Chiến lược RSI dựa trên việc tăng cường xác suất
ChaoZhang
Tổng quan
Chiến lược này là một chiến lược đơn giản chỉ cần làm nhiều hơn, sử dụng chỉ số RSI để đánh giá quá mua quá bán. Chúng tôi đã tăng cường nó, thêm lệnh dừng lỗ, đồng thời tích hợp mô-đun xác suất để tăng xác suất, chỉ mở vị trí khi xác suất giao dịch có lợi nhuận lớn hơn hoặc bằng 51% trong một khoảng thời gian gần đây. Điều này đã cải thiện đáng kể hiệu suất của chiến lược.
Nguyên tắc chiến lược
Chiến lược này sử dụng chỉ số RSI để đánh giá thị trường quá mua quá bán. Cụ thể, khi RSI vượt quá giới hạn dưới của phạm vi bán quá mức được thiết lập; khi RSI vượt quá giới hạn trên của phạm vi bán quá mức được thiết lập. Ngoài ra, chúng tôi đã thiết lập tỷ lệ dừng lỗ.
Điều quan trọng là chúng tôi tích hợp một mô-đun xác định xác suất. Mô-đun này sẽ thống kê tỷ lệ giao dịch nhiều hơn hoặc thua lỗ trong một khoảng thời gian gần đây (thông qua tham số lookback). Chỉ khi xác suất giao dịch có lợi gần đây lớn hơn hoặc bằng 51%, bạn sẽ mở nhiều vị trí. Điều này làm giảm đáng kể khả năng giao dịch thua lỗ.
Phân tích lợi thế
Đây là một chiến lược RSI tăng xác suất có những lợi thế sau đây so với chiến lược RSI thông thường:
- Thêm thiết lập Stop Loss để hạn chế lỗ đơn và khóa lợi nhuận
- tích hợp mô-đun xác suất, tránh thị trường có xác suất lợi nhuận thấp vrf
- Các tham số của mô-đun xác suất có thể điều chỉnh, có thể được tối ưu hóa cho các môi trường thị trường khác nhau
- Chỉ cần làm nhiều cơ chế đơn giản, dễ hiểu và dễ thực hiện
Phân tích rủi ro
Chiến lược này cũng có những rủi ro:
- Chỉ làm nhiều hơn, không thể tận dụng lợi nhuận của thị trường giảm giá
- Phương thức xác suất sai có thể làm bạn bỏ lỡ cơ hội tốt hơn.
- Không thể xác định được sự kết hợp tốt nhất của các tham số, có sự khác biệt lớn trong các môi trường thị trường khác nhau
- Thiết lập dừng lỗ quá lỏng lẻo, tổn thất đơn lẻ vẫn có thể lớn
Giải pháp tương ứng:
- Có thể xem xét tham gia vào cơ chế làm trắng
- Tối ưu hóa các tham số mô-đun xác suất để giảm khả năng sai lệch
- Các tham số tối ưu hóa động theo phương pháp học máy
- Thiết lập mức dừng lỗ thận trọng hơn, thu hẹp không gian tổn thất đơn
Hướng tối ưu hóa
Chiến lược này có thể được tối ưu hóa hơn nữa ở những khía cạnh sau:
- Thêm mô-đun giao dịch nhị phân để giao dịch hai chiều
- Thiết lập tham số tối ưu hóa động bằng phương pháp học máy
- Hãy thử các chỉ số khác để đánh giá mức mua quá mức.
- Tối ưu hóa chiến lược dừng lỗ, tối ưu hóa tỷ lệ lợi nhuận
- Kết hợp các yếu tố khác để tăng khả năng lọc tín hiệu
Tóm tắt
Chiến lược này là một chiến lược RSI đơn giản, tích hợp các mô-đun xác định xác suất để tăng cường. So với chiến lược RSI thông thường, có thể lọc một số giao dịch thua lỗ, rút lại toàn bộ và tối ưu hóa tỷ lệ thua lỗ. Sau đó, có thể cải thiện từ việc tạo ra lỗ hổng, tối ưu hóa động lực, v.v.
/*backtest
start: 2023-11-19 00:00:00
end: 2023-12-19 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/
// © thequantscience
//@version=5
strategy("Reinforced RSI",
overlay = true,
default_qty_type = strategy.percent_of_equity,
default_qty_value = 100,
pyramiding = 1,
currency = currency.EUR,
initial_capital = 1000,
commission_type = strategy.commission.percent,
commission_value = 0.07)
lenght_rsi = input.int(defval = 14, minval = 1, title = "RSI lenght: ")
rsi = ta.rsi(close, length = lenght_rsi)
rsi_value_check_entry = input.int(defval = 35, minval = 1, title = "Oversold: ")
rsi_value_check_exit = input.int(defval = 75, minval = 1, title = "Overbought: ")
trigger = ta.crossunder(rsi, rsi_value_check_entry)
exit = ta.crossover(rsi, rsi_value_check_exit)
entry_condition = trigger
TPcondition_exit = exit
look = input.int(defval = 30, minval = 0, maxval = 500, title = "Lookback period: ")
Probabilities(lookback) =>
isActiveLong = false
isActiveLong := nz(isActiveLong[1], false)
isSellLong = false
isSellLong := nz(isSellLong[1], false)
int positive_results = 0
int negative_results = 0
float positive_percentage_probabilities = 0
float negative_percentage_probabilities = 0
LONG = not isActiveLong and entry_condition == true
CLOSE_LONG_TP = not isSellLong and TPcondition_exit == true
p = ta.valuewhen(LONG, close, 0)
p2 = ta.valuewhen(CLOSE_LONG_TP, close, 0)
for i = 1 to lookback
if (LONG[i])
isActiveLong := true
isSellLong := false
if (CLOSE_LONG_TP[i])
isActiveLong := false
isSellLong := true
if p[i] > p2[i]
positive_results += 1
else
negative_results -= 1
positive_relative_probabilities = positive_results / lookback
negative_relative_probabilities = negative_results / lookback
positive_percentage_probabilities := positive_relative_probabilities * 100
negative_percentage_probabilities := negative_relative_probabilities * 100
positive_percentage_probabilities
probabilities = Probabilities(look)
lots = strategy.equity/close
var float e = 0
var float c = 0
tp = input.float(defval = 1.00, minval = 0, title = "Take profit: ")
sl = input.float(defval = 1.00, minval = 0, title = "Stop loss: ")
if trigger==true and strategy.opentrades==0 and probabilities >= 51
e := close
strategy.entry(id = "e", direction = strategy.long, qty = lots, limit = e)
takeprofit = e + ((e * tp)/100)
stoploss = e - ((e * sl)/100)
if exit==true
c := close
strategy.exit(id = "c", from_entry = "e", limit = c)
if takeprofit and stoploss
strategy.exit(id = "c", from_entry = "e", stop = stoploss, limit = takeprofit)