Обзор

Данная стратегия представляет собой экспериментальную количественную торговую стратегию, которая объединяет индикаторы скользящих средних и алгоритм машинного обучения kNN для генерации торговых сигналов. Стратегия использует пересечение двух VWMA с разными периодами для определения направления тренда, а также применяет фильтрацию сигналов с помощью алгоритма kNN на основе индикаторов MFI и ADX для повышения надёжности сигналов.

Принцип стратегии

Основными индикаторами стратегии являются две VWMA с разными параметрами: быстрая и медленная линии. Когда быстрая линия пересекает медленную снизу вверх, генерируется сигнал на покупку; при пересечении сверху вниз — сигнал на продажу. Кроме того, стратегия использует два вспомогательных индикатора — MFI и ADX, которые с помощью алгоритма классификации kNN оценивают надёжность сигнала в текущей рыночной ситуации.

Идея алгоритма kNN заключается в сравнении новых данных с историческими: определяются k наиболее близких исторических точек и их соответствующие результаты, после чего по принципу большинства голосов принимается классификация. Данная стратегия использует MFI и ADX в качестве двух входных параметров для алгоритма kNN, чтобы оценить историческое движение цены (рост или падение) при данном сочетании индикаторов, и таким образом фильтрует текущий сигнал, повышая его качество.

Преимущества стратегии

• Использование способности VWMA следовать за трендом с генерацией точек входа/выхода на основе пересечения скользящих средних.
• Применение индикаторов MFI и ADX для многомерного извлечения признаков, помогающих определить направление тренда.
• Динамическая оптимизация и фильтрация торговых сигналов с помощью алгоритма машинного обучения kNN.
• Экспериментальный характер стратегии, большой потенциал для развития, требующий дальнейшей проверки и оптимизации на большем объёме данных.

Риски и меры противодействия

• VWMA склонна к запаздыванию.
• MFI и ADX также обладают определённой задержкой и могут неправильно оценивать рыночную ситуацию.
• Настройка параметров алгоритма kNN (например, выбор значения k) существенно влияет на результаты.
• Как экспериментальная стратегия, она может показывать неудовлетворительные результаты на реальном рынке.

Меры противодействия:

• Настройка параметров скользящих средних для уменьшения запаздывания.
• Улучшение алгоритмов индикаторов для повышения точности определения тренда.
• Оптимизация параметров алгоритма kNN для улучшения качества подгонки.
• Проверка стратегии с помощью бэктестинга и симуляции торговли на реальном рынке.

Направления оптимизации

Стратегия имеет большой потенциал для улучшения:

• Добавление большего количества индикаторов скользящих средних для построения их комбинаций.
• Испытание различных вспомогательных индикаторов, таких как MACD, KDJ и др.
• Улучшение алгоритма kNN, например, использование других метрик расстояния.
• Применение других алгоритмов машинного обучения, таких как SVM, случайный лес и т.д.
• Параметрическая оптимизация для поиска наилучшего сочетания параметров.

Внедрение большего числа индикаторов и алгоритмов машинного обучения позволит повысить стабильность и доходность стратегии.

Заключение

Данная стратегия представляет собой экспериментальную количественную торговую стратегию, основанную на индикаторе VWMA и алгоритме машинного обучения kNN. Она обладает хорошей способностью следовать за трендом и одновременно фильтрует сигналы с помощью машинного обучения. Стратегия имеет широкие возможности для развития: добавление новых признаков и оптимизация алгоритмов могут привести к улучшению результатов. Однако как новая стратегия она несёт определённые риски и требует дальнейшей проверки и доработки. В целом, стратегия обладает значительным инновационным потенциалом.