ChaoZhang
Überblick
Die Strategie verwendet eine gemischte Methode der quantitativen Analyse, die zwei Verteilungsmodelle und Regressionsanalysen kombiniert, um verschiedene Marktzustände zu identifizieren. Die Strategie berechnet zuerst die einfachen Moving Averages (SMA) und die Bollinger Bands (BB) und berechnet dann den Mittelwert und die Standardabweichung der historischen Rendite.
Strategieprinzip
Die Kernprinzipien der Strategie bestehen darin, dass der Z-Score verwendet wird, um die Position der aktuellen Rendite in Bezug auf die historische Rendite-Verteilung zu messen. Die Berechnungsformel für den Z-Score lautet: ((aktuelle Rendite - historische Rendite-Mittelwert) / historische Rendite-Standarddifferenz. Je höher der Z-Score, desto größer ist die Wahrscheinlichkeit, dass die aktuelle Rendite über die Extreme hinausgeht und überkauft wird; Je niedriger der Z-Score, desto größer ist die Wahrscheinlichkeit, dass die aktuelle Rendite über die Extreme hinausgeht und überkauft wird.
Strategische Vorteile
- Quantitative Analyse: Die Strategie basiert ausschließlich auf quantitativen Kennzahlen, die Regeln sind klar, einfach umzusetzen und zu erfassen.
- Doppelte Bestätigung: Die Strategie verwendet gleichzeitig Z-Rating und Brin-Band, um einen doppelten Filtermechanismus zu bilden und die Signalgenauigkeit zu verbessern.
- Statistische Grundlage: Der Z-Score stammt aus der Theorie der normalen Verteilung in der Statistik und hat eine solide theoretische Grundlage, um die Extreme der aktuellen Rendite objektiv zu messen.
- Flexibilität der Parameter: Der Benutzer kann die Parameter wie SMA-Zyklen, Brin-Band-Multiplikatoren und Z-Rating-Tiegel anpassen, um sich flexibel an verschiedene Märkte anzupassen.
Strategisches Risiko
- Parameter-sensibel: Unterschiedliche Parameter-Einstellungen können zu erheblichen Unterschieden in der Strategie-Performance führen und erfordern ausreichende Parameter-Optimierung und Stabilitätstests.
- Trendrisiko: Z-Rating kann in extremen Bereichen bleiben, wenn ein starker Markttrend auftritt, was zu einer geringen oder vollständigen Abwesenheit von Strategie-Signalen führt.
- Risiko einer Über-Anpassung: Eine übermäßige Optimierung der Strategieparameter kann zu einer Über-Anpassung führen, die in der Stichprobe schlecht funktioniert.
- Schwarze-Swan-Risiken: In extremen Situationen können historische statistische Regeln ausfallen, wodurch ein höheres Risiko für einen Rückzug der Strategie besteht.
Richtung der Strategieoptimierung
- Dynamische Parameter: Berücksichtigung von Indikatoren wie Marktvolatilität und Trendstärke, dynamische Anpassung der Z-Rating-Durchschnitte und der Brin-Band-Multiplikatoren zur Verbesserung der Anpassungsfähigkeit.
- Hinzufügen von Trendfiltern: Überlagerung von Trendindikatoren wie MA-Kreuzung, DMI usw. auf bestehende Mechanismen, um zu vermeiden, dass bei starken Trends zu viele unwirksame Signale auftreten.
- Kombinationsoptimierung: Kombination dieser Strategie mit anderen quantitativen Strategien (wie Dynamik, Durchschnittswertrückführung usw.), um ihre Vorteile zu nutzen und die Stabilität zu verbessern.
- Stop-Loss-Stop: Einführung eines vernünftigen Stop-Loss-Stopp-Mechanismus, um die Risikothürde für einen einzelnen Handel zu kontrollieren und den risikobereinigten Ertrag zu erhöhen.
Zusammenfassen
Die Hybrid Binary Z-Score Quantifizierungsstrategie ist eine Quantifizierungsstrategie, die auf statistischen Prinzipien basiert, um potenzielle Überkauf-Überverkaufsmöglichkeiten zu identifizieren, indem sie die aktuelle Rendite mit der historischen Renditeverteilung vergleicht. Die Strategie verwendet gleichzeitig die Bollinger Bands-Indikatoren zur Zweitbestätigung und erhöht die Signalsicherheit. Die Strategie-Regeln sind klar, leicht umzusetzen und zu optimieren, aber es gibt auch Herausforderungen wie Parameter-Sensitivität, Trendrisiko, Überpassungrisiko.
/*backtest
start: 2023-05-22 00:00:00
end: 2024-05-27 00:00:00
period: 1d
basePeriod: 1h
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/
//@version=5
strategy("Estratégia Híbrida Quantitativa", overlay=true)
// Definição de parâmetros
sma_length = input.int(20, title="Período da SMA")
threshold_high = input.float(1.5, title="Threshold Alto")
threshold_low = input.float(-1.5, title="Threshold Baixo")
lookback_period = input.int(252, title="Período de Retorno Histórico (dias)")
// Funções auxiliares
f_sma(source, length) =>
ta.sma(source, length)
f_bollinger_band(source, length, mult) =>
basis = ta.sma(source, length)
dev = mult * ta.stdev(source, length)
[basis + dev, basis - dev]
// Cálculo dos indicadores
sma = f_sma(close, sma_length)
[upper_band, lower_band] = f_bollinger_band(close, sma_length, 2)
// Regime de Mercado: Binomial
retornos = ta.change(close, 1)
media_retornos = ta.sma(retornos, lookback_period)
desvio_padrao_retornos = ta.stdev(retornos, lookback_period)
// Indicador de Regime: Z-Score
z_score = (retornos - media_retornos) / desvio_padrao_retornos
// Sinal de Compra e Venda
sinal_compra = z_score < threshold_low and close < lower_band
sinal_venda = z_score > threshold_high and close > upper_band
// Execução de Ordem
if (sinal_compra)
strategy.entry("Long", strategy.long)
if (sinal_venda)
strategy.close("Long")
// Plotagem dos Indicadores
plot(sma, title="SMA", color=color.blue)
plot(upper_band, title="Upper Bollinger Band", color=color.red)
plot(lower_band, title="Lower Bollinger Band", color=color.green)
hline(threshold_high, "Threshold Alto", color=color.red, linestyle=hline.style_dashed)
hline(threshold_low, "Threshold Baixo", color=color.green, linestyle=hline.style_dashed)
plot(z_score, title="Z-Score", color=color.purple)