Tổng quan

Chiến lược này sử dụng k neighborhood (kNN) thuật toán học máy để dự đoán xu hướng thị trường và tạo ra tín hiệu vị trí dài và vị trí trống dựa trên kết quả dự đoán. Chiến lược này xem xét nhiều yếu tố như dữ liệu lịch sử, chỉ số kỹ thuật, thu được đặc điểm thị trường bằng cách đào tạo động thái mô hình kNN và thực hiện giao dịch theo dõi xu hướng tự động.

Nguyên tắc chiến lược

1. Thu thập dữ liệu đào tạo: thu thập các chuỗi thời gian như giá đóng cửa lịch sử, khối lượng giao dịch và các chỉ số kỹ thuật như RSI, CCI.

2. Quá trình xử lý trước dữ liệu: Tiêu chuẩn hóa chỉ số trong khoảng 0-100

3. Đào tạo mô hình kNN: nhập hai đặc điểm trong mô hình kNN hiện tại, tính khoảng cách theo kiểu châu Âu giữa các vector đặc điểm này và vector đặc điểm lịch sử, chọn khoảng cách gần nhất k mẫu lịch sử, thống kê phân bố nhãn của k mẫu này (vô đầu hoặc đầu trống).

4. Nhận được dự báo: Dự báo xu hướng thị trường hiện tại dựa trên các nhãn của k mẫu gần nhất. Nếu dự báo là nhiều đầu, tạo ra tín hiệu dài; Nếu dự báo là đầu trống, tạo ra tín hiệu trống.

5. Giao dịch với các bộ lọc như dừng lỗ, kiểm soát vị trí, trung bình di chuyển.

Lợi thế chiến lược

1. Nó sử dụng các thuật toán học máy để tự động xác định hình thức công nghệ mà không cần sự can thiệp của con người.

2. Có thể lựa chọn các chỉ số kỹ thuật khác nhau một cách linh hoạt như là mô hình đặc trưng, chiến lược tối ưu hóa thời gian thực.

3. Một cơ chế kiểm soát rủi ro nghiêm ngặt như dừng lỗ, quản lý vị trí.

4. Hình ảnh hiển thị đường dừng, trực quan rõ ràng.

Rủi ro và giải pháp

1. Mô hình tối ưu hóa có thể được chọn cho các giá trị k thích hợp, vector đặc trưng, phạm vi thời gian mẫu.

2. Có những rủi ro tiềm ẩn khi giao dịch đơn phương. Thêm giao dịch song phương vào mã có thể giúp loại bỏ các lỗi.

3. Thiết lập tham số không đúng có thể dẫn đến giao dịch quá mức. Các tham số như kích thước vị trí, tần suất giao dịch nên được điều chỉnh thích hợp.

Hướng tối ưu hóa

1. Kiểm tra các loại chỉ số kỹ thuật khác nhau như đặc điểm đầu vào của kNN.

2. Hãy thử các phương pháp đo khoảng cách khác, chẳng hạn như khoảng cách Manhattan.

3. Sử dụng khoảng cách mẫu hoặc phân loại chất lượng để điều chỉnh kích thước vị trí.

4. Thêm tập huấn mô hình, phân chia tập thử nghiệm, tối ưu hóa cuộn.

Tóm tắt

Chiến lược này sử dụng thuật toán kNN cổ điển để dự đoán xu hướng thị trường và thực hiện giao dịch theo xu hướng dựa trên tín hiệu dự đoán. Chiến lược có thể điều chỉnh tham số, có thể kiểm soát rủi ro, có thể cung cấp cho người dùng một chương trình giao dịch tự động hiệu quả. Người dùng có thể liên tục nâng cao hiệu suất chiến lược bằng cách điều chỉnh danh mục chỉ số kỹ thuật, tối ưu hóa mô hình siêu tham số.