Durchschnittliche adaptive Kanalpreis-Ausbruchsstrategie
ChaoZhang
Überblick[Overview]
Die Strategie verwendet die AMA, um die Richtung des aktuellen Preises zu berechnen und kombiniert mit der dynamisch angepassten Kanalbreite, um die Preis-Brechsignale zu entdecken, um zu kaufen und zu verkaufen.
Strategieprinzip[Strategy Principle]
Der Kernindikator der Strategie ist der durchschnittlich adaptierte Moving Average (AMA), der zur Erfassung von Preistrends verwendet wird. Die Berechnungsformel für AMA lautet:
AMA(t) = α(t-1) * P(t) + [1 - α(t-1)] * AMA(t-1)
P (t) ist der aktuelle Preis und α (t) ist eine glatte Konstante, deren Wert zwischen 0 und 1 liegt. α (t) wird durch bestimmte Regeln dynamisch angepasst, um die Sensibilität von AMA für Preisänderungen zu steuern.
SNRT = (P(t) - AMA(t-1)) / AMA(t-1)
Wenn die Preisschwankungen größer werden, wird α ((t) größer, so dass die AMA die Preise sensibler verfolgt. Wenn die Preisschwankungen kleiner werden, wird α ((t) kleiner, so dass die AMA eine höhere Gleitfähigkeit hat.
Basierend auf der AMA erstellt die Strategie dann eine eigensinnige Kanalstrecke, um Preisbruchsignale zu entdecken. Die oberen und unteren Schienen der Kanalstrecke sind:
Auffahrt: H (t) = (1 + β)*H(t-1)) * AMA(t)
Unterbahn: L (t) = (1 - β)*L(t-1)) * AMA(t)
Die Strategie erzeugt schließlich ein Handelssignal, indem sie beobachtet, ob der Preis einen Auf- und Abbruch erlebt:
Wenn die Preise steigen, tun Sie mehr.
Der Preis ist nicht so hoch wie der Preis, der für die Währung gilt.
Sonst ist der Laden leer.
Analyse der Stärken[Advantage Analysis]
Diese Strategie hat folgende Vorteile:
Die Verwendung von AMAs anstelle eines gewöhnlichen Moving Averages bietet eine größere Flexibilität bei der Erfassung von Preistrends, insbesondere für Märkte mit hoher Volatilität.
Der Anpassungskanalbereich kann dynamisch angepasst werden, um die Kanalbreite bei Unsicherheit zu erweitern und die Kanalverfolgung bei klaren Trends zu verengen.
Der Einsatz von Preis-Breakout-Trading-Signalen, die in der Anfangsphase des Trends erfasst werden können, hat eine hohe Gewinnrate.
Die Strategie ist einfach, klar, leicht zu verstehen und zu implementieren und eignet sich für die Quantifizierung von Transaktionen.
Risikoanalyse[Risk Analysis]
Die Strategie birgt auch folgende Risiken:
Die falsche Einstellung der AMA-Parameter kann zu falschen Preistrends oder falschen Signalen führen.
Die Parameter für adaptive Channels wie β müssen vorsichtig eingestellt werden, da sonst zu häufige Transaktionen oder Ausfalltrends auftreten könnten.
Der Preis-Break-Signal kann leicht durch falsche Breakouts getäuscht werden und sollte in Kombination mit mehr Indikatoren gefiltert werden.
Die Strategie selbst berücksichtigt nicht die Vermögensverwaltung und die Stop-Loss-Mechanismen, so dass ein gewisses Verlustrisiko besteht.
Optimierungsrichtung[Optimization Directions]
Diese Strategie kann optimiert werden durch:
Optimierung der Art und Weise, wie die α-Werte der AMA berechnet werden, um sie für Preisänderungen empfindlicher zu machen.
Erhöhung der Nachbestätigung nach Durchbruch des Kanals und Vermeidung von Fehlsignalen bei falschem Durchbruch.
Filterung in Verbindung mit Handelsvolumen oder Volatilitätsindikatoren, um die Wirksamkeit von Durchbrüchen zu gewährleisten.
Erhöhung der Tracking-Stop-Mechanismen, um Gewinne zu sichern und Risiken zu kontrollieren.
Optimierung der Vermögensverwaltung und Ermittlung einer angemessenen Positionsverwaltung für verschiedene Vermögenswerte.
Zusammenfassen[Conclusion]
Die Strategie hat einige Vorteile, aber auch mögliche Risiken. Die Strategie kann durch Optimierung der Parameter, Erhöhung der Filterbedingungen und Verbesserung der Stop-Loss-Mechanismen robuster und zuverlässiger gemacht werden. Insgesamt bietet die Strategie ein gutes Basismodell für quantitative Transaktionen.
/*backtest
start: 2022-10-26 00:00:00
end: 2023-11-01 00:00:00
period: 1d
basePeriod: 1h
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/
//@version=4
// CryptoStatistical - 2019
// AMA Strategy Channel Breakout Strategy from E. Durenard - Professional Automated Trading
// https://www.amazon.com/Professional-Automated-Trading-Theory-Practice/dp/1118129857
strategy(title="[CS] AMA Strategy - Channel Break Out", shorttitle="AMA_ChannelBreakout_Strategy", initial_capital = 1000, overlay=true, pyramiding = 0, calc_on_every_tick=false, calc_on_order_fills=false, commission_type= strategy.commission.percent, commission_value = 0.08, currency=currency.USD)
testStartYear = input(2019, "Backtest Start Year")
testStartMonth = input(6, "Backtest Start Month")
testStartDay = input(1, "Backtest Start Day")
testPeriodStart = timestamp(testStartYear,testStartMonth,testStartDay,0,0)
testStopYear = input(2019, "Backtest Stop Year")
testStopMonth = input(12, "Backtest Stop Month")
testStopDay = input(31, "Backtest Stop Day")
testPeriodStop = timestamp(testStopYear,testStopMonth,testStopDay,0,0)
testPeriodBackground = input(title="Color Background?", type=input.bool, defval=true)
testPeriodBackgroundColor = testPeriodBackground and (time >= testPeriodStart) and (time <= testPeriodStop) ? #00FF00 : na
bgcolor(testPeriodBackgroundColor, transp=95)
testPeriod() => true
price = input(title='Price Source:', type=input.source, defval=close)
ama = price
hb = price
lb = price
// Static model parameters
minfactor = 0.
maxfactor = 1.
deviation_max = 1.
deviation_min = 1.
beta_hb = 1.
beta_lb = 1.
snr = 1.
normalized_atan= 0.
alpha = 0.5
// Suggested snr-factor from .5 upto 3.1 by .3 to find best parameter
snrfactor = input(title='SNR Factor:', type=input.float, minval=0.6, maxval=3.3, step=0.3, defval=2.1)
// Sensitivity Lookback search for the best perdiod from 5 to 20
lookback = input(title='Sensitivity Lookback:', type=input.integer, defval=5)
// Suggested Beta from .5 below 4.5 by .3, usually in the range 1.2, 1.5
beta = input(title='Beta:', type=input.float, minval=0.6, maxval=4.5, step=0.3, defval=2.1)
offsetlabel = input(title='Offset Label:', type=input.float, minval=0.001, maxval=0.03, step=0.001, defval=0.001)
// pi/2
pi2 = 1.5707963267948966
// Zero-lag resampled moving average (Durschner nwma)
f_nwma(_src, _period) =>
fast = _period/2
lambda = _period/fast
alpha = lambda * (_period - 1)/(_period - lambda)
average1 = wma(_src,_period)
average2 = wma(average1,fast)
nwma = (1+alpha)*average1 - alpha*average2
ama := alpha[1]*price + (1-alpha[1])*nz(ama[1])
deviation_max := alpha[1]*max((price[0] - price[1])/price[1],0) + (1-alpha[1])*nz(deviation_max[1])
deviation_min := -alpha[1]*min((price[0] - price[1])/price[1],0) + (1-alpha[1])*nz(deviation_min[1])
beta_hb := beta*deviation_max
beta_lb := beta*deviation_min
hb := (1 + beta_hb[1])*ama
lb := (1 - beta_lb[1])*ama
snr := if price > hb
((price - ama[1])/ama[1])/beta_lb
else
if price < lb
-((price - ama[1])/ama[1])/beta_hb
else
0
normalized_atan := (atan(snrfactor*snr) + pi2)/(2*pi2)
alpha := f_nwma(minfactor + (maxfactor - minfactor)*normalized_atan, lookback)
plot(ama, color=color.black)
plot(hb, color=color.green)
plot(lb, color=color.red)
// Buy Condition Var
bc = false
// Sell Condition Var
sc = false
d = color.black
// Buy Condition
if(price > hb)
bc := true
d := color.green
// Sell Condition
if(price < lb)
sc := true
d := color.red
if(testPeriod())
strategy.entry("Long", strategy.long, when = bc)
strategy.entry("Short", strategy.short, when = sc)
alertcondition(bc, title='BuyCondition', message='Buy')
alertcondition(sc, title='SellCondition', message='Sell')
plotshape(title='Buy', series=bc ? price * (1 - offsetlabel) : na, text='A1B', style=shape.labelup, location=location.absolute, color=d, textcolor=color.white, offset=0)
plotshape(title='Sell', series=sc ? price * (1 + offsetlabel) : na, text='A1S', style=shape.labeldown, location=location.absolute, color=d, textcolor=color.white, offset=0)