
La stratégie de trading quantique Gandalf est une stratégie de suivi de tendance basée sur la ligne médiane. Elle juge la direction de la tendance actuelle en calculant la moyenne pondérée, la ligne médiane et le prix intermédiaire de l’entité, afin de trouver un point d’entrée optimal.
La logique centrale de la stratégie de Gandalf est de comparer la moyenne pondérée, la ligne médiane et la relation de taille entre les prix moyens et les prix moyens pour déterminer la direction et la force de la tendance actuelle.
En particulier, il calculera les prix suivants:
À l’entrée, il compare la moyenne pondérée des deux premières lignes K, la ligne médiane et la relation de taille entre les prix moyens et les prix moyens réels, afin de déterminer s’ils correspondent aux caractéristiques de lancement de la tendance.
Par exemple, si la moyenne pondérée est inférieure à la ligne médiane et que le prix intermédiaire de l’entité est également inférieur à la moyenne pondérée, cela indique que le prix est en baisse, ce qui est une occasion de faire du shorting.
Lorsqu’il s’arrête, il continue à comparer la grandeur de ces prix pour voir si la tendance est en train de s’inverser. Si la moyenne pondérée est supérieure à la moyenne physique et que la ligne médiane est également inférieure à la moyenne pondérée, cela indique que la tendance est en train de s’inverser.
Grâce à cette méthode de comparaison des prix, la stratégie de Gandalf permet de juger et de suivre les tendances. Elle permet de trouver les meilleurs moments d’entrée et de détecter rapidement le renversement de la tendance pour arrêter les pertes.
La stratégie de Gandalf présente les avantages suivants:
L’utilisation d’une ligne médiane pour déterminer la direction de la tendance permet de filtrer efficacement le bruit du marché et de localiser les principales tendances.
Les conditions d’entrée, combinées à des comparaisons de prix multiples, permettent d’évaluer de manière plus fiable le lancement d’une tendance.
Les conditions de stop-loss utilisent également des comparaisons de prix pour déterminer le renversement de tendance, ce qui permet de stopper rapidement les pertes et de contrôler les risques.
Les conditions sont les suivantes:
Il est possible de régler à l’avance le nombre d’arrêts et les plafonds de position, afin de bloquer les bénéfices et de contrôler les risques d’une seule transaction.
La structure du code est claire, simple, facile à comprendre et à modifier.
Les paramètres peuvent être ajustés en fonction des préférences de risque individuelles et sont faciles à optimiser.
Pour les variétés tendances, les bénéfices de la tendance sont disponibles.
Dans l’ensemble, la stratégie Gandalf utilise la ligne médiane pour juger de la tendance, définir des conditions de stop-loss et contrôler efficacement la tendance de suivi du risque.
La stratégie de Gandalf comporte aussi des risques à prendre en compte:
En tant que stratégie de suivi des tendances, les pertes sont plus faibles lorsque les tendances ne sont pas évidentes ou que les retournements sont fréquents.
L’incapacité à évaluer efficacement le point de basculement de la tendance pourrait entraîner une augmentation des pertes.
Il est facile d’être arbitraire dans la mise en balance.
Les paramètres doivent être ajustés selon les variétés.
La position unilatérale ne peut pas être utilisée pour tirer profit de l’inversion de tendance.
Le taux d’échec est élevé et il est possible d’attendre longtemps avant d’être admis.
Les mesures de gestion des risques correspondantes:
Les joueurs doivent être en position de jeu, entrer par lots et contrôler les pertes individuelles.
Il est possible de définir une ligne d’arrêt, un arrêt rapide ou un arrêt mobile pour suivre le point d’arrêt.
Optimiser les paramètres pour les adapter à la variété actuelle. Les autres indicateurs peuvent aider à juger des tendances.
La méthode de remplissage de la Martingale peut être utilisée pour réduire les coûts.
Les transactions sont de variétés à tendance évidente, les bénéfices sont incroyablement élevés.
Une flexibilité appropriée des conditions d’admission, en tenant compte de la probabilité d’admission.
La stratégie de Gandalf peut également être optimisée dans les domaines suivants:
Construction d’indicateurs de jugement de tendance, pour aider à juger le moment où la tendance est inversée. Par exemple, ajouter des jugements tels que MACD, Brin et autres.
Ajout d’une fonction d’optimisation discrète pour optimiser automatiquement les paramètres et s’adapter à plus de variétés.
Ajout d’algorithmes d’apprentissage automatique pour former des réseaux de neurones ou des modèles SVM à des tendances basées sur des données historiques.
Augmentation de l’arrêt, par exemple arrêt mobile, arrêt mobile à l’index.
En combinaison avec les produits concernés, il est possible d’effectuer un arbitrage de différence ou un arbitrage statistique.
Ajouter une prévision de l’état basée sur le modèle de Hynkel-Markov pour juger de l’état actuel.
Construire des stratégies complexes, comme des combinaisons avec des stratégies homogènes, pour une gestion multi-stratégique.
Découvrez comment optimiser votre portefeuille de stratégies de trading pour trouver le poids de votre portefeuille.
Dans l’ensemble, la stratégie Gandalf peut être étendue et optimisée à plusieurs niveaux, tels que la détection de tendances, l’optimisation automatique et la gestion des risques, ce qui rend la stratégie plus stable et plus fiable.
La stratégie de Gandalf Quantitative est une stratégie simple et efficace pour juger des tendances basées sur des comparaisons de prix. Elle combine le suivi de la tendance avec une pensée de stop-loss rapide, permettant de contrôler efficacement les risques. La logique de la stratégie est claire et facile à comprendre, et les paramètres peuvent être ajustés en fonction des préférences de risque personnelles.
/*backtest
start: 2023-10-22 00:00:00
end: 2023-10-29 00:00:00
period: 1h
basePeriod: 15m
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/
//@version=3
// The GandalfProjectResearchSystem strategy, as discussed in
// “System Development Using Artificial Intelligence”
// by Domenico D’Errico and Giovanni Trombetta
strategy("Gandalf Project Research System", overlay=true)
// Inputs
Quantity = input(0, title="Quantity (0 to auto calc)")
Single_Trade_Money = input(10000, minval=1, title="Money to spend on single trade")
MaxProfitCloses = input(6, minval=1, title="Max Profit Close")
MaxBars = input(8, minval=1, title="Max Total Bars")
Enter_Gap = input(-0.08, title="Distance from low price to place entry limit")
AltExit = input(true, title="Use Alt Exit")
// Calculate Order Quantity
Ncon = Single_Trade_Money / close
// Misc Variables
src = close
BarsSinceEntry = 0
MaxProfitCount = 0
MedBodyPrice = (open + close) / 2.0
Weighted = (high + low + close + close) / 4.0
Median = (high + low) / 2.0
// Enter Conditions
Cond00 = strategy.position_size == 0
Cond01 = ((Weighted[1] < Median[1] and Median[2] <= Weighted[1] and MedBodyPrice[2] <= Weighted[3]) or (Weighted[1] < Median[3] and MedBodyPrice[0] < Median[2] and MedBodyPrice[1] < MedBodyPrice[2]))
Entry01 = Cond00 and Cond01
// Update Exit Variables
BarsSinceEntry := Cond00 ? 0 : nz(BarsSinceEntry[1]) + 1
MaxProfitCount := Cond00 ? 0 : (close > strategy.position_avg_price and BarsSinceEntry > 1) ? nz(MaxProfitCount[1]) + 1 : nz(MaxProfitCount[1])
// Exit Conditions
eCond01 = BarsSinceEntry - 1 >= MaxBars
eCond02 = MaxProfitCount >= MaxProfitCloses
eCond03 = ((Weighted[1] < MedBodyPrice[1] and Median[2] == MedBodyPrice[3] and MedBodyPrice[1] <= MedBodyPrice[4]) or (Weighted[2] < MedBodyPrice[0] and Median[4] <= Weighted[3] and MedBodyPrice[1] <= Weighted[1]) or (Weighted[2] < MedBodyPrice[0] and Median[4] <= Weighted[3] and MedBodyPrice[1] <= Weighted[1]))
eCond04 = AltExit ? true : close - strategy.position_avg_price < 0
Exit01 = not Cond00 and (eCond01 or eCond02 or (eCond03 and eCond04))
// Entries
strategy.entry(id="L1", long=true, limit=low + Enter_Gap, qty=(Quantity > 0 ? Quantity : Ncon), when=Entry01)
// Exits
strategy.close("L1", Exit01)