ETH-Umkehrhandelsstrategie basierend auf dem London SMA Crossover
ChaoZhang
Überblick
Die Strategie ist bekannt als “SMA-Cross-ETH-Umkehr-Trading-Strategie” für den Londoner Zeitabschnitt. Die Hauptidee der Strategie ist es, die hohe Liquidität der Londoner Handelszeit zu nutzen und das Gold- und Diebstahl-Signal der SMA-Gleichgewichtung zu nutzen, um den ETH/USDT-Handelspaar für die Mainstream-Digitalwährungen umzukehren.
Strategieprinzip
Die Kernlogik der Strategie besteht darin, zuerst die Handelszeit in der London-Zeit zu bestimmen, dann die SMA-Mittelwerte für einen bestimmten Zeitraum zu berechnen, und dann in der London-Zeit zu entscheiden, ob der Preis mit dem SMA-Gold- oder Dead-Fork auftritt. Insbesondere definiert die Strategie zunächst die Anfangs- und Endzeit der London-Zeit und setzt dann die Längeparameter der SMA-Mittelwerte auf 50 Perioden. Auf dieser Grundlage berechnet die Strategie die SMA-Mittelwerte für 50 Perioden mit der Funktion ta.sma ().
Der entscheidende Vorteil dieser Strategie besteht darin, dass die hohe Liquidität der Londoner Zeit genutzt wird, um einen besseren Einstieg zu erzielen. Gleichzeitig ist das Goldfork-Dead-Fork-Signal der SMA-Grenze ein klassisches und wirksames technisches Indikatorsignal. Diese Kombination kann daher zu einem gewissen Grad falsche Signale filtern und die Stabilität der Strategie und die Ertragsrate verbessern.
Strategische Vorteile
- Es gibt viele Möglichkeiten, die hohe Mobilität der Londoner Zeit zu nutzen, um bessere Eintrittszeiten zu erhalten.
- SMA ist ein klassisches und wirksames Techniksignal
- In Kombination kann die Signalqualität verbessert und falsche Signale gefiltert werden.
- Umkehrhandel, geeignet für Short-Line-Handel
- Hohe Kapitalnutzungsrate, die durch Leverage die Erträge steigern kann
Strategische Risiken und Lösungen
Die Strategie birgt auch Risiken, die sich auf folgende Bereiche beziehen:
- Die Trendmarkt-Dot-Fork-Signal könnte häufig geschlagen werden
- Unkorrekt eingestellte SMA-Zyklen können zu viele Falschsignale erzeugen
- Reverse-Trading ist anfällig für Schwankungen
Diese Risiken können kontrolliert und gelöst werden, indem:
- In Kombination mit einem Trendindikator, vermeiden Sie die Verwendung bei Trendschwankungen
- Optimierung der SMA-Parameter und Suche nach optimalen Handelszyklen
- Setzen Sie Ihre Stop-Loss-Lösung und kontrollieren Sie Ihre Einzelschäden.
Richtung der Strategieoptimierung
Die Strategie kann auch in folgenden Bereichen optimiert werden:
- Es können andere Indikatoren eingeführt werden, um sie zu kombinieren, z. B. RSI, KD usw., um eine Mehrindikator-Filterregel zu bilden und die Signalqualität zu verbessern
- Die Periodenparameter für die Optimierung der SMA-Gewinnlinie, um die optimale Handelsphase zu finden
- Sie können auf der Grundlage der SMA-Gewinnlinie eine langere Zeitperiode einführen, um eine Mehrgewinnlinie-Kreuzkombination zu bilden.
- Optimierung der Handelsphasen, um zu testen, welche die besten sind
- Einführung von Machine Learning-Algorithmen, um Signale zu trainieren und zu filtern
Zusammenfassen
Insgesamt ist die Strategie durch die Kombination von klassischen technischen Indikatoren mit hoher Liquiditätsphase und gleichmäßiger Kreuzung eine relativ einfache und praktische Short Line Reverse Trading Strategie. Die Strategie hat die Vorteile einer hohen Kapitalnutzung, einfachen technischen Indikatoren und einfacher Umsetzung. Es besteht jedoch auch ein gewisses Risiko, die Parameter, Stop Loss und Handelsphase müssen getestet und optimiert werden, um eine bessere stabile Profitabilität zu erzielen.
/*backtest
start: 2023-01-11 00:00:00
end: 2024-01-17 00:00:00
period: 1d
basePeriod: 1h
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/
//@version=5
strategy("London SMA Strategy ", overlay=true)
// Define London session times
london_session_start_hour = 6
london_session_start_minute = 59
london_session_end_hour = 15
london_session_end_minute = 59
// Define SMA input parameters
sma_length = input.int(50, title="SMA Length")
sma_source = input.source(close, title="SMA Source")
// Calculate SMA
sma = ta.sma(sma_source, sma_length)
// Convert input values to timestamps
london_session_start_timestamp = timestamp(year, month, dayofmonth, london_session_start_hour, london_session_start_minute)
london_session_end_timestamp = timestamp(year, month, dayofmonth, london_session_end_hour, london_session_end_minute)
// Define backtesting time range
start_date = timestamp(2021, 1, 1, 0, 0)
end_date = timenow
// Filter for London session and backtesting time range
in_london_session = time >= london_session_start_timestamp and time <= london_session_end_timestamp
in_backtesting_range = time >= start_date and time <= end_date
// Long condition: Close price crosses above SMA during London session
long_condition = ta.crossover(close, sma)
// Short condition: Close price crosses below SMA during London session
short_condition = ta.crossunder(close, sma)
// Plot SMA for reference
plot(sma, title="SMA", color=color.blue)
// Strategy entries and exits
if (long_condition)
strategy.entry("Long", strategy.long)
if (short_condition)
strategy.entry("Short", strategy.short)