Strategie der Rückkehr zum gleitenden Durchschnitt
ChaoZhang
Überblick
Die Moving-Average-Response-Strategie ist eine sehr einfache Trend-Trading-Strategie. Ihr Kerngedanke ist, wenn der kurzfristige Moving-Average unter einem bestimmten Prozentsatz des langfristigen Moving-Averages liegt, zu handeln, und wenn der kurzfristige Moving-Average den langfristigen Moving-Average durchbricht, zu platzieren. Die Strategie berechnet zuerst einen kurzfristigen und einen langfristigen Moving-Average und erzeugt dann ein Handelssignal basierend auf der Beziehung zwischen den beiden Moving-Averagen.
Strategieprinzip
Die Strategie basiert hauptsächlich auf zwei Moving Averages, einem kurzfristigen Moving Average und einem langfristigen Moving Average. Die kurzfristigen Moving Average-Parameter sind smallMAPeriod und die langfristigen Moving Average-Parameter sind bigMAPeriod. Die Strategie berechnet zunächst die Größenverhältnisse zwischen den beiden Moving Averages und vergleicht diese dann.
Wenn der kurzfristige bewegliche Durchschnitt von oben nach unten fällt, um einen bestimmten Prozentsatz des langfristigen beweglichen Durchschnitts zu überschreiten, wird ein Kaufsignal erzeugt. Wenn der kurzfristige bewegliche Durchschnitt anschließend steigt und erneut den langfristigen beweglichen Durchschnitt durchbricht, wird ein Verkaufssignal erzeugt.
Die Strategie erfasst die Chancen für eine Mittelwert-Rückkehr zwischen dem kurzfristigen und dem langfristigen Moving Average. Wenn der kurzfristige Moving Average ein gewisses Maß unter dem langfristigen Moving Average liegt, zeigt dies an, dass die Vermögenswerte möglicherweise unterbewertet sind, und es sollte die Möglichkeit geben, zum Mittelwert zurückzukehren.
Analyse der Stärken
Die Moving-Average-Responder-Strategie hat folgende Vorteile:
- Einfach zu verstehen und umzusetzen
- Es erfasst die Wendepunkte der kurz- und langfristigen Trends und beurteilt die Marktentwicklung genau
- Flexible Parameter-Einstellungen, um mehr Handelssignale zu erhalten, indem Sie die Moving Average-Periode und den Konzessionsanteil anpassen
- Einfache Rückmeldungsprozesse für die Optimierung von Simulationen für quantifizierte Transaktionen
Die einfache Optimierung von Parametern dieser Strategie kann gute Ergebnisse erzielen. Durch die Anpassung der Moving Average-Parameter und der Konzessionsprozentsatz-Parameter können verschiedene Markt-Assets wie Aktien, Devisen und Kryptowährungen zurückgetestet werden, um die beste Kombination von Parametern auszuwählen.
Risikoanalyse
Es gibt auch einige Risiken bei einer Moving Average-Responder-Strategie:
- Weniger Signale, nicht viel Handel
- Das sind die Faktoren, die dazu führen können, dass sich die Preise leicht umkehren.
- Fehlgeordnete Parameter können zu höheren Transaktionskosten und Schlupfpunktabfällen führen, wenn zu häufig gehandelt wird.
Das Risiko kann durch folgende Maßnahmen verringert werden:
- Anpassung der Parameter so, dass die Handelssignale angemessen sind
- Einbruch-Aus- und Einbruch-In-Methoden, um falsche Durchbrüche zu vermeiden
- Optimierung der Parameterkombination, Auswahl der Moving Average-Periode und der Konzessionsquote
Optimierungsrichtung
Die Moving Average Response Strategy kann in folgenden Bereichen optimiert werden:
- Verschiedene Preisdaten, wie z. B. Schlusspreise, Höchstpreise, Tiefpreise und Typische Preise, als Strategie-Signalquelle testen
- Versuchen Sie mit verschiedenen Arten von Moving Averages, wie Index Moving Averages, Linear-Weighted Moving Averages, Hull Moving Averages und so weiter.
- Erhöhung der Filterbedingungen, um unnötige Transaktionen in trendigen Märkten zu vermeiden
- Der Markt ist in der Lage, den Preis zu erhöhen, aber die Menge zu reduzieren.
- Automatische Optimierung von Parametern mit Hilfe von maschinellem Lernen oder genetischen Algorithmen
Zusammenfassen
Die Strategie ist einfach, leicht zu verstehen und zu implementieren, und durch Parameteroptimierung kann man bessere Ergebnisse erzielen. Es besteht jedoch auch das Risiko, dass es weniger Handelssignale gibt und leicht zu verpassen ist, dass sich die Preise umdrehen. Die Parameter und Filterbedingungen müssen getestet und optimiert werden, um die Gewinne der Strategie zu maximieren.
/*backtest
start: 2023-02-20 00:00:00
end: 2024-02-26 00:00:00
period: 1d
basePeriod: 1h
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/
// @version=4
//
// This source code is subject to the terms of the Mozilla Public License 2.0 at https://mozilla.org/MPL/2.0/
//
// @author Sunil Halai
//
// This very simple strategy is an implementation of PJ Sutherlands' Jaws Mean reversion algorithm. It simply buys when a small moving average period (e.g. 2) is below
// a longer moving average period (e.g. 5) by a certain percentage, and closes when the small period average crosses over the longer moving average.
//
// If you are going to use this, you may wish to apply this to a range of investment assets, as the amount signals is low. Alternatively you may wish to tweak the settings to provide more
// signals.
strategy("Jaws Mean Reversion [Strategy]", overlay = true)
//Strategy inputs
source = input(title = "Source", defval = close)
smallMAPeriod = input(title = "Small Moving Average", defval = 2)
bigMAPeriod = input(title = "Big Moving Average", defval = 5)
percentBelowToBuy = input(title = "Percent below to buy %", defval = 3)
//Strategy calculation
smallMA = sma(source, smallMAPeriod)
bigMA = sma(source, bigMAPeriod)
buyMA = ((100 - percentBelowToBuy) / 100) * sma(source, bigMAPeriod)[0]
if(crossunder(smallMA, buyMA))
strategy.entry("BUY", strategy.long)
if(crossover(smallMA, bigMA))
strategy.close("BUY")