Melhoria da estratégia de cruzamento da média móvel com orientação da tendência do mercado

Resumo

A estratégia de cruzamento de média móvel melhorada com orientação de tendência de mercado usa três médias móveis de períodos diferentes para determinar tendências de mercado e sinais de negociação. Primeiro, ele calcula uma linha rápida, uma linha lenta e uma linha de tendência. Os sinais de compra e venda são gerados com base na cruz de ouro e na cruz de morte das linhas rápidas e lentas. Além disso, uma linha de tendência é introduzida para julgar a direção geral da tendência do mercado.

Estratégia lógica

A lógica central utiliza três médias móveis - linha rápida, linha lenta e linha de tendência para geração de sinal. Os períodos para as três médias móveis são definidos como parâmetros de entrada.

A melhoria vem da introdução da terceira linha de tendência média móvel para determinar a direção da tendência do mercado. Os sinais de compra são tomados apenas em cruzadas de ouro e os sinais de venda em cruzadas de morte quando a direção da tendência favorece o sinal. Por exemplo, os sinais de compra são tomados apenas em cruzadas de ouro quando a tendência está em alta e os sinais de venda apenas em cruz de morte quando a tendência está em baixa. Isso ajuda a evitar negociações contra-tendência e reduz o risco.

Análise das vantagens

Em comparação com a simples estratégia de média móvel dupla, esta estratégia melhorada tem as seguintes vantagens:

1. A orientação da tendência do mercado evita transações contrárias à tendência, filtrando transações potencialmente perdedoras e reduzindo o risco.

2. A combinação de múltiplas médias móveis melhora a confiabilidade do sinal e a taxa de vitória.

3. Ajustes flexíveis de parâmetros adaptados aos diferentes regimes de mercado.

4. Regras simples e claras tornam a implementação simples, mais fácil de implementar do que modelos complexos de aprendizagem de máquina.

5. Indicadores e lógica validados com base teórica sólida e fiabilidade.

Análise de riscos

Apesar das melhorias em relação à estratégia de MA dupla, é necessário ter em conta alguns riscos:

1. A complexidade adicional de três médias móveis coloca dificuldades de otimização e risco de ajuste de parâmetros deficiente.

2. A natureza atrasada das médias móveis pode entorpecer os sinais ou causar atrasos.

3. A determinação subjetiva da tendência comporta o risco de erros no julgamento da tendência.

4. Não existem características de dimensionamento de posições ou de gestão de riscos.

5. O sistema baseado em regras não pode adaptar-se como os modelos de aprendizagem de máquina.

Estes riscos podem ser potencialmente reduzidos através de testes de retrospectiva rigorosos, otimização e introdução de melhorias como stop losses, dimensionamento de posição, adaptações de aprendizagem de máquina, etc. Mas os riscos não podem ser totalmente eliminados.

Oportunidades de melhoria

Algumas formas de melhorar ainda mais a estratégia:

1. Incorporar mecanismos de stop loss, como baseados no preço ou baseados na volatilidade, para controlar a perda por negociação.

2. Adicionar um módulo de dimensionamento de posições para ajustar dinamicamente as posições com base nos drawdowns, no uso de capital, etc.

3. Teste em vários prazos (diário, 60 minutos, etc.) para determinar a robustez.

4. Optimização de parâmetros através de pesquisa de grade, algoritmos genéticos, etc. Os modelos de conjunto também podem combinar sinais de vários modelos.

5. Técnicas de aprendizagem de máquina como aprendizagem por reforço para melhorar automaticamente parâmetros e adaptabilidade.

6. Adicionar filtros baseados em volumes, spreads de preços, volatilidade, etc. para reduzir sinais enganosos.

Conclusão

Em conclusão, esta estratégia de cruzamento de média móvel melhorada orienta as negociações na direção geral da tendência do mercado para evitar negociações contra-tendência. Isso mostra promessa de melhorar os retornos ajustados ao risco em relação à estratégia simples de cruzamento de média móvel dupla. Mas melhorias adicionais através do dimensionamento de posição, adaptações de aprendizado de máquina, etc. podem ajudar a otimizá-lo ainda mais.