kNN आधारित प्रवृत्ति अनुगामी रणनीति

Common strategy

Created: 2023-12-08 11:33:31

Last modified: 3 years ago

Copy: 8

ChaoZhang

1802

Followers

अवलोकन

यह रणनीति k-निकटतम पड़ोसी (kNN) मशीन लर्निंग एल्गोरिदम का उपयोग करके बाजार की प्रवृत्ति का पूर्वानुमान लगाती है, और पूर्वानुमान परिणामों के आधार पर लॉन्ग और शॉर्ट पोजीशन के संकेत उत्पन्न करती है। यह रणनीति ऐतिहासिक डेटा, तकनीकी संकेतकों आदि जैसे कई कारकों पर विचार करती है, और kNN मॉडल को प्रशिक्षित करके बाजार की विशेषताओं को गतिशील रूप से प्राप्त करती है, जिससे स्वचालित ट्रेंड-फॉलोइंग ट्रेडिंग संभव होती है।

रणनीति सिद्धांत

प्रशिक्षण डेटा एकत्र करना: ऐतिहासिक समापन मूल्य, ट्रेडिंग वॉल्यूम आदि समय श्रृंखला, साथ ही RSI, CCI जैसे तकनीकी संकेतक एकत्र करें।
डेटा प्रीप्रोसेसिंग: संकेतक मानों को 0-100 की सीमा में सामान्यीकृत करें।
kNN मॉडल प्रशिक्षण: वर्तमान kNN मॉडल में दो विशेषताओं को इनपुट करें, इन विशेषता वैक्टरों और ऐतिहासिक विशेषता वैक्टरों के बीच यूक्लिडियन दूरी की गणना करें, k निकटतम ऐतिहासिक नमूने चुनें, और इन k नमूनों के लेबल (लॉन्ग या शॉर्ट) के वितरण की गणना करें।
पूर्वानुमान प्राप्त करना: k निकटतम पड़ोसी नमूनों के लेबल के आधार पर वर्तमान बाजार की दिशा का अनुमान लगाएं। यदि पूर्वानुमान लॉन्ग है, तो लॉन्ग पोजीशन का संकेत उत्पन्न करें; यदि शॉर्ट है, तो शॉर्ट पोजीशन का संकेत उत्पन्न करें।
स्टॉप-लॉस, पोजीशन नियंत्रण, मूविंग एवरेज जैसे फिल्टर के साथ ट्रेडिंग करें।

रणनीति के लाभ

मशीन लर्निंग एल्गोरिदम का उपयोग करके तकनीकी पैटर्न को स्वचालित रूप से पहचानें, मानवीय हस्तक्षेप की आवश्यकता नहीं है।
विभिन्न तकनीकी संकेतकों को मॉडल विशेषताओं के रूप में लचीले ढंग से चुन सकते हैं, रणनीति को वास्तविक समय में अनुकूलित कर सकते हैं।
स्टॉप-लॉस, पोजीशन प्रबंधन आदि सख्त जोखिम नियंत्रण तंत्र को एकीकृत करता है।
स्टॉप-लॉस रेखा को दृश्य रूप में प्रस्तुत करता है, स्पष्ट और सहज।

जोखिम और समाधान

मशीन लर्निंग पूर्वानुमान में गलत संकेत हो सकते हैं। उपयुक्त k मान, विशेषता वैक्टर, नमूना समय सीमा आदि चुनकर मॉडल को अनुकूलित करें।
एकतरफा ट्रेडिंग में संभावित जोखिम है। बग को खत्म करने के लिए कोड में द्विपक्षीय ट्रेडिंग अनुमति जोड़ें।
अनुचित पैरामीटर सेटिंग अत्यधिक ट्रेडिंग का कारण बन सकती है। पोजीशन आकार, ट्रेडिंग आवृत्ति आदि मापदंडों को उचित रूप से समायोजित करें।

अनुकूलन दिशाएँ

kNN इनपुट विशेषताओं के रूप में विभिन्न प्रकार के तकनीकी संकेतकों का परीक्षण करें।
अन्य दूरी मापन विधियों, जैसे मैनहट्टन दूरी, का प्रयास करें।
नमूना दूरी या वर्गीकरण गुणवत्ता का उपयोग करके पोजीशन आकार को समायोजित करें।
मॉडल प्रशिक्षण सेट और परीक्षण सेट विभाजन जोड़ें, रोलिंग अनुकूलन लागू करें।

सारांश

यह रणनीति क्लासिक kNN एल्गोरिदम का उपयोग करके बाजार की प्रवृत्ति का पूर्वानुमान लगाती है और पूर्वानुमान संकेतों के अनुसार ट्रेंड-फॉलोइंग ट्रेडिंग करती है। इस रणनीति में पैरामीटर समायोज्य और जोखिम नियंत्रण योग्य है, जो उपयोगकर्ताओं को एक प्रभावी स्वचालित ट्रेडिंग समाधान प्रदान कर सकता है। उपयोगकर्ता तकनीकी संकेतक संयोजनों को समायोजित करके, मॉडल हाइपरपैरामीटर को अनुकूलित करके आदि रणनीति प्रदर्शन में लगातार सुधार कर सकते हैं।

Source

Pine

/*backtest
start: 2023-11-07 00:00:00
end: 2023-12-07 00:00:00
period: 1h
basePeriod: 15m
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/

// This source code is subject to the terms of the Mozilla Public License 2.0 at https://mozilla.org/MPL/2.0/
// © sosacur01

//@version=5

Strategy parameters

Backtest Time Period

Filter Date Range of Backtest

Start Date

End Date

Long & Short Position

On/Off Long Postion

On/Off Short Postion

kNN-based Inputs

Start Date

Stop Date

Indicator