Chiến lược đảo ngược xu hướng dựa trên làm mịn Gaussian
ChaoZhang
Tổng quan
Đây là một chiến lược sử dụng chỉ số biến động giá theo xu hướng dựa trên Gaussian smoothing để xác định biến động giá tiềm năng. Chiến lược này kết hợp chỉ số biến động giá theo xu hướng và đường trung bình chuyển động Gaussian smoothing của chu kỳ giá để thiết lập các điều kiện vào và ra cụ thể để nắm bắt cơ hội biến động giá.
Nguyên tắc chiến lược
Chiến lược này bắt đầu bằng cách tính toán chỉ số biến động giá giảm xu hướng (GDPO) bằng cách so sánh giá đóng cửa với trung bình di chuyển chỉ số của một chu kỳ nhất định để xác định chu kỳ giá trong thời gian ngắn. Sau đó, GDPO được làm mịn Gaussian, sử dụng Arnaud Legoux Moving Average (ALMA) áp dụng kỹ thuật mịn Gaussian để lọc ra tiếng ồn và cung cấp một bức tranh rõ ràng hơn về xu hướng giá.
Chiến lược xác định các điều kiện nhập cảnh và xuất cảnh cụ thể của việc tháo dỡ nhiều khi GDPR được mài dẹp và phiên bản chậm trễ của nó. Khi GDPR được mài dẹp và phiên bản chậm trễ của nó là âm, tháo dỡ nhiều; khi GDPR bị mài dẹp và phiên bản chậm trễ hoặc trục 0 của GDPR, tháo dỡ nhiều vị trí đầu. Tương tự, khi GDPR được mài dẹp và phiên bản chính xác của GDPR, tháo dỡ; khi GDPR bị mài dẹp và phiên bản chậm trễ hoặc trục 0.
Trên biểu đồ, GDPR và phiên bản chậm trễ của nó được vẽ bằng các màu khác nhau để hiển thị trực quan sự giao nhau của nó. Đồng thời vẽ trục 0 để tham khảo. Cài đặt màu nền khi nhập chiến lược để gợi ý.
Phân tích lợi thế
Chiến lược này kết hợp công nghệ loại bỏ xu hướng và lọc tiếng ồn Gaussian Smoothing để xác định rõ hơn các cơ hội đảo ngược giá. GDPR kết hợp với phân tích chu kỳ bằng cách loại bỏ xu hướng so với các chỉ số xung đột khác, giúp cải thiện độ chính xác. Gaussian Smoothing loại bỏ nhiều tiếng ồn, làm cho tín hiệu chỉ số rõ ràng hơn.
Phân tích rủi ro
Chiến lược này rất nhạy cảm với điều chỉnh tham số, chẳng hạn như độ dài chu kỳ, tham số làm mịn, v.v., cần được đánh giá lại đầy đủ để xác định sự kết hợp tham số phù hợp, nếu không có thể có quá nhiều tín hiệu sai. Trong tình huống xu hướng, chiến lược này có thể tạo ra tổn thất liên tục. Chiến lược dừng lỗ cần được sử dụng để kiểm soát tổn thất đơn lẻ. Ngoài ra, thất bại đảo ngược là rủi ro chính của chiến lược này, cần chú ý đến các đặc điểm hình dạng và cường độ xu hướng để xác định xác suất đảo ngược.
Bạn có thể điều chỉnh các tham số động, kết hợp với các chỉ số định hướng để tối ưu hóa, tăng cường sự ổn định của chiến lược. Bạn cũng có thể thiết lập dừng động để kiểm soát rủi ro.
Hướng tối ưu hóa
Chiến lược này có thể được tối ưu hóa theo các hướng sau:
Hoạt động điều chỉnh các tham số mài mòn, tăng cường mài mòn trong xu hướng, giảm tín hiệu sai.
Kết hợp với các chỉ số đánh giá xu hướng, chẳng hạn như ADX, để tránh chiến lược đảo ngược trong tình hình xu hướng.
Thêm các chiến lược dừng lỗ, chẳng hạn như điều chỉnh điểm dừng lỗ theo biến động giá hoặc di chuyển dừng lỗ sau khi kiếm được lợi nhuận.
Tối ưu hóa điều kiện nhập học, có thể kết hợp với các chỉ số hoặc hình thức khác để xác nhận, tăng độ chính xác nhập học.
Tối ưu hóa quản lý vốn, điều chỉnh vị trí và điểm dừng lỗ theo tình hình thị trường.
Thử nghiệm các dữ liệu giá khác nhau, chẳng hạn như đường mặt trời, đường tuần hoàn, để đánh giá hiệu quả của chiến lược trong các chu kỳ khác nhau.
Tóm tắt
Dựa trên chiến lược đảo ngược xu hướng trơn tru của Gauss, sử dụng chỉ số GDPR để xác định chu kỳ ngắn hạn của giá và sử dụng kỹ thuật trích xuất tín hiệu của Gauss để nắm bắt cơ hội đảo ngược trong điều kiện đầu vào và ra ngoài rõ ràng. Chiến lược này có hiệu quả trong việc kiểm soát rủi ro của giao dịch đảo ngược, nhưng cần chú ý đến việc tối ưu hóa tham số và phán đoán xu hướng.
/*backtest
start: 2022-10-31 00:00:00
end: 2023-11-06 00:00:00
period: 1d
basePeriod: 1h
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/
// This source code is subject to the terms of the Mozilla Public License 2.0
// © DraftVenture
//@version=5
strategy(title="Gaussian Detrended Reversion Strategy", overlay=false, default_qty_type=strategy.percent_of_equity, default_qty_value=15)
//Detrended Price Oscillator for price cycles
period_ = input.int(50, title="Price Length", minval=1)
barsback = period_/2 + 1
ma = ta.ema(close, period_)
dpo = close - ma[barsback]
// Rounded ALMA Calculations for gaussian smoothing
almaSource = dpo
almaWindowSize = input(title="Smoothing Length", defval=50)
lagLength = input(title="Lag Length", defval=25)
almaSmoothed = ta.alma(almaSource, almaWindowSize, 0.85, 6)
almaLag = almaSmoothed[lagLength]
// Reversion entry conditions
entryL = ta.crossover(almaSmoothed, almaLag) and almaSmoothed < 0
exitL = ta.crossunder(almaSmoothed, almaLag) or ta.crossunder(almaSmoothed, 0)
entryS = ta.crossunder(almaSmoothed, almaLag) and almaSmoothed > 0
exitS = ta.crossover(almaSmoothed, almaLag) or ta.crossover(almaSmoothed, 0)
// Long entry and exit
if entryL
strategy.entry("Long", strategy.long)
if exitL
strategy.close("Long")
// Short entry and exit
if entryS
strategy.entry("Short", strategy.short)
if exitS
strategy.close("Short")
// Plot the oscillator
plot(almaSmoothed, title="GDPO", color=color.green)
plot(almaLag, title="Lag", color=color.white)
hline(0, title="Zero Line", color=color.white)
bgcolor(entryL ? color.new(color.green, 40) : na)
bgcolor(entryS ? color.new(color.red, 40) : na)
plotshape(series=ta.crossunder(almaSmoothed, almaLag) or ta.crossunder(almaSmoothed, 0), style=shape.xcross, location=location.top, color=color.white, size=size.tiny)
plotshape(series=ta.crossover(almaSmoothed, almaLag) or ta.crossover(almaSmoothed, 0), style=shape.xcross, location=location.bottom, color=color.white, size=size.tiny)
//Strategy by KP