کثیر اشارے کے فیصلے کے درخت کی حکمت عملی: آئی ایم اے سی ڈی ، ای ایم اے اور پہلی نظر میں توازن کی میز


تاریخ تخلیق: 2024-01-22 11:25:56 آخری ترمیم: 2024-01-22 11:25:56
نقل: 0 کلکس: 341
1
تشویش
1105
دیکھنا

多指标决策树策略:IMACD、EMA和一目均衡表

جائزہ

اس حکمت عملی میں متعدد تکنیکی اشارے جیسے آئی ایم اے سی ڈی ، ای ایم اے اور پہلی نظر میں توازن کی فہرست کا استعمال کیا گیا ہے تاکہ خرید و فروخت کے اشاروں کو بھیجنے کے لئے ایک جامع فیصلہ سازی کا درخت بنایا جاسکے۔

حکمت عملی کے اصول

  1. آئی ایم اے سی ڈی: ایم ایم اے سی ڈی کو بہتر بنانے کے لئے مارکیٹ کے رجحانات کو بہتر بنانے کے لئے ایم ایم اے سی ڈی اور ایم ایم اے سی ڈی
  2. پہلی نظر میں توازن کی میز: تبادلہ لائن ، بیعانہ لائن ، پیش گوئی لائن A ، پیش گوئی لائن B وغیرہ کا نقشہ ، معاونت اور مزاحمت کی سطح کا پتہ لگانا
  3. ای ایم اے 40: رجحانات کی سمت کا تعین کرنے میں مدد
  4. IMACD، کلاؤڈ میپ اجزاء اور ای ایم اے 40 کے مخصوص تعلقات کے مطابق زیادہ اور کم سگنل بھیجیں

زیادہ سگنل بنائیں: جب IMACD مخصوص حالات کے رنگ کے لئے ہو اور EMA 40 بادلوں کے چارٹ سے زیادہ ہو تو زیادہ کریں

فاصلہ نشان: جب IMACD سرخ ہو اور EMA 40 بادل کے چارٹ سے نیچے ہو تو فاصلہ نشان

فوائد کا تجزیہ

  1. کثیر اشارے کا مجموعہ، مارکیٹ کے رجحانات کا جامع اندازہ لگانا، فیصلوں کی درستگی کو بہتر بنانا
  2. فیصلہ درخت ماڈل کی درجہ بندی واضح، ٹرانزیکشن سگنل کی پیداوار واضح
  3. ای ایم اے کی لمبائی ایڈجسٹ کی جاسکتی ہے ، اور معاون فیصلے میں زیادہ لچک ہے
  4. کلاؤڈ چارٹ اور رجحانات کے اشارے کے ساتھ مل کر مدد اور مزاحمت کی بہتر شناخت

خطرے کا تجزیہ

  1. کثیر اشارے کا مجموعہ، زیادہ پیچیدہ پیرامیٹرز کی ترتیب
  2. EMA کی لمبائی کو غلط طریقے سے ترتیب دیں، جس سے غلط ٹریڈنگ سگنل پیدا ہوسکتے ہیں۔
  3. ایک ہی وقت میں متعدد اشارے پر توجہ دینے کی ضرورت ہے ، اور کام کرنا مشکل ہے۔

خطرے کو حل کرنا: پیرامیٹرز کی ترتیب کو بہتر بنانا ، ای ایم اے کی لمبائی کو ایڈجسٹ کرنا ، آپریٹنگ عمل کو آسان بنانا۔

اصلاحی سمت

  1. پیرامیٹرز کی ترتیبات کو بہتر بنائیں اور حکمت عملی کی استحکام کو بہتر بنائیں
  2. سٹاپ نقصان کی حکمت عملی کو بڑھانا اور تنہا نقصان کو کنٹرول کرنا
  3. بڑے پیمانے پر اعداد و شمار پر مبنی ری میٹنگ اور سگنل کے معیار کو بہتر بنانا
  4. مشین لرننگ الگورتھم کے ساتھ مل کر، خود کار طریقے سے فیصلہ سازی کا درخت

خلاصہ

یہ حکمت عملی متعدد اشارے کی شناخت کے رجحانات کو مربوط طور پر استعمال کرتی ہے ، جس سے تجارتی سگنل پیدا کرنے کے لئے فیصلے کے درخت کے ماڈل کی تعمیر ہوتی ہے۔ اس کے فوائد یہ ہیں کہ سگنل کا معیار اعلی ، درستگی زیادہ ہے ، اور آہستہ آہستہ اصلاح کے لئے موزوں ہے۔ پیرامیٹر کی اصلاح اور اسٹاپ نقصان کی حکمت عملی پر توجہ دینے کی ضرورت ہے تاکہ تجارتی خطرات کو کنٹرول کیا جاسکے ، تاکہ طویل مدتی مستحکم واپسی حاصل کی جاسکے۔

حکمت عملی کا ماخذ
                
                    /*backtest
start: 2024-01-14 00:00:00
end: 2024-01-21 00:00:00
period: 30m
basePeriod: 15m
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/

//@version=5
strategy("Decision Tree Strategy: IMACD, EMA and Ichimoku [cryptoonchain]", overlay=true)

lengthMA = input(34, title="Length MA")
lengthSignal = input(9, title="Length Signal")
conversionPeriods = input.int(9, minval=1, title="Conversion Line Length")
basePeriods = input.int(26, minval=1, title="Base Line Length")
laggingSpan2Periods = input.int(52, minval=1, title="Leading Span B Length")
displacement = input.int(26, minval=1, title="Lagging Span")
emaLength = input(40, title="EMA Length")  // Added user-configurable EMA length

calc_smma(src, len) =>
    smma = float(na)
    smma := na(smma[1]) ? ta.sma(src, len) : (smma[1] * (len - 1) + src) / len
    smma

calc_zlema(src, length) =>
    ema1 = ta.ema(src, length)
    ema2 = ta.ema(ema1, length)
    d = ema1 - ema2
    ema1 + d

src = ohlc4
hi = calc_smma(high, lengthMA)
lo = calc_smma(low, lengthMA)
mi = calc_zlema(src, lengthMA)

md = (mi > hi) ? (mi - hi) : (mi < lo) ? (mi - lo) : 0
sb = ta.sma(md, lengthSignal)
sh = md - sb
mdc = src > mi ? (src > hi ? color.rgb(128, 255, 0, 26) : color.green) : (src < lo ? color.red : color.orange)

colorCondition = color.rgb(128, 255, 0, 26)

conversionLine = math.avg(ta.lowest(conversionPeriods), ta.highest(conversionPeriods))
baseLine = math.avg(ta.lowest(basePeriods), ta.highest(basePeriods))
leadLine1 = math.avg(conversionLine, baseLine)
leadLine2 = math.avg(ta.lowest(laggingSpan2Periods), ta.highest(laggingSpan2Periods))

// Use user-configurable length for EMA
ema40 = ta.ema(close, emaLength)

ebc = input(false, title="Enable bar colors")
barcolor(ebc ? mdc : na)

conversionLinePlot = plot(conversionLine, color=#2962FF, title="Conversion Line", display=display.none)
baseLinePlot = plot(baseLine, color=#B71C1C, title="Base Line", display=display.none)
laggingSpanPlot = plot(close, offset=-displacement + 1, color=#43A047, title="Lagging Span", display=display.none)
leadLine1Plot = plot(leadLine1, offset=displacement - 1, color=#A5D6A7, title="Leading Span A", display=display.none)
leadLine2Plot = plot(leadLine2, offset=displacement - 1, color=#EF9A9A, title="Leading Span B", display=display.none)
kumoCloudUpperLinePlot = plot(leadLine1 > leadLine2 ? leadLine1 : leadLine2, offset=displacement - 1, title="Kumo Cloud Upper Line", display=display.none)
kumoCloudLowerLinePlot = plot(leadLine1 < leadLine2 ? leadLine1 : leadLine2, offset=displacement - 1, title="Kumo Cloud Lower Line", display=display.none)
fill(kumoCloudUpperLinePlot, kumoCloudLowerLinePlot, color=leadLine1 > leadLine2 ? color.green : color.red)

a = (leadLine1 > leadLine2 ? leadLine1 : leadLine2) 
b = (leadLine1 < leadLine2 ? leadLine1 : leadLine2)  

if mdc == colorCondition and ema40 > a[displacement - 1]
    strategy.entry("Long", strategy.long)

if mdc == color.red and ema40 < b[displacement - 1]
    strategy.entry("Short", strategy.short)

                
            
مزید معلومات