количественная торговая стратегия машинного обучения kNN на основе VWMA и MFI/ADX
ChaoZhang
Обзор
Эта стратегия является экспериментальной количественной торговой стратегией, которая сочетает в себе индикаторы движущихся средних и алгоритм kNN для создания торгового сигнала. Эта стратегия использует перекрестку средней линии VWMA двух различных периодов для определения направления тенденции и сочетает в себе два индикатора MFI и ADX, которые фильтруют сигнал через алгоритм kNN для повышения надежности сигнала.
Стратегический принцип
Центральным показателем стратегии является средний VWMA с двумя различными параметрами - быстрая и медленная линия. При прохождении медленной линии на быстрой линии образуется сигнал покупки, а при прохождении медленной линии - сигнал продажи. Кроме того, стратегия вводит два вспомогательных показателя - MFI и ADX, которые используют алгоритм классификации кНН для оценки надежности сигнала в текущих рыночных условиях.
Идея алгоритма kNN состоит в том, чтобы сравнивать новые данные с историческими данными, оценивать результаты, соответствующие наиболее близким к историческим данным, и классифицировать их в соответствии с этими историческими результатами в соответствии с большинством голосов. Эта стратегия использует MFI и ADX в качестве двух входных параметров алгоритма kNN, чтобы оценить историческое движение цены при сочетании этих двух показателей (вверх или вниз), чтобы фильтровать текущий сигнал и улучшать качество сигнала.
Стратегические преимущества
- Использование VWMA для отслеживания тенденций в сочетании с равномерным пересечением для создания точек покупки и продажи
- Использование показателей MFI и ADX для многомерного извлечения характеристик, чтобы помочь определить направление тенденции
- Динамическая оптимизация и фильтрация торговых сигналов с помощью алгоритмов машинного обучения kNN
- Экспериментальные стратегии, большое пространство для разработки, предстоит проверить и оптимизировать с помощью больших данных
Риски и противодействие
- Проблемы, связанные с задержкой VWMA
- MFI и ADX имеют определенную отсталость, что может привести к неправильному пониманию состояния рынка
- Настройка параметров алгоритма kNN (например, выбор k-значений) оказывает большое влияние на результат
- Экспериментальные стратегии, которые могут плохо работать в реальном мире
Ответы:
- Корректировка среднелинейных параметров, снижение отставания
- Улучшение алгоритмов индикаторов, повышение точности определения тенденций
- Оптимизация параметров алгоритма kNN для улучшения эффективности совмещения
- Проверка стратегии с использованием обратной связи и моделирования в реальном пространстве
Направление оптимизации
В этой стратегии есть много возможностей для оптимизации:
- Добавление дополнительных показателей и формирование портфеля
- Попробуйте различные вспомогательные показатели, такие как MACD, KDJ и т.д.
- Улучшение алгоритмов kNN, например использование различных методов измерения расстояний
- Попробуйте другие алгоритмы машинного обучения, такие как SVM, Random Forest и т.д.
- Оптимизация параметров, поиск оптимальных комбинаций параметров
Внедрение большего количества показателей и алгоритмов машинного обучения может способствовать дальнейшему повышению стабильности и доходности стратегии.
Подвести итог
Эта стратегия является экспериментальной количественной торговой стратегией, основанной на среднелинейных показателях VWMA и алгоритме машинного обучения kNN. Она обладает высокой способностью следить за тенденциями, а также фильтровать сигналы с помощью машинного обучения.
/*backtest
start: 2023-11-21 00:00:00
end: 2023-12-21 00:00:00
period: 1h
basePeriod: 15m
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/
// © lastguru
//@version=4
strategy(title="VWMA with kNN Machine Learning: MFI/ADX", shorttitle="VWMA + kNN: MFI/ADX", overlay=true, default_qty_type=strategy.percent_of_equity, default_qty_value=100)
/////////
// kNN //
/////////
// Define storage arrays for: parameter 1, parameter 2, price, result (up = 1; down = -1)
var knn1 = array.new_float(1, 0)
var knn2 = array.new_float(1, 0)
var knnp = array.new_float(1, 0)
var knnr = array.new_float(1, 0)
// Store the previous trade; buffer the current one until results are in
_knnStore (p1, p2, src) =>
var prevp1 = 0.0
var prevp2 = 0.0
var prevsrc = 0.0
array.push(knn1, prevp1)
array.push(knn2, prevp2)
array.push(knnp, prevsrc)
array.push(knnr, src >= prevsrc ? 1 : -1)
prevp1 := p1
prevp2 := p2
prevsrc := src
// Sort two arrays (MUST be of the same size) based on the first.
// In other words, when an element in the first is moved, the element in the second moves as well.
_knnGet(arr1, arr2, k) =>
sarr = array.copy(arr1)
array.sort(sarr)
ss = array.slice(sarr, 0, min(k, array.size(sarr)))
m = array.max(ss)
out = array.new_float(0)
for i = 0 to array.size(arr1) - 1
if (array.get(arr1, i) <= m)
array.push(out, array.get(arr2, i))
out
// Create a distance array from the two given parameters
_knnDistance(p1, p2) =>
dist = array.new_float(0)
n = array.size(knn1) - 1
for i = 0 to n
d = sqrt( pow(p1 - array.get(knn1, i), 2) + pow(p2 - array.get(knn2, i), 2) )
array.push(dist, d)
dist
// Make a prediction, finding k nearest neighbours
_knn(p1, p2, k) =>
slice = _knnGet(_knnDistance(p1, p2), array.copy(knnr), k)
knn = array.sum(slice)
////////////
// Inputs //
////////////
SRC = input(title="Source", type=input.source, defval=open)
FAST = input(title="Fast Length", type=input.integer, defval=13)
SLOW = input(title="Slow Length", type=input.integer, defval=19)
FILTER = input(title="Filter Length", type=input.integer, defval=13)
SMOOTH = input(title="Filter Smoothing", type=input.integer, defval=6)
KNN = input(title="kNN nearest neighbors (k)", type=input.integer, defval=23)
BACKGROUND = input(false,title = "Draw background")
////////
// MA //
////////
fastMA = vwma(SRC, FAST)
slowMA = vwma(SRC, SLOW)
/////////
// DMI //
/////////
// Wilder's Smoothing (Running Moving Average)
_rma(src, length) =>
out = 0.0
out := ((length - 1) * nz(out[1]) + src) / length
// DMI (Directional Movement Index)
_dmi (len, smooth) =>
up = change(high)
down = -change(low)
plusDM = na(up) ? na : (up > down and up > 0 ? up : 0)
minusDM = na(down) ? na : (down > up and down > 0 ? down : 0)
trur = _rma(tr, len)
plus = fixnan(100 * _rma(plusDM, len) / trur)
minus = fixnan(100 * _rma(minusDM, len) / trur)
sum = plus + minus
adx = 100 * _rma(abs(plus - minus) / (sum == 0 ? 1 : sum), smooth)
[plus, minus, adx]
[diplus, diminus, adx] = _dmi(FILTER, SMOOTH)
/////////
// MFI //
/////////
// common RSI function
_rsi(upper, lower) =>
if lower == 0
100
if upper == 0
0
100.0 - (100.0 / (1.0 + upper / lower))
mfiUp = sum(volume * (change(ohlc4) <= 0 ? 0 : ohlc4), FILTER)
mfiDown = sum(volume * (change(ohlc4) >= 0 ? 0 : ohlc4), FILTER)
mfi = _rsi(mfiUp, mfiDown)
////////////
// Filter //
////////////
longCondition = crossover(fastMA, slowMA)
shortCondition = crossunder(fastMA, slowMA)
if (longCondition or shortCondition)
_knnStore(adx, mfi, SRC)
filter = _knn(adx, mfi, KNN)
/////////////
// Actions //
/////////////
bgcolor(BACKGROUND ? filter >= 0 ? color.green : color.red : na)
plot(fastMA, color=color.red)
plot(slowMA, color=color.green)
if (longCondition and filter >= 0)
strategy.entry("Long", strategy.long)
if (shortCondition and filter < 0)
strategy.entry("Short", strategy.short)