Strategi Prediksi Gelombang Gaussian

Common strategy

Created: 2024-01-22 12:37:07

Last modified: 3 years ago

Copy: 2

ChaoZhang

1802

Followers

Gambaran Umum

Strategi prediksi gelombang Gaussian adalah strategi trading kuantitatif yang didasarkan pada filter Gaussian. Strategi ini memanfaatkan karakteristik pemulusan filter Gaussian untuk melakukan beberapa kali penyaringan pada urutan harga, menghasilkan beberapa urutan harga yang telah dihaluskan. Kemudian, dengan menggabungkan pendekatan polinomial dari urutan harga tersebut, strategi ini mampu memprediksi harga di masa depan. Berdasarkan hasil prediksi, strategi memberikan rekomendasi untuk posisi long atau short.

Prinsip Strategi

Inti dari strategi ini adalah algoritma filter Gaussian. Filter Gaussian adalah filter pemulusan linier yang menggunakan fungsi Gaussian sebagai bobot. Dalam strategi, parameter p ditetapkan sebagai ukuran jendela penyaringan. Kemudian, koefisien filter alfa dihitung menggunakan fungsi trigonometri. Setiap urutan harga ret\[i\] mewakili hasil penyaringan Gaussian ke-i pada urutan harga asli.

Strategi ini menggunakan pemikiran rekursif. Pertama, dengan alfa dan urutan harga asli price, hasil penyaringan pertama ret dihitung. Kemudian, berdasarkan ret, dilakukan penyaringan kedua untuk mendapatkan ret2. Proses ini diulang beberapa kali. Pada akhirnya, dengan menggabungkan beberapa urutan harga, kurva dipasangkan untuk memprediksi harga masa depan ret4. Jika harga prediksi lebih tinggi dari harga aktual saat ini, maka lakukan posisi long; jika lebih rendah, maka lakukan posisi short.

Dengan melakukan penyaringan berulang, strategi dapat lebih halus dan lebih cocok dengan tren. Bersamaan dengan pendekatan polinomial, prediksi pergerakan harga jangka pendek dapat dicapai.

Analisis Keunggulan

Strategi ini memiliki keunggulan sebagai berikut:

Menggunakan filter Gaussian untuk menghaluskan harga. Ini dapat secara efektif menyaring noise frekuensi tinggi, membuat strategi lebih stabil.
Melakukan beberapa kali penyaringan secara rekursif. Ini dapat lebih baik dalam menyesuaikan tren harga, menghasilkan prediksi yang lebih baik.
Memprediksi harga berdasarkan pendekatan polinomial. Ini dapat memodelkan pergerakan harga jangka pendek, sehingga menghasilkan sinyal trading.
Menggabungkan harga saat ini dengan harga prediksi untuk pengambilan keputusan. Sinyal trading langsung terkait dengan prediksi tren, menghindari kehilangan peluang trading.
Implementasi sederhana, mudah dipahami dan dioptimalkan. Dapat digunakan sebagai modul dasar strategi frekuensi tinggi, untuk memperluas indikator analisis lainnya.

Analisis Risiko

Strategi ini juga memiliki risiko sebagai berikut:

Efek pemulusan filter Gaussian terhadap perubahan harga mendadak dapat menyebabkan kehilangan peluang trading jangka pendek.
Pendekatan polinomial memiliki risiko overfitting. Jika pola perubahan harga berubah secara tiba-tiba, efektivitas prediksi dapat menurun.
Ukuran jendela penyaringan dan orde polinomial yang dipasangkan perlu ditentukan secara tepat. Jika tidak tepat, strategi dapat gagal.
Hanya mengandalkan harga pembukaan sebagai sinyal trading. Tidak dapat melakukan operasi trading di dalam sesi.

Arah Optimasi

Strategi ini dapat dioptimalkan dari sisi berikut:

Menambahkan mekanisme pelatihan model dan pelatihan ulang jendela geser. Membuat parameter strategi menyesuaikan secara dinamis, mengurangi risiko overfitting.
Menggabungkan lebih banyak indikator harga dan fitur. Memperkaya input strategi, membuat prediksi lebih stabil.
Menambahkan mekanisme stop loss. Menetapkan rasio kerugian maksimum untuk menghindari kerugian besar dalam kondisi pasar ekstrem.
Mengoptimalkan manajemen posisi. Menyesuaikan posisi secara dinamis berdasarkan akurasi prediksi dan volatilitas.
Mencoba prediksi berbasis model machine learning utama. Seperti model pembelajaran mendalam LSTM, dll. Lebih lanjut meningkatkan kemampuan prediksi strategi.

Kesimpulan

Secara keseluruhan, strategi ini adalah strategi kuantitatif frekuensi tinggi yang menggunakan filter Gaussian dan pendekatan polinomial untuk memprediksi harga. Strategi ini memiliki keunggulan tertentu, tetapi juga memiliki ruang untuk perbaikan. Dengan menggabungkan lebih banyak fitur, memperkenalkan modul seperti penyesuaian parameter dinamis, mekanisme stop loss, dan optimasi lainnya, efektivitas strategi dapat ditingkatkan. Strategi ini meletakkan dasar untuk strategi frekuensi tinggi dan layak untuk diteliti lebih lanjut.

Source

Pine

/*backtest
start: 2023-01-15 00:00:00
end: 2024-01-21 00:00:00
period: 1d
basePeriod: 1h
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/

//@version=2
strategy("Gaussbot v1.0", overlay=true)

p = input(20, minval=1, title="Length")

Strategy parameters