ChaoZhang
개요
RSI 사다리 융합 전략은 RSI 지표, 1차 균형 표 지표 및 200일 이동 평균을 결합한 융합 전략이다. 이 전략은 RSI 지표를 사용하여 다중 또는 공허의 사다리 융합 형태를 식별하고, 1차 균형 표 지표는 트렌드 방향을 판단하고, 200일 이동 평균은 지원 및 저항 보조 판단으로 여러 지표가 확인된 후 거래 신호를 생성한다.
전략 원칙
첫째, 이 전략은 RSI 지표를 사용하여 다면 또는 공허 대담한 모형을 식별한다. RSI 대담한 모형은 주가가 혁신적으로 높지만 RSI가 혁신적으로 높지 않은 공허 대담한 모형, 또는 주가가 혁신적으로 낮지만 RSI가 혁신적으로 낮지 않은 다면 대담한 모형을 의미한다. 이 모형은 일반적으로 주가 반전의 다가오는 것을 예고한다.
둘째, 이 전략은 1차 평형표 지표의 선도선 1과 선도선 2을 사용하여 트렌드 방향을 판단한다. 선도선 1이 선도선 2 위에 있을 때 상승 추세에 있다고 생각하면, 반대로 하향 추세이다. 1차 평형표 지표는 전환선, 기준선 및 지연선의 조합을 통해 트렌드 방향을 판단하는 것이 더 신뢰할 수 있는 트렌드 판단 도구이다.
마지막으로, 이 전략은 200일 이동 평균을 도입한다. 이동 평균은 종종 중요한 지지 또는 저항 지점으로 간주된다. 1차 평형표가 상승 추세에 있고 가격이 200일선 위에 서면, 다단 신호이다. 반대로, 1차 평형표가 하향 추세에 있고 가격이 200일선 아래로 떨어지면, 공허 신호이다.
여러 지표의 판단을 통합하여, 몇 가지 가짜 신호를 필터링하여 거래 결정을 더 신뢰할 수 있습니다. RSI가 대담한 팀을 형성하고, 일회성 평형표가 트렌드 방향을 판단하고, 가격과 200 일선과의 관계가 기대에 부합할 때, 이 전략은 실제 거래 신호를 생성합니다.
전략적 이점
이러한 다중 지표 융합 전략의 가장 큰 장점은 가짜 신호를 필터링하여 거래 결정을 더 신뢰할 수 있다는 것입니다.
첫째, RSI 대담한 팀은 그 자체로 약간의 예측 능력을 가지고 있으며, 가격의 가능한 반전을 미리 관찰 할 수 있습니다. 그러나 RSI 대담한 팀 형태만으로 거래 신호를 결정하는 것은 충분하지 않습니다.
둘째, 일회성 평형표 지표를 도입하면 트렌드 방향을 더 잘 판단할 수 있으며, 흔들림 상황에서 잘못된 신호를 발생하지 않습니다. 일회성 평형표의 선행선 조합은 트렌드 판단에 매우 효과적입니다.
마지막으로, 200일 이동 평균의 지지 저항 작용은 신호의 신뢰성을 추가로 확인하는 데 도움이 됩니다. 거래 신호는 평형표가 트렌드를 확인하고 가격이 200일선과 적절한 관계를 갖는 경우에만 생성됩니다.
종합적으로, 이 다중 지표 융합 전략은 많은 가짜 신호를 차단할 수 있으며, 여러 지표가 합의되었을 때만 실제 신호를 생성하여 거래 의사 결정의 정확성을 높일 수 있습니다. 이것은 이 전략의 가장 큰 장점입니다.
전략적 위험
다중 지표 융합 전략은 신호 품질을 향상시키는 데 도움이 되지만, 이 전략에는 위험도 있습니다.
첫째, 다중 지표 조합 전략은 일부 단 하나의 지표가 잡을 수있는 기회를 어느 정도 놓치게됩니다. 너무 보수적이면 신호가 부족해질 수 있습니다.
둘째, 서로 다른 지표들 사이에는 불일치와 충돌이 있을 수 있다. 예를 들어, RSI는 대담한 팀 형태를 보여 주지만, 초점 균형 표의 추세 판단은 그 반대이다. 이 때 여러 지표들을 어떻게 밸런스해야 하는지도 어려운 문제이다.
또한, 매개 변수 설정은 전략에 큰 영향을 미칩니다. 이동 평균 주기, RSI 매개 변수와 같은 잘못된 설정은 전략 효과에 큰 할당을 초래할 수 있습니다.
마지막으로, 코드 간의 최적화에는 큰 발전이 있습니다. 동적으로 최적화 파라미터 설정을 위해 기계 학습 알고리즘을 도입 할 수 있습니다. 더 많은 지표를 테스트하여 더 나은 조합 방법을 찾을 수 있습니다.
전체적으로, 이러한 전략의 가장 큰 위험은 복잡성이 증가하고, 다중 지표 조합을 최적화하는 것이 더 어려워집니다. 전략의 최대 효과를 발휘하기 위해 다양한 시장 환경에 대한 지속적인 테스트와 최적화가 필요합니다.
전략 최적화
이 전략에는 몇 가지 개선방안이 있습니다.
다양한 지표 파라미터 설정을 테스트하고, 최적화 파라미터. 이동 평균 주기, RSI 파라미터 등이 테스트되어 최적의 파라미터 조합을 찾을 수 있다.
MACD, 브린 띠 등과 같은 다른 지표들을 도입하여 더 나은 지표 조합을 찾아보세요.
기계 학습 알고리즘을 사용하여 파라미터를 동적으로 최적화하십시오. 다양한 시장 환경에 따라 전략을 자동으로 최적화하십시오.
거래 위험을 통제하기 위해 손실을 막는 전략을 추가하십시오. 가격이 지원 또는 저항 지점을 돌파 할 때 손실을 막는 것을 고려하십시오.
최적화 전략의 진입 기회 필터링 기준을 낮추어 더 많은 기회를 얻을 수 있지만, 위험과 이익의 균형을 가해야 한다.
피드백 결과에 따라 코드를 최적화하고, 리소스 사용량을 줄이고, 전략 효율성을 높인다.
더 복잡한 다중 지표 관계를 탐색하고 더 강력한 조합 신호를 찾습니다. 더 많은 조건과 규칙을 도입하지만 과도한 최적화의 위험을 조심하십시오.
요약하다
RSI 대담팀 융합 전략은 여러 지표를 조합하여 거래 결정을 내릴 수 있으며, 신호 잡음을 효과적으로 필터링하여 신호 품질을 향상시킬 수 있다. 이 전략의 주요 장점은 가짜 신호를 줄일 수 있는 다중 지표 확인 메커니즘에 있다. 그러나 또한 약간의 복잡성 증가 문제가 있다.
/*backtest
start: 2023-10-02 00:00:00
end: 2023-11-01 00:00:00
period: 3h
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/
// © tradethrills
//@version=4
strategy("RSI Divergence X Ichimoku Cloud X 200EMA", overlay=true)
//RSI Indicator
len = input(defval=14, minval=1)
src = input(defval=close)
lbR = input(defval=5)
lbL = input(defval=5)
takeProfitLevellong = input(minval = 70, defval = 75)
takeProfitLevelshort = input(minval = 30, defval = 25)
rangeUpper = input(defval=60)
rangeLower = input(defval=5)
//200 EMA
ema200 = ema(close, 200)
//Ichimoku Cloud Indicator
conversionPeriods = input(9, minval=1)
basePeriods = input(26, minval=1)
laggingSpan2Periods = input(52, minval=1)
displacement = input(26, minval=1)
donchian(len) => avg(lowest(len), highest(len))
conversionLine = donchian(conversionPeriods)
baseLine = donchian(basePeriods)
leadLine1 = avg(conversionLine, baseLine)
leadLine2 = donchian(laggingSpan2Periods)
abovecloud = max(leadLine1, leadLine2)
belowcloud = min(leadLine1, leadLine2)
//RSI Divergence Strategy
osc = rsi(src, len)
_inrange(cond) =>
bars = barssince(cond == true)
rangeLower <= bars and bars <= rangeUpper
pricelowfound = na(pivotlow(osc, lbL, lbR)) ? false : true
pricehighfound = na(pivothigh(osc, lbL, lbR)) ? false : true
//Regular Bullish
osc_higherlow = osc[lbR] > valuewhen(pricelowfound, osc[lbR], 1) and _inrange(pricelowfound[1])
price_lowerlow = low[lbR] < valuewhen(pricelowfound, low[lbR], 1)
bullCond = price_lowerlow and osc_higherlow and pricelowfound
//Hidden Bullish
osc_lowerlow = osc[lbR] < valuewhen(pricelowfound, osc[lbR], 1) and _inrange(pricelowfound[1])
price_higherlow = low[lbR] > valuewhen(pricelowfound, low[lbR], 1)
hiddenbullCond = price_higherlow and osc_lowerlow and pricelowfound
//Regular Bearish
osc_lowerhigh = osc[lbR] < valuewhen(pricehighfound, osc[lbR], 1) and _inrange(pricehighfound[1])
price_higherhigh = high[lbR] > valuewhen(pricehighfound, high[lbR], 1)
bearCond = price_higherhigh and osc_lowerhigh and pricehighfound
//Hidden Bearish
osc_higherhigh = osc[lbR] > valuewhen(pricehighfound, osc[lbR], 1) and _inrange(pricehighfound[1])
price_lowerhigh = high[lbR] < valuewhen(pricehighfound, high[lbR], 1)
hiddenbearCond = price_lowerhigh and osc_higherhigh and pricehighfound
//Entry and Exit
longCondition = (bullCond or hiddenbullCond) and (abovecloud > ema200)
closelongCondition = crossover(osc, takeProfitLevellong)
shortCondition = (bearCond or hiddenbearCond) and (ema200 > belowcloud)
closeshortCondition = crossover(osc, takeProfitLevelshort)
strategy.entry("Long", strategy.long, when=longCondition)
strategy.close("Long", when=closelongCondition)
strategy.entry("Short", strategy.short, when=shortCondition)
strategy.close("Short", when=closeshortCondition)