ChaoZhang
Ringkasan
Strategi ini menggunakan metode analisis kuantitatif campuran yang menggabungkan dua model distribusi dan analisis regresi untuk mengidentifikasi kondisi pasar yang berbeda. Strategi ini pertama-tama menghitung rata-rata bergerak sederhana (SMA) dan indikator Bollinger Bands (BB), lalu menghitung skor Z berdasarkan rata-rata dan standar deviasi dari laba historis. Strategi ini membuka posisi lebih banyak ketika skor Z lebih rendah dari harga terendah dan harga lebih rendah dari harga terendah.
Prinsip Strategi
Prinsip inti dari strategi ini adalah menggunakan skor Z untuk mengukur posisi return saat ini terhadap distribusi return historis. Rumus perhitungan skor Z adalah: ((Return saat ini - rata-rata return historis) / standar deviasi return historis. Nilai Z yang lebih tinggi menunjukkan bahwa return saat ini melampaui batas ekstrem, semakin besar kemungkinan overbought; Nilai Z yang lebih rendah menunjukkan bahwa return saat ini melampaui batas ekstrem, semakin besar kemungkinan oversold.
Keunggulan Strategis
- Analisis Kuantitatif: Strategi ini sepenuhnya didasarkan pada indikator kuantitatif, aturan yang jelas, mudah untuk diimplementasikan dan diperhitungkan.
- Konfirmasi ganda: Strategi ini menggunakan skor Z dan dua indikator Brin pada saat yang sama, membentuk mekanisme penyaringan ganda, meningkatkan akurasi sinyal.
- Dasar statistik: Z-score berasal dari teori distribusi normal dalam statistik, memiliki dasar teoritis yang kuat, dan dapat secara objektif mengukur tingkat ekstrim dari pengembalian saat ini.
- Fleksibilitas parameter: pengguna dapat menyesuaikan parameter seperti siklus SMA, kelipatan Brin, dan nilai Z, sesuai dengan kebutuhan, dengan fleksibilitas untuk beradaptasi dengan pasar yang berbeda.
Risiko Strategis
- Parameter sensitif: pengaturan parameter yang berbeda dapat menyebabkan perbedaan besar dalam kinerja strategi, yang memerlukan optimasi parameter yang memadai dan pengujian stabilitas.
- Risiko tren: Ketika pasar mengalami tren yang kuat, skor Z mungkin berada di zona ekstrem untuk waktu yang lama, menyebabkan sinyal strategi menjadi langka atau tidak ada sama sekali.
- Risiko Overfitting: Terlalu banyak optimasi pada parameter kebijakan dapat menyebabkan overfitting, yang tidak bekerja dengan baik di luar sampel.
- Risiko Black Swan: Dalam situasi ekstrem, aturan statistik historis mungkin tidak berlaku, dan strategi menghadapi risiko penarikan yang lebih besar.
Arah optimasi strategi
- Parameter Dinamis: Mengingat indikator seperti volatilitas pasar, kekuatan tren, dan lainnya, secara dinamis menyesuaikan nilai terendah Z-score dan kelipatan Brin, untuk meningkatkan fleksibilitas.
- Menambahkan filter tren: Tambahkan indikator penilaian tren pada mekanisme yang ada, seperti MA silang, DMI, dan lain-lain, untuk menghindari terlalu banyak sinyal tidak efektif pada tren yang kuat.
- Optimasi kombinasi: strategi ini dikombinasikan dengan strategi kuantitatif lainnya (seperti momentum, regresi rata-rata, dll) untuk memanfaatkan keuntungan masing-masing dan meningkatkan stabilitas.
- Stop loss: Memperkenalkan mekanisme stop loss yang masuk akal, mengendalikan risiko transaksi tunggal, dan meningkatkan laba setelah disesuaikan dengan risiko.
Meringkaskan
Strategi kuantifikasi skor Z biner hibrida adalah strategi perdagangan kuantitatif yang didasarkan pada prinsip statistik untuk mengidentifikasi peluang overbought dan oversold potensial dengan membandingkan distribusi pengembalian saat ini dengan distribusi pengembalian historis. Selain itu, strategi ini menggunakan indikator Bollinger Bands untuk konfirmasi ganda, meningkatkan keandalan sinyal. Aturan strategi jelas, mudah diimplementasikan dan dioptimalkan, tetapi juga menghadapi tantangan seperti sensitif parameter, risiko tren, risiko overfit.
/*backtest
start: 2023-05-22 00:00:00
end: 2024-05-27 00:00:00
period: 1d
basePeriod: 1h
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/
//@version=5
strategy("Estratégia Híbrida Quantitativa", overlay=true)
// Definição de parâmetros
sma_length = input.int(20, title="Período da SMA")
threshold_high = input.float(1.5, title="Threshold Alto")
threshold_low = input.float(-1.5, title="Threshold Baixo")
lookback_period = input.int(252, title="Período de Retorno Histórico (dias)")
// Funções auxiliares
f_sma(source, length) =>
ta.sma(source, length)
f_bollinger_band(source, length, mult) =>
basis = ta.sma(source, length)
dev = mult * ta.stdev(source, length)
[basis + dev, basis - dev]
// Cálculo dos indicadores
sma = f_sma(close, sma_length)
[upper_band, lower_band] = f_bollinger_band(close, sma_length, 2)
// Regime de Mercado: Binomial
retornos = ta.change(close, 1)
media_retornos = ta.sma(retornos, lookback_period)
desvio_padrao_retornos = ta.stdev(retornos, lookback_period)
// Indicador de Regime: Z-Score
z_score = (retornos - media_retornos) / desvio_padrao_retornos
// Sinal de Compra e Venda
sinal_compra = z_score < threshold_low and close < lower_band
sinal_venda = z_score > threshold_high and close > upper_band
// Execução de Ordem
if (sinal_compra)
strategy.entry("Long", strategy.long)
if (sinal_venda)
strategy.close("Long")
// Plotagem dos Indicadores
plot(sma, title="SMA", color=color.blue)
plot(upper_band, title="Upper Bollinger Band", color=color.red)
plot(lower_band, title="Lower Bollinger Band", color=color.green)
hline(threshold_high, "Threshold Alto", color=color.red, linestyle=hline.style_dashed)
hline(threshold_low, "Threshold Baixo", color=color.green, linestyle=hline.style_dashed)
plot(z_score, title="Z-Score", color=color.purple)