Stratégie de prévision des ondes gaussiennes


Date de création: 2024-01-22 12:37:07 Dernière modification: 2024-01-22 12:37:40
Copier: 0 Nombre de clics: 655
1
Suivre
1617
Abonnés

Stratégie de prévision des ondes gaussiennes

Aperçu

La stratégie de prévision de Gauss est une stratégie de négociation quantitative basée sur les ondes de Gauss. Elle utilise les caractéristiques de l’élasticité des ondes de Gauss pour effectuer plusieurs ondes sur la séquence de prix, produisant plusieurs séquences de prix après l’élasticité.

Principe de stratégie

Le cœur de cette stratégie est l’algorithme de Gauss. Un filtre Gauss est un filtre linéaire qui utilise la fonction Gauss comme poids. Dans la stratégie, le paramètre p est défini comme la taille de la fenêtre de filtre.[i] représente le résultat d’une séquence de prix d’origine après i ondes de Gauss.

La stratégie utilise l’idée de la récursivité: d’abord, on calcule la première vague de rétraction en utilisant les séquences de prix alpha et original price. Puis, on effectue une deuxième vague de rétraction basée sur ret, obtenant ret2 et ainsi de suite.

Il est possible d’obtenir une tendance plus lisse et plus cohérente grâce à de multiples fluctuations. Il est également possible d’obtenir des prévisions sur les mouvements de prix à court terme en combinant plusieurs ajustements.

Analyse des avantages

Cette stratégie présente les avantages suivants:

  1. L’utilisation d’ondes Gauss pour lisser les prix ≠ permet de filtrer efficacement le bruit de haute fréquence, ce qui rend la stratégie plus stable ≠

  2. Le filtrage est effectué en plusieurs fois de manière récurrente. Il permet de mieux s’adapter aux tendances des prix et de mieux les prévoir.

  3. Les prix sont modélisés sur la base d’une approximation multifonctionnelle des tendances à court terme, ce qui génère un signal de transaction.

  4. Les signaux de négociation sont combinés directement avec les prévisions de tendance pour éviter de manquer une occasion de négociation.

  5. La simplicité, la facilité d’appréciation et d’optimisation de la mise en œuvre. Elle peut être utilisée comme un module de base de la stratégie de haute fréquence et peut être étendue à d’autres indicateurs d’analyse.

Analyse des risques

La stratégie présente également les risques suivants:

  1. Les filtres de Gauss ont un effet d’assouplissement sur les fluctuations soudaines des prix et peuvent laisser passer des opportunités de négociation à court terme.

  2. Il existe un risque d’hyperadaptation de l’adaptation multiforme. Si le modèle de variation des prix est modifié, l’efficacité de la prévision est réduite.

  3. La taille de la fenêtre de filtre et le degré de polyvalence doivent être réglés avec précision. Si ce n’est pas le cas, il peut échouer.

  4. Il est impossible de négocier à l’intérieur du disque.

Direction d’optimisation

Cette stratégie peut être optimisée dans les domaines suivants:

  1. Ajout de mécanismes d’entraînement des modèles et de réentraînement des fenêtres coulissantes. Adaptation dynamique des paramètres de la stratégie pour réduire le risque de suradaptation.

  2. Le prix de l’or est le prix de l’or et de l’or est le prix de l’or. Le prix de l’or est le prix de l’or.

  3. Augmentation des mécanismes de prévention des pertes. Mise en place d’un ratio de pertes maximales afin d’éviter des pertes importantes dans des situations extrêmes.

  4. Optimisation de la gestion des positions. Adaptation dynamique des positions en fonction de l’exactitude des prévisions et de la volatilité.

  5. Essayez de faire des prévisions basées sur des modèles d’apprentissage automatique traditionnels. Des modèles d’apprentissage en profondeur tels que LSTM.

Résumer

Cette stratégie est généralement une stratégie de quantification de haute fréquence qui utilise les ondes de Gauss et l’adaptation aux multiples règles pour la prévision des prix. Elle présente certains avantages, mais il y a aussi de la place pour l’amélioration. L’optimisation de la stratégie peut être rendue plus efficace en combinant plus de caractéristiques, en introduisant des modules tels que la modulation dynamique et le mécanisme d’arrêt des pertes.

Code source de la stratégie
/*backtest
start: 2023-01-15 00:00:00
end: 2024-01-21 00:00:00
period: 1d
basePeriod: 1h
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/

//@version=2
strategy("Gaussbot v1.0", overlay=true)

p = input(20, minval=1, title="Length")
price = input(open, title="Source")

pi=3.1415926535


w=2*pi/p
beta = (1 - cos(w))/(pow(1.414,2.0/3) - 1)
alfa = -beta + sqrt(beta*beta + 2*beta)
ret=  pow(alfa,4)*price+4*(1-alfa)*nz(ret[1])-6*pow(1-alfa,2)*nz(ret[2])+4*pow(1-alfa,3)*nz(ret[3])-pow(1-alfa,4)*nz(ret[4])
ret2 = pow(alfa,4)*ret+4*(1-alfa)*nz(ret2[1])-6*pow(1-alfa,2)*nz(ret2[2])+4*pow(1-alfa,3)*nz(ret2[3])-pow(1-alfa,4)*nz(ret2[4])
ret3 = pow(alfa,4)*ret2+4*(1-alfa)*nz(ret3[1])-6*pow(1-alfa,2)*nz(ret3[2])+4*pow(1-alfa,3)*nz(ret3[3])-pow(1-alfa,4)*nz(ret3[4])
ret4 = 3*ret-3*ret2+ret3


diff2 = nz(ret[1]) - nz(ret[2]) - (nz(ret[2]) - nz(ret[3]) )  
diff22 = nz(ret2[1]) - nz(ret2[2]) - (nz(ret2[2]) - nz(ret2[3]) ) 
diff23 = nz(ret3[1]) - nz(ret3[2]) - (nz(ret3[2]) - nz(ret3[3]) )  
diff24 = nz(ret4[1]) - nz(ret4[2]) - (nz(ret4[2]) - nz(ret4[3]) )  


longCondition =    price[0] - ret4[1]  > 0
shortCondition =  price[0] - ret4[1] < 0

if(longCondition and shortCondition)
    longCondition = longCondition[1]
    shortCondition = shortCondition[1]
if(longCondition==false and shortCondition==false)
    longCondition = longCondition[1]
    shortCondition = shortCondition[1]



if (longCondition==true and shortCondition == false) 
    strategy.entry("Gaussbot Long", strategy.long )
if (longCondition==false and shortCondition == true)
    strategy.entry("Gaussbot Short", strategy.short)