Strategi perdagangan pembalikan ETH berdasarkan persilangan SMA London
ChaoZhang
Ringkasan
Strategi ini diberi nama “SMA Cross ETH Reversal Trading Strategy” (SMA Cross ETH Reversal Trading Strategy) untuk jangka waktu London. Gagasan utama dari strategi ini adalah untuk memanfaatkan likuiditas yang tinggi dari jangka waktu perdagangan London, yang dikombinasikan dengan sinyal Gold Fork Dead Fork dari SMA Equity, untuk melakukan reversal trading pada pasangan mata uang digital utama ETH/USDT.
Prinsip Strategi
Logika inti dari strategi ini adalah untuk pertama-tama menentukan waktu perdagangan pada periode waktu London, kemudian menghitung rata-rata SMA untuk periode tertentu, dan kemudian memutuskan apakah harga terjadi pada periode waktu London dengan SMA bercabang emas atau bercabang mati. Secara khusus, strategi ini pertama-tama mendefinisikan awal dan akhir periode waktu London, kemudian mengatur parameter panjang rata-rata SMA untuk 50 periode.
Keuntungan utama dari strategi ini adalah memanfaatkan volatilitas tinggi pada waktu London untuk berdagang dan mendapatkan peluang yang lebih baik untuk masuk. Sementara itu, sinyal Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex Forex adalah sinyal indikator teknis yang klasik dan efektif. Oleh karena itu, kombinasi ini dapat memfilter sinyal palsu hingga batas tertentu, meningkatkan stabilitas strategi dan tingkat keuntungan.
Keunggulan Strategis
- Menggunakan waktu London yang sangat fleksibel untuk mendapatkan waktu yang lebih baik untuk masuk
- SMA rata-rata adalah sinyal indikator teknis klasik dan efektif
- Penggunaan kombinasi dapat meningkatkan kualitas sinyal, memfilter sinyal palsu
- Menggunakan metode trading reverse, cocok untuk trading short line
- Tingkat pemanfaatan dana yang tinggi, dapat meningkatkan keuntungan dengan menggunakan leverage
Risiko Strategis dan Solusi
Strategi ini juga memiliki beberapa risiko, yang meliputi:
- Pasar tren mungkin sering terkena sinyal dead fork.
- Periode SMA yang tidak tepat, mungkin menghasilkan terlalu banyak sinyal palsu
- Perdagangan reverse mudah terjebak dalam situasi yang tidak stabil
Risiko-risiko ini dapat dikendalikan dan diatasi dengan:
- Kombinasi dengan indikator tren, menghindari penggunaan pada saat tren bergejolak
- Optimalkan parameter SMA untuk mencari siklus perdagangan optimal
- Tetapkan Stop Loss, kendalikan kerugian tunggal
Arah optimasi strategi
Strategi ini juga dapat dioptimalkan di:
- Indikator lain dapat diperkenalkan untuk kombinasi, seperti RSI, KD, dan lain-lain, membentuk aturan filter multi-indikator, meningkatkan kualitas sinyal
- Parameter siklus yang dapat mengoptimalkan SMA rata-rata untuk mencari siklus perdagangan yang optimal
- Bisa didasarkan pada rata-rata SMA, kemudian memasukkan rata-rata periode waktu yang lebih lama, membentuk kombinasi silang rata-rata
- Anda dapat mengoptimalkan waktu trading untuk menguji waktu mana yang paling efektif.
- Algoritma pembelajaran mesin dapat diperkenalkan untuk melatih dan memfilter sinyal
Meringkaskan
Secara keseluruhan, strategi ini melalui perdagangan periode likuiditas tinggi dan kombinasi indikator teknis klasik dengan persilangan rata-rata, mencapai strategi perdagangan berbalik garis pendek yang lebih sederhana dan praktis. Strategi ini memiliki keuntungan seperti tingkat pemanfaatan dana yang tinggi, indikator teknis yang sederhana, dan mudah diterapkan. Namun, ada juga risiko tertentu, perlu menguji dan mengoptimalkan parameter, stop loss, dan periode perdagangan untuk mendapatkan keuntungan yang lebih stabil.
/*backtest
start: 2023-01-11 00:00:00
end: 2024-01-17 00:00:00
period: 1d
basePeriod: 1h
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/
//@version=5
strategy("London SMA Strategy ", overlay=true)
// Define London session times
london_session_start_hour = 6
london_session_start_minute = 59
london_session_end_hour = 15
london_session_end_minute = 59
// Define SMA input parameters
sma_length = input.int(50, title="SMA Length")
sma_source = input.source(close, title="SMA Source")
// Calculate SMA
sma = ta.sma(sma_source, sma_length)
// Convert input values to timestamps
london_session_start_timestamp = timestamp(year, month, dayofmonth, london_session_start_hour, london_session_start_minute)
london_session_end_timestamp = timestamp(year, month, dayofmonth, london_session_end_hour, london_session_end_minute)
// Define backtesting time range
start_date = timestamp(2021, 1, 1, 0, 0)
end_date = timenow
// Filter for London session and backtesting time range
in_london_session = time >= london_session_start_timestamp and time <= london_session_end_timestamp
in_backtesting_range = time >= start_date and time <= end_date
// Long condition: Close price crosses above SMA during London session
long_condition = ta.crossover(close, sma)
// Short condition: Close price crosses below SMA during London session
short_condition = ta.crossunder(close, sma)
// Plot SMA for reference
plot(sma, title="SMA", color=color.blue)
// Strategy entries and exits
if (long_condition)
strategy.entry("Long", strategy.long)
if (short_condition)
strategy.entry("Short", strategy.short)