kNNに基づくトレンドフォロー戦略

概要

この戦略は,k 近隣の (kNN) 機械学習アルゴリズムを使用して,市場トレンドを予測し,予測結果に基づいて長ポジションと空ポジションのシグナルを生成する. この戦略は,歴史的データ,技術指標などの複数の要因を総合的に考慮し,kNNモデル動態を訓練することによって市場特性を得,自動化トレンド追跡取引を実現する.

戦略原則

トレーニングデータ収集: 取引量などの時間序列,およびRSI,CCIなどの技術指標を収集する.
データの予行処理:指標値を0-100の範囲に統一する.
トレーニングkNNモデル:現在のkNNモデル内の2つの特性を入力し,これらの特性のベクトルと歴史特性のベクトル間のヨーロッパ式距離を計算し,最近のkの歴史サンプルから距離を選択し,このkの標識 ((多頭 or 空頭) の分布を統計する.
予測を得る: kの近隣のサンプルによるタグによる現在の市場の動きを予測する. 予測が多頭であれば,長ポジションシグナルを生成する. 予測が空頭であれば,空ポジションシグナルを生成する.
ストップ・ローズ,ポジション・コントロール,移動平均などのフィルターで取引する.

戦略的優位性

機械学習のアルゴリズムを使って,人工の介入なしに技術形態を自動的に識別します.
モデル特征として異なる技術指標を柔軟に選択し,リアルタイムで最適化策を策定する.
ストップ・ロスの統合,ポジション管理などの厳格なリスク制御メカニズム
視覚化で止損線が表示され,直感的に清晰です.

リスクと解決策

機械学習予測は誤報が発生する可能性がある.適切なk値,特征ベクトル,サンプリング時間範囲などの最適化モデルを選択できます.
単一取引には潜在的リスクがあります. 単一取引をコードに追加することで,バグを削除できます.
パラメータ設定が不適切である場合,過剰取引が起こりうる.ポジションサイズ,取引頻度などのパラメータを適切に調整すべきである.

最適化の方向

異なるタイプの技術指標をkNNの入力特性としてテストする.
マンハッタンの距離など,他の距離測定法を試してください.
サンプル距離または分類質を使用してポジションサイズを調整する.
モデルのトレーニングセット,テストセットの分割を追加し,スクロールの最適化を可能にします.

要約する

この戦略は,クラシックなkNNアルゴリズムを使用して,市場トレンドの予測を実現し,予測信号に基づいてトレンドをフォローする取引を行う. この戦略は,パラメータ調整可能な,リスク制御可能な特性を有し,ユーザーに効果的な自動化取引方案を提供することができます. ユーザーは,技術指標の組み合わせを調整し,モデル超パラメータを最適化することによって,戦略のパフォーマンスを継続的に向上させることができます.

Source

Pine

/*backtest
start: 2023-11-07 00:00:00
end: 2023-12-07 00:00:00
period: 1h
basePeriod: 15m
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/

// This source code is subject to the terms of the Mozilla Public License 2.0 at https://mozilla.org/MPL/2.0/
// © sosacur01

//@version=5

Strategy parameters

Backtest Time Period

Filter Date Range of Backtest

Start Date

End Date

Long & Short Position

On/Off Long Postion

On/Off Short Postion

kNN-based Inputs

Start Date

Stop Date

Indicator