ianzeng123
Aperçu
Cette stratégie est un système de suivi de tendances combinant un réacteur dynamique et une régression multi-noyau. Elle capte les tendances du marché en combinant le canal ATR, la moyenne SMA et la régression Gaussian avec la régression nucléaire d’Epanechnikov, et filtre les signaux à l’aide de l’indicateur RSI. La stratégie comprend également un système de gestion de position complet, comprenant des fonctionnalités telles que des arrêts de perte dynamiques, des objectifs de profit multiples et des arrêts de perte de suivi.
Principe de stratégie
Le cœur de la stratégie se compose de deux parties principales. La première est le réacteur dynamique (DR), qui construit un canal de prix auto-adaptatif basé sur l’ATR et le SMA. La largeur du canal est déterminée par le multiplicateur de l’ATR et la position du canal est ajustée en fonction du mouvement du SMA.
Avantages stratégiques
- Adaptabilité: grâce à la combinaison de réacteurs dynamiques et de régression multicœur, la stratégie peut s’adapter automatiquement à différents environnements et conditions de marché.
- Gestion des risques: plusieurs mécanismes de contrôle des risques sont intégrés, tels que l’arrêt dynamique des pertes, la répartition des bénéfices et le suivi des pertes.
- La qualité du signal est élevée: le filtrage RSI et la confirmation croisée des deux lignes permettent de réduire efficacement les faux signaux.
- L’efficacité des calculs: Bien que des algorithmes de régression nucléaire complexes soient utilisés, la performance en temps réel de la stratégie est garantie par une méthode de calcul optimisée.
Risque stratégique
- Sensitivité des paramètres: l’efficacité de la stratégie dépend fortement des paramètres tels que le multiplicateur ATR et la bande passante de la fonction de base. Des paramètres inappropriés peuvent entraîner des transactions excessives ou des opportunités manquées.
- Rarité: il peut y avoir un certain retard dans les tendances rapides en raison de l’utilisation d’algorithmes de moyenne mobile et de régression.
- Adaptabilité du marché: la stratégie fonctionne bien dans les marchés tendances, mais peut souvent générer de faux signaux dans les marchés oscillants.
- Complexité du calcul: Le calcul de la partie de régression multicœur est plus complexe et nécessite une attention particulière à l’optimisation de la performance dans un environnement de négociation à haute fréquence.
Orientation de l’optimisation de la stratégie
- Adaptation des paramètres: un mécanisme d’adaptation peut être introduit pour ajuster dynamiquement le multiplicateur ATR et la bande passante de la fonction de base en fonction des fluctuations du marché.
- Optimisation du signal: considérer l’ajout d’indicateurs auxiliaires tels que le volume de transactions et la forme des prix pour améliorer la fiabilité du signal.
- Contrôle des risques: le rapport entre les objectifs de stop loss et de profit peut être ajusté en fonction de la dynamique de la volatilité du marché.
- Filtrage des marchés: ajout d’un module d’identification des environnements de marché et utilisation de différentes stratégies de négociation dans différentes conditions de marché.
Résumer
Il s’agit d’un système complet de négociation intégrant des méthodes statistiques modernes et des analyses techniques traditionnelles. Grâce à une combinaison innovante de réacteurs dynamiques et de régressions multicore, ainsi qu’à un mécanisme de gestion des risques bien développé, la stratégie présente une bonne adaptabilité et une bonne stabilité. Bien qu’il y ait des points à optimiser, la stratégie devrait être stable dans différents environnements de marché grâce à l’amélioration continue et à l’optimisation des paramètres.
Code source de la stratégie
/*backtest
start: 2024-07-20 00:00:00
end: 2025-07-19 08:00:00
period: 1d
basePeriod: 1d
exchanges: [{"eid":"Binance","currency":"ETH_USDT","balance":2000000}]
*/
//@version=5
strategy("DR+MKR Signals – Band SL, Multiple TP & Trailing Stop", overlay=true, default_qty_value=10)
// =====================================================================
// PART 1: Optimized Dynamic Reactor
// =====================================================================
atrLength = input.int(10, "ATR Length", minval=1) // Lower value for increased sensitivity
smaLength = input.int(10, "SMA Length", minval=1) // Lower value for a faster response
multiplier = input.float(1.2, "ATR Multiplier", minval=0.1, step=0.1) // Adjusted for tighter bands
atrValue = ta.atr(atrLength)
smaValue = ta.sma(close, smaLength)
basicUpper = smaValue + atrValue * multiplier
basicLower = smaValue - atrValue * multiplier
var float finalUpper = basicUpper
var float finalLower = basicLower
if bar_index > 0
finalUpper := close[1] > finalUpper[1] ? math.max(basicUpper, finalUpper[1]) : basicUpper
if bar_index > 0
finalLower := close[1] < finalLower[1] ? math.min(basicLower, finalLower[1]) : basicLower
var int trend = 1
if bar_index > 0
trend := close > finalUpper[1] ? 1 : close < finalLower[1] ? -1 : nz(trend[1], 1)
drLine = trend == 1 ? finalLower : finalUpper
p_dr = plot(drLine, color = trend == 1 ? color.green : color.red, title="Dynamic Reactor", linewidth=2)
// =====================================================================
// PART 2: Optimized Multi Kernel Regression
// =====================================================================
regLength = input.int(30, "Regression Period", minval=1) // Lower value for increased sensitivity
h1 = input.float(5.0, "Gaussian Band (h1)", minval=0.1) // Adjusted for a better fit
h2 = input.float(5.0, "Epanechnikov Band (h2)", minval=0.1)
alpha = input.float(0.5, "Gaussian Kernel Weight", minval=0, maxval=1)
f_gaussian_regression(bw) =>
num = 0.0
den = 0.0
for i = 0 to regLength - 1
weight = math.exp(-0.5 * math.pow(i / bw, 2))
num += close[i] * weight
den += weight
num / (den == 0 ? 1 : den)
f_epanechnikov_regression(bw) =>
num = 0.0
den = 0.0
for i = 0 to regLength - 1
ratio = i / bw
weight = math.abs(ratio) <= 1 ? (1 - math.pow(ratio, 2)) : 0
num += close[i] * weight
den += weight
num / (den == 0 ? 1 : den)
regGauss = f_gaussian_regression(h1)
regEpan = f_epanechnikov_regression(h2)
multiKernelRegression = alpha * regGauss + (1 - alpha) * regEpan
p_mkr = plot(multiKernelRegression, color = trend == 1 ? color.green : color.red, title="Multi Kernel Regression", linewidth=2)
fill(p_dr, p_mkr, color = trend == 1 ? color.new(color.green, 80) : color.new(color.red, 80), title="Trend Fill")
// =====================================================================
// PART 3: Buy and Sell Signals + RSI Filter
// =====================================================================
rsi = ta.rsi(close, 14)
buySignal = ta.crossover(multiKernelRegression, drLine) and rsi < 70
sellSignal = ta.crossunder(multiKernelRegression, drLine) and rsi > 30
plotshape(buySignal, style=shape.triangleup, location=location.belowbar, color=color.green, size=size.tiny, title="Buy Signal")
plotshape(sellSignal, style=shape.triangledown, location=location.abovebar, color=color.red, size=size.tiny, title="Sell Signal")
alertcondition(buySignal, title="Buy Alert", message="Buy Signal generated")
alertcondition(sellSignal, title="Sell Alert", message="Sell Signal generated")
// =====================================================================
// PART 4: Trade Management – Dynamic Stop Loss & Adaptive Take Profit
// =====================================================================
var float riskValue = na
if strategy.position_size == 0
riskValue := na
enterLong() =>
strategy.entry("Long", strategy.long,comment='开多仓')
close - finalLower
enterShort() =>
strategy.entry("Short", strategy.short,comment='开空仓')
finalUpper - close
if (buySignal)
riskValue := enterLong()
if (sellSignal)
riskValue := enterShort()
exitLongOrders() =>
entryPrice = strategy.position_avg_price
TP1 = entryPrice + riskValue
strategy.exit("Long_TP1", from_entry="Long", limit=TP1, qty_percent=50, comment="平多仓TP 1:1")
strategy.exit("Long_TS", from_entry="Long", trail_offset=riskValue * 0.8, trail_points=riskValue * 0.8, comment="平多仓Trailing Stop")
if (strategy.position_size > 0)
exitLongOrders()
exitShortOrders() =>
entryPrice = strategy.position_avg_price
TP1 = entryPrice - riskValue
strategy.exit("Short_TP1", from_entry="Short", limit=TP1, qty_percent=50, comment="平空仓TP 1:1")
strategy.exit("Short_TS", from_entry="Short", trail_offset=riskValue * 0.8, trail_points=riskValue * 0.8, comment="平空仓Trailing Stop")
if (strategy.position_size < 0)
exitShortOrders()