Resumen

La estrategia de predicción de ondas gaussianas es una estrategia de trading cuantitativa basada en el filtrado gaussiano. Utiliza las propiedades de suavizado del filtro gaussiano para aplicar múltiples filtros a la serie de precios, generando varias series de precios suavizadas. Luego, combina estas series con un ajuste polinómico para predecir el precio futuro. Según el resultado de la predicción, se emite una recomendación de posición larga o corta.

Principio de la estrategia

El núcleo de la estrategia es el algoritmo de filtro gaussiano. El filtro gaussiano es un filtro de suavizado lineal que utiliza la función gaussiana como peso. En la estrategia, se establece el parámetro p como el tamaño de la ventana del filtro. Luego, mediante funciones trigonométricas, se calcula el coeficiente de filtrado alfa. Cada serie de precios ret\[i\] representa el resultado de aplicar el filtro gaussiano i veces a la serie de precios original.

La estrategia aplica un enfoque recursivo. Primero, con alfa y la serie de precios original price, se calcula la primera serie filtrada ret. Luego, basándose en ret, se aplica un segundo filtro para obtener ret2, y así sucesivamente. Finalmente, se combinan varias series de precios para ajustar una curva que predice el precio futuro ret4. Si el precio predicho es superior al precio actual real, se toma una posición larga; si es inferior, se toma una posición corta.

De esta manera, mediante múltiples filtrados, se puede suavizar y ajustar la tendencia. Combinado con el ajuste polinómico, se logra una predicción de la evolución del precio a corto plazo.

Análisis de ventajas

La estrategia presenta las siguientes ventajas:

1. Utiliza el filtro gaussiano para suavizar los precios. Filtra eficazmente el ruido de alta frecuencia, haciendo la estrategia más estable.

2. Aplica múltiples filtros de forma recursiva. Permite ajustar mejor la tendencia del precio, mejorando la precisión de la predicción.

3. Predice el precio basándose en un ajuste polinómico. Puede modelar la evolución del precio a corto plazo, generando señales de trading.

4. Combina el precio actual con el precio predicho para tomar decisiones. Las señales de trading están directamente vinculadas a la predicción de tendencia, evitando perder oportunidades de trading.

5. Implementación sencilla, fácil de entender y optimizar. Puede servir como módulo base para estrategias de alta frecuencia, ampliándose con otros indicadores de análisis.

Análisis de riesgos

La estrategia también presenta los siguientes riesgos:

1. El efecto de suavizado del filtro gaussiano ante cambios bruscos de precio puede hacer que se pierdan oportunidades de trading a corto plazo.

2. El ajuste polinómico conlleva riesgo de sobreajuste. Si el patrón de cambio de precio cambia repentinamente, la predicción puede degradarse.

3. El tamaño de la ventana del filtro y el orden del polinomio de ajuste deben configurarse con precisión. Una configuración inadecuada puede llevar al fracaso.

4. Solo depende del precio de apertura como señal de trading. No permite operar dentro de la sesión intradía.

Direcciones de optimización

La estrategia puede optimizarse en los siguientes aspectos:

1. Incorporar un mecanismo de entrenamiento del modelo y reentrenamiento con ventana deslizante. Esto permite ajustar dinámicamente los parámetros y reducir el riesgo de sobreajuste.

2. Combinar más indicadores y características de precios. Enriquecer las entradas de la estrategia para hacer la predicción más estable.

3. Agregar un mecanismo de stop-loss. Establecer un porcentaje máximo de pérdida para evitar pérdidas significativas en condiciones extremas del mercado.

4. Optimizar la gestión de la posición. Ajustar dinámicamente el tamaño de la posición según la precisión de la predicción y la volatilidad.

5. Probar predicciones basadas en modelos de machine learning estándar, como modelos de deep learning (LSTM, etc.), para mejorar aún más la capacidad predictiva de la estrategia.

Conclusión

En resumen, esta estrategia es una estrategia cuantitativa de alta frecuencia que utiliza filtrado gaussiano y ajuste polinómico para predecir precios. Tiene ciertas ventajas, pero también margen de mejora. Al incorporar más características, introducir módulos de optimización como ajuste dinámico de parámetros y mecanismos de stop-loss, se puede lograr un mejor rendimiento. Esta estrategia sienta las bases para estrategias de alta frecuencia y merece una investigación más profunda.