Strategi Kuantitatif Rata-rata Bergerak Adaptif
ChaoZhang
Ringkasan
Strategi ini didasarkan pada Moving Average, parameter yang dapat disesuaikan secara otomatis, dan berlaku untuk pasar yang bergejolak dengan periode waktu yang tinggi. Ini dapat secara otomatis menemukan kombinasi parameter yang optimal dan menghasilkan sinyal perdagangan ketika harga menembus Moving Average.
Prinsip Strategi
Strategi ini menggunakan Adaptive Moving Average sebagai sinyal perdagangan. Pertama, menghitung Simple Moving Average (CMA) untuk periode yang ditentukan. Kemudian menguji kombinasi parameter di sekitar CMA untuk menentukan kombinasi mana yang paling sedikit disentuh oleh entitas K-line dan garis bayangan.
Secara khusus, strategi akan menguji CMA line, statistical entity line, dan shadow line setelah CMA cycle plus 1 ((CMA_P1) dan minus 1 ((CMA_M1) mengenai jumlah kali mereka disentuh. Jika CMA memiliki jumlah sentuh kurang dari CMA_P1 dan CMA_M1, maka tetap dengan siklus CMA saat ini; jika CMA_P1 disentuh lebih sedikit, maka CMA cycle plus 1; jika CMA_M1 disentuh lebih sedikit, maka CMA cycle minus 1.
Ketika harga dari bawah ke atas menembus CMA, menghasilkan sinyal beli; ketika harga dari atas ke bawah menembus CMA, menghasilkan sinyal jual.
Analisis Keunggulan
Strategi rata-rata bergerak yang beradaptasi ini memiliki keuntungan sebagai berikut:
Mencari parameter optimal secara otomatis. Tidak perlu memilih secara manual periode rata-rata bergerak, strategi akan secara otomatis menguji periode yang berbeda untuk menemukan parameter optimal.
Mengurangi sinyal palsu. Adaptif moving average dapat menghapus lebih banyak kebisingan, sehingga mengurangi banyak sinyal palsu, dibandingkan dengan rata-rata bergerak dengan periode tetap.
Adaptasi terhadap perubahan pasar. Ketika pasar bergeser ke arah tren, siklus rata-rata bergerak akan berubah secara otomatis untuk menghasilkan sinyal. Ketika pasar bergeser ke arah tren, siklus rata-rata bergerak akan berubah secara otomatis.
Sistem perdagangan yang disederhanakan. Dengan cara ini, Anda dapat menyederhanakan seluruh sistem perdagangan tanpa perlu mengoptimalkan parameter.
Skalabilitas yang kuat. Gagasan strategi ini dapat diterapkan pada indikator lain, untuk merancang strategi seperti adaptasi pita Brin, dan adaptasi KD.
Analisis risiko
Strategi ini juga memiliki beberapa risiko yang perlu diperhatikan:
Risiko opsi bullish. Ketika pasar mengalami pergerakan opsi bullish, garis fisik tidak dapat menembus rata-rata bergerak, yang dapat menyebabkan sinyal yang salah.
Risiko kegagalan penembusan. Penembusan rata-rata bergerak tidak selalu dapat dilanjutkan, ada risiko kegagalan penembusan sebagian. Oleh karena itu, perlu dilakukan verifikasi penembusan untuk memastikan tingkat keberhasilan penembusan.
Risiko reversal trend. Reversal setelah masuk ke pasar tren memerlukan perubahan arah tepat waktu, atau akan menyebabkan kerugian.
Risiko optimasi parameter. Parameter yang disesuaikan secara otomatis dapat jatuh ke dalam optimasi lokal, sehingga menghasilkan rata-rata bergerak yang jelas. Perlu diperkenalkan metode evaluasi model untuk menghindari masalah ini.
Risiko over-optimisasi. Parameter penyesuaian yang disesuaikan dapat dioptimalkan secara berlebihan, dan kehilangan kemampuan generalisasi model. Perlu dilakukan verifikasi dalam waktu lama di berbagai lingkungan pasar, dan tidak dapat terlalu bergantung pada hasil pengujian ulang.
Arah optimasi
Adaptasi strategi moving average dapat dioptimalkan dengan:
Menambahkan mekanisme verifikasi trend breakout untuk menyaring breakout palsu melalui breakout berturut-turut.
Tambahkan strategi stop loss, yang berhenti ketika harga kembali ke sisi lain dari moving average.
Menambahkan mekanisme penyaringan opsi untuk menghindari sinyal yang salah dalam perdagangan opsi biner.
Memperkenalkan indikator penilaian untuk membatasi penyesuaian parameter, seperti IC, LIC, SIC, dan lain-lain, untuk menghindari parameter yang terlalu dioptimalkan.
Perluas ke indikator lain, desain strategi adaptasi Gold Fork Dead Fork, strategi adaptasi Brin Belt, dll.
Mengoptimalkan cara menghitung moving average, menggunakan weighted moving average, indeks moving average dan lain-lain.
Meringkaskan
Strategi ini menghasilkan sinyal perdagangan dengan mencari parameter optimal dengan menyesuaikan siklus rata-rata bergerak. Dibandingkan dengan parameter tetap, ini dapat mengurangi banyak sinyal palsu dan beradaptasi dengan perubahan pasar.
||
Overview
This strategy is based on moving average, can automatically adjust parameters, and is suitable for wavy markets at high timeframes. It can automatically find the optimal parameter combination and generate trading signals when price breaks through the moving average line.
Strategy Logic
This strategy uses an adaptive moving average as trading signal. First it calculates the simple moving average (CMA) of the specified period (start). Then it tests the CMA parameters around the period, judging which combination has the least touches by candlestick body and wick. Finally it uses the CMA with the least touches as the signal line.
Specifically, the strategy tests the CMA with period plus 1 (CMA_P1) and minus 1 (CMA_M1), counts the number of touches by body and wick. If CMA has less touches than CMA_P1 and CMA_M1, then keep the current period; if CMA_P1 has less touches, then increase the period by 1; if CMA_M1 has less touches, then decrease the period by 1. This finds a relatively smooth CMA as the signal line.
When price breaks through CMA upward, a buy signal is generated; when price breaks through CMA downward, a sell signal is generated.
Advantage Analysis
This adaptive moving average strategy has the following advantages:
Automatically find optimal parameters. No need to manually select moving average period, the strategy will test different periods and find the optimum.
Reduce false signals. Compared with fixed period MA, the adaptive MA can filter out more noise and reduce many false signals.
Adapt to market changes. When market switches from range-bound to trending, the MA period will automatically increase to generate signals; when market switches from trending to range-bound, the MA period will automatically decrease. So the strategy can dynamically adapt to market changes.
Simplify trading system. This adaptive method can simplify the whole trading system without manual parameter optimization.
Good scalability. The concept can be applied to other indicators like adaptive Bollinger Bands, adaptive KD etc.
Risk Analysis
There are also some risks to note for this strategy:
Call option risk. When market has a call option pattern, the candle body may fail to break the MA line, resulting in wrong signals. Filter conditions need to be added to reduce such risk.
Failed breakout risk. MA breakout does not always continuation, some failed breakouts may occur. Breakout validation is needed to ensure high success rate.
Trend reversal risk. Trend reversal after entering the trend needs to be switched timely, otherwise it may cause losses. Stop loss should be set to control the loss.
Parameter optimization risk. Adaptive adjusted parameters may fall into local optimization, resulting in redundant MAs. Model evaluation methods need to be introduced to avoid this problem.
Overfitting risk. Excessive parameter tuning may lead to overfitting and lose the model generalization ability. Prolonged verification in different market environments is needed, not just rely on backtest results.
Improvement Directions
Some directions to improve this adaptive MA strategy:
Add trend breakout validation via consecutive breakouts to filter false breakouts.
Increase stop loss strategy, stop loss when price moves back to the other side of MA.
Add option filter to avoid wrong signals when call option appears.
Introduce evaluation metrics like IC, LIC, SIC etc. to constrain parameter tuning and prevent overfitting.
Expand to other indicators like adaptive golden cross strategy, adaptive Bollinger Bands etc.
Optimize MA calculation by using weighted MA, exponential MA etc. to get smoother MA.
Summary
This strategy generates trading signals by adaptively adjusting the MA period to find optimal parameters. Compared with fixed parameters, it can reduce many false signals and adapt to market changes. But we also need to watch out for potential risks, and do verification and walk-forward optimization before applying it in live trading for steady profits.
[/trans]
/*backtest
start: 2022-11-10 00:00:00
end: 2023-11-16 00:00:00
period: 1d
basePeriod: 1h
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/
// © fondDealer96636
//@version=5
strategy('Automatic Moving Average', overlay=true, max_bars_back=201, pyramiding=0, currency=currency.USD, default_qty_type=strategy.cash, default_qty_value=10000, initial_capital=10000)
// input
start = 20
lookback = input(20, "Sensitivity", tooltip="Low (High Sensitivity), High (Low Sensitivity).\n\nAdjust according to timeframe and asset.")
smoothing = input(3, "Smoothing")
source = input(close, "Source")
startYear = input(2020, "Start year")
resp = 1
in_date_range = time >= timestamp(syminfo.timezone, startYear, 1, 1, 0, 0)
// global
var ix = -1
var mal = array.new_int(0)
// functions
avg(source, len) =>
sum = 0.0
for i = 0 to len-1
sum += source[i]
sum/len
bull = close > open
wick_touch(x) =>
bull ? ((close <= x and x <= high) or (low <= x and x <= open)) : ((open <= x and x <= high) or (low <= x and x <= close))
body_touch(x) =>
bull ? (open < x and x < close) : (close < x and x < open)
touches(t) =>
touches = 0
for i = 0 to lookback-1
touches += t[i] ? 1 : 0
touches
// local
ix := ix+1
prev_mal = ix >= 1 ? array.get(mal, ix-1) : start
cma = avg(source, prev_mal)
cma_p1 = avg(source, prev_mal+1)
cma_m1 = avg(source, prev_mal-1)
d = touches(wick_touch(cma))
d_p1 = touches(wick_touch(cma_p1))
d_m1 = touches(wick_touch(cma_m1))
d_b = touches(body_touch(cma))
d_p1_b = touches(body_touch(cma_p1))
d_m1_b = touches(body_touch(cma_m1))
any_body_touch = d_b > 0 or d_p1_b > 0 or d_m1_b > 0
no_wick_touch = d <= 0 and d_p1 <= 0 and d_m1 <= 0
wick_maximized = d >= d_p1 and d >= d_m1 ? prev_mal : (d_p1 >= d and d_p1 >= d_m1 ? prev_mal+resp : (d_m1 >= d and d_m1 >= d_p1 ? prev_mal-resp : na))
up = cma > cma[1]
down = cma < cma[1]
against_trend = (up and close < cma) or (down and close > cma)
new_mal = no_wick_touch or against_trend ? prev_mal-resp : (any_body_touch ? prev_mal+resp : wick_maximized)
next_mal = na(new_mal) ? prev_mal : new_mal
array.push(mal, next_mal < 2 ? 2 : (next_mal > 200 ? 200 : next_mal))
// graph
scma = ta.ema(cma, smoothing)
uptrend = scma > scma[1]
downtrend = scma < scma[1]
plot(scma, "Automatic MA", color=uptrend ? color.green : color.red)
uptrending = close > scma and uptrend
downtrending = close < scma and downtrend
defy = not uptrending and not downtrending
defy_cross = defy and body_touch(scma)
barcolor(uptrending ? color.lime : (downtrending ? color.red : (defy_cross ? color.black : color.white)))
// strategy
change_to_uptrend = uptrending and downtrend[1]
change_to_downtrend = downtrending and uptrend[1]
long = in_date_range and change_to_uptrend
short = in_date_range and change_to_downtrend
if long
strategy.entry("Long", strategy.long)
if short
strategy.entry("Short", strategy.short)