Sofort einsatzbereite Handelsstrategien für maschinelles Lernen

Überblick

Die Strategie nutzt eine Methode des maschinellen Lernens, um eine off-the-box automatisierte Handelsstrategie zu realisieren. Sie integriert mehrere Indikatoren und Modelle, die automatisch Handelssignale erzeugen und auf Basis der Signale Kauf- und Verkaufsoperationen durchführen können.

Strategieprinzip

Diese Strategie basiert auf folgenden Punkten:

1. Hull-Gleichgewicht zur Beurteilung der Markttrendrichtung
2. Kurz- und mittelfristige Trends anhand der EMA
3. K-Linien-Entity-Channel zur Bestimmung der Schlüsselposition SUPPORT/RESISTANCE
4. Entscheidungsfindung über die Kreuzung von Multi-Zyklus-SECURITY-Eröffnungs- und Schlusskurs

Die Strategie zeichnet eine Hull-Mittellinie, ein 13-Zyklus-EMA und ein 21-Zyklus-EMA aus. Durch die hohe Leerheit der EMA wird die Richtung der kurz- und mittelfristigen Trends ermittelt. In Kombination mit der Hull-Mittellinie wird die Richtung der längerfristigen Trends ermittelt.

Vor der Anpassung der Position bezieht sich die Strategie auf die entsprechenden Unterstützungs- und Widerstandsplätze für die höchsten und niedrigsten Preise innerhalb des physikalischen Kanals. Dies verhindert, dass ein Handelssignal in einem kritischen Preisbereich erzeugt wird.

Die Strategie ruft schließlich den 60-Zyklus-Eröffnungs- und Schlusskurs auf, um ein Kaufsignal zu erzeugen, wenn der Schlusskurs den Eröffnungs- und den Verkaufskurs überschreitet. Damit ist die gesamte Handelslogik abgeschlossen.

Strategische Stärkenanalyse

Der größte Vorteil dieser Strategie liegt in der Kombination von Machine Learning und technischen Analyse-Indikatoren, um eine automatisierte Handelsstrategie zu schaffen, die logisch klar, parametergesteuert und einfach zu bedienen ist.

1. Mehrindikator-Kombination zur Verbesserung der Signalgenauigkeit

Die Strategie beruht nicht nur auf einem oder zwei Indikatoren, sondern berücksichtigt mehrere Faktoren wie Trends, Unterstützungsresistenzen und Preisdurchbrüche, was die Zuverlässigkeit und Genauigkeit der Signale erheblich verbessert.

1. Flexible Parameter-Einstellungen

Die Hull-Line-Länge, die Anzahl der EMA-Zyklen und die Anzahl der OTC-Cross-Zyklen können durch Parameter angepasst werden, so dass die Strategie flexibel an unterschiedliche Marktbedingungen angepasst werden kann.

1. Automatisierte Handelssignale

Das Signal basiert auf einem Index und einem Preiskreuz, der automatisch zu Kauf und Verkauf führt, ohne dass ein menschliches Urteilsvermögen erforderlich ist.

1. Visualisierte Darstellung

Die Diagramme in der Strategie können die Struktur des Marktes, die Trends und die wichtigsten Preise klar darstellen und die Grundlage für die strategische Entscheidung visuell darstellen.

Risikoanalyse

Obwohl die Strategie auf mehreren Ebenen optimiert wurde, gibt es einige mögliche Risiken:

1. Der größte Teil ist nicht zu verfolgen.

In Situationen mit starken Preisschwankungen können Indikatoren ausfallen oder verzögert werden, was dazu führt, dass die Strategie die Preisänderungen nicht rechtzeitig verfolgt. Die Parameter müssen optimiert werden, um sich dieser Situation anzupassen.

1. Die Signalfehlerrate ist vorhanden.

Auf Basis von Indikatoren und Modellen für Handelssignale gibt es mehr oder weniger Falschmeldungen oder Missmeldungen. Dies erfordert eine Verbesserung der Signalqualität durch die Kombination von mehr Hilfssignalen.

1. Risiken von Multi-Space-MIX

Die Strategie besteht darin, gleichzeitig zu viel zu verlieren, was das Risiko eines beidseitigen Verlusts darstellt, wenn man falsch urteilt. Dies erfordert eine strenge Verringerung der Verluste oder der Verringerung der Positionen, um diese zu kontrollieren.

1. Überoptimierte Risiken

Die Einstellung von Parametern ist zu kompliziert und besteht die Gefahr einer Überoptimierung. Dies erfordert eine Vereinfachung des Systems und die Kontrolle der Anzahl der Parameterkombinationen.

Richtung der Strategieoptimierung

Diese Strategie kann optimiert werden, und zwar in folgenden Bereichen:

1. Hinzufügen von mehr Signalen

Zusätzlich zu den bestehenden Kennzahlen können weitere Hilfsindikatoren eingeführt werden, wie BOLL-Kanal, KD-Kennzahlen usw., um die Grundlage für die Systementscheidung zu bereichern.

1. Die Anwendung von Deep-Learning-Modellen

Einfach Indicatoren als Merkmale zu verwenden und Deep Learning-Modelle wie LSTM zu trainieren, um die Signalqualität zu verbessern.

1. Zusammen mit den Grunddaten

Das Projekt soll die Integration von makroökonomischen Daten, politischer Informationen und anderen grundlegenden Faktoren in die Gesamtzyklusentscheidung optimieren.

1. Risikomanagement und Positionsmanagement

Einführung einer Stop-Loss-Strategie, dynamische Anpassung der Positionsgröße an die Ertragsvolatilität der Strategie und strikte Kontrolle des Risikos.

Zusammenfassen

Diese Strategie integriert mehrere Indikatoren wie Trends, Support Resistance, Breakouts, um ein automatisiertes, out-of-the-box-Quantitative-Trading-System mit Hilfe von Machine-Learning-Methoden zu realisieren. Es hat die Vorteile der Vielfalt der Indikatorenpalette, der Parameter-Anpassbarkeit und der Signal-Automatisierung, aber auch bestimmte Probleme wie Tracking-Verabschnitte, Signalfehler und Multi-Space-MIX.