Akkumulierte RSI-Ausbruchsstrategie
ChaoZhang
Überblick
Die Strategie nutzt die Identifizierung von Trends in den kumulierten RSI-Indikatoren, um Kauf- und Verkaufsaktionen durchzuführen, wenn der kumulierte RSI-Indikator die kritische Schwelle überschreitet. Die Strategie filtert effektiv Marktlärm und sperrt Trend-Handelsmöglichkeiten in den längeren Linien.
Strategieprinzip
Die Strategie basiert hauptsächlich auf dem kumulativen RSI-Indikator für die Handelsentscheidung. Der kumulative RSI-Indikator ist der kumulative Wert des RSI-Indikators. Durch die Einstellung des Parameters cumlen können die RSI-Werte in cumlen Tagen kumuliert werden, um den kumulativen RSI-Indikator zu erhalten.
Wenn der kumulative RSI-Indikator über die Bollinger-Band-Operation aufsteigt, wird ein Kauf-Operation durchgeführt. Wenn der kumulative RSI-Indikator unter der Bollinger-Band-Operation untersteigt, wird ein Leer-Operation durchgeführt. Die Bollinger-Band-Operation wird durch mehrjährige historische Daten berechnet und ist der Referenzpreis für dynamische Änderungen.
Die Strategie hat außerdem eine Trendfilter-Option hinzugefügt. Der Kauf wird nur dann getätigt, wenn der Preis über dem 100-Tage-Moving-Average liegt, also im Aufwärtskanal des Trends. Dieser Filter verhindert falsche Transaktionen bei Preisschwankungen.
Strategische Vorteile
- Der kumulative RSI-Wert wird genutzt, um die mittleren und langen Trends effektiv zu filtern.
- Trend-Filter für unvernünftige Geschäfte
- Die Beurteilung erfolgt anhand eines dynamischen Referenzpreises anstelle eines festen Wertes.
- Mehr konfigurierbare Parameter, die für verschiedene Märkte angepasst werden können
- Die 10-Jahres-Rückblickung war sehr gut, die Gewinne waren deutlich höher als bei der Buy-and-Hold-Strategie.
Strategische Risiken und Verbesserungen
- Die Strategie basiert auf der kumulierten RSI eines einzelnen Indikators für die Entscheidungsfindung, wobei andere Indikatoren oder Filter hinzugefügt werden können, um eine umfassende Entscheidung zu treffen
- Ein höherer Leverage mit festen Multiplikatoren und ein Anpassung des Leverage-Prozesses an den Rückzug
- Einfach mehrere Wege gehen, um mehr freie Arbeitsplätze zu schaffen
- Optimierbare Parameterkombinationen, die unter verschiedenen Marktbedingungen stark variieren
- Möglichkeiten zur Erweiterung der Ausgleichsbedingungen, Erhöhung der Stop-Loss-Position und Umschaltung der Stop-Loss-Position
- Erwägung der Kombination mit anderen Strategien, um synergetische Effekte zu erzielen
Zusammenfassen
Die kumulative RSI-Breakthrough-Strategie funktioniert flüssig und logisch klar. Durch die kumulative RSI-Indikatoren wird eine effektive Wave-Schleifen, eine erhöhte Trendentscheidung, eine genaue Erfassung der mittleren und langen Trends und eine hervorragende historische Rückmeldung durchgeführt. Es gibt jedoch noch Optimierungsmöglichkeiten, um eine robustere und umfassendere Trendstrategie zu entwickeln, indem man die Parameter-Einstellungen anpasst, die Urteilskennzahlen erhöht und die Pivot-Konditionen bereichert.
/*backtest
start: 2023-09-26 00:00:00
end: 2023-10-26 00:00:00
period: 1h
basePeriod: 15m
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/
// @version=5
// Author = TradeAutomation
strategy(title="Cumulative RSI Strategy", shorttitle="CRSI Strategy", process_orders_on_close=true, overlay=true, commission_type=strategy.commission.cash_per_contract, commission_value=.0035, slippage = 1, margin_long = 75, initial_capital = 25000, default_qty_type=strategy.percent_of_equity, default_qty_value=110)
// Cumulative RSI Indicator Calculations //
rlen = input.int(title="RSI Length", defval=3, minval=1)
cumlen = input(3, "RSI Cumulation Length")
rsi = ta.rsi(close, rlen)
cumRSI = math.sum(rsi, cumlen)
ob = (100*cumlen*input(94, "Oversold Level")*.01)
os = (100*cumlen*input(20, "Overbought Level")*.01)
// Operational Function //
TrendFilterInput = input(false, "Only Trade When Price is Above EMA?")
ema = ta.ema(close, input(100, "EMA Length"))
TrendisLong = (close>ema)
plot(ema)
// Backtest Timeframe Inputs //
startDate = input.int(title="Start Date", defval=1, minval=1, maxval=31)
startMonth = input.int(title="Start Month", defval=1, minval=1, maxval=12)
startYear = input.int(title="Start Year", defval=2010, minval=1950, maxval=2100)
endDate = input.int(title="End Date", defval=1, minval=1, maxval=31)
endMonth = input.int(title="End Month", defval=1, minval=1, maxval=12)
endYear = input.int(title="End Year", defval=2099, minval=1950, maxval=2100)
InDateRange = (time >= timestamp(syminfo.timezone, startYear, startMonth, startDate, 0, 0)) and (time < timestamp(syminfo.timezone, endYear, endMonth, endDate, 0, 0))
// Buy and Sell Functions //
if (InDateRange and TrendFilterInput==true)
strategy.entry("Long", strategy.long, when = ta.crossover(cumRSI, os) and TrendisLong, comment="Buy", alert_message="buy")
strategy.close("Long", when = ta.crossover(cumRSI, ob) , comment="Sell", alert_message="Sell")
if (InDateRange and TrendFilterInput==false)
strategy.entry("Long", strategy.long, when = ta.crossover(cumRSI, os), comment="Buy", alert_message="buy")
strategy.close("Long", when = ta.crossover(cumRSI, ob), comment="Sell", alert_message="sell")
if (not InDateRange)
strategy.close_all()