KRK aDa Stochastic Slow Mean Reverssion Strategie mit AI-Verbesserungen

Schriftsteller:ChaoZhang, Datum: 2024-04-26 15:41:18
Tags:KRKADAEMAAlleinRSI

Übersicht

Diese Strategie nutzt den Stochastic Slow Indikator als primäres Handelssignal, kombiniert mit einem 200-Perioden-Simple Moving Average (SMA) als Trendfilter. Darüber hinaus führt die Strategie einen Dummy-Indikator für künstliche Intelligenz (AI) ein, um zusätzliche Einstiegssignale bereitzustellen.

Strategieprinzipien

Berechnen Sie die K- und D-Werte des Stochastic Slow-Indikators, wobei die K-Periode auf 26 festgelegt ist und der D-Wert ein 3-Perioden-SMA des K-Wertes ist.
Setzen Sie das Überkaufniveau (OverBought) auf 81, das Überverkaufniveau (OverSold) auf 20 und den Mindestk-Wert (minKValue) auf 11.
Es wird ein Kaufsignal erzeugt, wenn die K-Linie über die D-Linie geht und der K-Wert unter dem Überverkauf und über dem Mindest-K-Wert liegt.
Es wird ein Verkaufssignal erzeugt, wenn die K-Linie unterhalb der D-Linie kreuzt und der K-Wert über dem überkauften Niveau und über dem Mindestwert liegt.
Verwenden Sie den 200-Perioden-SMA als Trendfilter, wobei nur lange Einträge zulässig sind, wenn der Preis über dem 200-SMA liegt, und kurze Einträge, wenn der Preis unter dem 200-SMA liegt.
Einführung eines Dummy-AI-Indikators (mit RSI>50 für bullish und RSI<50 für bearish), bei dem Long eingegeben wird, wenn das AI-Signal bullish und short, wenn es bearish ist.
Kombinieren Sie die Signale des Stochastic-Indikators, des Trendfilters und des AI-Indikators, um die endgültigen Handelssignale zu erzeugen.
Für lange Einträge einen Stop-Loss von 10% und für kurze Einträge einen Stop-Loss von 10% festlegen.

Strategische Vorteile

Der Stochastic Slow-Indikator identifiziert effektiv überkaufte und überverkaufte Bereiche auf dem Markt und bietet somit gute Einstiegspunkte für Trades.
Der 200 SMA-Trendfilter stellt sicher, dass sich die Trades an den aktuellen Trend anpassen und die Erfolgsrate erhöhen.
Die Einbeziehung des KI-Indikators bietet mehr Einstiegsmöglichkeiten und erhöht möglicherweise die Rentabilität der Strategie.
Die Verwendung von Stop-Loss-Orders verwaltet das Risiko wirksam.

Strategische Risiken

Der Stochastische Indikator kann in unruhigen Märkten falsche Signale erzeugen.
Der KI-Indikator ist derzeit ein Scheinindikator, und seine tatsächliche Wirksamkeit muss überprüft werden.
Die Stop-Loss-Einstellungen können dazu führen, dass einige Gewinne vorzeitig gekürzt werden.

Strategieoptimierungsrichtlinien

Optimieren Sie die Parameter des Stochastischen Indikators, um den besten Zeitraum und die Überkauf-/Überverkaufsschwellenwerte zu finden.
Einführung komplexerer und effektiverer KI-Modelle zur Verbesserung der Genauigkeit von KI-Signalen.
Die Stop-Loss- und Take-Profit-Einstellungen sollten für eine bessere Risikokontrolle und Gewinngewinnung optimiert werden.
Es sollte in Erwägung gezogen werden, andere wirksame technische Indikatoren oder Grunddaten einzubeziehen, um die Robustheit der Strategie zu erhöhen.

Zusammenfassung

Diese Strategie kombiniert den Stochastic Slow-Indikator, den Trendfilter und die KI-Signale, um einen Multi-Faktor-Handelsansatz zu bilden. Der Stochastic-Indikator liefert effektive Überkauf- und Überverkaufssignale, der Trendfilter sorgt dafür, dass die Trades mit dem Gesamttrend übereinstimmen, und die KI-Signale bieten zusätzliche Einstiegsmöglichkeiten. Obwohl die Strategie einige potenzielle Risiken und Verbesserungsmöglichkeiten birgt, ist ihre allgemeine Logik klar und vernünftig, was es wert macht, weiter zu erforschen und zu verfeinern.

/*backtest
start: 2024-03-01 00:00:00
end: 2024-03-31 23:59:59
period: 1h
basePeriod: 15m
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/

//@version=5
strategy("Stochastic Slow Strategy with More Entries and AI", overlay=true)

length = input.int(26, minval=1)
OverBought = input(81)
OverSold = input(20)
smoothK = input.int(3, minval=1)
smoothD = input.int(3, minval=1)
minKValue = input(11, title="Minimum K Value")

// Stochastic calculations
k = ta.sma(ta.stoch(close, high, low, length), smoothK)
d = ta.sma(k, smoothD)
co = ta.crossover(k, d)
cu = ta.crossunder(k, d)

// Trend filter (200-period simple moving average)
ema200 = ta.sma(close, 200)

// Artificial Intelligence indicator (dummy example)
// Aquí puedes colocar la lógica de tu red neuronal artificial
// Por ahora, simplemente usaremos una señal aleatoria
ai_signal = ta.rsi(close, 14) > 50 ? 1 : -1

// Entry conditions
longCondition = ta.crossover(close, ema200) and k < OverSold and k > minKValue and ai_signal == 1
shortCondition = ta.crossunder(close, ema200) and k > OverBought and k > minKValue and ai_signal == -1

if (not na(k) and not na(d))
    if (co and k < OverSold and k > minKValue)
        strategy.entry("StochLE", strategy.long, comment="StochLE")
    if (cu and k > OverBought and k > minKValue)
        strategy.entry("StochSE", strategy.short, comment="StochSE")
    if (longCondition)
        strategy.entry("LongEntry", strategy.long, comment="LongEntry")
        strategy.exit("StopLoss", "LongEntry", loss = close * 0.9) // Stop loss del 10%
    if (shortCondition)
        strategy.entry("ShortEntry", strategy.short, comment="ShortEntry")
        strategy.exit("StopLoss", "ShortEntry", loss = close * 1.1) // Stop loss del 10%

// Plotting
plot(ema200, color=color.blue, title="200 SMA")

Verwandt

Mehr