Tài nguyên đang được tải lên... tải...
  1. Quảng trường
  2. Chiến lược dự báo giá theo thuật toán

Chiến lược dự báo giá theo thuật toán

Tác giả:ChaoZhang, Ngày: 2023-12-20 14:40:23
Tags:

img

Tổng quan

Chiến lược này sử dụng các hàm logaritm để mô hình hóa các thay đổi giá dựa trên độ lệch chuẩn và trung bình khối lượng giao dịch để tính điểm số z như các thông số đầu vào cho hàm logaritm để dự đoán giá trong tương lai.

Nguyên tắc chiến lược

  1. Tính toán giá trị ROC của giá đóng cửa, tích lũy các giá trị tích cực thành volume_pos và các giá trị âm tính thành volume_neg
  2. Tính toán sự khác biệt giữa volume_pos và volume_neg như net_volume
  3. Tính toán độ lệch chuẩn net_std và net_sma trung bình của net_volume
  4. Tính điểm z bằng cách chia net_sma cho net_std
  5. Sử dụng giá đóng cửa, độ lệch chuẩn 20 ngày của giá đóng cửa và điểm số z như các tham số vào chức năng hậu cần để dự đoán giá kỳ tiếp theo
  6. Long khi giá dự đoán cao hơn giá thực tế hiện tại * 1.005, close position khi thấp hơn * 0.995

Phân tích lợi thế

Chiến lược này kết hợp thông tin thống kê về khối lượng giao dịch và dự đoán giá bằng cách sử dụng các hàm logaritm.

Ưu điểm là:

  1. Sử dụng chênh lệch dài ngắn trong khối lượng giao dịch để đánh giá tâm lý thị trường
  2. Chức năng logaritm phù hợp với đường cong thay đổi giá tốt cho dự đoán
  3. Chiến lược đơn giản và thẳng thắn, dễ thực hiện

Phân tích rủi ro

Một số rủi ro cũng tồn tại trong chiến lược này:

  1. Các chỉ số khối lượng giao dịch bị chậm trễ, không thể phản ánh kịp thời những thay đổi trên thị trường
  2. Dự đoán logaritm không phải lúc nào cũng chính xác, có thể gây hiểu lầm
  3. Không có biện pháp dừng lỗ không thể kiểm soát lỗ

Các rủi ro có thể được giảm bằng cách:

  1. Kết hợp các chỉ số khác để đánh giá độ tin cậy của tín hiệu âm lượng
  2. Tối ưu hóa các tham số của hàm logaritm để cải thiện độ chính xác dự đoán
  3. Đặt các đường dừng lỗ để giới hạn lỗ tối đa cho mỗi giao dịch và tổng thể

Hướng dẫn tối ưu hóa

Chiến lược này có thể được tối ưu hóa thêm bằng cách:

  1. Sử dụng máy học để tối ưu hóa chức năng logarithmic
  2. Bao gồm các chỉ số biến động để điều chỉnh kích thước vị trí
  3. Thêm bộ lọc Bayesian để lọc ra các tín hiệu không hợp lệ
  4. Kết hợp với các chiến lược đột phá để nhập vào các điểm đột phá
  5. Sử dụng các quy tắc liên kết để phát hiện các tín hiệu chênh lệch giá khối lượng

Kết hợp nhiều phương pháp có thể cải thiện thêm sự ổn định và lợi nhuận.

Kết luận

Chiến lược này tích hợp các chỉ số thống kê về khối lượng giao dịch và dự đoán logaritm vào một phương pháp giao dịch định lượng độc đáo. Với tối ưu hóa liên tục, nó có thể trở thành một hệ thống giao dịch tự động hiệu quả và ổn định. Bằng cách tận dụng học máy và lý thuyết tối ưu hóa danh mục đầu tư, chúng tôi tự tin sẽ tiếp tục cải thiện hiệu suất giao dịch của nó.

/*backtest
start: 2023-11-19 00:00:00
end: 2023-12-10 00:00:00
period: 1h
basePeriod: 15m
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/

//@version=4
strategy("Logistic", overlay=true )

volume_pos = 0.0
volume_neg = 0.0
roc = roc(close, 1)

for i = 0 to 100
    if (roc > 0)
        volume_pos := volume
    else
        volume_neg := volume
    
volume_net = volume_pos - volume_neg
net_std    = stdev(volume_net, 100)
net_sma    = sma(volume_net, 10)
z          =  net_sma / net_std
std        = stdev(close, 20)

logistic(close, std, z) =>
    m = (close + std)
    a = std / close
    pt = m / ( 1 + a*exp(-z))
    pt
    
    
pred = logistic(close, std, z)

buy = pred > close * 1.005
sell = pred < close * 0.995

color = strategy.position_size > 0? #3BB3E4 : strategy.position_size == 0? #FF006E : #6b6b6b
barcolor(color)


if (buy == true)
    strategy.entry("Long", strategy.long, comment="Open L")
    
if (sell == true)
    strategy.close("Long", comment="Close L")
Thêm nữa

2019 FMZ - Tất cả các quyền được bảo lưu