Descripción general

Esta estrategia utiliza kNN algoritmos de aprendizaje automático para predecir las tendencias del mercado y generar señales de posiciones largas y vacías en función de los resultados de la predicción. La estrategia considera de manera integral múltiples factores, como datos históricos, indicadores técnicos, y adquiere características del mercado mediante el entrenamiento de la dinámica del modelo de kNN para automatizar el seguimiento de tendencias de las operaciones.

Principio de estrategia

1. Recopilación de datos de entrenamiento: recopilación de secuencias de tiempo como el precio de cierre histórico, el volumen de operaciones, así como indicadores técnicos como el RSI, el CCI.

2. Preprocesamiento de datos: Unificación de los valores del indicador en el intervalo de 0 a 100.

3. Entrenamiento del modelo kNN: introducir dos características del modelo kNN actual, calcular la distancia europea entre estos vectores de características y los vectores de características históricas, seleccionar la distancia más cercana a k muestras históricas y estadizar la distribución de las etiquetas de esta k muestra:

4. Obtención de predicciones: predicción de la tendencia actual del mercado basado en las etiquetas de k muestras más cercanas. Si la predicción es de más cabezas, produce una señal de posición larga; si la predicción es de cabezas vacías, produce una señal de posición vacía.

5. Se puede negociar con filtros como el Stop Loss, el Control de Posiciones y el Moving Average.

Ventajas estratégicas

1. Utiliza algoritmos de aprendizaje automático para identificar formas de tecnología sin necesidad de intervención humana.

2. Se puede elegir con flexibilidad diferentes indicadores técnicos como características del modelo y estrategias de optimización en tiempo real.

3. Estricto mecanismo de control de riesgos, incluido el control de pérdidas y la gestión de posiciones.

4. La visualización presenta una línea de pérdida, clara e intuitiva.

Riesgos y soluciones

1. La predicción de aprendizaje automático puede presentar errores. Se pueden elegir modelos de optimización como el valor de k, el vector de característica y el rango de tiempo de muestra adecuados.

2. Hay un riesgo potencial de transacciones unilaterales. Se puede agregar transacciones bilaterales en el código para eliminar errores.

3. Si no se ajustan correctamente los parámetros, pueden ocasionar exceso de operaciones. Se deben ajustar adecuadamente los parámetros de tamaño de posición, frecuencia de operaciones, etc.

Dirección de optimización

1. Prueba de diferentes tipos de indicadores técnicos como características de la entrada de KNN.

2. Prueba otras medidas de distancia, como la distancia de Manhattan.

3. Ajuste el tamaño de la posición con la distancia de la muestra o la clasificación de la calidad.

4. Añadir el conjunto de entrenamiento del modelo, dividir el conjunto de pruebas y lograr la optimización de la rotación.

Resumir

Esta estrategia utiliza el clásico algoritmo de KNN para realizar predicciones de tendencias del mercado y realizar operaciones de seguimiento de tendencias según las señales de predicción. La estrategia tiene características de ajustabilidad de parámetros y control de riesgos, que pueden proporcionar a los usuarios un programa de comercio automatizado eficaz.