개요: 이는 웨이브 지표를 활용하여 추세를 식별하는 추적 전략입니다. 평균 가격의 지수 이동 평균과 절대 가격 차이의 이동 평균을 계산하여 웨이브 라인을 얻습니다. 이 전략은 웨이브 라인이 과매수/과매도 영역을 교차하는 것을 모니터링하여 거래 신호를 생성합니다. 동시에 이동 평균 필터와 거래량 필터를 결합하여 잘못된 신호를 방지합니다.

전략 원리:

1. 평균 가격 ap = (고가 + 저가 + 종가) / 3 계산

2. n1 기간의 ap에 대한 EMA를 계산하여 esa 획득

3. ap와 esa의 절대 차이에 대한 n1 기간 EMA를 계산하여 d 획득

4. 웨이브 라인 계산: ci = (ap - esa) / (0.015 * d)

5. n2 기간 ci의 EMA를 계산하여 궁극 웨이브 라인 tci, 즉 wt1 획득

6. wt1의 4기간 SMA를 계산하여 wt2 획득

7. 과매수 구역 및 과매도 구역에 수평선 obLevel1/2 및 osLevel1/2 그리기

8. wt1이 obLevel2 선을 상향 돌파할 때 매수 신호 발생; wt1이 osLevel2 선을 하향 돌파할 때 매도 신호 발생

9. 이동 평균 emaFilter와 거래량 volumeFilter를 필터 조건으로 추가하여 잘못된 신호 방지

10. 진입 후 손익 비율을 설정하여 포지션 종료

장점 분석:

1. 웨이브 라인이 롱/숏 전환을 비교적 잘 처리하며 추세를 효과적으로 포착 가능

2. 이동 평균과 거래량 이중 필터를 결합하여 신뢰도가 높음

3. 여러 매개변수 그룹을 사용하여 단일 지표의 한계 극복

4. 손익 절단을 설정하여 일부 이익을 확보하고 위험을 효과적으로 제어

위험 및 단점:

1. 특정 상황에서 매개변수 선택이 성능 저하 또는 과적합을 초래할 수 있음

2. 최적 매개변수 선택에 대한 명확한 지침이 없어 시행착오 필요

3. 신호에 더 넓은 시장 조건을 반영하지 않음

4. 범위 제한 또는 변동성 높은 시장에서 사용 시 폭죽 효과(거짓 신호) 위험

5. 이익 실현/손절 외의 청산 규칙 부재

최적화 방향:

1. 다양한 시간대와 자산에서 매개변수 집합을 테스트하여 최적값 찾기

2. 변동성 지표를 결합하여 저변동성 기간의 신호 회피

3. RSI와 같은 보조 지표를 추가하여 신호 정확도 향상

4. 특정 자산에 대한 최적 매개변수를 찾는 머신러닝 모델 구축

5. 트레일링 스탑 또는 급격한 변동성 확장 이벤트 기반 청산을 추가하여 청산 규칙 강화

요약:

이는 웨이브 라인과 보조 지표를 결합한 전략입니다. 웨이브 라인이 추세 전환을 효과적으로 식별하는 특성을 활용하고, 이동 평균 및 거래량 필터로 잘못된 신호를 방지하여 대부분의 중장기 추세를 포착할 수 있습니다. 또한 손익 절단을 사용하여 위험을 제어합니다. 최적화 여지는 크며, 매개변수 조합 조정, 더 많은 지표 결합, 머신러닝 등을 통해 지속적으로 개선하면 더 많은 종목과 시간대에서 더 나은 성과를 낼 수 있습니다.