ianzeng123
2
focar em
319
Seguidores
Visão geral
A estratégia é um sistema de negociação multidimensional baseado na regressão nuclear de Nadaraya-Watson, formando um sinal integrado para orientar a decisão de negociação por meio da integração de informações de mercado nas quatro dimensões da técnica, emoção, exagero e intenção. A estratégia usa um método de otimização de peso, processando sinais de diferentes dimensões e combinando filtros de tendência e dinâmica para melhorar a qualidade do sinal.
Princípio da estratégia
O núcleo da estratégia é o tratamento suave de dados de mercado em várias dimensões através do método de regressão nuclear de Nadaraya-Watson.
- Dimensão técnica do uso do preço de liquidação
- Dimensões emocionais usando o indicador RSI
- Dimensões ultra-sensoriais usando oscilação ATR
- Preço de uso de intenção dimensional e desvio da linha média Estas dimensões passam pela suavização da regressão nuclear e são integradas por meio de uma pesagem predefinida: ((Tecnologia 0.4, Emoção 0.2, Supersentimento 0.2, Intenção 0.2) para formar o sinal de negociação final. Quando o sinal de integração cruza com sua média móvel, uma instrução de negociação é emitida após a confirmação do filtro de tendência e dinamismo.
Vantagens estratégicas
- A análise multidimensional oferece uma visão mais abrangente do mercado, evitando as limitações de um único indicador
- A regressão nuclear de Nadaraya-Watson reduz efetivamente o ruído do mercado e fornece um sinal mais suave
- O mecanismo de otimização de peso permite ajustar a importância das dimensões de acordo com as características do mercado
- A adição de filtros de tendência e de força melhorou significativamente a qualidade do sinal
- Um bom sistema de gestão de riscos garante a segurança dos fundos
Risco estratégico
- A otimização excessiva dos parâmetros pode levar ao overfitting
- Condições de filtragem múltipla podem ter perdido parte do sinal válido
- A complexidade da computação de regressão nuclear é alta e pode afetar a performance em tempo real
- A má distribuição de pesos pode enfraquecer alguns sinais importantes do mercado As medidas de mitigação incluem: uso de parâmetros de validação de testes fora da amostra, ajuste dinâmico das condições de filtragem, otimização da eficiência computacional, avaliação periódica e ajuste da distribuição de peso.
Direção de otimização da estratégia
- Introdução de um sistema de pesos adaptativos para ajustar os pesos em todas as dimensões de acordo com a dinâmica do mercado
- Desenvolver mecanismos de filtragem mais inteligentes para equilibrar a qualidade e a quantidade de sinais
- Otimizar a implementação do algoritmo Nadaraya-Watson para aumentar a eficiência da computação
- Adição do módulo de reconhecimento de ciclo de mercado, com diferentes configurações de parâmetros em diferentes fases do mercado
- Ampliação do sistema de gestão de risco, adição de stop loss dinâmico e função de gestão de posições
Resumir
Trata-se de uma estratégia inovadora que combina métodos matemáticos com inteligência de negociação. Através de análise multidimensional e ferramentas matemáticas avançadas, a estratégia é capaz de capturar vários níveis do mercado, fornecendo sinais de negociação relativamente confiáveis. Embora haja algum espaço para otimização, a estrutura geral da estratégia é robusta e tem valor de aplicação prática.
Código-fonte da estratégia
/*backtest
start: 2025-02-17 00:00:00
end: 2025-02-19 00:00:00
period: 1m
basePeriod: 1m
exchanges: [{"eid":"Binance","currency":"ETH_USDT"}]
*/
//@version=5
strategy("Enhanced Multidimensional Integration Strategy with Nadaraya", overlay=true, initial_capital=10000, currency=currency.USD, default_qty_type=strategy.percent_of_equity, default_qty_value=10)
//────────────────────────────────────────────────────────────────────────────
// 1. Configuration and Weight Optimization Parameters
//────────────────────────────────────────────────────────────────────────────
// Weights can be optimized to favor dimensions with higher historical correlation.
// Base values are maintained but can be fine-tuned.
w_technical = input.float(0.4, "Technical Weight", step=0.05)
w_emotional = input.float(0.2, "Emotional Weight", step=0.05)
w_extrasensor = input.float(0.2, "Extrasensory Weight", step=0.05)
w_intentional = input.float(0.2, "Intentional Weight", step=0.05)
// Parameters for Nadaraya-Watson Smoothing Function:
// Smoothing period and bandwidth affect the "memory" and sensitivity of the signal.
smooth_length = input.int(20, "Smoothing Period", minval=5)
bw_param = input.float(20, "Bandwidth", minval=1, step=1)
//────────────────────────────────────────────────────────────────────────────
// 2. Risk Management Parameters
//────────────────────────────────────────────────────────────────────────────
// Incorporate stop-loss and take-profit in percentage to protect capital.
// These parameters can be optimized through historical testing.
stopLossPerc = input.float(1.5, "Stop Loss (%)", step=0.1) / 100 // 1.5% stop-loss
takeProfitPerc = input.float(3.0, "Take Profit (%)", step=0.1) / 100 // 3.0% take-profit
//────────────────────────────────────────────────────────────────────────────
// 3. Additional Filters (Trend and Momentum)
//────────────────────────────────────────────────────────────────────────────
// A long-term moving average is used to confirm the overall trend direction.
trend_length = input.int(200, "Trend MA Period", minval=50)
// RSI is used to confirm momentum. A level of 50 is common to distinguish bullish and bearish phases.
rsi_filter_level = input.int(50, "RSI Confirmation Level", minval=30, maxval=70)
//────────────────────────────────────────────────────────────────────────────
// 4. Definition of Dimensions
//────────────────────────────────────────────────────────────────────────────
tech_series = close
emotional_series = ta.rsi(close, 14) / 100
extrasensorial_series = ta.atr(14) / close
intentional_series = (close - ta.sma(close, 50)) / close
//────────────────────────────────────────────────────────────────────────────
// 5. Nadaraya-Watson Smoothing Function
//────────────────────────────────────────────────────────────────────────────
// This function smooths each dimension using a Gaussian kernel.
// Proper smoothing reduces noise and helps obtain a more robust signal.
nadaraya_smooth(_src, _len, _bw) =>
if bar_index < _len
na
else
float sumW = 0.0
float sumWY = 0.0
for i = 0 to _len - 1
weight = math.exp(-0.5 * math.pow(((_len - 1 - i) / _bw), 2))
sumW := sumW + weight
sumWY := sumWY + weight * _src[i]
sumWY / sumW
//────────────────────────────────────────────────────────────────────────────
// 6. Apply Smoothing to Each Dimension
//────────────────────────────────────────────────────────────────────────────
sm_tech = nadaraya_smooth(tech_series, smooth_length, bw_param)
sm_emotional = nadaraya_smooth(emotional_series, smooth_length, bw_param)
sm_extrasens = nadaraya_smooth(extrasensorial_series, smooth_length, bw_param)
sm_intentional = nadaraya_smooth(intentional_series, smooth_length, bw_param)
//────────────────────────────────────────────────────────────────────────────
// 7. Integration of Dimensions
//────────────────────────────────────────────────────────────────────────────
// The integrated signal is composed of the weighted sum of each smoothed dimension.
// This multidimensional approach seeks to capture different aspects of market behavior.
integrated_signal = (w_technical * sm_tech) + (w_emotional * sm_emotional) + (w_extrasensor * sm_extrasens) + (w_intentional * sm_intentional)
// Additional smoothing of the integrated signal to obtain a reference line.
sma_integrated = ta.sma(integrated_signal, 10)
//────────────────────────────────────────────────────────────────────────────
// 8. Additional Filters to Improve Accuracy and Win Rate
//────────────────────────────────────────────────────────────────────────────
// Trend filter: only trade in the direction of the overall trend, determined by a 200-period SMA.
trendMA = ta.sma(close, trend_length)
// Momentum filter: RSI is used to confirm the strength of the movement (RSI > 50 for long and RSI < 50 for short).
rsi_val = ta.rsi(close, 14)
longFilter = (close > trendMA) and (rsi_val > rsi_filter_level)
shortFilter = (close < trendMA) and (rsi_val < rsi_filter_level)
// Crossover signals of the integrated signal with its SMA reference.
rawLongSignal = ta.crossover(integrated_signal, sma_integrated)
rawShortSignal = ta.crossunder(integrated_signal, sma_integrated)
// Incorporate trend and momentum filters to filter false signals.
longSignal = rawLongSignal and longFilter
shortSignal = rawShortSignal and shortFilter
//────────────────────────────────────────────────────────────────────────────
// 9. Risk Management and Order Generation
//────────────────────────────────────────────────────────────────────────────
// Entries are made based on the filtered integrated signal.
if longSignal
strategy.entry("Long", strategy.long, comment="Long Entry")
if shortSignal
strategy.entry("Short", strategy.short, comment="Short Entry")
// Add automatic exits using stop-loss and take-profit to limit losses and secure profits.
// For long positions: stop-loss below entry price and take-profit above.
if strategy.position_size > 0
strategy.exit("Exit Long", "Long", stop = strategy.position_avg_price * (1 - stopLossPerc), limit = strategy.position_avg_price * (1 + takeProfitPerc))
// For short positions: stop-loss above entry price and take-profit below.
if strategy.position_size < 0
strategy.exit("Exit Short", "Short", stop = strategy.position_avg_price * (1 + stopLossPerc), limit = strategy.position_avg_price * (1 - takeProfitPerc))
//────────────────────────────────────────────────────────────────────────────
// 10. Visualization on the Chart
//────────────────────────────────────────────────────────────────────────────
plot(integrated_signal, color=color.blue, title="Integrated Signal", linewidth=2)
plot(sma_integrated, color=color.orange, title="SMA Integrated Signal", linewidth=2)
plot(trendMA, color=color.purple, title="Trend MA (200)", linewidth=1, style=plot.style_line)
plotshape(longSignal, title="Long Signal", location=location.belowbar, color=color.green, style=shape.labelup, text="LONG")
plotshape(shortSignal, title="Short Signal", location=location.abovebar, color=color.red, style=shape.labeldown, text="SHORT")