개요

이 전략은 k 근접 (kNN) 기계 학습 알고리즘을 사용하여 시장 추세를 예측하고, 예측 결과에 따라 긴 포지션과 빈 포지션 신호를 생성한다. 이 전략은 종합적으로 역사적 데이터, 기술 지표와 같은 여러 요소를 고려하고, kNN 모델 동력을 통해 시장 특성을 획득하고, 자동화 된 트렌드 추적 거래를 구현한다.

전략 원칙

1. 훈련 데이터를 수집합니다. 역사적인 종식 가격, 거래량과 같은 시간 순서, RSI, CCI와 같은 기술 지표들을 수집합니다.

2. 데이터 전처리: 지표값을 0-100의 범위로 정형화한다.

3. 트레이닝 kNN 모델: 현재 kNN 모델의 두 가지 특징을 입력하고, 이들 특징 벡터와 역사 특징 벡터 사이의 유럽식 거리를 계산하고, 가장 가까운 k개의 역사 샘플의 거리를 선택하고, 이 k개의 샘플의 레이블 ((多頭 or 空頭) 분포 상황을 통계한다.

4. 예측을 얻는다: k의 가장 가까운 이웃 샘플의 표기에 따라 현재 시장의 움직임을 예측한다. 예측이 다목적이라면, 긴 포지션 신호를 생성한다. 예측이 공백이라면, 빈 포지션 신호를 생성한다.

5. 스톱로스, 포지션 제어, 이동 평균 등의 필터와 함께 거래한다.

전략적 이점

1. 기계 학습 알고리즘을 사용하여 기술 형태를 자동으로 식별하고, 사람의 개입이 필요하지 않습니다.

2. 다양한 기술 지표를 모델 특성으로 선택하여 실시간 최적화 전략을 적용할 수 있습니다.

3. 통합된 스톱로스, 포지션 관리 등과 같은 엄격한 위험 제어 장치

4. 시각화 상쇄선, 명확한 직관.

위험과 해결책

1. 기계학습 예측에는 오류가 발생할 수 있다. 적절한 k값, 특징 벡터, 샘플링 시간 범위 등의 최적화 모델을 선택할 수 있다.

2. 일방적인 거래는 잠재적인 위험이다. 코드에서 쌍방적인 거래를 추가하면 버그를 제거할 수 있다.

3. 매개 변수 설정이 잘못되면 과도한 거래가 발생할 수 있다. 포지션 크기, 거래 빈도 등의 매개 변수들을 적절히 조정해야 한다.

최적화 방향

1. 다양한 유형의 기술 지표를 kNN 입력 특성으로 테스트한다.

2. 맨해튼 거리처럼 다른 거리 측정 방법을 시도해 보세요.

3. 샘플 거리 또는 분류 질량을 사용하여 포지션 크기를 조정하십시오.

4. 모델 트레이닝 세트를 추가하고, 테스트 세트를 분할하여, 스크롤 최적화를 구현한다.

요약하다

이 전략은 고전적인 kNN 알고리즘을 사용하여 시장 추세를 예측하고 예측 신호에 따라 추세를 따라 거래한다. 이 전략은 매개 변수를 조정할 수 있고, 위험을 제어할 수 있는 특징이 있으며, 사용자에게 효과적인 자동화 거래 프로그램을 제공할 수 있다. 사용자는 기술 지표 포트폴리오를 조정하거나, 모델 초 매개 변수를 최적화하는 등의 방법으로 전략 성능을 지속적으로 향상시킬 수 있다.