
A estratégia usa o pensamento da onda de Kármán e a regressão da média para capturar oscilações anormais de curto prazo nos preços das ações e realizar negociações direcionadas nas ações. A estratégia primeiro estabelece um modelo de taxa de preço de uma ação em relação ao índice de mercado, e depois usa a técnica da onda de Kármán para fazer previsões e filtragens.
A ideia central da estratégia é criar um modelo de proporção entre o preço do próprio estoque e o preço do índice de mercado. Esta proporção pode refletir o nível de preço de cada ação em relação ao mercado em geral. Quando a proporção é alta, considera-se que a ação está sobrevalorizada, gerando um sinal de venda; Quando a proporção é baixa, considera-se que a ação está subvalorizada, gerando um sinal de compra.
A estratégia utiliza o algoritmo de filtragem de onda de Karmann para suavizar o sinal de taxa. O filtro de Karmann pondera o valor de observação real da taxa com o valor de previsão, atualizando a previsão da taxa em tempo real. E calcula um filtro de onda de Karmann suave.
Além disso, a estratégia também leva em conta o fator volume. Os sinais de negociação reais só são produzidos quando o volume de negociação é grande, o que pode evitar que algumas transações erradas ocorram.
A maior vantagem da estratégia é que a utilização de algoritmos de ondas de Carman para suavizar e prever eficazmente a taxa de preço. Em comparação com o modelo de regressão de média simples, as ondas de Carman são capazes de refletir melhor as mudanças dinâmicas nos preços, especialmente quando há uma forte flutuação nos preços. Isso permite que a estratégia possa detectar anomalias de preços em tempo hábil e produzir sinais de negociação precisos.
Em segundo lugar, a combinação do volume de transações também aumenta a aplicabilidade prática da estratégia. Uma filtragem razoável do volume de transações ajuda a evitar alguns sinais errados e reduzir custos de transação desnecessários.
Em geral, a estratégia combina com sucesso várias técnicas, como a onda de Kalman, a regressão da média e a análise de volume de transação, formando uma estratégia de negociação quantitativa relativamente forte.
Embora a estratégia seja perfeita em termos teóricos e técnicos, existem alguns riscos potenciais que devem ser considerados na prática.
Em primeiro lugar, o risco do modelo. Alguns parâmetros-chave no modelo de filtragem de Kármán, como diferença de ruído de processo, diferença de ruído de observação, etc., precisam ser estimados com base em dados históricos. Se a estimativa for imprecisa ou houver uma mudança significativa no ambiente de mercado, isso levará a um desvio na previsão do modelo.
Em segundo lugar, o risco de custo de deslizamento. Comércio frequente produzirá mais custos de deslizamento, o que prejudicará o lucro da estratégia. A otimização de parâmetros e o filtro de volume de transação podem reduzir os negócios desnecessários em certa medida.
Finalmente, há um certo risco sistemático de mercado em seguir um índice de mercado como referência. Quando o mercado como um todo está em forte volatilidade, a relação de preços de ações individuais com o mercado também pode ser anormal. Nesse caso, a estratégia produzirá o sinal errado. Podemos considerar a escolha de um índice mais estável como referência.
A estratégia também tem espaço para uma maior otimização:
O uso de modelos de aprendizagem profunda mais complexos para ajustar e prever as taxas de preços pode aumentar a precisão e robustez dos modelos.
Otimização das regras de filtragem de volume de transação para uma configuração de limite de volume de transação mais dinâmica e inteligente. Isso reduz a probabilidade de transações erradas.
Teste diferentes índices de mercado como referência estratégica, escolha índices com menor e mais estáveis flutuações. Isso pode reduzir o impacto do risco sistemático no mercado.
Combinado com a análise de fundamentos de ações, evite a negociação de ações com deterioração significativa de fundamentos. Isso permite selecionar ações de melhor qualidade para negociação.
O uso de dados intraday de alta frequência para o monitoramento e otimização de estratégias pode melhorar o desempenho em tempo real das estratégias.
A estratégia usa com sucesso o modelo de ondas de Kármán para capturar oscilações anormais de curto prazo nos preços das ações. Ao mesmo tempo, a introdução de sinais de volume de negociação também aumenta a praticidade da estratégia. Embora ainda haja algum risco de modelo e risco de mercado, é uma estratégia de negociação quantitativa muito promissora.
/*backtest
start: 2023-12-21 00:00:00
end: 2023-12-28 00:00:00
period: 1m
basePeriod: 1m
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/
// This source code is subject to the terms of the Mozilla Public License 2.0 at https://mozilla.org/MPL/2.0/
// © xXM3GAXx
//@version=5
strategy("My strategy", overlay=true)
//SPY or QQQ
context = request.security("BTC_USDT:swap", timeframe.period, input(close))
//our stock
particular = input(close)
//ratio
src = ta.roc(particular, 1) / math.abs(ta.roc(context, 1))
//kalman calculation
Sharpness = input.float(1.0)
K = input.float(1.0)
greencolor = color.lime
redcolor = color.red
velocity = 0.0
kfilt = 0.0
Distance = src - nz(kfilt[1], src)
Error = nz(kfilt[1], src) + Distance * math.sqrt(Sharpness*K/ 100)
velocity := nz(velocity[1], 0) + Distance*K / 100
kfilt := Error + velocity
//2 std devs up and down
upper = kfilt[1] + 2 * ta.stdev(kfilt, input(20))
lower = kfilt[1] - 2 * ta.stdev(kfilt, input(20))
//plotting for visuals
plot(kfilt, color=velocity > 0 ? greencolor : redcolor, linewidth = 2)
plot(upper)
plot(lower)
//plot(ta.ema(ta.roc(particular, 1)/ta.roc(context, 1), 5), color = #00ffff, linewidth=2)
//volume data
vol = volume
volema = ta.ema(volume, 10)
//buy when ratio too low
longCondition = kfilt<=lower and vol>=volema
if (longCondition)
strategy.entry("My Long Entry Id", strategy.long)
//sell when ratio too high
shortCondition = kfilt>=upper and vol>=volema
if (shortCondition)
strategy.entry("My Short Entry Id", strategy.short)