基于CMO和WMA的双均线交易策略

Author: ChaoZhang, Date: 2024-01-25 17:44:49
Tags:

基于CMO和WMA的双均线交易策略

概述

该策略是一个基于价格动量指标Chandre动量震荡器(CMO)以及其加权移动平均线(WMA)的双均线交易策略。它Attempts to identify trend reversals and continuation Using CMO crossover 其WMA。

策略原理

该策略首先计算CMO,该指标度量价格的网上动量变化。正值表示上涨势头,负值表示下跌势头。然后计算CMO的WMA。当CMO上穿其WMA时,采取看涨立场;当CMO下穿其WMA时,采取看跌立场。该策略Attempts to capture turning points in the trend Using CMO和WMA的交叉。

计算CMO的关键步骤是:
1. 计算每日价格变化(xMom)
2. 对价格变化求n日SMA,作为“真实的”价格动量(xSMA_mom)
3. 计算n日net price change (xMomLength)
4. 将net price change标准化(nRes),方法是除以SMA
5. 对标准化net price change求m日WMA,得到CMO(xWMACMO)

该策略的优点是捕捉价格中期趋势的转折点。CMO的绝对值大小反映价格运行趋势的力度,WMA有利于滤波假突破。

优势分析

该策略最大的优势是利用CMO指标的绝对值判断市场群众情绪,WMA滤波来识别中期趋势的转折点。相比单一移动平均线策略,更能捕捉弹性空间较大的中期趋势。

CMO标准化了价格变化,将其映射到-100到100区间,便于判断市场群众情绪;绝对值大小代表当前趋势的力度。WMA对CMO进行额外滤波,避免出现过多假信号。

风险分析

该策略可能存在的主要风险有:

CMO和WMA参数设置不当,导致产生过多假信号
无法有效应对趋势震荡市,将产生过高的交易频率和滑点成本
无法识别真正的长期趋势,在长期持仓中可能存在亏损风险

对应优化方法有:

调整CMO和WMA的参数,找到最优参数组合
增加附加过滤条件,例如交易量能量指标,避免在震荡行情中交易
结合更长周期的指标,例如90日线,避免在长线趋势中的错失机会

优化方向

该策略的优化方向主要集中在参数优化,信号过滤以及止损方面:

CMO和WMA的参数优化:通过遍历找到最优参数组合
结合交易量,强弱指标等辅助指标进行信号过滤,避免假突破
增加动态止损机制,当价格重新跌破CMO和WMA时止损出场
可以考虑Breakout Failure模式作为入场信号,即CMO和WMA先突破关键位,但很快重新跌破的情况
可以结合更长线周期指标判断大趋势,避免逆势交易

总结

该策略整体采用CMO指标判断趋势力度和转折点,结合WMA进行滤波生成交易信号,属于典型的双均线系统。相比单一MA策略,具有更强的捕捉弹性中期趋势的优势。但参数设置和滤波方面还有优化空间,适当控制交易频率和引入动态止损,能够进一步提高系统稳定性。

/*backtest
start: 2023-12-25 00:00:00
end: 2024-01-24 00:00:00
period: 1h
basePeriod: 15m
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/

//@version=3
////////////////////////////////////////////////////////////
//  Copyright by HPotter v1.0 18/10/2018
//    This indicator plots Chandre Momentum Oscillator and its WMA on the 
//    same chart. This indicator plots the absolute value of CMO.
//    The CMO is closely related to, yet unique from, other momentum oriented 
//    indicators such as Relative Strength Index, Stochastic, Rate-of-Change, 
//    etc. It is most closely related to Welles Wilder?s RSI, yet it differs 
//    in several ways:
//    - It uses data for both up days and down days in the numerator, thereby 
//        directly measuring momentum;
//    - The calculations are applied on unsmoothed data. Therefore, short-term 
//        extreme movements in price are not hidden. Once calculated, smoothing 
//        can be applied to the CMO, if desired;
//    - The scale is bounded between +100 and -100, thereby allowing you to clearly 
//        see changes in net momentum using the 0 level. The bounded scale also allows 
//        you to conveniently compare values across different securities.
////////////////////////////////////////////////////////////
strategy(title="CMO & WMA Backtest ver 2.0", shorttitle="CMO & WMA")
Length = input(9, minval=1)
LengthWMA = input(9, minval=1)
BuyZone = input(60, step = 0.01)
SellZone = input(-60, step = 0.01)
reverse = input(false, title="Trade reverse")
hline(BuyZone, color=green, linestyle=line)
hline(SellZone, color=red, linestyle=line)
hline(0, color=gray, linestyle=line)
xMom = abs(close - close[1])
xSMA_mom = sma(xMom, Length)
xMomLength = close - close[Length]
nRes = 100 * (xMomLength / (xSMA_mom * Length))
xWMACMO = wma(nRes, LengthWMA)
pos = 0.0
pos := iff(xWMACMO > BuyZone, 1,
	   iff(xWMACMO < SellZone, -1, nz(pos[1], 0))) 
possig = iff(reverse and pos == 1, -1,
          iff(reverse and pos == -1, 1, pos))	   
if (possig == 1) 
    strategy.entry("Long", strategy.long)
if (possig == -1)
    strategy.entry("Short", strategy.short)	   	    
barcolor(possig == -1 ? red: possig == 1 ? green : blue ) 
plot(nRes, color=blue, title="CMO")
plot(xWMACMO, color=red, title="WMA")

更多内容

2019 - FMZ - 发明者量化