Kesederhanaan: Strategi crossover purata bergerak adalah kaedah analisis teknikal klasik yang mudah difahami dan dilaksanakan.

  3. Pelaksanaan automatik: Strategi boleh dilaksanakan secara automatik di platform TradingView, mengurangkan kesan campur tangan manusia dan perdagangan emosi.

  4. Maklum balas visual: Dengan menandakan titik beli / jual dan melukis purata bergerak pada carta, peniaga dapat memahami secara visual operasi strategi.

  6. Amaran masa nyata: Fungsi amaran perdagangan membantu peniaga merebut peluang pasaran dengan tepat pada masanya.

  7. Simulasi Pembelajaran Mesin: Walaupun ia adalah strategi yang mudah, ia mensimulasikan proses membuat keputusan pembelajaran mesin, meletakkan asas untuk perdagangan algoritma yang lebih kompleks.

  8. Penggunaan yang luas: Strategi ini boleh digunakan untuk pelbagai instrumen kewangan dan jangka masa, menunjukkan penerapan yang luas.

Risiko Strategi

  1. Lag: Purata bergerak adalah penunjuk yang secara semula jadi ketinggalan, yang boleh membawa kepada isyarat palsu berhampiran titik perubahan pasaran.

  2. Prestasi yang lemah dalam pasaran bergolak: Dalam pasaran yang bergolak atau bergolak, strategi sering menghasilkan isyarat palsu, yang membawa kepada perdagangan berlebihan dan kerugian.

  3. Kekurangan Mekanisme Stop-Loss: Strategi ini tidak termasuk tetapan stop-loss, yang boleh mengakibatkan kerugian yang ketara semasa turun naik pasaran yang melampau.

  4. Terlalu bergantung pada Data Sejarah: Strategi mengandaikan bahawa corak sejarah akan berulang pada masa akan datang, tetapi keadaan pasaran mungkin berubah.

  5. Sensitiviti Parameter: Prestasi strategi sensitif terhadap pilihan tempoh purata bergerak, dengan parameter yang berbeza berpotensi membawa kepada hasil yang berbeza secara ketara.

  6. Mengabaikan Faktor Asas: Kaedah analisis teknikal murni mungkin mengabaikan faktor asas dan makroekonomi yang penting.

  7. Kos Perdagangan: Perdagangan yang kerap boleh membawa kepada kos transaksi yang tinggi, yang mempengaruhi pulangan keseluruhan strategi.

  8. Risiko overfitting: Terdapat risiko overfitting apabila mengoptimumkan parameter, yang boleh membawa kepada prestasi yang buruk dalam perdagangan langsung.

Arahan Pengoptimuman Strategi

  1. Memperkenalkan Stop-Loss dan Take-Profit: Tetapkan tahap Stop-Loss dan Take-Profit yang munasabah untuk mengawal risiko dan mengunci keuntungan.

  2. Tambah Penapis: Gabungkan penunjuk teknikal lain (seperti RSI, MACD) sebagai penapis untuk mengurangkan isyarat palsu.

  3. Penyesuaian Parameter Dinamik: Sesuaikan secara dinamik tempoh purata bergerak berdasarkan turun naik pasaran untuk menyesuaikan diri dengan persekitaran pasaran yang berbeza.

  5. Analisis Pelbagai Jangka Masa: Menggabungkan analisis dari jangka masa yang lebih lama untuk meningkatkan ketepatan keputusan perdagangan.

  6. Sertakan Analisis Dasar: Mengintegrasikan faktor asas, seperti siaran data ekonomi dan laporan pendapatan syarikat, untuk mengoptimumkan keputusan perdagangan.

  7. Pengoptimuman Pembelajaran Mesin: Gunakan algoritma pembelajaran mesin sebenar (seperti Mesin Vektor Sokongan, Hutan Acak) untuk mengoptimumkan pemilihan parameter dan penjanaan isyarat.

  8. Ujian balik dan pengoptimuman: Melakukan ujian balik data sejarah yang luas dan menggunakan kaedah seperti simulasi Monte Carlo untuk menilai ketahanan strategi.

  9. Pengurusan Wang: Melaksanakan strategi pengurusan wang yang lebih canggih, seperti Kriteria Kelly atau model risiko pecahan tetap.

Kesimpulan

Strategi Perdagangan Kuantitatif Moving Average Crossover Berasaskan Pembelajaran Mesin menyediakan pedagang dengan kaedah perdagangan automatik yang mudah namun berkesan. Dengan mensimulasikan proses membuat keputusan pembelajaran mesin, strategi ini dapat menangkap trend pasaran dan secara automatik melaksanakan perdagangan. Walaupun terdapat risiko yang melekat, seperti kelewatan dan prestasi yang buruk di pasaran yang bergolak, prestasi strategi dapat ditingkatkan dengan ketara melalui pengurusan risiko yang betul dan pengoptimuman berterusan.

Ringkasnya, strategi perdagangan kuantitatif ini berdasarkan konsep pembelajaran mesin menyediakan pedagang dengan titik permulaan yang baik. Ia boleh terus ditingkatkan dan dibangunkan untuk akhirnya mencapai sistem perdagangan yang lebih pintar dan cekap.

/*backtest
start: 2023-06-15 00:00:00
end: 2024-06-20 00:00:00
period: 1d
basePeriod: 1h
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/

// This Pine Script™ code is subject to the terms of the Mozilla Public License 2.0 at https://mozilla.org/MPL/2.0/
// © yashumani
//@version=5
strategy("ML Based Trading Strategy", overlay=true)

// Define input parameters
shortPeriod = input.int(9, title="Short MA Period")
longPeriod = input.int(21, title="Long MA Period")

// Calculate moving averages
shortMA = ta.sma(close, shortPeriod)
longMA = ta.sma(close, longPeriod)

// Simulated "machine learning" decision based on moving averages crossover
longCondition = ta.crossover(shortMA, longMA)
shortCondition = ta.crossunder(shortMA, longMA)

// Plot moving averages
plot(shortMA, color=color.blue, title="Short MA")
plot(longMA, color=color.red, title="Long MA")

// Buy signal
if (longCondition)
    strategy.entry("Buy", strategy.long)

// Sell signal
if (shortCondition)
    strategy.entry("Sell", strategy.short)

// Plot buy/sell indicators on chart
plotshape(series=longCondition, location=location.belowbar, color=color.green, style=shape.labelup, text="Buy")
plotshape(series=shortCondition, location=location.abovebar, color=color.red, style=shape.labeldown, text="Sell")

// Define and plot order indicators
plotarrow(series=longCondition ? 1 : shortCondition ? -1 : na, colorup=color.green, colordown=color.red, offset=-1)

// Alerts
if (longCondition)
    alert("Buy signal triggered", alert.freq_once_per_bar)

if (shortCondition)
    alert("Sell signal triggered", alert.freq_once_per_bar)
Berkaitan
Lebih lanjut

2019 FMZ - Semua hak dilindungi