ChaoZhang
1
ध्यान केंद्रित करना
1617
समर्थक
अवलोकन
यह रणनीति एक ट्रेडिंग रणनीति है जो एक यादृच्छिक धीमी गति के संकेतक पर आधारित है, जबकि एक चलती औसत, एक अपेक्षाकृत मजबूत सूचकांक और एक कृत्रिम बुद्धिमत्ता तकनीक के साथ संयुक्त है। यह रणनीति यादृच्छिक धीमी गति के संकेतक के क्रॉस सिग्नल के आधार पर निर्णय लेती है, जबकि 200-दिवसीय चलती औसत के सापेक्ष मूल्य की स्थिति और एआई मॉडल द्वारा उत्पन्न संकेतों को ध्यान में रखते हुए, खरीदने और बेचने के संकेतों को निर्धारित करती है। रणनीति ने जोखिम को नियंत्रित करने के लिए स्टॉप और स्टॉप लॉस भी सेट किया है।
रणनीति सिद्धांत
- 30 चक्रों के लिए एक यादृच्छिक धीमी गति सूचक की गणना करें, जिसमें K मान के लिए चिकनाई चक्र 18 है, और D मान के लिए चिकनाई चक्र 7 है।
- ओवरबॉट और ओवरसोल्ड के लिए थ्रेशोल्ड 40 और 19 निर्धारित करें, और न्यूनतम K मान 12 सेट करें।
- प्रवृत्ति फ़िल्टर के रूप में 200-दिवसीय सरल चलती औसत की गणना करें।
- एक पुनरावर्ती तंत्रिका नेटवर्क (RNN) मॉडल का उपयोग करके खरीद और बिक्री संकेत उत्पन्न करना।
- मल्टी हेड एंट्री कंडीशनः कीमत 200-दिवसीय चलती औसत से ऊपर है, K मूल्य ओवरसेलिंग थ्रेशोल्ड से कम है और न्यूनतम K मूल्य से अधिक है, AI सिग्नल 1 है।
- शून्य प्रवेश की शर्तेंः कीमत 200-दिवसीय चलती औसत से नीचे है, K मूल्य ओवरबॉय थ्रेशोल्ड से अधिक है और न्यूनतम K मूल्य से अधिक है, एआई सिग्नल -1 है।
- जब एक यादृच्छिक संकेतक क्रॉस होता है और ओवरबॉट ओवरसोल की शर्तों को पूरा करता है, तो एक खरीद और बिक्री संकेत भी उत्पन्न होता है।
- वर्तमान मूल्य से 500 अंक ऊपर या नीचे स्टॉप-ऑफ और 200 अंक ऊपर या नीचे स्टॉप-लॉस सेट करें।
रणनीतिक लाभ
- कई तकनीकी संकेतकों और एआई प्रौद्योगिकियों के संयोजन से रणनीति की स्थिरता और अनुकूलनशीलता में वृद्धि हुई है।
- बाजार में ओवरबॉट और ओवरसोल्ड स्थिति को प्रभावी ढंग से पकड़ने के लिए मुख्य खरीद और बिक्री संकेत के रूप में यादृच्छिक धीमी गति के संकेतक का उपयोग करें।
- ट्रेडों को रोकने के लिए, 200-दिन की चलती औसत को एक प्रवृत्ति फ़िल्टर के रूप में शामिल करें।
- एक आर्टिफिशियल इंटेलिजेंस मॉडल का उपयोग करके खरीदारी और बिक्री के संकेत उत्पन्न करने से रणनीतियों की समझदारी बढ़ जाती है।
- एक स्पष्ट स्टॉप-स्टॉप-लॉस सेट करें जो जोखिम को प्रभावी ढंग से नियंत्रित करता है।
रणनीतिक जोखिम
- यादृच्छिक संकेतक कुछ बाजार स्थितियों में अधिक झूठे संकेत दे सकते हैं।
- एआई मॉडल की प्रभावशीलता प्रशिक्षण डेटा की गुणवत्ता और मॉडल के डिजाइन पर निर्भर करती है, जिसमें कुछ अनिश्चितता होती है।
- एक निश्चित स्टॉप-स्टॉप-लॉस स्तर अलग-अलग बाजार उतार-चढ़ाव के लिए उपयुक्त नहीं हो सकता है।
- बाजार की आकस्मिक घटनाओं और असामान्य उतार-चढ़ाव के लिए रणनीति की कमी।
रणनीति अनुकूलन दिशा
- संकेतक की प्रभावशीलता को बढ़ाने के लिए K मान और D मान के चिकनाई चक्र को समायोजित करने जैसे यादृच्छिक संकेतक के पैरामीटर का अनुकूलन करें।
- एआई मॉडल के डिजाइन में सुधार, अधिक बाजार विशेषताओं और डेटा को शामिल करना, मॉडल की भविष्यवाणी सटीकता में सुधार करना।
- गतिशील स्टॉप-स्टॉप-लॉस तंत्र का उपयोग करें, जो बाजार की अस्थिरता और जोखिम के स्तर के अनुसार स्टॉप-स्टॉप-लॉस को समायोजित करता है।
- बाजार की भावना विश्लेषण और घटना ड्राइवरों को शामिल करना, बाजार की आकस्मिक घटनाओं के लिए रणनीति की क्षमता को बढ़ाने के लिए।
- स्थिति प्रबंधन और धन प्रबंधन मॉड्यूल को शामिल करने पर विचार करें, रणनीति के लिए धन के उपयोग की दक्षता और जोखिम नियंत्रण को अनुकूलित करें।
संक्षेप
इस रणनीति में रैंडम धीमी गति से संकेतक, चलती औसत, अपेक्षाकृत मजबूत सूचकांक और कृत्रिम बुद्धिमत्ता तकनीक के संयोजन के माध्यम से एक बहु-कारक व्यापार रणनीति का निर्माण किया गया है। रणनीति के प्रदर्शन और जोखिम नियंत्रण क्षमता को और बढ़ाया जा सकता है। हालांकि रणनीति में कुछ जोखिम हैं, जैसे कि संकेतक विफलता और मॉडल अनिश्चितता, लेकिन संकेतक मापदंडों को अनुकूलित करके, कृत्रिम बुद्धिमत्ता मॉडल में सुधार करके, गतिशील जोखिम नियंत्रण उपायों को अपनाने के तरीकों को अपनाकर।
रणनीति स्रोत कोड
/*backtest
start: 2024-03-12 00:00:00
end: 2024-04-11 00:00:00
period: 1h
basePeriod: 15m
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/
//@version=5
strategy("Stochastic Slow Strategy with More Entries and AI", overlay=true)
length = input.int(30, minval=1)
OverBought = input(40)
OverSold = input(19)
smoothK = input.int(18, minval=1)
smoothD = input.int(7, minval=1)
minKValue = input(12, title="Minimum K Value")
// Stochastic calculations
k = ta.sma(ta.stoch(close, high, low, length), smoothK)
d = ta.sma(k, smoothD)
co = ta.crossover(k, d)
cu = ta.crossunder(k, d)
// Trend filter (200-period simple moving average)
ema200 = ta.sma(close, 200)
// Define la función para calcular la señal de la red neuronal recurrente
rnn_signal(price_series) =>
// Aquí implementa tu modelo de red neuronal recurrente para generar la señal
// Puedes usar bibliotecas externas o implementar tu propio modelo aquí
// Ejemplo de señal aleatoria
signal = ta.rsi(price_series, 14) > 50 ? 1 : -1
// Devuelve la señal generada por la red neuronal recurrente
signal
// Calcula la señal utilizando la función definida anteriormente
ai_signal = rnn_signal(close)
// Entry conditions
longCondition = ta.crossover(close, ema200) and k < OverSold and k > minKValue and ai_signal == 1
shortCondition = ta.crossunder(close, ema200) and k > OverBought and k > minKValue and ai_signal == -1
if (not na(k) and not na(d))
if (co and k < OverSold and k > minKValue)
strategy.entry("LONG", strategy.long, comment="LONG")
strategy.exit("ExitLong", "LONG", profit = close * 500, loss = close * 200)
if (cu and k > OverBought and k > minKValue)
strategy.entry("SHORT", strategy.short, comment="SHORT")
strategy.exit("ExitShort", "SHORT", profit = close * 500, loss = close * 200)
if (longCondition)
strategy.entry("LongEntry", strategy.long, comment="LongEntry")
strategy.exit("ExitLongEntry", "LongEntry", profit = close * 500, loss = close * 200)
if (shortCondition)
strategy.entry("ShortEntry", strategy.short, comment="ShortEntry")
strategy.exit("ExitShortEntry", "ShortEntry", profit = close * 500, loss = close * 200)
// Plotting
plot(ema200, color=color.blue, title="200 SMA")