Стратегия регрессии экстремальных значений цены, основанная на биномиальном распределении
ChaoZhang
Эта стратегия называется “Стратегия регрессии ценового максимума на основе двоичного распределения”. Она использует функцию двоичного распределения, чтобы определить вероятность возникновения обратного курса и установить двойную стратегию выравнивания EMA для получения торгового сигнала.
Вычислительная логика стратегии такова:
Вычислить количество последних 20 увеличений цен на закрытие в K-линии и просчитать, сколько циклов увеличения в последних 100 K-линии составляет p。
Введите число циклов наркомании и вероятность p в двойную функцию распределения и вычислите кумулятивную функцию распределения ((CDF)).
Для CDF рассчитывается среднее значение EMA на 10 и 20 день соответственно. При прохождении медленной линии по быстрой линии считается, что вероятность возврата цены к предельным значениям выше, что создает сигнал к покупке.
Когда быстрая линия пересекает медленную линию, цена может находиться на краткосрочной высоте, в это время создается сигнал продажи.
Преимущество этой стратегии заключается в том, что она использует вероятностные методы для определения максимального времени возврата цены. Однако параметры должны быть скорректированы в зависимости от рынка, чтобы избежать создания слишком много ложных сигналов.
В целом, статистические методы помогают объективно обнаружить закономерности поведения цен. Однако в конечном итоге трейдеры должны сохранять остроту зрения на рынок и правильно использовать технические показатели в качестве вспомогательного инструмента.
/*backtest
start: 2022-09-06 00:00:00
end: 2023-05-01 00:00:00
period: 1d
basePeriod: 1h
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/
// © pieroliviermarquis
//@version=4
strategy("Binomial Strategy", overlay=false, default_qty_type= strategy.percent_of_equity, default_qty_value= 100, slippage=1, initial_capital= 10000, calc_on_every_tick=true)
factorial(length) =>
n = 1
if length != 0
for i = 1 to length
n := n * i
n
binomial_pdf(success, trials, p) =>
q = 1-p
coef = factorial(trials) / (factorial(trials-success) * factorial(success))
pdf = coef * pow(p, success) * pow(q, trials-success)
binomial_cdf(success, trials, p) =>
q = 1-p
cdf = 0.0
for i = 0 to success
cdf := cdf + binomial_pdf(i, trials, p)
up = close[0] > close[1] ? 1 : 0
//long-term probabilities
lt_lookback = 100
lt_up_bars = sum(up, lt_lookback)
prob = lt_up_bars/lt_lookback
//lookback for cdf
lookback = 20
up_bars = sum(up, lookback)
cdf = binomial_cdf(up_bars, lookback, prob)
//ema on cdf
ema1 = ema(cdf, 10)
ema2 = ema(cdf, 20)
plot(cdf*100)
plot(ema1*100, color=color.red)
plot(ema2*100, color=color.orange)
buy = ema1 > ema2
sell = ema1 < ema2
//////////////////////Bar Colors//////////////////
var color buy_or_sell = na
if buy == true
buy_or_sell := #3BB3E4
else if sell == true
buy_or_sell := #FF006E
barcolor(buy_or_sell)
///////////////////////////Orders////////////////
if buy
strategy.entry("Long", strategy.long, comment="")
if sell
strategy.close("Long", comment="Sell")