ianzeng123
2
Подписаться
319
Подписчики
Обзор
Стратегия представляет собой систему отслеживания трендов, объединяющую динамический реактор и многоядерную регрессию. Она улавливает рыночные тенденции путем объединения ATR-каналов, SMA-равностей, а также Гаусса и Эпанечникова и использует RSI для фильтрации сигналов. Стратегия также включает в себя полную систему управления позициями, включая динамические стоп-лосы, многократные целевые прибыли и отслеживание стоп-убытков.
Стратегический принцип
Основная часть стратегии состоит из двух основных частей. Первая часть - динамический реактор (DR), который создает адаптивный ценовой канал на основе ATR и SMA. Ширина канала определяется кратностью ATR, а положение канала корректируется с движением SMA.
Стратегические преимущества
- Адаптируемость: благодаря сочетанию динамического реактора и многоядерной регрессии, стратегия может автоматически адаптироваться к различным рыночным условиям и колебаниям.
- Усовершенствованный риск-менеджмент: включает в себя многочисленные механизмы управления рисками, такие как динамическое остановка убытков, распределение прибыли и отслеживание убытков.
- Высокое качество сигнала: эффективное уменьшение ложного сигнала с помощью фильтрации RSI и перекрестного подтверждения двух линий.
- Высокая вычислительная эффективность: хотя используются сложные алгоритмы ядерной регрессии, но благодаря оптимизации вычислительных методов, гарантируется реальная производительность стратегии.
Стратегический риск
- Чувствительность к параметрам: эффективность стратегии сильно зависит от параметров, таких как ATR-множественность, пропускная способность ядерных функций и т. д. Неправильные параметры могут привести к чрезмерной торговле или упущенным возможностям.
- Задержка: из-за использования скользящих средних и алгоритмов регрессии может быть определенная задержка в быстром движении.
- Рыночная адаптивность: стратегия хорошо работает на трендовых рынках, но может часто давать ложные сигналы на рынках с колебаниями.
- Комплексность вычислений: вычисления многоядерных регрессионных частей более сложны и требуют внимания к оптимизации производительности в условиях высокочастотных сделок.
Направление оптимизации стратегии
- Параметры адаптируются: может быть введен механизм адаптации, динамически корректирующий ATR-множители и полосы пропускания для основных функций в зависимости от рыночных колебаний.
- Оптимизация сигнала: учитывайте дополнительные показатели, такие как объем сделок, ценовая форма, чтобы повысить надежность сигнала.
- Контроль риска: можно динамично корректировать соотношение стоп-лосс и прибыльных целей в зависимости от волатильности рынка.
- Рыночная фильтрация: добавление модуля идентификации рыночной среды, использование различных торговых стратегий в различных рыночных условиях.
Подвести итог
Это целостная торговая система, объединяющая современные статистические методы и традиционный технический анализ. Благодаря инновационному сочетанию динамических реакторов и многоядерной регрессии, а также совершенному механизму управления рисками, стратегия демонстрирует хорошую адаптивность и стабильность. Хотя есть некоторые места, где требуется оптимизация, благодаря постоянному улучшению и оптимизации параметров стратегия может быть стабильной в различных рыночных условиях.
Исходный код стратегии
/*backtest
start: 2024-07-20 00:00:00
end: 2025-07-19 08:00:00
period: 1d
basePeriod: 1d
exchanges: [{"eid":"Binance","currency":"ETH_USDT","balance":2000000}]
*/
//@version=5
strategy("DR+MKR Signals – Band SL, Multiple TP & Trailing Stop", overlay=true, default_qty_value=10)
// =====================================================================
// PART 1: Optimized Dynamic Reactor
// =====================================================================
atrLength = input.int(10, "ATR Length", minval=1) // Lower value for increased sensitivity
smaLength = input.int(10, "SMA Length", minval=1) // Lower value for a faster response
multiplier = input.float(1.2, "ATR Multiplier", minval=0.1, step=0.1) // Adjusted for tighter bands
atrValue = ta.atr(atrLength)
smaValue = ta.sma(close, smaLength)
basicUpper = smaValue + atrValue * multiplier
basicLower = smaValue - atrValue * multiplier
var float finalUpper = basicUpper
var float finalLower = basicLower
if bar_index > 0
finalUpper := close[1] > finalUpper[1] ? math.max(basicUpper, finalUpper[1]) : basicUpper
if bar_index > 0
finalLower := close[1] < finalLower[1] ? math.min(basicLower, finalLower[1]) : basicLower
var int trend = 1
if bar_index > 0
trend := close > finalUpper[1] ? 1 : close < finalLower[1] ? -1 : nz(trend[1], 1)
drLine = trend == 1 ? finalLower : finalUpper
p_dr = plot(drLine, color = trend == 1 ? color.green : color.red, title="Dynamic Reactor", linewidth=2)
// =====================================================================
// PART 2: Optimized Multi Kernel Regression
// =====================================================================
regLength = input.int(30, "Regression Period", minval=1) // Lower value for increased sensitivity
h1 = input.float(5.0, "Gaussian Band (h1)", minval=0.1) // Adjusted for a better fit
h2 = input.float(5.0, "Epanechnikov Band (h2)", minval=0.1)
alpha = input.float(0.5, "Gaussian Kernel Weight", minval=0, maxval=1)
f_gaussian_regression(bw) =>
num = 0.0
den = 0.0
for i = 0 to regLength - 1
weight = math.exp(-0.5 * math.pow(i / bw, 2))
num += close[i] * weight
den += weight
num / (den == 0 ? 1 : den)
f_epanechnikov_regression(bw) =>
num = 0.0
den = 0.0
for i = 0 to regLength - 1
ratio = i / bw
weight = math.abs(ratio) <= 1 ? (1 - math.pow(ratio, 2)) : 0
num += close[i] * weight
den += weight
num / (den == 0 ? 1 : den)
regGauss = f_gaussian_regression(h1)
regEpan = f_epanechnikov_regression(h2)
multiKernelRegression = alpha * regGauss + (1 - alpha) * regEpan
p_mkr = plot(multiKernelRegression, color = trend == 1 ? color.green : color.red, title="Multi Kernel Regression", linewidth=2)
fill(p_dr, p_mkr, color = trend == 1 ? color.new(color.green, 80) : color.new(color.red, 80), title="Trend Fill")
// =====================================================================
// PART 3: Buy and Sell Signals + RSI Filter
// =====================================================================
rsi = ta.rsi(close, 14)
buySignal = ta.crossover(multiKernelRegression, drLine) and rsi < 70
sellSignal = ta.crossunder(multiKernelRegression, drLine) and rsi > 30
plotshape(buySignal, style=shape.triangleup, location=location.belowbar, color=color.green, size=size.tiny, title="Buy Signal")
plotshape(sellSignal, style=shape.triangledown, location=location.abovebar, color=color.red, size=size.tiny, title="Sell Signal")
alertcondition(buySignal, title="Buy Alert", message="Buy Signal generated")
alertcondition(sellSignal, title="Sell Alert", message="Sell Signal generated")
// =====================================================================
// PART 4: Trade Management – Dynamic Stop Loss & Adaptive Take Profit
// =====================================================================
var float riskValue = na
if strategy.position_size == 0
riskValue := na
enterLong() =>
strategy.entry("Long", strategy.long,comment='开多仓')
close - finalLower
enterShort() =>
strategy.entry("Short", strategy.short,comment='开空仓')
finalUpper - close
if (buySignal)
riskValue := enterLong()
if (sellSignal)
riskValue := enterShort()
exitLongOrders() =>
entryPrice = strategy.position_avg_price
TP1 = entryPrice + riskValue
strategy.exit("Long_TP1", from_entry="Long", limit=TP1, qty_percent=50, comment="平多仓TP 1:1")
strategy.exit("Long_TS", from_entry="Long", trail_offset=riskValue * 0.8, trail_points=riskValue * 0.8, comment="平多仓Trailing Stop")
if (strategy.position_size > 0)
exitLongOrders()
exitShortOrders() =>
entryPrice = strategy.position_avg_price
TP1 = entryPrice - riskValue
strategy.exit("Short_TP1", from_entry="Short", limit=TP1, qty_percent=50, comment="平空仓TP 1:1")
strategy.exit("Short_TS", from_entry="Short", trail_offset=riskValue * 0.8, trail_points=riskValue * 0.8, comment="平空仓Trailing Stop")
if (strategy.position_size < 0)
exitShortOrders()