O recurso está a ser carregado... Carregamento...

Modelo de três fatores para detecção de oscilações de preços

Autora:ChaoZhang, Data: 2024-02-26 15:32:27
Tags:

Resumo

O Modelo de Três Fatores para Detecção de Oscilação de Preço é uma estratégia de negociação de curto prazo que integra vários fatores para julgamento.

Estratégia lógica

A lógica central desta estratégia é a seguinte:

Calcular indicadores técnicos como MA rápido, MA lento, MACD e linha de sinal;
Julgar as condições de múltiplos fatores, incluindo o rácio de volume, o RSI, o MACD e a linha de sinal;
Confirmar o estágio atual de oscilação de preços e oportunidades de compra/venda com base na análise de vários fatores;
Tomar posições LONG ou SHORT e definir as posições take profit e stop loss;
Fechar posições quando o preço atinge take profit ou stop loss.

Esta estratégia usa fatores flexíveis como o volume ratio, RSI, MACD e linha de sinal para detectar oscilações de preços e capturar oportunidades de curto prazo.

Análise das vantagens

As vantagens desta estratégia:

Os factores múltiplos melhoram a precisão e evitam falsos sinais;
Captar oportunidades de curto prazo a partir de oscilações de preços com grande margem de lucro;
Configuração automática de tomada de lucro e parada de perdas para controlar os riscos;
Lógica simples e clara, fácil de implementar.

Análise de riscos

Os riscos desta estratégia:

O algoritmo baseia-se demasiado em dados históricos, sensíveis às alterações do mercado;
A abordagem combinada de vários fatores pode necessitar de mais otimização, com possibilidade de erro de julgamento;
O ponto de stop loss afeta diretamente a estabilidade da estratégia.

Para enfrentar os riscos acima referidos, podem ser realizadas otimizações em:

Ampliar o ciclo de amostragem para reduzir o impacto das alterações dos dados de mercado;
Ajustar os pesos entre os fatores para obter a otimização adaptativa;
Teste diferentes pontos de stop loss para encontrar a posição ideal.

Orientações de otimização

As principais direcções de otimização:

Otimizar os fatores de ponderação de forma dinâmica. Os fatores de ponderação podem ser ajustados com base nas condições do mercado para melhorar a adaptabilidade;
Introduzir algoritmos de aprendizagem de máquina para alcançar a otimização adaptativa de fatores. Algoritmos como redes neurais e algoritmos genéticos podem ser usados para treinar o modelo e otimizar parâmetros;
Optimizar estratégias de stop loss. Diferentes combinações de rastreamento de stop loss e movimentação de stop loss podem ser testadas para encontrar a melhor solução;
Incorporar indicadores técnicos avançados. Mais indicadores como oscilação de volatilidade e oscilação de momento podem enriquecer os fatores.

Conclusão

O Modelo de Três Fatores para Detecção de Oscilação de Preço utiliza plenamente as características das oscilações de preços para implementar uma estratégia de negociação eficiente a curto prazo. Ele julga os melhores pontos de entrada e saída com base em vários fatores como volume, RSI, MACD e linha de sinal. Os múltiplos fatores aumentam a precisão e levam a retornos constantes.

/*backtest
start: 2024-01-26 00:00:00
end: 2024-02-25 00:00:00
period: 4h
basePeriod: 15m
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/

//@version=5
strategy("3 10.0 Oscillator Profile Flagging", shorttitle="3 10.0 Oscillator Profile Flagging", overlay=false)

signalBiasValue = input(title="Signal Bias", defval=0.26)
macdBiasValue = input(title="MACD Bias", defval=0.7)
shortLookBack = input( title="Short LookBack", defval=3)
longLookBack = input( title="Long LookBack", defval=6)
takeProfit = input( title="Take Profit", defval=2)
stopLoss = input( title="Stop Loss", defval=0.7)

fast_ma = ta.sma(close, 3)
slow_ma = ta.sma(close, 10)
macd = fast_ma - slow_ma
signal = ta.sma(macd, 16)
hline(0, "Zero Line", color = color.black)

buyVolume = volume*((close-low)/(high-low))
sellVolume = volume*((high-close)/(high-low))
buyVolSlope = buyVolume - buyVolume[1]
sellVolSlope = sellVolume - sellVolume[1]
signalSlope = ( signal - signal[1] )
macdSlope = ( macd - macd[1] )
plot(macd, color=color.blue, title="Total Volume")
plot(signal, color=color.orange, title="Total Volume")
plot(macdSlope, color=color.green, title="MACD Slope")
plot(signalSlope, color=color.red, title="Signal Slope")
intrabarRange = high - low
rsi = ta.rsi(close, 14)
rsiSlope = rsi - rsi[1]
plot(rsiSlope, color=color.black, title="RSI Slope")

getRSISlopeChange(lookBack) =>
    j = 0
    for i = 0 to lookBack
        if ( rsi[i] - rsi[ i + 1 ] ) > -5
            j += 1
    j

getBuyerVolBias(lookBack) =>
    j = 0
    for i = 1 to lookBack
        if buyVolume[i] > sellVolume[i]
            j += 1
    j

getSellerVolBias(lookBack) =>
    j = 0
    for i = 1 to lookBack
        if sellVolume[i] > buyVolume[i]
            j += 1
    j

getVolBias(lookBack) =>
    float b = 0.0
    float s = 0.0
    for i = 1 to lookBack
        b += buyVolume[i]
        s += sellVolume[i]
    b > s

getSignalBuyerBias(lookBack) =>
    j = 0
    for i = 1 to lookBack
        if signal[i] > signalBiasValue
            j += 1
    j

getSignalSellerBias(lookBack) =>
    j = 0
    for i = 1 to lookBack
        if signal[i] < ( 0.0 - signalBiasValue )
            j += 1
    j

getSignalNoBias(lookBack) =>
    j = 0
    for i = 1 to lookBack
        if signal[i] < signalBiasValue and signal[i] > ( 0.0 - signalBiasValue )
            j += 1
    j

getPriceRising(lookBack) =>
    j = 0
    for i = 1 to lookBack
        if close[i] > close[i + 1]
            j += 1
    j


getPriceFalling(lookBack) =>
    j = 0
    for i = 1 to lookBack
        if close[i] < close[i + 1] 
            j += 1
    j

getRangeNarrowing(lookBack) =>
    j = 0
    for i = 1 to lookBack
        if intrabarRange[i] < intrabarRange[i + 1] 
            j+= 1
    j

getRangeBroadening(lookBack) =>
    j = 0
    for i = 1 to lookBack
        if intrabarRange[i] > intrabarRange[i + 1] 
            j+= 1
    j

bool isNegativeSignalReversal = signalSlope < 0.0 and signalSlope[1] > 0.0
bool isNegativeMacdReversal = macdSlope < 0.0 and macdSlope[1] > 0.0

bool isPositiveSignalReversal = signalSlope > 0.0 and signalSlope[1] < 0.0
bool isPositiveMacdReversal = macdSlope > 0.0 and macdSlope[1] < 0.0

bool hasBearInversion = signalSlope > 0.0 and macdSlope < 0.0
bool hasBullInversion = signalSlope < 0.0 and macdSlope > 0.0

bool hasSignalBias = math.abs(signal) >= signalBiasValue
bool hasNoSignalBias = signal < signalBiasValue and signal > ( 0.0 - signalBiasValue )

bool hasSignalBuyerBias = hasSignalBias and signal > 0.0
bool hasSignalSellerBias = hasSignalBias and signal < 0.0

bool hasPositiveMACDBias = macd > macdBiasValue
bool hasNegativeMACDBias = macd < ( 0.0 - macdBiasValue )

bool hasBullAntiPattern = ta.crossunder(macd, signal)
bool hasBearAntiPattern = ta.crossover(macd, signal)

bool hasSignificantBuyerVolBias = buyVolume > ( sellVolume * 1.5 )
bool hasSignificantSellerVolBias = sellVolume > ( buyVolume * 1.5 )


// 202.30 Profit 55.29% 5m
if ( ( getVolBias(longLookBack) == false ) and rsi <= 41 and math.abs(rsi - rsi[shortLookBack]) > 1 and hasNoSignalBias and rsiSlope > 1.5 and close > open)
    strategy.entry("5C1", strategy.long, qty=1.0)
strategy.exit("TPS", "5C1", limit=strategy.position_avg_price + takeProfit, stop=strategy.position_avg_price - stopLoss)

// 171.70 Profit 50.22% 5m
if ( getVolBias(longLookBack) == true and rsi > 45 and rsi < 55 and macdSlope > 0 and signalSlope > 0)
    strategy.entry("5C2", strategy.long, qty=1.0)
strategy.exit("TPS", "5C2", limit=strategy.position_avg_price + takeProfit, stop=strategy.position_avg_price - stopLoss)

// 309.50 Profit 30.8% 5m 2 tp .7 sl 289 trades
if ( macd > macdBiasValue and macdSlope > 0)
    strategy.entry("5P1", strategy.short, qty=1.0)
strategy.exit("TPS", "5P1", limit=strategy.position_avg_price - takeProfit, stop=strategy.position_avg_price + stopLoss)

Mais.