Visão geral

Esta estratégia utiliza k neighbourhood (kNN) algoritmo de aprendizagem de máquina para prever as tendências do mercado e, de acordo com os resultados da previsão, produzir a posição longa e a posição vazia sinal. A estratégia compreensível considerar múltiplos fatores, tais como dados históricos, indicadores técnicos, através do treinamento de modelos de KNN para obter a dinâmica do mercado características, para automatizar a tendência de acompanhamento de transações.

Princípio da estratégia

1. Coletar dados de treinamento: coletar sequências de tempo, como o preço de fechamento histórico, o volume de negociação, e indicadores técnicos, como RSI, CCI.

2. Pré-processamento de dados: padronizar os valores do indicador no intervalo de 0 a 100.

3. Treinamento do modelo kNN: introduzir dois atributos do modelo kNN atual, calcular a distância europeia entre esses atributos e os atributos históricos, selecionar a distância mais próxima de k amostras históricas e estatisticamente distribuir a distribuição do rótulo ((multi-head or empty head) para esta k amostras.

4. Obtenção de previsões: prevê o movimento atual do mercado com base nas etiquetas das k amostras mais próximas. Se a previsão for de várias cabeças, produz um sinal de posição longa; Se a previsão for de cabeças vazias, produz um sinal de posição vazia.

5. Os filtros de Stop Loss, Possession Control e Moving Averages são usados para negociar.

Vantagens estratégicas

1. O uso de algoritmos de aprendizagem de máquina para identificar formas de tecnologia automaticamente, sem a necessidade de intervenção humana.

2. A flexibilidade de escolher diferentes indicadores técnicos como características do modelo e estratégias de otimização em tempo real.

3. A integração de um rigoroso mecanismo de controle de risco, como o Stop Loss e a gestão de posições.

4. A visualização apresenta uma linha de parada, clara e intuitiva.

Riscos e soluções

1. A previsão de aprendizagem de máquina pode apresentar um erro. Modelos de otimização podem ser escolhidos, como o valor de k, o vetor de característica e o intervalo de tempo de amostragem.

2. As transações unilaterais possuem riscos potenciais.

3. A configuração incorreta dos parâmetros pode levar a transações excessivas. Os parâmetros de tamanho de posição, frequência de transação e outros devem ser adequadamente ajustados.

Direção de otimização

1. Testar diferentes tipos de indicadores técnicos como características de entrada de KNN.

2. Tente outras medidas de distância, como a distância de Manhattan.

3. Ajuste o tamanho da posição usando a distância da amostra ou a classificação da qualidade.

4. Adicionar um conjunto de treinamento de modelo, dividir o conjunto de testes e realizar a otimização de rolagem.

Resumir

Esta estratégia utiliza o clássico algoritmo de KNN para prever a tendência do mercado e para realizar negociações de acordo com os sinais de previsão. Esta estratégia tem parâmetros ajustáveis e riscos controláveis, que podem fornecer aos usuários um programa de negociação automatizado e eficaz. O usuário pode melhorar continuamente o desempenho da estratégia por meio de ajustes no portfólio de indicadores técnicos, otimização de modelos e hiperparâmetros.