1. Quảng trường
  2. KRK aDa Chiến lược đảo ngược trung bình chậm theo Stochastic với cải tiến AI

KRK aDa Chiến lược đảo ngược trung bình chậm theo Stochastic với cải tiến AI

Tác giả:ChaoZhang, Ngày: 2024-04-26 15:41:18
Tags:KRKADAEMAAIRSI

img

Tổng quan

Chiến lược này sử dụng chỉ số Stochastic Slow làm tín hiệu giao dịch chính, kết hợp với chỉ số trung bình di chuyển đơn giản (SMA) 200 giai đoạn làm bộ lọc xu hướng. Ngoài ra, chiến lược giới thiệu một chỉ số trí tuệ nhân tạo (AI) giả để cung cấp các tín hiệu nhập cảnh bổ sung. Ý tưởng chính là mua trong các khu vực quá bán và bán trong các khu vực quá mua, đồng thời đảm bảo rằng giá nằm trên 200 SMA cho các mục nhập dài và dưới 200 SMA cho các mục nhập ngắn, phù hợp với xu hướng hiện tại. Việc bao gồm chỉ số AI cung cấp nhiều cơ hội nhập cảnh hơn.

Nguyên tắc chiến lược

  1. Tính toán các giá trị K và D của chỉ số Stochastic Slow, với khoảng thời gian K được thiết lập là 26 và giá trị D là SMA 3 giai đoạn của giá trị K.

  2. Đặt mức mua quá mức (OverBought) là 81, mức bán quá mức (OverSold) là 20 và giá trị K tối thiểu (minKValue) là 11.

  3. Tạo tín hiệu mua khi đường K vượt qua đường D, và giá trị K dưới mức bán quá mức và trên giá trị K tối thiểu.

  4. Tạo tín hiệu bán khi đường K vượt qua dưới đường D, và giá trị K trên mức mua quá mức và trên giá trị K tối thiểu.

  5. Sử dụng SMA 200 giai đoạn làm bộ lọc xu hướng, chỉ cho phép các mục dài khi giá trên 200 SMA và các mục ngắn khi giá dưới 200 SMA.

  6. giới thiệu một chỉ số AI giả (sử dụng RSI> 50 cho tăng và RSI < 50 cho giảm), nhập dài khi tín hiệu AI tăng và ngắn khi giảm.

  7. Kết hợp các tín hiệu từ chỉ số Stochastic, bộ lọc xu hướng và chỉ số AI để tạo ra các tín hiệu giao dịch cuối cùng.

  8. Đặt mức dừng lỗ 10% cho các giao dịch dài và mức dừng lỗ 10% cho các giao dịch ngắn.

Ưu điểm chiến lược

  1. Chỉ số Stochastic Slow xác định hiệu quả các khu vực mua quá mức và bán quá mức trên thị trường, cung cấp các điểm đầu vào tốt cho các giao dịch.

  2. Bộ lọc xu hướng 200 SMA đảm bảo rằng các giao dịch phù hợp với xu hướng hiện tại, tăng tỷ lệ thành công.

  3. Việc đưa ra chỉ số AI cung cấp nhiều cơ hội nhập cảnh hơn, có khả năng làm tăng lợi nhuận của chiến lược.

  4. Việc sử dụng lệnh dừng lỗ quản lý rủi ro hiệu quả.

Rủi ro chiến lược

  1. Chỉ số Stochastic có thể tạo ra tín hiệu sai trong thị trường hỗn loạn.

  2. Chỉ số AI hiện là chỉ số giả và hiệu quả thực tế của nó cần được xác minh.

  3. Các thiết lập dừng lỗ có thể dẫn đến một số lợi nhuận bị cắt ngắn sớm.

Hướng dẫn tối ưu hóa chiến lược

  1. Tối ưu hóa các thông số của chỉ số Stochastic để tìm thời gian tốt nhất và cài đặt ngưỡng mua quá mức / bán quá mức.

  2. giới thiệu các mô hình AI phức tạp và hiệu quả hơn để cải thiện độ chính xác của tín hiệu AI.

  3. Điều chỉnh các thiết lập dừng lỗ và lấy lợi nhuận để kiểm soát rủi ro và nắm bắt lợi nhuận tốt hơn.

  4. Xem xét việc kết hợp các chỉ số kỹ thuật hiệu quả khác hoặc dữ liệu cơ bản để tăng cường độ vững chắc của chiến lược.

Tóm lại

Chiến lược này kết hợp chỉ số Stochastic Slow, bộ lọc xu hướng và tín hiệu AI để tạo thành một cách tiếp cận giao dịch đa yếu tố. Chỉ số Stochastic cung cấp các tín hiệu mua quá mức và bán quá mức hiệu quả, bộ lọc xu hướng đảm bảo rằng các giao dịch phù hợp với xu hướng tổng thể và các tín hiệu AI cung cấp các cơ hội nhập cảnh bổ sung. Mặc dù chiến lược có một số rủi ro tiềm ẩn và có thể cải thiện, nhưng logic tổng thể của nó rõ ràng và hợp lý, khiến nó đáng để khám phá và tinh chỉnh thêm.

/*backtest
start: 2024-03-01 00:00:00
end: 2024-03-31 23:59:59
period: 1h
basePeriod: 15m
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/

//@version=5
strategy("Stochastic Slow Strategy with More Entries and AI", overlay=true)

length = input.int(26, minval=1)
OverBought = input(81)
OverSold = input(20)
smoothK = input.int(3, minval=1)
smoothD = input.int(3, minval=1)
minKValue = input(11, title="Minimum K Value")

// Stochastic calculations
k = ta.sma(ta.stoch(close, high, low, length), smoothK)
d = ta.sma(k, smoothD)
co = ta.crossover(k, d)
cu = ta.crossunder(k, d)

// Trend filter (200-period simple moving average)
ema200 = ta.sma(close, 200)

// Artificial Intelligence indicator (dummy example)
// Aquí puedes colocar la lógica de tu red neuronal artificial
// Por ahora, simplemente usaremos una señal aleatoria
ai_signal = ta.rsi(close, 14) > 50 ? 1 : -1

// Entry conditions
longCondition = ta.crossover(close, ema200) and k < OverSold and k > minKValue and ai_signal == 1
shortCondition = ta.crossunder(close, ema200) and k > OverBought and k > minKValue and ai_signal == -1

if (not na(k) and not na(d))
    if (co and k < OverSold and k > minKValue)
        strategy.entry("StochLE", strategy.long, comment="StochLE")
    if (cu and k > OverBought and k > minKValue)
        strategy.entry("StochSE", strategy.short, comment="StochSE")
    if (longCondition)
        strategy.entry("LongEntry", strategy.long, comment="LongEntry")
        strategy.exit("StopLoss", "LongEntry", loss = close * 0.9) // Stop loss del 10%
    if (shortCondition)
        strategy.entry("ShortEntry", strategy.short, comment="ShortEntry")
        strategy.exit("StopLoss", "ShortEntry", loss = close * 1.1) // Stop loss del 10%

// Plotting
plot(ema200, color=color.blue, title="200 SMA")
Có liên quan
Thêm nữa

2019 FMZ - Tất cả các quyền được bảo lưu