Обзор

Данная стратегия использует алгоритм машинного обучения k-ближайших соседей (kNN) для прогнозирования рыночных трендов и генерирует сигналы на открытие длинных и коротких позиций на основе прогнозов. Стратегия учитывает множество факторов, включая исторические данные и технические индикаторы, динамически определяет рыночные характеристики путем обучения модели kNN и реализует автоматическую торговлю по тренду.

Принцип стратегии

1. Сбор обучающих данных: сбор временных рядов, таких как исторические цены закрытия и объемы, а также технические индикаторы, такие как RSI и CCI.
2. Предварительная обработка данных: нормализация значений индикаторов в диапазон 0–100.
3. Обучение модели kNN: подача двух признаков из текущей модели kNN, вычисление евклидова расстояния между этими векторами признаков и историческими векторами признаков, выбор k исторических образцов с наименьшим расстоянием и анализ распределения меток (лонг или шорт) этих k образцов.
4. Получение прогноза: прогнозирование текущего рыночного движения на основе меток k ближайших соседей. Если прогноз — «лонг», генерируется сигнал на открытие длинной позиции; если «шорт» — на открытие короткой позиции.
5. Торговля с использованием фильтров, таких как стоп-лосс, управление размером позиции и скользящие средние.

Преимущества стратегии

1. Автоматическое распознавание технических паттернов с помощью алгоритмов машинного обучения без необходимости ручного вмешательства.
2. Гибкий выбор различных технических индикаторов в качестве признаков модели с возможностью оптимизации стратегии в реальном времени.
3. Интеграция строгих механизмов контроля рисков, таких как стоп-лосс и управление позициями.
4. Визуализация линии стоп-лосса для наглядности и прозрачности.

Риски и методы их решения

1. Прогнозы машинного обучения могут быть ложными. Для оптимизации модели можно подобрать подходящее значение k, вектор признаков и временной диапазон выборки.
2. Торговля только в одном направлении несет потенциальный риск. В код можно добавить разрешение на двустороннюю торговлю для устранения багов.
3. Неправильные настройки параметров могут привести к чрезмерной торговле. Следует соответствующим образом отрегулировать размер позиции, частоту сделок и другие параметры.

Направления оптимизации

1. Тестирование различных типов технических индикаторов в качестве входных признаков для kNN.
2. Использование других метрик расстояния, например, манхэттенского расстояния.
3. Регулировка размера позиции на основе расстояний до образцов или качества классификации.
4. Разделение на обучающую и тестовую выборки для реализации скользящей оптимизации.

Заключение

Данная стратегия использует классический алгоритм kNN для прогнозирования рыночного тренда и осуществляет торговлю по тренду на основе прогнозных сигналов. Стратегия отличается настраиваемыми параметрами и контролируемым риском, предоставляя пользователю эффективное решение для автоматизированной торговли. Пользователи могут улучшить производительность стратегии, регулируя комбинации технических индикаторов и оптимизируя гиперпараметры модели.