Strategi Perdagangan RSI Kondisi Bayesian

Penulis:ChaoZhang, Tanggal: 2023-12-18 17:09:00
Tag:

Gambaran umum

Artikel ini terutama menganalisis strategi perdagangan kuantitatif yang disebut Bayesian Condition RSI Trading Strategy. Strategi ini menghitung distribusi probabilitas indikator RSI dan menerapkan aturan Bayesian untuk menyimpulkan probabilitas indikator RSI terus naik atau turun untuk menilai tren harga di masa depan dan menghasilkan keuntungan.

Prinsip Strategi

Logika inti dari strategi ini adalah:

Menghitung distribusi probabilitas A apakah harga penutupan telah meningkat dalam siklus tertentu
Menghitung distribusi probabilitas B apakah indikator RSI terus meningkat dalam siklus yang sesuai
Menerapkan aturan Bayesian untuk menghitung probabilitas A dan B terjadi secara bersamaan
Ketika probabilitas ini lebih tinggi dari ambang batas, menilai bahwa tren akan berlanjut dan mengambil sinyal perdagangan

Secara khusus, strategi pertama mendefinisikan parameter p sebagai parameter siklus untuk menghitung indikator RSI, dan r sebagai rentang waktu untuk memprediksi perubahan harga di masa depan. Kemudian dalam siklus p, hitung jumlah kali harga penutupan naik untuk menghitung distribusi probabilitas A. Pada saat yang sama, dalam siklus p, hitung jumlah kali RSI terus naik dalam siklus r setelah siklus ini berakhir, dan hitung distribusi probabilitas B.

Setelah itu, gunakan rumus Bayesian untuk menghitung probabilitas bahwa dua kondisi penutupan kenaikan harga dan RSI terus meningkat terpenuhi pada saat yang sama, sebagai indikator penilaian probabilitas akhir. Ketika probabilitas ini lebih tinggi dari ambang batas tertentu, menilai bahwa tren naik akan berlanjut dan mengambil posisi panjang; ketika probabilitas lebih rendah dari ambang batas, menilai bahwa tren terbalik dan menutup posisi.

Dengan cara ini, strategi secara komprehensif mempertimbangkan informasi harga dan indikator teknis, menerapkan statistik probabilitas dan aturan Bayesian untuk menilai tren masa depan dan menghasilkan sinyal perdagangan.

Keuntungan dari Strategi

Keuntungan utama dari strategi ini adalah:

Menggabungkan beberapa informasi: Strategi ini tidak hanya mempertimbangkan informasi harga, tetapi juga informasi indikator teknis seperti RSI untuk menilai tren masa depan secara komprehensif dan meningkatkan akurasi penilaian.
Prediksi Probabilitas: Membuat prediksi probabilitas tentang arah perubahan harga dan RSI melalui distribusi probabilitas statistik, bukan perbandingan numerik sederhana, membuat penilaian lebih ilmiah.
Optimasi Bayesian: Gunakan aturan Bayesian untuk menghitung probabilitas yang relevan dan mengoptimalkan probabilitas statistik asli untuk membuat penilaian lebih akurat.
Parameter yang fleksibel: Menyediakan beberapa parameter untuk penyesuaian dan optimalisasi agar sesuai dengan pasar dan aset yang berbeda dan meningkatkan kemampuan adaptasi strategi.
Sederhana dan efektif: Ide strategi jelas dan operasi statistik dan probabilitas sederhana digunakan untuk menghasilkan penilaian sinyal perdagangan, yang mudah dipahami dan dioptimalkan, dan efeknya signifikan.

Risiko dari Strategi

Risiko utama dari strategi ini juga meliputi:

Ketergantungan parameter: Kinerja sangat bergantung pada pengaturan parameter. Pasar yang berbeda perlu menyesuaikan banyak parameter untuk mencapai hasil yang optimal, meningkatkan kompleksitas operasi strategi.
Kesalahan Probabilitas: Karena waktu statistik dan sampel yang terbatas, probabilitas yang dihitung mungkin tidak sesuai dengan tren nyata, yang mengarah pada penyimpangan penilaian.
Acara Khusus: Keadaan darurat besar dapat mempengaruhi korelasi antara harga pasar dan indikator RSI, menyebabkan kegagalan strategi.
Kegagalan indikator teknis: Dalam beberapa situasi pasar, indikator teknis seperti RSI dapat menghasilkan sinyal yang tidak valid, yang menyebabkan kegagalan penilaian strategi.

Solusi termasuk: mengoptimalkan proses pengaturan parameter, menyesuaikan waktu statistik dan ukuran sampel, menggabungkan lebih banyak informasi tambahan, intervensi manual dalam situasi abnormal, dll.

Arahan Optimasi

Arah optimasi utama dari strategi ini meliputi:

Beberapa kerangka waktu: Mengeksekusi strategi di beberapa kerangka waktu (tiap hari, mingguan, dll) untuk penilaian terintegrasi untuk meningkatkan stabilitas.
Lebih banyak indikator: Menambahkan lebih banyak sinyal indikator teknis seperti pola lilin, rata-rata bergerak dll untuk memperkaya dasar penilaian.
Optimasi model: Menggunakan pembelajaran mesin dll untuk mengoptimalkan model Bayesian untuk perhitungan yang lebih akurat.
Parameter dinamis: Menambahkan modul optimasi dinamis untuk parameter untuk menyesuaikan secara real-time dengan perubahan pasar.
Mekanisme pengendalian risiko: Menetapkan metrik risiko seperti penarikan maksimum dan frekuensi perdagangan untuk mencegah kerugian besar di pasar ekstrim.
Menggabungkan perbaikan: Bersama dengan jenis atau model strategi lainnya untuk membentuk mekanisme pemungutan suara dan meningkatkan stabilitas.

Kesimpulan

Strategi ini pertama-tama secara statistik menghitung distribusi probabilitas harga dan RSI, kemudian menggunakan aturan Bayesian untuk menghitung probabilitas gabungan, menghasilkan sinyal perdagangan ketika probabilitas melebihi ambang batas yang ditetapkan, sehingga menghasilkan keuntungan. Strategi ini menggabungkan informasi multi-sumber, memanfaatkan prediksi probabilitas dan optimasi Bayesian untuk kinerja penilaian yang layak. Arah optimasi utama termasuk perluasan kerangka waktu, lebih banyak indikator, parameter dinamis dll.

/*backtest
start: 2022-12-11 00:00:00
end: 2023-03-15 00:00:00
period: 1d
basePeriod: 1h
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/

//@version=2
// Stealthy7 trading scripts are radikal. You have entered the mystical realm of demonic profit.
// If you like this script, check out my bots at cryptotrader.org/?r=51
// Let me know if you find any improvements to this script. It is beta. 
// Please subscribe.
strategy("Stealthy7 Bayes Conditional RSI Trader Strategy", overlay=true)
p = input(title="Period",  defval=30, minval=5, maxval=500)
t = input(title="Movement Thresh", type=float, defval=1.003, minval=1.001, maxval=1.5, step=0.001)
r = input(title="Look Range",  defval=7, minval=1,maxval=500, step=1)
RSIT = input(title="Jump",  defval=8, minval=1,maxval=99, step=1)
BAYEST = input(title="SM",  defval=3, minval=1,maxval=99, step=1)
RSIP = input(title="RSIP",  defval=14, minval=2,maxval=100, step=1)
countup = 1
countdn = 1
countupS = 1
countdnS = 1
for i = p to 1
    if close[i]/close[i + r] > t
        countup := countup + 1
    else
        countdn := countdn + 1
    if close[i]/close[i + r] < 2 - t
        countupS := countupS + 1
    else
        countdnS := countdnS + 1

rsi = rsi(open,RSIP)

countup2 = 1
countup3 = 1
countup2S = 1
countup3S = 1
for i = p to 1
    if close[i]/close[i + r] > t and rsi[i + r + 1] > rsi[i + r + 2] + RSIT
        countup2 := countup2 + 1
    else
        countup3 := countup3 + 1
    if close[i]/close[i + r] < 2 - t and rsi[i + r + 1] < rsi[i + r + 2] - RSIT
        countup2S := countup2S + 1
    else
        countup3S := countup3S + 1

countup2b = countup2 / p
countup3b = countup3 / p
countupb = countup / p
countdnb = countdn / p

countup2bS = countup2S / p
countup3bS = countup3S / p
countupbS = countupS / p
countdnbS = countdnS / p
bayes = 0
bayes := ((countupb * countup2b) / ((countupb * countup2b) + (countdnb * countup3b))) * 100
bayesS = 0
bayesS := ((countupbS * countup2bS) / ((countupbS * countup2bS) + (countdnbS * countup3bS))) * 100
SN1 = sma(bayes,BAYEST)
SN2 = sma(bayesS,BAYEST)
shortCondition = crossunder(bayesS, SN2) //and rsi < 49
longCondition = crossover(bayes, SN1) //and rsi > 59
if (longCondition)
    strategy.entry("Long", strategy.long)
if (shortCondition)
    strategy.entry("Short", strategy.short)

Lebih banyak

2019 FMZ - Semua hak dilindungi