ChaoZhang
1
fokus pada
1617
Pengikut
Ringkasan
Strategi ini adalah strategi perdagangan yang didasarkan pada Stochastic Slow Oscillator, yang menggabungkan Moving Average, Relative Strength Index (RSI), dan teknologi AI. Strategi ini menilai sinyal silang dari indikator lambat acak, sambil mempertimbangkan posisi harga relatif terhadap rata-rata bergerak 200 hari, dan sinyal yang dihasilkan oleh model AI untuk menentukan sinyal jual beli. Strategi ini juga menetapkan stop loss dan stop loss untuk mengendalikan risiko.
Prinsip Strategi
- Hitung indikator kecepatan lambat acak selama 30 siklus, di mana siklus kelancaran untuk nilai K adalah 18, dan siklus kelancaran untuk nilai D adalah 7.
- Tanda batas untuk overbought dan oversold adalah 40 dan 19, dengan set nilai K minimal 12.
- Perhitungan rata-rata bergerak sederhana 200 hari sebagai filter tren.
- Membuat sinyal jual beli menggunakan model jaringan saraf recursi ((RNN)).
- Kondisi masuk multi-head: harga melewati 200-day moving average, K-value kurang dari oversold threshold dan lebih besar dari minimal K-value, sinyal AI adalah 1。
- Kondisi masuk kosong: harga melewati 200 hari moving average, K lebih besar dari overbought dan lebih besar dari minimal K, sinyal AI adalah -1.
- Sinyal beli/beli juga dihasilkan ketika indikator acak muncul bersilang dan memenuhi kondisi overbought/oversold.
- Set Stop Stop 500 poin ke bawah harga saat ini dan Stop Loss 200 poin ke atas harga saat ini.
Keunggulan Strategis
- Dengan menggabungkan beberapa indikator teknis dan teknologi kecerdasan buatan, strategi ini meningkatkan stabilitas dan adaptasi.
- Menggunakan indikator lambat acak sebagai sinyal jual beli utama, efektif menangkap pasar overbought dan oversold.
- Menggunakan 200-day moving average sebagai filter tren untuk menghindari perdagangan di saat tren berbalik.
- Dengan menggunakan model kecerdasan buatan untuk menghasilkan sinyal beli dan jual, strategi ini semakin cerdas.
- Pengaturan Stop Loss yang jelas untuk mengontrol risiko.
Risiko Strategis
- Indikator acak dapat menghasilkan lebih banyak sinyal palsu dalam kondisi pasar tertentu.
- Efektivitas model kecerdasan buatan tergantung pada kualitas data pelatihan dan desain model, dengan beberapa ketidakpastian.
- Stop loss yang ditetapkan mungkin tidak dapat beradaptasi dengan berbagai kondisi pasar yang berfluktuasi.
- Kurangnya strategi untuk menanggapi insiden pasar yang tidak terduga dan fluktuasi yang tidak biasa.
Arah optimasi strategi
- Optimalisasi parameter dari indikator acak, seperti mengadaptasi siklus kelancaran nilai K dan nilai D untuk meningkatkan efektivitas indikator.
- Perbaikan desain model kecerdasan buatan, memperkenalkan lebih banyak fitur dan data pasar, meningkatkan akurasi model yang diprediksi.
- Menggunakan mekanisme stop loss yang dinamis untuk menyesuaikan stop loss sesuai dengan volatilitas pasar dan tingkat risiko.
- Memperkenalkan analisis sentimen pasar dan faktor-faktor pendorong peristiwa, meningkatkan kemampuan strategi untuk menanggapi insiden pasar yang tidak terduga.
- Pertimbangkan untuk memasukkan modul manajemen posisi dan manajemen dana untuk mengoptimalkan efisiensi penggunaan dana dan kontrol risiko strategi.
Meringkaskan
Strategi ini menggunakan indikator acak untuk menangkap sinyal overbought dan oversold, sementara menggunakan filter tren dan sinyal buatan, meningkatkan stabilitas dan fleksibilitas strategi. Meskipun ada risiko tertentu, seperti kegagalan indikator dan ketidakpastian model, namun dengan mengoptimalkan parameter indikator, memperbaiki model kecerdasan buatan, dan mengadopsi langkah-langkah pengendalian risiko dinamis, strategi ini dapat meningkatkan kinerja dan kemampuan pengendalian risiko.
Kode Sumber Strategi
/*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")