Strategie zur Regression von Preis-Extremwerten basierend auf der Binomialverteilung
ChaoZhang
Die Strategie nennt sich “Price Maximum Return Strategy” und basiert auf einer binären Verteilung. Die Strategie nutzt eine binäre Verteilung, um die Wahrscheinlichkeit einer Preisumkehr zu bestimmen und setzt eine doppelte EMA-Gleichgewichtsstrategie ein, um ein Handelssignal zu erzeugen.
Die Berechnungslogik der Strategie lautet wie folgt:
Berechnen Sie die Anzahl der Kurssteigerungen in den letzten 20 K-Linien und den Anteil der Kurssteigerungszyklen in den letzten 100 K-Linien.
Die Anzahl der Drogenkonsumphasen und die Wahrscheinlichkeit p werden in eine binäre Verteilungsfunktion eingefügt, um die Cumulative Distribution Function (CDF) zu berechnen.
Die EMA-Mittelwerte für die CDF werden jeweils am 10. und 20. Tag berechnet. Wenn die schnelle Linie die langsame Linie durchbricht, wird die Wahrscheinlichkeit eines Rückgangs des Preis-Höchstwertes als höher angesehen und ein Kaufsignal erzeugt.
Wenn die schnelle Linie die langsame Linie durchbricht, kann der Preis auf einem kurzfristigen Hoch sein, was zu einem Verkaufssignal führt.
Der Vorteil dieser Strategie besteht darin, die maximale Rückkehrzeit des Preises durch die Methode der Wahrscheinlichkeit zu bestimmen. Die Parameter müssen jedoch an den Markt angepasst werden, um zu viele falsche Signale zu vermeiden.
Im Allgemeinen helfen statistische Methoden bei der objektiven Entdeckung von Preisverhaltensmustern. Letztendlich müssen die Händler jedoch ein scharfes Urteilsvermögen über den Markt bewahren und technische Indikatoren als Hilfsmittel verwenden.
/*backtest
start: 2022-09-06 00:00:00
end: 2023-05-01 00:00:00
period: 1d
basePeriod: 1h
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/
// This source code is subject to the terms of the Mozilla Public License 2.0 at https://mozilla.org/MPL/2.0/
// © pieroliviermarquis
//@version=4
strategy("Binomial Strategy", overlay=false, default_qty_type= strategy.percent_of_equity, default_qty_value= 100, slippage=1, initial_capital= 10000, calc_on_every_tick=true)
factorial(length) =>
n = 1
if length != 0
for i = 1 to length
n := n * i
n
binomial_pdf(success, trials, p) =>
q = 1-p
coef = factorial(trials) / (factorial(trials-success) * factorial(success))
pdf = coef * pow(p, success) * pow(q, trials-success)
binomial_cdf(success, trials, p) =>
q = 1-p
cdf = 0.0
for i = 0 to success
cdf := cdf + binomial_pdf(i, trials, p)
up = close[0] > close[1] ? 1 : 0
//long-term probabilities
lt_lookback = 100
lt_up_bars = sum(up, lt_lookback)
prob = lt_up_bars/lt_lookback
//lookback for cdf
lookback = 20
up_bars = sum(up, lookback)
cdf = binomial_cdf(up_bars, lookback, prob)
//ema on cdf
ema1 = ema(cdf, 10)
ema2 = ema(cdf, 20)
plot(cdf*100)
plot(ema1*100, color=color.red)
plot(ema2*100, color=color.orange)
buy = ema1 > ema2
sell = ema1 < ema2
//////////////////////Bar Colors//////////////////
var color buy_or_sell = na
if buy == true
buy_or_sell := #3BB3E4
else if sell == true
buy_or_sell := #FF006E
barcolor(buy_or_sell)
///////////////////////////Orders////////////////
if buy
strategy.entry("Long", strategy.long, comment="")
if sell
strategy.close("Long", comment="Sell")