ChaoZhang
개요
이 전략은 무작위적인 느린 지표 ((Stochastic Slow) 를 주요 거래 신호로 사용하고 200주기 간단한 이동 평균 ((SMA) 과 결합하여 트렌드 필터로 사용한다. 또한, 이 전략은 가상 인공지능 ((AI) 지표를 도입하여 추가적인 진입 신호를 제공한다. 전략의 주요 아이디어는 과매 지역 구매, 과매 지역 판매, 동시에 가격이 200 SMA 위를 구입하고, 200 SMA 아래를 판매하고, 현재 추세에 따라 구매한다.
전략 원칙
K값과 D값을 계산하여 K값의 주기 26과 D값의 3주기 SMA를 계산한다.
오버바우드 (OverBought) 를 81으로 설정하고, 오버솔드 (OverSold) 를 20으로 설정하고, 최소 K값 (minKValue) 을 11로 설정한다.
K선에서 D선을 통과하고 K값이 초매매구역보다 작고 최소K값보다 크면 구매 신호가 발생한다.
K가 D선을 통과하고 K값이 초매구역과 최소K값보다 크면 판매 신호가 발생한다.
200 SMA를 트렌드 필터로 사용하여, 가격이 200 SMA 위에 있을 때 구매를 허용하고, 200 SMA 아래에 있을 때 판매를 허용한다.
가상 AI 지표를 도입하기 (RSI>50을 사용하여 상승, RSI<50을 사용하여 하락), AI 지표가 상승할 때 구매하고 하락할 때 판매한다.
무작위 지표, 트렌드 필터 및 AI 지표의 신호를 통합하여 최종 거래 신호를 생성합니다.
구매할 때 10%의 손실을 설정하고, 판매할 때 10%의 손실을 설정한다.
전략적 이점
무작위 느린 지표는 시장의 과매매와 과매매 지역을 효과적으로 식별하여 거래에 대한 좋은 진입 지점을 제공합니다.
200 SMA를 트렌드 필터로 도입하여 거래가 현재 트렌드와 일치하도록 보장하여 성공률을 높였습니다.
AI 지표를 추가하는 것은 전략에 더 많은 접근 기회를 제공하며, 전략의 수익률을 높일 수 있습니다.
스톱로스 주문을 설정하여 위험을 효과적으로 통제합니다.
전략적 위험
무작위 지표는 흔들리는 시장에서 더 많은 가짜 신호를 생성할 수 있습니다.
현재 AI 지표는 가상의 지표일 뿐이며 실제 효과는 검증되어야 합니다.
손해배상 설정으로 인해 수익의 일부가 조기 중단될 수 있습니다.
전략 최적화 방향
랜덤 지표의 파라미터를 최적화하여 최적의 주기 및 오버오버오버오버오버가치 설정을 찾습니다.
더 복잡하고 효율적인 AI 모델을 도입하여 AI 신호의 정확성을 향상시킵니다.
리스크를 더 잘 제어하고 수익을 고정하기 위해 스톱로스 및 스톱 설정을 최적화하십시오.
전략의 튼튼성을 높이기 위해 다른 유효한 기술 지표 또는 기본 데이터를 도입하는 것을 고려하십시오.
요약하다
이 전략은 무작위적인 느린 지표, 트렌드 필터 및 AI 신호를 결합하여 다중 요소 거래 전략을 형성한다. 무작위적인 지표는 효과적인 오버 바이 오버 셀 신호를 제공하며, 트렌드 필터는 거래 방향이 큰 트렌드와 일치하는 것을 보장하며, AI 신호는 전략에 더 많은 진입 기회를 제공합니다. 이 전략에는 잠재적인 위험과 최적화 공간이 있지만, 전체적인 생각은 명확하고 논리적이며 추가 탐색과 개선에 가치가 있습니다.
/*backtest
start: 2024-03-01 00:00:00
end: 2024-03-31 23:59:59
period: 1h
basePeriod: 15m
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/
//@version=5
strategy("Stochastic Slow Strategy with More Entries and AI", overlay=true)
length = input.int(26, minval=1)
OverBought = input(81)
OverSold = input(20)
smoothK = input.int(3, minval=1)
smoothD = input.int(3, minval=1)
minKValue = input(11, title="Minimum K Value")
// Stochastic calculations
k = ta.sma(ta.stoch(close, high, low, length), smoothK)
d = ta.sma(k, smoothD)
co = ta.crossover(k, d)
cu = ta.crossunder(k, d)
// Trend filter (200-period simple moving average)
ema200 = ta.sma(close, 200)
// Artificial Intelligence indicator (dummy example)
// Aquí puedes colocar la lógica de tu red neuronal artificial
// Por ahora, simplemente usaremos una señal aleatoria
ai_signal = ta.rsi(close, 14) > 50 ? 1 : -1
// Entry conditions
longCondition = ta.crossover(close, ema200) and k < OverSold and k > minKValue and ai_signal == 1
shortCondition = ta.crossunder(close, ema200) and k > OverBought and k > minKValue and ai_signal == -1
if (not na(k) and not na(d))
if (co and k < OverSold and k > minKValue)
strategy.entry("StochLE", strategy.long, comment="StochLE")
if (cu and k > OverBought and k > minKValue)
strategy.entry("StochSE", strategy.short, comment="StochSE")
if (longCondition)
strategy.entry("LongEntry", strategy.long, comment="LongEntry")
strategy.exit("StopLoss", "LongEntry", loss = close * 0.9) // Stop loss del 10%
if (shortCondition)
strategy.entry("ShortEntry", strategy.short, comment="ShortEntry")
strategy.exit("StopLoss", "ShortEntry", loss = close * 1.1) // Stop loss del 10%
// Plotting
plot(ema200, color=color.blue, title="200 SMA")