Überblick

Diese Strategie ist eine experimentelle quantitative Handelsstrategie, die gleitende Durchschnitte mit dem kNN-Algorithmus des maschinellen Lernens kombiniert, um Handelssignale zu generieren. Die Strategie nutzt das Kreuzen zweier VWMA-Linien mit unterschiedlichen Perioden zur Bestimmung der Trendrichtung und filtert die Signale mithilfe von MFI und ADX über den kNN-Algorithmus, um deren Zuverlässigkeit zu erhöhen.

Strategieprinzip

Das Kernindikator der Strategie sind zwei VWMA-Linien mit unterschiedlichen Parametern, eine schnelle und eine langsame Linie. Wenn die schnelle Linie die langsame Linie von unten nach oben kreuzt, wird ein Kaufsignal generiert; kreuzt sie von oben nach unten, entsteht ein Verkaufssignal. Zusätzlich werden die beiden Hilfsindikatoren MFI und ADX eingeführt. Der kNN-Klassifikationsalgorithmus bewertet die Zuverlässigkeit des Signals unter den aktuellen Marktbedingungen.

Die Idee des kNN-Algorithmus besteht darin, neue Daten mit historischen Daten zu vergleichen, die Ergebnisse der k nächsten historischen Daten zu ermitteln und diese nach dem Mehrheitsprinzip zu klassifizieren. Diese Strategie verwendet MFI und ADX als zwei Eingabeparameter des kNN-Algorithmus und bewertet die historische Kursentwicklung (Anstieg oder Rückgang) bei dieser Kombination von Indikatoren, um das aktuelle Signal zu filtern und die Signalqualität zu verbessern.

Strategievorteile

• Nutzung der Trendfolgefähigkeit von VWMA, kombiniert mit Kreuzungssignalen zur Generierung von Kauf- und Verkaufspunkten
• Mehrdimensionale Merkmalsextraktion mittels MFI und ADX zur Unterstützung der Trendrichtung
• Dynamische Optimierung und Filterung von Handelssignalen durch den kNN-Machine-Learning-Algorithmus
• Experimentelle Strategie mit großem Entwicklungspotenzial, das durch weitere Daten validiert und optimiert werden muss

Risiken und Gegenmaßnahmen

• VWMA-Linien neigen zu Verzögerungen
• MFI und ADX haben ebenfalls eine gewisse Verzögerung und können Marktbedingungen falsch einschätzen
• Die Parametereinstellung des kNN-Algorithmus (z. B. Wahl des k-Werts) hat großen Einfluss auf die Ergebnisse
• Experimentelle Strategie, die im Live-Handel schlecht abschneiden kann

Gegenmaßnahmen:

• Anpassung der gleitenden Durchschnittsparameter zur Reduzierung der Verzögerung
• Verbesserung der Indikatoralgorithmen zur Erhöhung der Trendgenauigkeit
• Optimierung der kNN-Parameter zur Verbesserung der Anpassung
• Validierung der Strategie durch Backtesting und simulierten Live-Handel

Optimierungsmöglichkeiten

Die Strategie bietet noch viel Raum für Verbesserungen:

• Hinzufügen weiterer gleitender Durchschnitte, um eine Kombination zu bilden
• Testen anderer Hilfsindikatoren wie MACD, KDJ usw.
• Verbesserung des kNN-Algorithmus, z. B. durch verschiedene Distanzmetriken
• Ausprobieren anderer Machine-Learning-Algorithmen wie SVM, Random Forest usw.
• Parameternoptimierung zur Suche nach der besten Parameterkombination

Durch die Einführung weiterer Indikatoren und Algorithmen des maschinellen Lernens könnte die Stabilität und Rentabilität der Strategie weiter gesteigert werden.

Zusammenfassung

Diese Strategie ist eine experimentelle quantitative Handelsstrategie, die auf VWMA-Indikatoren und dem kNN-Machine-Learning-Algorithmus basiert. Sie verfügt über eine starke Trendfolgefähigkeit und filtert Signale durch maschinelles Lernen. Die Strategie bietet viel Raum für Erweiterungen und könnte durch die Einführung weiterer Merkmale und optimierter Algorithmen bessere Ergebnisse erzielen. Als neuartige Strategie birgt sie jedoch auch gewisse Risiken und bedarf weiterer Validierung und Verbesserung. Insgesamt hat diese Strategie ein großes Innovationspotenzial.