1. مربع
  2. کلمان فلٹر پر مبنی ٹرینڈ ٹریکنگ حکمت عملی

کلمان فلٹر پر مبنی ٹرینڈ ٹریکنگ حکمت عملی

مصنف:چاؤ ژانگ، تاریخ: 2024-01-25 14:12:26
ٹیگز:

img

جائزہ

حکمت عملی کا اصول

اس حکمت عملی کے بنیادی منطق میں بنیادی طور پر مندرجہ ذیل اقدامات شامل ہیں:

  1. 1 منٹ کی قیمت کا سادہ چلتا ہوا اوسط (SMA) اصل چلتا ہوا اوسط کے طور پر شمار کیا جائے۔

  2. Kalman ایک ہموار چلتی اوسط پیداوار کے لئے اصل چلتی اوسط فلٹر؛

  3. ہموار چلتی اوسط کے ٹینجنٹ زاویہ کا حساب لگائیں؛

  5. خریدنے کا اشارہ بنائیں جب مدت کے اندر ٹینجنٹ زاویوں کا مجموعہ 360 ڈگری سے زیادہ ہو؛ فروخت کا اشارہ بنائیں جب -360 ڈگری سے کم ہو۔

اس ڈیزائن کے ساتھ ، جب قیمت میں اوپر یا نیچے کا رجحان ظاہر ہوتا ہے تو ، حرکت پذیر اوسط کا ٹینجنٹ زاویہ آہستہ آہستہ جمع ہوجاتا ہے۔ جب یہ ایک خاص حد تک جمع ہوجاتا ہے تو ، تجارتی سگنل تیار ہوجاتے ہیں۔ لہذا ، یہ درمیانی اور طویل مدتی رجحانات کو مؤثر طریقے سے ٹریک کرسکتا ہے۔

ان میں سے ، کیل مین فلٹر کلیدی حیثیت رکھتا ہے۔ کیل مین فلٹر ایک تکرار الگورتھم ہے جو موجودہ حالت کی پیش گوئی کرتے ہوئے عمل کے شور اور پیمائش کے شور کی قیمت کی پیش گوئی کرتا ہے ، اور موجودہ حالت کی پیش گوئی کو درست کرنے کے لئے ان شور کی اقدار کا استعمال کرتا ہے تاکہ زیادہ درست اور قابل اعتماد حالت کا تخمینہ حاصل کیا جاسکے۔

فوائد کا تجزیہ

سادہ چلتی اوسط اور دیگر تکنیکی اشارے کی حکمت عملی کے مقابلے میں ، اس حکمت عملی کا سب سے بڑا فائدہ یہ ہے کہ یہ شور کے اثرات کو کم کرنے کے لئے کیلمان فلٹر کا استعمال کرتا ہے ، جس سے تجارتی سگنل واضح اور قابل اعتماد ہوجاتے ہیں۔ مخصوص فوائد بنیادی طور پر مندرجہ ذیل پہلوؤں میں ظاہر ہوتے ہیں۔

  1. جھوٹے سگنل کو کم کریں۔ کیلمان فلٹرنگ مؤثر طریقے سے بدعت اندازہ لگانے اور شور کو ختم کرنے سے بے ترتیب اتار چڑھاؤ کی وجہ سے بہت سارے جھوٹے سگنل کو فلٹر کرتی ہے ، جس سے پیدا ہونے والے تجارتی سگنل زیادہ قابل اعتماد ہوجاتے ہیں۔

  3. لچکدار سایڈست پیرامیٹرز۔ سایڈست پیرامیٹرز میں چلتی اوسط کی لمبائی ، کالمان فلٹر اور شماریاتی سائیکل کے پیرامیٹرز شامل ہیں ، جو مختلف مارکیٹ کے ماحول میں لچکدار طور پر موافقت کرسکتے ہیں۔

  4. قابو پانے والا خطرہ۔ یہ حکمت عملی قلیل مدتی اتار چڑھاؤ کے بجائے درمیانی اور طویل مدتی رجحانات پر زیادہ توجہ مرکوز کرتی ہے ، جس سے خطرہ اور منافع کا اچھا توازن حاصل ہوتا ہے۔

  5. لاگو کرنے اور توسیع کرنے میں آسان۔ اس حکمت عملی کا بنیادی الگورتھم کافی جامع اور لاگو کرنے اور جانچنے میں آسان ہے۔ یہ توسیع کے لئے بھی گنجائش فراہم کرتا ہے ، جیسے پیرامیٹرز کو خود بخود بہتر بنانے کے لئے مشین لرننگ الگورتھم متعارف کرانا۔

خطرے کا تجزیہ

اس حکمت عملی کے اہم خطرات میں یہ بھی شامل ہیں:

  1. رجحان کی تبدیلی کا خطرہ۔ یہ حکمت عملی رجحان کی پیروی پر مرکوز ہے۔ تیز رجحان کی تبدیلی کی صورت میں ، اس سے زیادہ نقصانات ہوں گے۔ یہ تجارتی نقصان کو کم کرنے کے لئے اعدادوشمار کے دورانیے کو مناسب طریقے سے مختصر کرکے کم کیا جاسکتا ہے۔

  2. پیرامیٹر کی اصلاح کا خطرہ۔ پیرامیٹر کی نامناسب ترتیبات سے کثرت سے تجارت یا سگنل کی تاخیر ہوسکتی ہے۔ اس کے لئے کافی جانچ اور اصلاح کی ضرورت ہوتی ہے۔ یہ خودکار اصلاح کے لئے مشین لرننگ الگورتھم کے ساتھ مل سکتا ہے۔

  3. زیادہ سے زیادہ اصلاح کا خطرہ۔ تاریخی اعداد و شمار پر زیادہ سے زیادہ اصلاح سے بھی غیر موثر پیرامیٹرز پیدا ہوسکتے ہیں۔ نمونہ سے باہر کی موزونیت کو کنٹرول کرنے کی ضرورت ہے۔

  4. پیچیدگی کا خطرہ بڑھتا ہے۔ کیل مین فلٹر اور ٹینجنٹ اینگل الگورتھم متعارف کرانے سے کوڈ کی پیچیدگی میں اضافہ ہوتا ہے۔ درست نفاذ کو یقینی بنانے کی ضرورت ہے۔

اصلاح کی ہدایات

مذکورہ بالا خطرات کو مدنظر رکھتے ہوئے اس حکمت عملی کی اصلاح کی سمتوں میں شامل ہیں:

  1. اسٹاپ نقصان اور پوزیشن سائزنگ متعارف کروائیں۔ مناسب اسٹاپ نقصان سے ایک ہی تجارت کے نقصان کے خطرے کو مؤثر طریقے سے کنٹرول کیا جاسکتا ہے۔ متحرک پوزیشن سائزنگ مارکیٹ کے حالات کے مطابق خطرات کو ہیج کرنے کے لئے پوزیشنوں کو بھی ایڈجسٹ کرسکتی ہے۔

  2. خودکار پیرامیٹر کی اصلاح۔ مشینی سیکھنے کی اصلاح کے الگورتھم زیادہ سے زیادہ اصلاح کے خطرات سے بچنے کے لئے خودکار پیرامیٹر کی اصلاح حاصل کرسکتے ہیں۔

  4. کارکردگی کا اندازہ بڑھانا۔ زیادہ جامع اور درست نتیجہ کے ل strategies حکمت عملیوں کی کارکردگی اور استحکام کا اندازہ لگانے کے لئے زیادہ سے زیادہ رسک ایڈجسٹ میٹرکس متعارف کرانا۔

  5. مزید مصنوعات تک توسیع کریں۔ اگر یہ موثر ہے تو ، اس میں مزید مصنوعات تک توسیع پر غور کیا جاسکتا ہے۔ درمیانی اور طویل مدتی میں ، یہ بھرپور نمونے جمع کرتا ہے اور کراس پروڈکٹ پیرامیٹر کی اصلاح کی سہولت دیتا ہے۔

نتیجہ

/*backtest
start: 2024-01-17 00:00:00
end: 2024-01-24 00:00:00
period: 15m
basePeriod: 5m
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/

//@version=5
//@library=math
strategy("策略360°（测试）", overlay=true)

// 定义1分钟均线
ma1 = request.security(syminfo.tickerid, "1", ta.sma(close, 1)) // 在这里使用了 math.sma() 函数
//plot(ma1, color=color.yellow, title="原始均线")

// 定义卡尔曼滤波函数，参考了[1](https://www.tradingview.com/pine-script-docs/en/v5/language/Methods.html)和[2](https://www.tradingview.com/pine-script-docs/en/v5/language/Operators.html)的代码
kalman(x, g) => 
    kf = 0.0 
    dk = x - nz(kf[1], x) // 在这里使用了 nz() 函数
    smooth = nz(kf[1], x) + dk * math.sqrt(g * 2) // 在这里使用了 math.sqrt() 函数
    velo = 0.0 
    velo := nz(velo[1], 0) + g * dk // 在这里使用了 nz() 函数
    kf := smooth + velo 
    kf 

// 定义卡尔曼滤波后的均线
ma2 = kalman(ma1, 0.01) 
plot(ma2, color=color.blue, title="卡尔曼滤波后的均线")

// 定义切线角
angle = math.todegrees(math.atan(ma2 - ma2[1])) // 在这里使用了 math.degrees() 和 math.atan() 函数

// 定义累加的切线角
cum_angle = 0.0
cum_angle := nz(cum_angle[1], 0) + angle // 在这里使用了 nz() 函数

// 定义30分钟周期
period = 30 // 您可以根据您的需要修改这个参数

// 定义周期内的切线角总和
sum_angle = 0.0
sum_angle := math.sum(angle, period) // 在这里使用了 math.sum() 函数，把周期内的切线角总和改成简单地把 5 个切线角相加

// 定义买入和卖出条件
buy = sum_angle > 360// 在这里使用了 math.radians() 函数
sell = sum_angle < -360

// 执行买入和卖出操作
strategy.entry("Long", strategy.long, when=buy)
strategy.close("Short", when=buy)
strategy.entry("Short", strategy.short, when=sell)
strategy.close("Long", when=sell)

// 绘制曲线图
plot(sum_angle, color=color.green, title="周期内的切线角总和")
plot(angle, color=color.red, title="切线角") // 这是我为您添加的代码，用于显示实时计算的切线角
مزید

2019 FMZ - تمام حقوق محفوظ ہیں