ChaoZhang
1
fokus pada
1617
Pengikut
Gambaran keseluruhan
Strategi ini adalah sistem pengesanan trend berparameter penyesuaian sendiri berdasarkan algoritma pembelajaran mesin K berdekatan (KNN). Strategi ini menyesuaikan parameter pengesanan trend secara dinamik melalui algoritma KNN, digabungkan dengan penjanaan isyarat perdagangan dengan purata bergerak. Sistem ini dapat menyesuaikan parameter strategi secara automatik mengikut perubahan keadaan pasaran, meningkatkan kesesuaian dan kestabilan strategi.
Prinsip Strategi
Prinsip utama strategi ini adalah menggunakan algoritma KNN untuk menganalisis data harga sejarah dan meramalkan pergerakan harga dengan mengira kesamaan keadaan pasaran semasa dengan data sejarah. Langkah-langkah untuk melaksanakan adalah seperti berikut:
- Tetapkan saiz tetingkap pemerhatian dan nilai K untuk mengumpul data harga sejarah untuk membentuk vektor ciri
- Mengira jarak dalam bentuk euro antara urutan harga semasa dan data sejarah
- Pilih K urutan harga sejarah yang paling serupa sebagai sampel berdekatan
- Analisis pergerakan harga susulan dalam sampel K yang berdekatan
- Menggabungkan purata bergerak untuk menghasilkan isyarat perdagangan berdasarkan perubahan harga purata sampel berdekatan Apabila harga purata K sampel berdekatan berubah menjadi positif dan harga semasa berada di atas purata bergerak, sistem menghasilkan isyarat melakukan lebih; sebaliknya menghasilkan isyarat melakukan lebih.
Kelebihan Strategik
- Keupayaan beradaptasi: Algoritma KNN dapat menyesuaikan parameter secara automatik mengikut perubahan keadaan pasaran, menjadikan strategi beradaptasi dengan lebih kuat
- Analisis pelbagai dimensi: menggabungkan algoritma pembelajaran mesin dan petunjuk teknikal untuk memberikan perspektif analisis pasaran yang lebih menyeluruh
- Kawalan risiko yang wajar: mengurangkan kesan isyarat palsu dengan menggunakan purata bergerak sebagai pengesahan tambahan
- Kejelasan logik pengiraan: proses pelaksanaan strategi yang telus, mudah difahami dan dioptimumkan
- Fleksibiliti parameter: parameter seperti nilai K dan saiz tetingkap boleh disesuaikan dengan keadaan pasaran yang berbeza
Risiko Strategik
- Kompleksiti pengiraan yang tinggi: Algoritma KNN memerlukan banyak data sejarah yang dikira, yang boleh menjejaskan kecekapan pelaksanaan strategi
- Sensitiviti parameter: K-nilai dan pilihan saiz tetingkap mempunyai kesan penting terhadap prestasi strategi
- Ketergantungan kepada keadaan pasaran: Dalam keadaan pasaran yang bergolak, nilai rujukan sejarah yang serupa mungkin menurun
- Risiko Overfitting: Terlalu bergantung pada data sejarah boleh menyebabkan strategi overfitting
- Risiko kelewatan: Kemungkinan terdapat kelewatan isyarat kerana keperluan untuk mengumpul data sejarah yang mencukupi
Arah pengoptimuman strategi
- Pengoptimuman reka bentuk ciri:
- Menambah lebih banyak petunjuk teknikal sebagai ciri
- Pengenalan penunjuk sentimen pasaran
- Optimum ciri standardisasi kaedah
- Meningkatkan kecekapan algoritma
- Mengoptimumkan carian berdekatan menggunakan struktur data seperti pokok KD
- Menerapkan pengkomputeran selari
- Mengoptimumkan cara penyimpanan dan akses data
- Pengendalian risiko dipertingkatkan:
- Tambah mekanisme henti rugi dan ambil untung
- Memperkenalkan penapis kemeruapan
- Reka bentuk sistem pengurusan kedudukan dinamik
- Parameter pengoptimuman:
- Mencapai pilihan K-nilai yang sesuai
- Ubah saiz tetingkap pemerhatian secara dinamik
- Mengoptimumkan kitaran purata bergerak
- Peningkatan dalam mekanisme penjanaan isyarat:
- Memperkenalkan sistem penilaian kekuatan isyarat
- Reka bentuk mekanisme pengesahan isyarat
- Optimumkan masa masuk dan keluar
ringkaskan
Strategi ini menggunakan algoritma KNN secara inovatif dalam perdagangan trend, mengoptimumkan strategi analisis teknikal tradisional melalui kaedah pembelajaran mesin. Strategi ini mempunyai kemampuan beradaptasi dan fleksibiliti yang kuat, dapat menyesuaikan parameter mengikut dinamik persekitaran pasaran. Walaupun terdapat risiko seperti kerumitan pengiraan yang tinggi dan kepekaan parameter, tetapi dengan langkah-langkah pengoptimuman dan kawalan risiko yang munasabah, strategi ini masih mempunyai nilai aplikasi yang baik.
Kod sumber strategi
/*backtest
start: 2024-10-01 00:00:00
end: 2024-10-31 23:59:59
period: 1h
basePeriod: 1h
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/
//@version=6
strategy("Trend Following Strategy with KNN", overlay=true,commission_value=0.03,currency='USD', commission_type=strategy.commission.percent,default_qty_type=strategy.cash)
// Input parameters
k = input.int(5, title="K (Number of Neighbors)", minval=1) // Number of neighbors for KNN algorithm
window_size = input.int(20, title="Window Size", minval=1) // Window size for feature vector calculation
ma_length = input.int(50, title="MA Length", minval=1) // Length of the moving average
// Calculate moving average
ma = ta.sma(close, ma_length)
// Initialize variables
var float[] features = na
var float[] distances = na
var int[] nearest_neighbors = na
if bar_index >= window_size - 1 // Ensure there is enough historical data
features := array.new_float(0) // Keep only the current window data
for i = 0 to window_size - 1
array.push(features, close[i])
// Calculate distances
distances := array.new_float(0) // Clear the array for each calculation
for i = 0 to window_size - 1 // Calculate the distance between the current price and all prices in the window
var float distance = 0.0
for j = 0 to window_size - 1
distance += math.pow(close[j] - array.get(features, j), 2)
distance := math.sqrt(distance)
array.push(distances, distance)
// Find the nearest neighbors
if array.size(distances) > 0 and array.size(distances) >= k
nearest_neighbors := array.new_int(0)
for i = 0 to k - 1
var int min_index = -1
var float min_distance = na
for j = 0 to array.size(distances) - 1
if na(min_distance) or array.get(distances, j) < min_distance
min_index := j
min_distance := array.get(distances, j)
if min_index != -1
array.push(nearest_neighbors, min_index)
array.remove(distances, min_index) // Remove the processed neighbor
// Calculate the average price change of the neighbors
var float average_change = 0.0
if array.size(nearest_neighbors) > 0
for i = 0 to array.size(nearest_neighbors) - 1
var int index = array.get(nearest_neighbors, i)
// Ensure index + 1 is within range
if index + 1 < bar_index
average_change += (close[index] - close[index + 1])
average_change := average_change / array.size(nearest_neighbors)
// Generate trading signals
if average_change > 0 and close > ma
strategy.entry("Long", strategy.long)
else if average_change < 0 and close < ma
strategy.entry("Short", strategy.short)