Stratégie quantitative basée sur la pondération exponentielle de la moyenne mobile et du volume

Résumé

Cette stratégie est appelée Quantitative Strategy Based on Exponential Moving Average and Volume Weighting. Elle implémente principalement le trading quantitatif en combinant les deux facteurs de la moyenne mobile exponentielle et de la pondération du volume.

Principe

L'indicateur de base de cette stratégie est nRes, qui combine la moyenne mobile exponentielle xMAVolPrice, la moyenne mobile exponentielle du volume xMAVol et le prix de clôture le plus récent, et est calculé selon la formule suivante:

xMAVolPrice = ema(volume * close, length)
xMAVol = ema(volume, length) 
nRes = xMAVolPrice / xMAVol

où xMAVolPrice est la moyenne mobile exponentielle du produit du prix de clôture et du volume, reflétant les informations combinées de prix et de volume; xMAVol est simplement la moyenne mobile exponentielle du volume; nRes est le rapport des deux moyennes mobiles exponentielles, reflétant les informations de prix ajustées.

La stratégie détermine la direction des positions longues et courtes en comparant la relation de taille entre les nRes et le dernier prix de clôture:

if (nRes < close[1])  
    long
if (nRes > close[1]) 
    short

En résumé, la stratégie compare l'indicateur de prix nRes ajusté par volume avec le dernier prix de clôture pour déterminer l'orientation des positions longues et courtes, ce qui est une stratégie de négociation quantitative typique.

Analyse des avantages

Les principaux avantages de cette stratégie sont les suivants:

1. Combiner les informations multifactorielles: la stratégie prend en compte non seulement les informations sur les prix, mais aussi les informations sur le volume pour tirer pleinement parti des caractéristiques multifactorielles des stocks afin de mieux juger des tendances du marché.

2. Réduire les faux signaux. La pondération du volume peut filtrer certaines fausses ruptures causées par un volume insuffisant. Cela peut réduire efficacement les transactions inutiles et éviter d'être piégé.

3. Comparées aux moyennes mobiles simples, les moyennes mobiles exponentielles de cette stratégie sont plus sensibles aux dernières données et peuvent rapidement capturer les changements récents du marché.

4. L'idée de stratégie est simple et claire, facile à comprendre et à mettre en œuvre, et répond aux exigences du trading quantitatif.

Analyse des risques

Bien que cette stratégie présente certains avantages, elle comporte également les risques suivants:

1. Les indicateurs de volume sont sujets à manipulation et manquent de stabilité, ce qui peut être trompeur.

2. Peu d'opportunités de jugement long et court. Par rapport aux stratégies simples de suivi des tendances, les opportunités pour cette stratégie de faire des jugements sont relativement petites, ce qui peut facilement conduire à un trading insuffisant.

4. Risque de changements violents du marché: dans un marché en évolution rapide, le calcul de l'indicateur peut ne pas être en mesure de réagir aux derniers prix dans le temps, ce qui entraîne le manque du meilleur point de négociation.

Les solutions correspondantes: optimiser les paramètres, contrôler strictement la taille de la position, définir le stop loss et le take profit; combiner d'autres indicateurs de facteurs pour la vérification; ajuster de manière appropriée la fréquence de maintien de la position.

Directions d'optimisation

Les principales orientations pour optimiser cette stratégie sont les suivantes:

1. Une logique plus souple pour les positions ouvertes: les positions peuvent être ouvertes lorsque la différence entre le nRes et le prix de clôture est supérieure à un certain seuil, et non pas seulement au jugement de classification binaire, afin de saisir davantage d'opportunités.

2. Augmenter les mécanismes de gestion des positions. Selon la volatilité du marché, ajuster dynamiquement la taille de chaque transaction pour contrôler efficacement les risques.

3. Combinez d'autres facteurs: d'autres facteurs peuvent être ajoutés, tels que des indicateurs de sentiment, des facteurs fondamentaux, etc., pour rendre les jugements stratégiques plus complets.

4. Algorithmes d'optimisation des paramètres adaptatifs. Des algorithmes peuvent être établis pour optimiser automatiquement des paramètres tels que la longueur, de sorte qu'ils puissent s'ajuster de manière adaptative en fonction des caractéristiques des différents marchés de cycle.

5. Utiliser des modèles d'apprentissage automatique. RNN et d'autres modèles d'apprentissage en profondeur peuvent être utilisés pour la modélisation de caractéristiques multivariées pour atteindre des stratégies non linéaires de bout en bout.

Résumé