Mehrstufige dynamische Stop-Profit-Handelsstrategie basierend auf dem Bolber-Indikator und Volumenquantilfilterung

BBP EMA ATR TP
Erstellungsdatum: 2025-01-06 16:16:04 zuletzt geändert: 2025-01-06 16:16:04
Kopie: 1 Klicks: 436
1
konzentrieren Sie sich auf
1617
Anhänger

Mehrstufige dynamische Stop-Profit-Handelsstrategie basierend auf dem Bolber-Indikator und Volumenquantilfilterung

Überblick

Bei dieser Strategie handelt es sich um eine quantitative Handelsstrategie, die den Bull Bear Power-Indikator mit einem mehrstufigen dynamischen Gewinnmitnahmesystem basierend auf Volumenperzentilen kombiniert. Diese Strategie baut durch die Analyse mehrdimensionaler Daten wie Preis, Volumen und Dynamik ein hochadaptives und risikokontrolliertes Handelssystem auf. Die Kernlogik umfasst die Verwendung des standardisierten Z-Score-Werts des BBP-Indikators als Auslösebedingung für Handelssignale und die Kombination einer Volumenperzentilanalyse zur dynamischen Anpassung des Take-Profit-Levels, wodurch ein genaues Erfassen unterschiedlicher Marktvolatilitätszustände erreicht wird.

Strategieprinzip

Die Kernkalkulation der Strategie umfasst die folgenden Schlüsselbestandteile:

  1. Berechnung des BBP-Indikators: Messen Sie den Marktmachtvergleich, indem Sie die Summe der Differenz zwischen dem höchsten Preis und EMA (Bullenmacht) und der Differenz zwischen dem niedrigsten Preis und EMA (Bärenmacht) berechnen.
  2. Z-Score-Standardisierung: Der BBP-Wert wird standardisiert, um das Abweichungsniveau der aktuellen Marktstärke zu bestimmen.
  3. Volumenanalyse: Berechnen Sie das aktuelle Volumen im Verhältnis zum gleitenden Durchschnitt, um die Marktaktivität zu bestimmen.
  4. Quantilsanalyse: Berechnen Sie die historischen Quantile von Preis und Volumen für die Wahrscheinlichkeitsverteilung der Marktbedingungen.
  5. Dynamischer Take-Profit: Passen Sie die Take-Profit-Distanz dynamisch an, basierend auf dem umfassenden Score von ATR, Volumenperzentil und Preisperzentil.

Strategische Vorteile

  1. Mehrdimensionale Analyse: Umfassende Betrachtung von Preisdynamik, Volumen und Marktposition, um eine umfassendere Marktperspektive zu bieten.
  2. Starke Anpassungsfähigkeit: Durch den dynamisch angepassten Gewinnmitnahmemechanismus kann es sich an unterschiedliche Marktumgebungen anpassen.
  3. Risikostreuung: Wenden Sie eine mehrstufige Gewinnmitnahmestrategie an, um Gewinnausschüttungen auf unterschiedlichen Preisniveaus zu erzielen.
  4. Wahrscheinlichkeitsvorteil: Durch Z-Score und Quantilsanalyse hat es einen statistisch signifikanten Vorteil.
  5. Erweiterbarkeit: Das Richtlinien-Framework ist gut erweiterbar und bei Bedarf können neue Analysedimensionen hinzugefügt werden.

Strategisches Risiko

  1. Parametersensitivität: Strategien enthalten mehrere Parameter und müssen für unterschiedliche Marktumgebungen optimiert werden.
  2. Abhängigkeit vom Marktumfeld: Kann in Zeiten extremer Volatilität oder Trendwechsel eine schlechte Performance aufweisen.
  3. Ausführungsabweichungen: Bei Take-Profit-Orders auf mehreren Ebenen kann es zu Ausführungsabweichungen kommen, die sich auf die tatsächlichen Erträge auswirken.
  4. Rechenkomplexität: Die Echtzeitberechnung mehrerer Indikatoren kann eine gewisse Systembelastung mit sich bringen.
  5. Risiko falscher Signale: In einem Seitwärtsmarkt können falsche Handelssignale generiert werden.

Optimierungsrichtung

  1. Parameteranpassung: Einführung maschineller Lernmethoden, um eine automatische Optimierung der Parameter zu erreichen.
  2. Marktprognose: Fügen Sie ein Modul zur Klassifizierung des Marktumfelds hinzu, um ungünstige Handelsumgebungen im Voraus zu erkennen.
  3. Stop-Loss-Optimierung: Einführung eines dynamischen Stop-Loss-Mechanismus, um die Genauigkeit der Risikokontrolle zu verbessern.
  4. Signalfilterung: Fügen Sie einen Trendstärkefilter hinzu, um falsche Signale zu reduzieren.
  5. Positionsmanagement: Optimieren Sie den Positionszuweisungsalgorithmus und verbessern Sie die Effizienz der Kapitalnutzung.

Zusammenfassen

Diese Strategie kombiniert den traditionellen BBP-Indikator mit modernen quantitativen Analysemethoden, um ein Handelssystem mit solider theoretischer Grundlage und starker Praktikabilität zu konstruieren. Durch mehrstufige Gewinnmitnahmen und dynamische Anpassungsmechanismen wird ein besseres Gleichgewicht zwischen Erträgen und Risiken erreicht. Obwohl die Parameteroptimierung einen gewissen Schwierigkeitsgrad mit sich bringt, bietet die Skalierbarkeit des Strategierahmens reichlich Spielraum für spätere Optimierungen. In der praktischen Anwendung wird Händlern empfohlen, gezielte Anpassungen auf der Grundlage spezifischer Marktmerkmale und ihrer eigenen Risikopräferenzen vorzunehmen.

Strategiequellcode
/*backtest
start: 2019-12-23 08:00:00
end: 2025-01-04 08:00:00
period: 1d
basePeriod: 1d
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/

// This Pine Script™ code is subject to the terms of the Mozilla Public License 2.0 at https://mozilla.org/MPL/2.0/
// © PresentTrading

// The BBP Strategy with Volume-Percentile TP by PresentTrading emerges as a sophisticated approach that integrates multiple analytical layers to enhance trading precision and profitability. 
// Unlike traditional strategies that rely solely on price movements or volume indicators, this strategy synergizes Bollinger Bands Power (BBP) with volume percentile analysis to determine optimal entry and exit points. Additionally, it employs a dynamic take-profit mechanism based on ATR (Average True Range) multipliers adjusted by volume and percentile factors, ensuring adaptability to varying market conditions. 
// This multi-faceted approach not only enhances signal accuracy but also optimizes risk management, setting it apart from conventional trading methodologies.

//@version=5
strategy("BBP Strategy with Volume-Percentile TP - Strategy [presentTrading] ", overlay=false, precision=3, commission_value= 0.1, commission_type=strategy.commission.percent, slippage= 1, currency=currency.USD, default_qty_type = strategy.percent_of_equity, default_qty_value = 10, initial_capital=10000)


// ————————
// Bull Bear Power Strategy Settings
// ————————
lengthInput = input.int(21, "EMA Length")
zLength     = input.int(252, "Z-Score Length")
zThreshold  = input.float(1.618, "Z-Score Threshold")

// ————————
// Take Profit Settings
// ————————
tp_group = "Take Profit Settings"
// Enable/disable take profit function
useTP = input.bool(true, "Use Take Profit", group=tp_group)

// === ATR Base Settings ===
// ATR calculation period for determining base price movement range
baseAtrLength = input.int(20, "ATR Period", minval=1, group=tp_group, tooltip="ATR period for calculating base price movement range. Shorter periods are more sensitive to recent volatility")

// === Take Profit Multiplier Settings ===
// First take profit ATR multiplier, usually the most conservative target
atrMult1 = input.float(1.618, "TP1 ATR Multiplier", minval=0.1, step=0.1, group=tp_group, tooltip="First take profit level ATR multiplier, recommended 1.5-2.0")
// Second take profit ATR multiplier, medium profit target
atrMult2 = input.float(2.382, "TP2 ATR Multiplier", minval=0.1, step=0.1, group=tp_group, tooltip="Second take profit level ATR multiplier, recommended 2.5-3.0")
// Third take profit ATR multiplier, most aggressive target
atrMult3 = input.float(3.618, "TP3 ATR Multiplier", minval=0.1, step=0.1, group=tp_group, tooltip="Third take profit level ATR multiplier, recommended 4.0-5.0")

// === Position Size Allocation ===
// First take profit position size, usually larger for securing basic profits
tp1_size = input.float(13, "TP1 Position %", minval=1, maxval=100, group=tp_group, tooltip="Position size percentage for first take profit, recommended 30-40%")
// Second take profit position size, medium allocation
tp2_size = input.float(13, "TP2 Position %", minval=1, maxval=100, group=tp_group, tooltip="Position size percentage for second take profit, recommended 30-40%")
// Third take profit position size, usually smaller for catching larger moves
tp3_size = input.float(13, "TP3 Position %", minval=1, maxval=100, group=tp_group, tooltip="Position size percentage for third take profit, recommended 20-30%")

// ————————
// Volume Analysis Settings
// ————————
vol_group = "Volume Analysis Settings"
// Volume MA period for determining relative volume levels
vol_period = input.int(100, "Volume MA Period", minval=1, group=vol_group, tooltip="Period for calculating volume moving average, recommended 20-30")

// === Volume Level Thresholds ===
// High volume threshold relative to MA
vol_high = input.float(2.0, "High Volume Multiplier", minval=1.0, step=0.1, group=vol_group, tooltip="High volume threshold multiplier, typically 2x MA or above")
// Medium volume threshold
vol_med = input.float(1.5, "Medium Volume Multiplier", minval=1.0, step=0.1, group=vol_group, tooltip="Medium volume threshold multiplier, typically around 1.5x MA")
// Low volume threshold
vol_low = input.float(1.0, "Low Volume Multiplier", minval=0.5, step=0.1, group=vol_group, tooltip="Low volume threshold multiplier, typically around 1x MA")

// === Volume Adjustment Factors ===
// High volume adjustment factor, usually extends take profit targets
vol_high_mult = input.float(1.5, "High Volume Factor", minval=0.1, step=0.1, group=vol_group, tooltip="Take profit adjustment factor for high volume")
// Medium volume adjustment factor
vol_med_mult = input.float(1.3, "Medium Volume Factor", minval=0.1, step=0.1, group=vol_group, tooltip="Take profit adjustment factor for medium volume")
// Low volume adjustment factor
vol_low_mult = input.float(1.0, "Low Volume Factor", minval=0.1, step=0.1, group=vol_group, tooltip="Take profit adjustment factor for low volume")

// ————————
// Percentile Analysis Settings
// ————————
perc_group = "Percentile Analysis Settings"
// Percentile calculation period for evaluating price position
perc_period = input.int(100, "Percentile Period", minval=20, group=perc_group, tooltip="Historical period for percentile calculations, recommended 100-200")

// === Percentile Thresholds ===
// High percentile threshold, typically indicates relative high levels
perc_high = input.float(90, "High Percentile", minval=50, maxval=100, group=perc_group, tooltip="High level percentile threshold, typically above 90")
// Medium percentile threshold
perc_med = input.float(80, "Medium Percentile", minval=50, maxval=100, group=perc_group, tooltip="Medium level percentile threshold, typically around 80")
// Low percentile threshold
perc_low = input.float(70, "Low Percentile", minval=0, maxval=100, group=perc_group, tooltip="Low level percentile threshold, typically around 70")

// === Percentile Adjustment Factors ===
// High percentile adjustment factor
perc_high_mult = input.float(1.5, "High Percentile Factor", minval=0.1, step=0.1, group=perc_group, tooltip="Take profit adjustment factor for high percentile levels")
// Medium percentile adjustment factor
perc_med_mult = input.float(1.3, "Medium Percentile Factor", minval=0.1, step=0.1, group=perc_group, tooltip="Take profit adjustment factor for medium percentile levels")
// Low percentile adjustment factor
perc_low_mult = input.float(1.0, "Low Percentile Factor", minval=0.1, step=0.1, group=perc_group, tooltip="Take profit adjustment factor for low percentile levels")


// ————————
// Core Bull Bear Power Calculations
// ————————
emaClose  = ta.ema(close, lengthInput)
bullPower = high - emaClose
bearPower = low  - emaClose
bbp       = bullPower + bearPower

bbp_mean  = ta.sma(bbp, zLength)
bbp_std   = ta.stdev(bbp, zLength)
zscore    = (bbp - bbp_mean) / bbp_std

// ————————
// Volume & Percentile Analysis
// ————————
// 成交量分析
vol_sma = ta.sma(volume, vol_period)
vol_mult = volume / vol_sma

// 百分位數計算
calcPercentile(src) =>
    var values = array.new_float(0)
    array.unshift(values, src)
    if array.size(values) > perc_period
        array.pop(values)
    array.size(values) > 0 ? array.percentrank(values, array.size(values)-1) * 100 : 50

price_perc = calcPercentile(close)
vol_perc = calcPercentile(volume)

// 止盈動態調整系數計算
getTpFactor() =>
    vol_score = vol_mult > vol_high ? vol_high_mult : vol_mult > vol_med ? vol_med_mult : vol_mult > vol_low ? vol_low_mult : 0.8
    price_score = price_perc > perc_high ? perc_high_mult :price_perc > perc_med ? perc_med_mult :price_perc > perc_low ? perc_low_mult : 0.8 
    math.avg(vol_score, price_score)

// ————————
// Entry/Exit Logic
// ————————
longCondition  = ta.crossover(zscore,  zThreshold)
shortCondition = ta.crossunder(zscore, -zThreshold)
exitLongCondition  = ta.crossunder(zscore, 0)
exitShortCondition = ta.crossover(zscore,  0)

if (barstate.isconfirmed)
    if longCondition
        strategy.entry("Long", strategy.long)
    if shortCondition
        strategy.entry("Short", strategy.short)
    if exitLongCondition
        strategy.close("Long")
    if exitShortCondition
        strategy.close("Short")

// ————————
// Take Profit Execution
// ————————
if useTP and strategy.position_size != 0
    base_move = ta.atr(baseAtrLength)
    tp_factor = getTpFactor()
    is_long = strategy.position_size > 0
    entry_price = strategy.position_avg_price
    
    if is_long
        tp1_price = entry_price + (base_move * atrMult1 * tp_factor)
        tp2_price = entry_price + (base_move * atrMult2 * tp_factor)
        tp3_price = entry_price + (base_move * atrMult3 * tp_factor)
        
        strategy.exit("TP1", "Long", qty_percent=tp1_size, limit=tp1_price)
        strategy.exit("TP2", "Long", qty_percent=tp2_size, limit=tp2_price)
        strategy.exit("TP3", "Long", qty_percent=tp3_size, limit=tp3_price)
    else
        tp1_price = entry_price - (base_move * atrMult1 * tp_factor)
        tp2_price = entry_price - (base_move * atrMult2 * tp_factor)
        tp3_price = entry_price - (base_move * atrMult3 * tp_factor)
        
        strategy.exit("TP1", "Short", qty_percent=tp1_size, limit=tp1_price)
        strategy.exit("TP2", "Short", qty_percent=tp2_size, limit=tp2_price)
        strategy.exit("TP3", "Short", qty_percent=tp3_size, limit=tp3_price)

// ————————
// Plotting
// ————————
plot(bbp, color=bbp >= 0 ? color.new(color.green, 0) : color.new(color.red, 0), 
     title="BBPower", style=plot.style_columns)
hline(0, "Zero Line", color=color.gray, linestyle=hline.style_dotted)
plot(zscore, title="Z-Score", color=color.blue, linewidth=2)
hline(zThreshold, "Upper Threshold", color=color.orange, linestyle=hline.style_dashed)
hline(-zThreshold, "Lower Threshold", color=color.orange, linestyle=hline.style_dashed)