Visão Geral

Esta estratégia utiliza o algoritmo de aprendizado de máquina k-vizinhos mais próximos (kNN) para prever tendências de mercado e gerar sinais de posição longa e curta com base nas previsões. A estratégia considera múltiplos fatores como dados históricos, indicadores técnicos, etc., e obtém dinamicamente características de mercado através do treinamento do modelo kNN, realizando negociação automatizada de acompanhamento de tendências.

Princípio da Estratégia

1. Coleta de dados de treinamento: coleta de séries temporais como preços de fechamento históricos, volume de negociação, e indicadores técnicos como RSI, CCI, etc.

2. Pré-processamento de dados: normalizar os valores dos indicadores para o intervalo 0-100.

3. Treinamento do modelo kNN: inserir duas características do modelo kNN atual, calcular a distância euclidiana entre esses vetores de características e os vetores de características históricos, selecionar as k amostras históricas mais próximas, e contar a distribuição dos rótulos (longo ou curto) dessas k amostras.

4. Obter previsão: prever a tendência atual do mercado com base nos rótulos das k amostras vizinhas mais próximas. Se a previsão for de alta (longo), gera sinal de posição longa; se for de baixa (curto), gera sinal de posição curta.

5. Combinar com filtros como stop-loss, controle de posição, médias móveis, etc., para realizar negociações.

Vantagens da Estratégia

1. Utiliza algoritmo de aprendizado de máquina para identificar automaticamente padrões técnicos, sem necessidade de intervenção manual.

2. Permite selecionar flexivelmente diferentes indicadores técnicos como características do modelo, otimizando a estratégia em tempo real.

3. Integra mecanismos rigorosos de controle de risco, como stop-loss e gerenciamento de posição.

4. Apresenta visualmente a linha de stop-loss, de forma clara e intuitiva.

Riscos e Soluções

1. As previsões de aprendizado de máquina podem apresentar falsos positivos. É possível otimizar o modelo selecionando valores apropriados de k, vetores de características, intervalo de tempo das amostras, etc.

2. Negociação unilateral apresenta risco potencial. Pode-se adicionar permissão para negociação bilateral no código para eliminar bugs.

3. Configuração inadequada de parâmetros pode levar a overtrading. Deve-se ajustar adequadamente parâmetros como tamanho da posição, frequência de negociação, etc.

Direções de Otimização

1. Testar diferentes tipos de indicadores técnicos como características de entrada do kNN.

2. Experimentar outros métodos de medição de distância, como distância de Manhattan.

3. Ajustar o tamanho da posição usando distância das amostras ou qualidade da classificação.

4. Adicionar divisão de conjuntos de treinamento e teste do modelo, realizando otimização contínua.

Resumo

Esta estratégia utiliza o clássico algoritmo kNN para prever tendências de mercado e realiza negociação de acompanhamento de tendências com base nos sinais previstos. A estratégia possui características de parâmetros ajustáveis e risco controlável, podendo fornecer aos usuários uma solução de negociação automatizada eficaz. Os usuários podem melhorar continuamente o desempenho da estratégia ajustando combinações de indicadores técnicos, otimizando hiperparâmetros do modelo, entre outros.