Strategi Arbitraj Statistik Beradaptasi Pengesanan Momentum

Penulis:ChaoZhang, Tarikh: 2023-12-11 16:41:27
Tag:

Ringkasan

Strategi ini membina sampul volatiliti dinamik berdasarkan kaedah regresi kernel Nadaraya-Watson untuk menjana isyarat perdagangan membeli rendah dan menjual tinggi dengan mengesan situasi silang antara harga dan jalur sampul.

Logika Strategi

Inti strategi ini adalah untuk mengira sampul dinamik harga. Pertama, dengan menggunakan tetingkap belakang tersuai, ia membina lengkung regresi kernel Nadaraya-Watson harga (dekat, tinggi, rendah) untuk mendapatkan anggaran harga yang halus. Kemudian ia mengira ATR berdasarkan panjang ATR tersuai, dan membentuk jalur sampul atas dan bawah dengan faktor dekat dan jauh. Apabila harga pecah ke dalam sampul dari bawah, isyarat beli dihasilkan. Apabila harga pecah dari sampul dari atas, isyarat jual dicetuskan. Dengan mengesan hubungan dinamik antara harga dan sifat statistik yang berkaitan dengan turun naik, strategi menyesuaikan keputusan dagangnya secara adaptif.

Kelebihan

Berdasarkan model matematik dengan parameter yang boleh dikawal, kurang kemungkinan pemasangan berlebihan.
Sesuai dengan perubahan pasaran dengan memanfaatkan hubungan dinamik antara harga dan turun naik untuk menangkap peluang perdagangan.
Skala log berfungsi dengan baik dengan jangka masa dan instrumen yang berbeza dengan magnitud turun naik yang berbeza.
Parameter yang boleh disesuaikan untuk menyesuaikan kepekaan strategi.

Risiko

Sifat teori model matematik, mungkin kurang berprestasi dalam perdagangan langsung.
Parameter utama memerlukan kepakaran, tetapan yang tidak betul boleh menjejaskan keuntungan.
Masalah yang tertinggal boleh menyebabkan kehilangan beberapa peluang perdagangan.
Ringan terhadap whipsaws di pasaran yang sangat tidak menentu.

Pengoptimuman yang betul, ujian belakang yang mencukupi, pemahaman faktor utama dan ukuran kedudukan yang berhati-hati dalam perdagangan langsung dapat membantu mengurangkan risiko ini.

Arahan Penambahbaikan

Mengoptimumkan lagi parameter untuk mencari kombinasi terbaik.
Menggunakan kaedah pembelajaran mesin untuk memilih parameter optimum secara automatik.
Tambah penapis untuk mengaktifkan strategi dalam persekitaran pasaran tertentu.
Masukkan penunjuk lain untuk menapis isyarat yang mengelirukan.
Cuba algoritma model matematik yang berbeza.

Kesimpulan

Strategi ini menggabungkan analisis statistik dan analisis penunjuk teknikal untuk menjana isyarat perdagangan dengan menjejaki secara dinamik hubungan antara harga dan turun naik. Parameter boleh diselaraskan berdasarkan keadaan pasaran dan keperluan peribadi. Secara keseluruhan, walaupun asas teori yang kukuh, prestasi sebenarnya masih memerlukan pengesahan lanjut. Seseorang harus memperlakukannya dengan berhati-hati dan berdagang dengan berhati-hati.

/*backtest
start: 2022-12-04 00:00:00
end: 2023-12-10 00:00:00
period: 1d
basePeriod: 1h
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/

// © Julien_Eche
//@version=5

strategy("Nadaraya-Watson Envelope Strategy", overlay=true, pyramiding=1, default_qty_type=strategy.percent_of_equity, default_qty_value=20)

// Helper Functions
getEnvelopeBounds(_atr, _nearFactor, _farFactor, _envelope) => 
    _upperFar = _envelope + _farFactor*_atr
    _upperNear = _envelope + _nearFactor*_atr
    _lowerNear = _envelope - _nearFactor*_atr
    _lowerFar = _envelope - _farFactor*_atr
    _upperAvg = (_upperFar + _upperNear) / 2
    _lowerAvg = (_lowerFar + _lowerNear) / 2 
    [_upperNear, _upperFar, _upperAvg, _lowerNear, _lowerFar, _lowerAvg]

customATR(length, _high, _low, _close) =>
    trueRange = na(_high[1])? math.log(_high)-math.log(_low) : math.max(math.max(math.log(_high) - math.log(_low), math.abs(math.log(_high) - math.log(_close[1]))), math.abs(math.log(_low) - math.log(_close[1])))
    ta.rma(trueRange, length)

customKernel(x, h, alpha, x_0) =>
    sumWeights = 0.0
    sumXWeights = 0.0
    for i = 0 to h
        weight = math.pow(1 + (math.pow((x_0 - i), 2) / (2 * alpha * h * h)), -alpha)
        sumWeights := sumWeights + weight
        sumXWeights := sumXWeights + weight * x[i]
    sumXWeights / sumWeights

// Custom Settings
customLookbackWindow = input.int(8, 'Lookback Window (Custom)', group='Custom Settings')
customRelativeWeighting = input.float(8., 'Relative Weighting (Custom)', step=0.25, group='Custom Settings')
customStartRegressionBar = input.int(25, "Start Regression at Bar (Custom)", group='Custom Settings')

// Envelope Calculations
customEnvelopeClose = math.exp(customKernel(math.log(close), customLookbackWindow, customRelativeWeighting, customStartRegressionBar))
customEnvelopeHigh = math.exp(customKernel(math.log(high), customLookbackWindow, customRelativeWeighting, customStartRegressionBar))
customEnvelopeLow = math.exp(customKernel(math.log(low), customLookbackWindow, customRelativeWeighting, customStartRegressionBar))
customEnvelope = customEnvelopeClose
customATRLength = input.int(60, 'ATR Length (Custom)', minval=1, group='Custom Settings')
customATR = customATR(customATRLength, customEnvelopeHigh, customEnvelopeLow, customEnvelopeClose)
customNearATRFactor = input.float(1.5, 'Near ATR Factor (Custom)', minval=0.5, step=0.25, group='Custom Settings')
customFarATRFactor = input.float(2.0, 'Far ATR Factor (Custom)', minval=1.0, step=0.25, group='Custom Settings')
[customUpperNear, customUpperFar, customUpperAvg, customLowerNear, customLowerFar, customLowerAvg] = getEnvelopeBounds(customATR, customNearATRFactor, customFarATRFactor, math.log(customEnvelopeClose))

// Colors
customUpperBoundaryColorFar = color.new(color.red, 60)
customUpperBoundaryColorNear = color.new(color.red, 80)
customBullishEstimatorColor = color.new(color.teal, 50)
customBearishEstimatorColor = color.new(color.red, 50)
customLowerBoundaryColorNear = color.new(color.teal, 80)
customLowerBoundaryColorFar = color.new(color.teal, 60)

// Plots
customUpperBoundaryFar = plot(math.exp(customUpperFar), color=customUpperBoundaryColorFar, title='Upper Boundary: Far (Custom)')
customUpperBoundaryAvg = plot(math.exp(customUpperAvg), color=customUpperBoundaryColorNear, title='Upper Boundary: Average (Custom)')
customUpperBoundaryNear = plot(math.exp(customUpperNear), color=customUpperBoundaryColorNear, title='Upper Boundary: Near (Custom)') 
customEstimationPlot = plot(customEnvelopeClose, color=customEnvelope > customEnvelope[1] ? customBullishEstimatorColor : customBearishEstimatorColor, linewidth=2, title='Custom Estimation')
customLowerBoundaryNear = plot(math.exp(customLowerNear), color=customLowerBoundaryColorNear, title='Lower Boundary: Near (Custom)')
customLowerBoundaryAvg = plot(math.exp(customLowerAvg), color=customLowerBoundaryColorNear, title='Lower Boundary: Average (Custom)') 
customLowerBoundaryFar = plot(math.exp(customLowerFar), color=customLowerBoundaryColorFar, title='Lower Boundary: Far (Custom)')

// Fills
fill(customUpperBoundaryFar, customUpperBoundaryAvg, color=customUpperBoundaryColorFar, title='Upper Boundary: Farmost Region (Custom)')
fill(customUpperBoundaryNear, customUpperBoundaryAvg, color=customUpperBoundaryColorNear, title='Upper Boundary: Nearmost Region (Custom)')
fill(customLowerBoundaryNear, customLowerBoundaryAvg, color=customLowerBoundaryColorNear, title='Lower Boundary: Nearmost Region (Custom)')
fill(customLowerBoundaryFar, customLowerBoundaryAvg, color=customLowerBoundaryColorFar, title='Lower Boundary: Farmost Region (Custom)')


longCondition = ta.crossover(close, customEnvelopeLow)
if (longCondition)
    strategy.entry("Buy", strategy.long)

exitLongCondition = ta.crossover(customEnvelopeHigh, close)
if (exitLongCondition)
    strategy.close("Buy")

Lebih lanjut

2019 FMZ - Semua hak dilindungi