Aperçu

Cette stratégie utilise des algorithmes d'apprentissage de la machine à proximité de k pour prédire les tendances du marché et générer des signaux de position longue et de position vide en fonction des résultats de la prévision. La stratégie prend en compte des facteurs tels que les données historiques, les indicateurs techniques, les caractéristiques du marché grâce à la formation de la dynamique du modèle de kNN et permet l'automatisation des transactions de suivi des tendances.

Principe de stratégie

1. La collecte de données d'entraînement: collecte des séquences chronologiques telles que le cours de clôture historique, le volume des transactions, ainsi que des indicateurs techniques tels que le RSI, le CCI.

2. Pré-traitement des données: homogénéisation des valeurs de l'indicateur dans la plage 0 à 100.

3. Entraînement du modèle kNN: saisissez deux caractéristiques du modèle kNN actuel, calculez la distance en euros entre ces vecteurs caractéristiques et les vecteurs caractéristiques historiques, sélectionnez la distance la plus proche de k échantillons historiques, et statistiquez la répartition des étiquettes ((multi-têtes ou tête vide) de ces k échantillons.

4. Obtenir une prévision: prédire la tendance actuelle du marché en fonction des balises de k échantillons les plus proches. Si la prévision est à plusieurs têtes, produire un signal de position longue; si la prévision est à vide, produire un signal de position vide.

5. Les filtres de stop loss, de contrôle de position et d'une moyenne mobile sont utilisés pour effectuer des transactions.

Avantages stratégiques

1. L'algorithme d'apprentissage automatique est utilisé pour identifier automatiquement la forme de la technologie, sans intervention humaine.

2. La flexibilité de choisir différents indicateurs techniques comme caractéristiques du modèle et des stratégies d'optimisation en temps réel.

3. Un mécanisme rigoureux de contrôle des risques, comme l'intégration de stop-loss et la gestion des positions.

4. La visualisation présente une ligne de rupture claire et intuitive.

Les risques et les solutions

1. Les prédictions d'apprentissage automatique peuvent être fausses. Des modèles d'optimisation tels que des valeurs de k, des vecteurs de caractéristiques et des intervalles de temps d'échantillonnage peuvent être choisis.

2. Les transactions unilatérales présentent un risque potentiel. Des transactions bilatérales peuvent être ajoutées au code pour supprimer les bugs.

3. Une mauvaise configuration des paramètres peut entraîner des transactions excessives. Les paramètres tels que la taille de la position, la fréquence des transactions doivent être ajustés de manière appropriée.

Direction d'optimisation

1. Tester différents types d'indicateurs techniques comme caractéristiques d'entrée de kNN.

2. Essayez d'autres méthodes de mesure de la distance, comme la distance de Manhattan.

3. Ajustez la taille de la position à l'aide de la distance d'échantillonnage ou de la classification de la qualité.

4. Ajouter des ensembles d'entraînement de modèles, des ensembles de test et des divisions pour optimiser le défilement.

Résumer

Cette stratégie utilise l'algorithme classique kNN pour prédire les tendances du marché et suivre les tendances en fonction des signaux de prévision. La stratégie est paramétrable et contrôlable en termes de risques, ce qui permet aux utilisateurs d'obtenir un programme de trading automatisé efficace. Les utilisateurs peuvent améliorer continuellement la performance de la stratégie en ajustant la combinaison d'indicateurs techniques, en optimisant les modèles de surparamètres, etc.