ChaoZhang
개요
이 전략은 가우스 채널 (Gaussian Channel) 과 임의의 상대적으로 약한 지표 (Stochastic RSI) 를 결합한 기술 분석 거래 시스템입니다. 가우스 채널은 지수 이동 평균 (EMA) 과 표준 차이의 곱셈을 통해 상하 채널을 형성하여 가격 변동에 대한 역동적 지원과 저항 지점을 제공합니다.
전략 원칙
전략의 핵심 논리는 다음과 같은 핵심 요소에 기초합니다.
- 고스 통로의 구성: EMA를 기준선으로 사용하여 표준 차등의 곱을 통해 상하 통로 대역을 생성한다. 상하 통로는 역동적 저항 지점, 하하 통로는 역동적 지원 지점이다.
- 무작위 RSI 신호: 전통적인 RSI를 계산한 후, 그것을 무작위 지표화 처리하여 더 부드러운 %K 및%D 라인을 생성한다.
- 거래 신호 생성: 가격이 하위 채널을 넘어갔을 때 그리고 무작위 RSI의 %K 라인에서 %D 라인을 통과했을 때, 시스템은 다중 신호를 생성합니다. 가격이 상위 채널을 뚫었을 때, 평지 포지션은 출발합니다.
- 시간 필터링: 전략에는 사용자 정의 가능한 날짜 범위 필터가 포함되어 있으며, 특정 시간 동안 재검토 또는 거래가 가능합니다.
전략적 이점
- 다중 확인 메커니즘: 트렌드 추적 (Gauss Channel) 과 동력 역전 (Random RSI) 두 가지 거래 방식을 결합하여 신호 신뢰성을 향상시킵니다.
- 역동적 적응성: 고스 채널은 시장의 변동에 따라 자동으로 대역폭을 조정하며, 시장의 적응성이 좋다.
- 리스크 관리 통합: 상단 통로 돌파를 중지 신호로 사용하여 리스크 제어 장치가 내장되어 있습니다.
- 매개 변수 유연성: 모든 핵심 매개 변수들은 다른 시장 조건에 따라 최적화 조정될 수 있다.
전략적 위험
- 가짜 브레이크 위험: 불안정한 시장에서 더 많은 가짜 신호가 발생할 수 있으며, 이는 거래의 빈도를 높일 수 있습니다.
- 지연 위험: 다중 이동 평균 계산이 사용됨에 따라 신호가 다소 지연될 수 있다.
- 매개 변수 민감성: 전략 성능은 매개 변수 선택에 민감하며, 다른 시장 환경에는 다른 매개 변수 설정이 필요할 수 있다.
- 시장 환경 의존: 추세가 보이지 않는 시장에서 전략 효과는 좋지 않을 수 있다.
전략 최적화 방향
- 신호 필터링 강화: 교차량, 변동률 등의 보조 지표를 추가하여 신호 품질을 향상시킬 수 있다.
- 동적 변수 최적화: 적응 변수 조정 메커니즘을 도입하여 시장 상태에 따라 동적으로 변수를 조정한다.
- 손해 중지 메커니즘 개량: 추적 손해 또는 변동률 기반의 동적 손해 중지 기능을 추가할 수 있다.
- 시장 환경 인식: 시장 환경 판단 모듈을 추가하여 다른 시장 조건에 따라 다른 전략 매개 변수 또는 거래 규칙을 사용합니다.
요약하다
이 전략은 고스 통로와 무작위 RSI를 결합하여 트렌드 추적 및 역전 포착 능력을 갖춘 거래 시스템을 구축한다. 전략 설계는 여러 기술적 분석 차원을 고려하고 있으며, 이론적 기반과 실용성을 갖추고 있다. 합리적인 매개 변수 최적화 및 위험 관리를 통해 이 전략은 다양한 시장 환경에서 안정적인 성능을 얻을 것으로 예상된다. 그러나 사용자는 전략의 장점과 제한을 충분히 알고 실제 거래 환경에 따라 타당하게 조정해야합니다.
전략 소스 코드
/*backtest
start: 2024-02-18 00:00:00
end: 2025-02-16 08:00:00
period: 3h
basePeriod: 3h
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/
// This Pine Script™ code is subject to the terms of the Mozilla Public License 2.0 at https://mozilla.org/MPL/2.0/
// © fgkkaraca
//@version=5
strategy("Alienseeker GC and RSI Strategy", overlay=true, commission_type=strategy.commission.percent, commission_value=0.1, slippage=0, default_qty_type=strategy.percent_of_equity, default_qty_value=200, process_orders_on_close=true)
// Gaussian Channel Inputs
lengthGC = input.int(20, "Gaussian Channel Length", minval=1)
multiplier = input.float(2.0, "Standard Deviation Multiplier", minval=0.1)
// Calculate Gaussian Channel
basis = ta.ema(close, lengthGC)
deviation = multiplier * ta.stdev(close, lengthGC)
upperChannel = basis + deviation
lowerChannel = basis - deviation
// Plot Gaussian Channel
plot(basis, "Basis", color=color.blue)
plot(upperChannel, "Upper Channel", color=color.green)
plot(lowerChannel, "Lower Channel", color=color.red)
// Stochastic RSI Inputs
rsiLength = input.int(14, "RSI Length", minval=1)
stochLength = input.int(14, "Stochastic Length", minval=1)
smoothK = input.int(3, "Smooth K", minval=1)
smoothD = input.int(3, "Smooth D", minval=1)
// Calculate RSI
rsi = ta.rsi(close, rsiLength)
// Calculate Stochastic RSI
lowestRSI = ta.lowest(rsi, stochLength)
highestRSI = ta.highest(rsi, stochLength)
stochRSI = (rsi - lowestRSI) / (highestRSI - lowestRSI) * 100
k = ta.sma(stochRSI, smoothK)
d = ta.sma(k, smoothD)
// Trading Conditions
stochUp = k > d
priceAboveUpper = ta.crossover(close, upperChannel)
priceBelowUpper = ta.crossunder(close, lowerChannel)
// Date Range Filter
startDate = input(timestamp("2018-01-01"), "Start Date")
endDate = input(timestamp("2069-01-01"), "End Date")
timeInRange = true
// Strategy Execution
if timeInRange
strategy.entry("Long", strategy.long, when=priceBelowUpper and stochUp)
strategy.close("Long", when=priceAboveUpper )