Обзор

Эта стратегия использует алгоритм машинного обучения kNN для прогнозирования рыночных тенденций и генерирует сигналы о длинных и пустых позициях в зависимости от результатов прогнозирования. Стратегия комплексно учитывает многочисленные факторы, такие как исторические данные, технические показатели и т. Д. Для получения рыночных характеристик путем обучения динамике модели kNN для автоматизации трендового отслеживания торгов.

Стратегический принцип

1. Сбор тренировочных данных: сбор хронологических последовательностей, таких как исторические цены закрытия, объемы торгов, а также технические показатели, такие как RSI, CCI.

2. Предварительная обработка данных: унификация показателя в диапазоне 0-100

3. Обучение кНН-модели: ввод двух характеристик из текущей модели кНН, вычисление европейского расстояния между векторами этих характеристик и векторами исторических характеристик, выбор расстояния от ближайших к исторических образцов, статистическое распределение этикеток k образцов ((многоголовый или пустой) ‒

4. Получение прогноза: прогнозирование текущего движения рынка на основе тегов k наиболее близких соседних образцов. Если прогноз является многоголовым, создается сигнал о длинной позиции; если прогноз является пустым, создается сигнал о пустой позиции.

5. Торговля в сочетании с фильтрами, такими как стоп-лосс, контроль позиции, движущаяся средняя.

Стратегические преимущества

1. При помощи алгоритмов машинного обучения можно автоматически идентифицировать технологические формы без вмешательства человека.

2. Возможность гибкого выбора различных технических показателей в качестве модельных характеристик, стратегии оптимизации в реальном времени.

3. Интеграция строгих механизмов контроля риска, таких как стоп-лосс, управление позициями.

4. Визуализация представляет собой четкую и интуитивно понятную линию остановки.

Риски и решения

1. Прогноз машинного обучения может привести к ошибочным сообщениям. Можно выбрать подходящие модели оптимизации, такие как k-значение, характеристический вектор, диапазон времени отбора образцов.

2. Существует потенциальный риск односторонних сделок. Добавление двусторонних сделок в код может устранить ошибки.

3. Неправильная настройка параметров может привести к чрезмерной торговле. Следует соответствующим образом скорректировать параметры, такие как размер позиции, частота торгов.

Направление оптимизации

1. Тестирование различных типов технических показателей в качестве входных характеристик кНН.

2. Попробуйте другие методы измерения расстояния, например, расстояние до Манхэттена.

3. Позиционный размер корректируется с использованием дистанции выборки или классификации качества.

4. Добавление набора обучения модели, разделение набора тестирования, оптимизация прокрутки.

Подвести итог

Эта стратегия использует классический алгоритм kNN для прогнозирования рыночных тенденций и ведения торгов в соответствии с прогнозируемыми сигналами. Эта стратегия имеет регулируемые параметры и контролируемые риски, что позволяет пользователям эффективно автоматизировать торговые программы. Пользователи могут постоянно улучшать эффективность стратегии путем корректировки портфеля технических показателей, оптимизации моделей сверхпараметров и т. Д.