Estratégia de árvore de decisão multiindicador: IMACD, EMA e Ichimoku Kinko Hyo
Data de criação:
2024-01-22 11:25:56
última modificação:
2024-01-22 11:25:56
cópia:
0
Cliques:
664
ChaoZhang
1
focar em
1617
Seguidores
Visão geral
Esta estratégia utiliza um conjunto de indicadores técnicos, tais como IMACD, EMA e balanço inicial, para construir um modelo de árvore de decisão abrangente para emitir sinais de compra e venda.
Princípio da estratégia
- IMACD: MACD reforçado para capturar melhor as tendências do mercado através do ImpulseMACD e do ImpulseHisto
- Tabela de equilíbrio de primeira vista: traçar a linha de troca, a linha de referência, a linha de vanguarda A, a linha de vanguarda B, etc., para detectar o suporte e a resistência
- EMA 40: ajuda a determinar a direção da tendência
- Emissão de sinais de excesso e excesso de espaço, de acordo com a relação específica entre o IMACD, os componentes do mapa da nuvem e o EMA 40
Fazer mais sinais: Fazer mais quando o IMACD é uma cor de condições específicas e o EMA 40 está acima da trajetória da nuvem
Cancelar: Cancelar quando o IMACD estiver vermelho e o EMA 40 estiver abaixo da trajectória do mapa de nuvens
Análise de vantagens
- Portfólio de múltiplos indicadores para avaliar as tendências do mercado e melhorar a precisão das decisões
- Modelos de árvores de decisão classificados com clareza e geração de sinais de transação
- A duração da EMA é ajustável, com maior flexibilidade para julgamentos auxiliares
- Combinação de gráficos de nuvens e indicadores de tendência para melhor identificar suporte e resistência
Análise de Riscos
- Combinação de múltiplos indicadores, configuração de parâmetros mais complexa
- EMAs de comprimento mal definidos podem causar falsos sinais de negociação
- O problema é que, quando se trata de uma operação, é preciso estar atento a vários indicadores ao mesmo tempo.
Solução de risco: optimização de configuração de parâmetros, ajuste do comprimento do EMA, simplificação do processo de operação.
Direção de otimização
- Optimizar configurações de parâmetros para melhorar a estabilidade da estratégia
- Aumentar as estratégias de stop loss para controlar as perdas individuais
- A qualidade do sinal é melhorada com a retroalimentação baseada em grandes quantidades de dados
- Arbitragem de árvores de decisão adaptativas com algoritmos de aprendizagem de máquina
Resumir
Esta estratégia utiliza uma combinação de vários indicadores para identificar tendências e construir modelos de árvores de decisão para gerar sinais de negociação. Os benefícios são a alta qualidade do sinal, a alta precisão e a possibilidade de otimização gradual. É necessário prestar atenção à otimização de parâmetros e a estratégia de parada de perdas para controlar o risco de negociação e obter retornos estáveis a longo prazo.
Código-fonte da estratégia
/*backtest
start: 2024-01-14 00:00:00
end: 2024-01-21 00:00:00
period: 30m
basePeriod: 15m
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/
//@version=5
strategy("Decision Tree Strategy: IMACD, EMA and Ichimoku [cryptoonchain]", overlay=true)
lengthMA = input(34, title="Length MA")
lengthSignal = input(9, title="Length Signal")
conversionPeriods = input.int(9, minval=1, title="Conversion Line Length")
basePeriods = input.int(26, minval=1, title="Base Line Length")
laggingSpan2Periods = input.int(52, minval=1, title="Leading Span B Length")
displacement = input.int(26, minval=1, title="Lagging Span")
emaLength = input(40, title="EMA Length") // Added user-configurable EMA length
calc_smma(src, len) =>
smma = float(na)
smma := na(smma[1]) ? ta.sma(src, len) : (smma[1] * (len - 1) + src) / len
smma
calc_zlema(src, length) =>
ema1 = ta.ema(src, length)
ema2 = ta.ema(ema1, length)
d = ema1 - ema2
ema1 + d
src = ohlc4
hi = calc_smma(high, lengthMA)
lo = calc_smma(low, lengthMA)
mi = calc_zlema(src, lengthMA)
md = (mi > hi) ? (mi - hi) : (mi < lo) ? (mi - lo) : 0
sb = ta.sma(md, lengthSignal)
sh = md - sb
mdc = src > mi ? (src > hi ? color.rgb(128, 255, 0, 26) : color.green) : (src < lo ? color.red : color.orange)
colorCondition = color.rgb(128, 255, 0, 26)
conversionLine = math.avg(ta.lowest(conversionPeriods), ta.highest(conversionPeriods))
baseLine = math.avg(ta.lowest(basePeriods), ta.highest(basePeriods))
leadLine1 = math.avg(conversionLine, baseLine)
leadLine2 = math.avg(ta.lowest(laggingSpan2Periods), ta.highest(laggingSpan2Periods))
// Use user-configurable length for EMA
ema40 = ta.ema(close, emaLength)
ebc = input(false, title="Enable bar colors")
barcolor(ebc ? mdc : na)
conversionLinePlot = plot(conversionLine, color=#2962FF, title="Conversion Line", display=display.none)
baseLinePlot = plot(baseLine, color=#B71C1C, title="Base Line", display=display.none)
laggingSpanPlot = plot(close, offset=-displacement + 1, color=#43A047, title="Lagging Span", display=display.none)
leadLine1Plot = plot(leadLine1, offset=displacement - 1, color=#A5D6A7, title="Leading Span A", display=display.none)
leadLine2Plot = plot(leadLine2, offset=displacement - 1, color=#EF9A9A, title="Leading Span B", display=display.none)
kumoCloudUpperLinePlot = plot(leadLine1 > leadLine2 ? leadLine1 : leadLine2, offset=displacement - 1, title="Kumo Cloud Upper Line", display=display.none)
kumoCloudLowerLinePlot = plot(leadLine1 < leadLine2 ? leadLine1 : leadLine2, offset=displacement - 1, title="Kumo Cloud Lower Line", display=display.none)
fill(kumoCloudUpperLinePlot, kumoCloudLowerLinePlot, color=leadLine1 > leadLine2 ? color.green : color.red)
a = (leadLine1 > leadLine2 ? leadLine1 : leadLine2)
b = (leadLine1 < leadLine2 ? leadLine1 : leadLine2)
if mdc == colorCondition and ema40 > a[displacement - 1]
strategy.entry("Long", strategy.long)
if mdc == color.red and ema40 < b[displacement - 1]
strategy.entry("Short", strategy.short)