1. Persegi
  2. KRK aDa Strategi Pembalikan Rata-rata Lambat dengan Peningkatan AI

KRK aDa Strategi Pembalikan Rata-rata Lambat dengan Peningkatan AI

Penulis:ChaoZhangTanggal: 2024-04-26 15:41:18
Tag:KRKADAEMAAlRSI

img

Gambaran umum

Strategi ini menggunakan indikator Stochastic Slow sebagai sinyal perdagangan utama, dikombinasikan dengan 200 periode Simple Moving Average (SMA) sebagai filter tren. Selain itu, strategi ini memperkenalkan indikator Artificial Intelligence (AI) palsu untuk memberikan sinyal masuk tambahan. Ide utama adalah untuk membeli di area oversold dan menjual di area overbought, sambil memastikan bahwa harga di atas 200 SMA untuk entri panjang dan di bawah 200 SMA untuk entri pendek, selaras dengan tren saat ini.

Prinsip Strategi

  1. Menghitung nilai K dan D dari indikator Stochastic Slow, dengan periode K ditetapkan menjadi 26 dan nilai D adalah SMA 3 periode dari nilai K.

  2. Atur tingkat overbought (OverBought) menjadi 81, tingkat oversold (OverSold) menjadi 20, dan nilai minimum K (minKValue) menjadi 11.

  3. Menghasilkan sinyal beli ketika garis K melintasi di atas garis D, dan nilai K berada di bawah tingkat oversold dan di atas nilai K minimum.

  4. Menghasilkan sinyal jual ketika garis K melintasi di bawah garis D, dan nilai K berada di atas tingkat overbought dan di atas nilai minimum K.

  5. Menggunakan SMA 200 periode sebagai filter tren, memungkinkan entri panjang hanya ketika harga di atas SMA 200 dan entri pendek ketika harga di bawah SMA 200.

  6. Memperkenalkan indikator AI palsu (menggunakan RSI>50 untuk bullish dan RSI<50 untuk bearish), memasuki panjang ketika sinyal AI bullish dan pendek ketika bearish.

  7. Gabungkan sinyal dari indikator Stochastic, filter tren, dan indikator AI untuk menghasilkan sinyal perdagangan akhir.

  8. Tetapkan stop loss 10% untuk entri panjang dan stop loss 10% untuk entri pendek.

Keuntungan Strategi

  1. Indikator Stochastic Slow secara efektif mengidentifikasi area overbought dan oversold di pasar, menyediakan titik masuk yang baik untuk perdagangan.

  2. Filter tren 200 SMA memastikan bahwa perdagangan selaras dengan tren saat ini, meningkatkan tingkat keberhasilan.

  3. Penggabungan indikator AI menawarkan lebih banyak peluang masuk, berpotensi meningkatkan profitabilitas strategi.

  4. Penggunaan perintah stop loss secara efektif mengelola risiko.

Risiko Strategi

  1. Indikator Stochastic dapat menghasilkan sinyal palsu di pasar bergolak.

  2. Indikator AI saat ini adalah indikator palsu, dan efektivitas sebenarnya perlu diverifikasi.

  3. Pengaturan stop-loss dapat menyebabkan beberapa keuntungan dipotong lebih awal.

Arah Optimasi Strategi

  1. Mengoptimalkan parameter indikator Stochastic untuk menemukan periode terbaik dan pengaturan ambang overbought/oversold.

  2. Memperkenalkan model AI yang lebih kompleks dan efektif untuk meningkatkan akurasi sinyal AI.

  3. Perbaiki pengaturan stop loss dan take profit untuk pengendalian risiko dan pengambilalihan keuntungan yang lebih baik.

  4. Pertimbangkan untuk memasukkan indikator teknis atau data dasar yang efektif lainnya untuk meningkatkan ketahanan strategi.

Ringkasan

Strategi ini menggabungkan indikator Stochastic Slow, filter tren, dan sinyal AI untuk membentuk pendekatan perdagangan multi-faktor. Indikator Stochastic memberikan sinyal overbought dan oversold yang efektif, filter tren memastikan bahwa perdagangan selaras dengan tren keseluruhan, dan sinyal AI menawarkan peluang masuk tambahan. Meskipun strategi ini memiliki beberapa risiko potensial dan ruang untuk perbaikan, logika keseluruhannya jelas dan wajar, sehingga layak eksplorasi dan penyempurnaan lebih lanjut.

/*backtest
start: 2024-03-01 00:00:00
end: 2024-03-31 23:59:59
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(26, minval=1)
OverBought = input(81)
OverSold = input(20)
smoothK = input.int(3, minval=1)
smoothD = input.int(3, minval=1)
minKValue = input(11, 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)

// Artificial Intelligence indicator (dummy example)
// Aquí puedes colocar la lógica de tu red neuronal artificial
// Por ahora, simplemente usaremos una señal aleatoria
ai_signal = ta.rsi(close, 14) > 50 ? 1 : -1

// 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("StochLE", strategy.long, comment="StochLE")
    if (cu and k > OverBought and k > minKValue)
        strategy.entry("StochSE", strategy.short, comment="StochSE")
    if (longCondition)
        strategy.entry("LongEntry", strategy.long, comment="LongEntry")
        strategy.exit("StopLoss", "LongEntry", loss = close * 0.9) // Stop loss del 10%
    if (shortCondition)
        strategy.entry("ShortEntry", strategy.short, comment="ShortEntry")
        strategy.exit("StopLoss", "ShortEntry", loss = close * 1.1) // Stop loss del 10%

// Plotting
plot(ema200, color=color.blue, title="200 SMA")
Berkaitan
Lebih banyak

2019 FMZ - Semua hak dilindungi