Gambaran keseluruhan

Strategi ini menggunakan k berdekatan ((kNN) algoritma pembelajaran mesin untuk meramalkan trend pasaran, dan berdasarkan hasil ramalan menghasilkan isyarat kedudukan panjang dan kosong. Strategi ini mengambil kira pelbagai faktor seperti data sejarah, petunjuk teknikal, dan lain-lain, memperoleh ciri-ciri pasaran melalui latihan kNN model dinamik, dan melakukan perdagangan trend pemantauan automatik.

Prinsip Strategi

1. Mengumpul data latihan: mengumpul siri masa seperti harga penutupan sejarah, jumlah dagangan, dan petunjuk teknikal seperti RSI, CCI.

2. Pemprosesan data: Mengkaji nilai penunjuk dalam julat 0-100

3. Model kNN Latihan: Masukkan dua ciri dalam model kNN semasa, kira jarak Eropah antara vektor ciri ini dan vektor ciri sejarah, pilih jarak antara k sampel sejarah yang paling dekat, dan statistikkan label k sampel ini (berbatuan atau kosong).

4. Mendapatkan ramalan: meramalkan pergerakan pasaran semasa berdasarkan label k sampel berdekatan terdekat. Jika ramalan bermulut, menghasilkan isyarat posisi panjang; jika ramalan bermulut, menghasilkan isyarat posisi kosong.

5. Berdagang dengan penapis seperti stop loss, kawalan kedudukan, dan purata bergerak.

Kelebihan Strategik

1. Menggunakan algoritma pembelajaran mesin untuk mengenal pasti bentuk teknologi secara automatik, tanpa campur tangan manusia.

2. Anda boleh secara fleksibel memilih pelbagai petunjuk teknikal sebagai ciri model, strategi pengoptimuman masa nyata.

3. Mengintegrasikan mekanisme kawalan risiko yang ketat seperti penutupan kerugian, pengurusan kedudukan.

4. Visual menunjukkan garis hentian, jelas dan intuitif.

Risiko dan Penyelesaian

1. Ramalan pembelajaran mesin mungkin mempunyai salah faham. Model pengoptimuman seperti nilai k yang sesuai, vektor ciri, dan julat masa sampel boleh dipilih.

2. Transaksi unilateral mempunyai risiko yang berpotensi. Transaksi dua hala boleh ditambah dalam kod untuk menghapuskan bug.

3. Tetapan parameter yang tidak betul boleh menyebabkan perdagangan berlebihan. Parameter seperti saiz kedudukan, kekerapan perdagangan harus disesuaikan dengan betul.

Arah pengoptimuman

1. Uji pelbagai jenis penunjuk teknikal sebagai ciri input kNN.

2. Cubalah kaedah pengukuran jarak yang lain, seperti jarak Manhattan.

3. Mengubah saiz kedudukan menggunakan jarak sampel atau kualiti klasifikasi.

4. Tambah set latihan model, set ujian, dan optimum scrolling.

ringkaskan

Strategi ini menggunakan algoritma klasik kNN untuk meramalkan trend pasaran, dan melakukan perdagangan mengikut trend berdasarkan isyarat ramalan. Strategi ini mempunyai parameter yang boleh disesuaikan, risiko yang boleh dikawal, yang dapat memberikan pilihan perdagangan automatik yang berkesan kepada pengguna.