Überblick

Die Strategie nutzt k-nearest-neighbor (kNN) Machine Learning-Algorithmen, um Markttrends vorherzusagen. Die Strategie berücksichtigt mehrere Faktoren wie historische Daten, technische Indikatoren und andere Faktoren, um Marktmerkmale zu erfassen und Trend-Tracking-Transaktionen zu automatisieren.

Strategieprinzip

1. Sammlung von Trainingsdaten: Sammlung von historischen Schlusskosten, Zeitreihen wie Handelsvolumen und technischen Indikatoren wie RSI, CCI.

2. Datenvorbereitung: Standardisierung der Kennwerte in der Bandbreite 0-100

3. Training des kNN-Modells: Zwei Merkmale aus dem aktuellen kNN-Modell eingeben, die europäische Distanz zwischen diesen Merkmalvektoren und den historischen Merkmalvektoren berechnen, die Distanz zwischen den jüngsten historischen Proben von k auswählen und die Verteilung der Etiketten ((multiheaded or blankheaded) für diese Proben von k berechnen.

4. Erhalten Sie eine Prognose: Vorhersage der aktuellen Marktentwicklung basierend auf den Kennzeichnungen der k nächstgelegenen Stichproben. Wenn die Prognose mehrköpfig ist, erzeugen Sie ein Long-Position-Signal; wenn die Prognose leerköpfig ist, erzeugen Sie ein Leerpositions-Signal.

5. Der Handel mit Filtern wie Stop-Loss, Positionskontrolle und Moving Averages.

Strategische Vorteile

1. Mit Hilfe von Algorithmen für maschinelles Lernen kann die Technologie ohne menschliche Intervention automatisch erkannt werden.

2. Die Modelle können mit unterschiedlichen technischen Kennzahlen ausgewählt werden, um die Optimierung in Echtzeit zu ermöglichen.

3. Integrierte Risikokontrollmechanismen wie Stop Loss und Positionsmanagement.

4. Die visuelle Darstellung von Stop Lines ist klar und intuitiv.

Risiken und Lösungen

1. Es können Optimierungsmodelle wie geeignete k-Werte, Merkmalvektoren und Probenzeiträume gewählt werden.

2. Einseitige Transaktionen sind mit potenziellen Risiken verbunden.

3. Die falsche Einstellung der Parameter kann zu übermäßigen Transaktionen führen. Die Größe der Position, die Häufigkeit der Transaktionen usw. sollten entsprechend angepasst werden.

Optimierungsrichtung

1. Verschiedene Arten von technischen Kennzahlen werden als Kennzeichen für die KNN-Eingaben getestet.

2. Versuchen Sie es mit anderen Distanzmessungen, z. B. der Manhattan-Distanz.

3. Anpassung der Positionsgröße anhand von Stichprobenentfernungen oder Qualitätsklassifizierungen.

4. Die Modell-Trainingsets und Testsets werden aufgeteilt, um die Rolloptimierung zu ermöglichen.

Zusammenfassen

Die Strategie verwendet die klassische kNN-Algorithmus, um die Markttrends vorherzusagen und die Trends entsprechend den vorhergesagten Signalen zu verfolgen. Die Strategie ist parameterfähig und risikokontrollierbar und bietet dem Benutzer eine effektive automatisierte Handelsstrategie. Der Benutzer kann die Strategie-Performance durch Anpassung der technischen Kennzahlen, Optimierung der Modellüberparameter usw. ständig verbessern.