ianzeng123
概述
该策略是一个结合高斯通道滤波器和随机RSI指标的综合交易系统。通过高斯通道的方向性变化和价格位置,结合随机RSI的超买超卖信号来确定交易机会。策略采用了复杂的数学模型来构建自适应性通道,能够有效地过滤市场噪音并捕捉重要的价格变动。
策略原理
策略的核心逻辑基于以下几个关键组件: 1. 高斯通道计算: 使用多极高斯滤波器处理HLC3价格数据,创建自适应性通道。通过beta和alpha参数优化滤波效果,并可选择减少滞后性。 2. 通道宽度调整: 基于真实波幅(TR)动态调整通道宽度,使用1.414作为默认乘数。 3. 随机RSI信号: 结合14周期RSI和随机指标,在80以上或20以下产生信号。 4. 入场条件: 需同时满足高斯通道向上、价格突破上轨、随机RSI触发信号三个条件。 5. 出场逻辑: 当价格跌破高斯通道上轨时平仓。
策略优势
- 信号可靠性: 多重指标确认机制显著提高了交易信号的可靠性。
- 自适应性强: 高斯通道能够根据市场波动自动调整通道宽度。
- 噪音过滤: 高斯滤波器有效降低了市场噪音的影响。
- 灵活性高: 提供多个可调参数,包括通道周期、极点数量和RSI参数等。
- 视觉直观: 通过颜色变化直观显示趋势方向和交易信号。
策略风险
- 参数敏感性: 高斯通道的极点数量和采样周期设置对策略性能影响较大。
- 滞后风险: 虽然提供了减少滞后的选项,但指标本身仍具有一定滞后性。
- 假突破风险: 在横盘市场中可能出现频繁的假突破信号。
- 资金管理不足: 当前版本缺乏详细的仓位管理机制。
策略优化方向
- 市场环境识别: 添加趋势强度指标,在不同市场环境下调整策略参数。
- 动态参数优化: 根据市场波动性自动调整高斯通道的参数设置。
- 仓位管理完善: 引入基于波动率的动态仓位管理系统。
- 出场机制增强: 增加移动止损和部分获利了结机制。
- 时间框架优化: 在多个时间框架上验证信号,提高交易稳定性。
总结
该策略通过结合高斯通道滤波器和随机RSI指标,构建了一个具有较强自适应性的交易系统。高斯通道的数学基础保证了信号的平滑性和可靠性,而随机RSI的配合则进一步提高了入场时机的准确性。策略的主要优势在于其对市场噪音的有效过滤和对趋势的准确把握,但同时也需要注意参数优化和风险管理的问题。通过建议的优化方向,策略的整体表现还有进一步提升的空间。
策略源码
/*backtest
start: 2024-02-22 00:00:00
end: 2025-02-19 08:00:00
period: 1d
basePeriod: 1d
exchanges: [{"eid":"Binance","currency":"SOL_USDT"}]
*/
//@version=5
strategy(title="Gaussian Channel Strategy v3.0", overlay=true, calc_on_every_tick=false, initial_capital=1000, default_qty_type=strategy.percent_of_equity, default_qty_value=100, commission_type=strategy.commission.percent, commission_value=0.1, slippage=0, fill_orders_on_standard_ohlc=true)
//-----------------------------------------------------------------------------------------------------------------------------------------------------------------
// Gaussian Filter Functions (Must be declared first)
//-----------------------------------------------------------------------------------------------------------------------------------------------------------------
f_filt9x(_a, _s, _i) =>
var int _m2 = 0, var int _m3 = 0, var int _m4 = 0, var int _m5 = 0, var int _m6 = 0,
var int _m7 = 0, var int _m8 = 0, var int _m9 = 0, var float _f = .0
_x = 1 - _a
_m2 := _i == 9 ? 36 : _i == 8 ? 28 : _i == 7 ? 21 : _i == 6 ? 15 : _i == 5 ? 10 : _i == 4 ? 6 : _i == 3 ? 3 : _i == 2 ? 1 : 0
_m3 := _i == 9 ? 84 : _i == 8 ? 56 : _i == 7 ? 35 : _i == 6 ? 20 : _i == 5 ? 10 : _i == 4 ? 4 : _i == 3 ? 1 : 0
_m4 := _i == 9 ? 126 : _i == 8 ? 70 : _i == 7 ? 35 : _i == 6 ? 15 : _i == 5 ? 5 : _i == 4 ? 1 : 0
_m5 := _i == 9 ? 126 : _i == 8 ? 56 : _i == 7 ? 21 : _i == 6 ? 6 : _i == 5 ? 1 : 0
_m6 := _i == 9 ? 84 : _i == 8 ? 28 : _i == 7 ? 7 : _i == 6 ? 1 : 0
_m7 := _i == 9 ? 36 : _i == 8 ? 8 : _i == 7 ? 1 : 0
_m8 := _i == 9 ? 9 : _i == 8 ? 1 : 0
_m9 := _i == 9 ? 1 : 0
_f := math.pow(_a, _i) * nz(_s) + _i * _x * nz(_f[1]) - (_i >= 2 ? _m2 * math.pow(_x, 2) * nz(_f[2]) : 0) + (_i >= 3 ? _m3 * math.pow(_x, 3) * nz(_f[3]) : 0) - (_i >= 4 ? _m4 * math.pow(_x, 4) * nz(_f[4]) : 0) + (_i >= 5 ? _m5 * math.pow(_x, 5) * nz(_f[5]) : 0) - (_i >= 6 ? _m6 * math.pow(_x, 6) * nz(_f[6]) : 0) + (_i >= 7 ? _m7 * math.pow(_x, 7) * nz(_f[7]) : 0) - (_i >= 8 ? _m8 * math.pow(_x, 8) * nz(_f[8]) : 0) + (_i == 9 ? _m9 * math.pow(_x, 9) * nz(_f[9]) : 0)
f_pole(_a, _s, _i) =>
_f1 = f_filt9x(_a, _s, 1)
_f2 = _i >= 2 ? f_filt9x(_a, _s, 2) : 0.0
_f3 = _i >= 3 ? f_filt9x(_a, _s, 3) : 0.0
_f4 = _i >= 4 ? f_filt9x(_a, _s, 4) : 0.0
_f5 = _i >= 5 ? f_filt9x(_a, _s, 5) : 0.0
_f6 = _i >= 6 ? f_filt9x(_a, _s, 6) : 0.0
_f7 = _i >= 7 ? f_filt9x(_a, _s, 7) : 0.0
_f8 = _i >= 8 ? f_filt9x(_a, _s, 8) : 0.0
_f9 = _i == 9 ? f_filt9x(_a, _s, 9) : 0.0
_fn = _i == 1 ? _f1 : _i == 2 ? _f2 : _i == 3 ? _f3 : _i == 4 ? _f4 : _i == 5 ? _f5 : _i == 6 ? _f6 : _i == 7 ? _f7 : _i == 8 ? _f8 : _i == 9 ? _f9 : na
[_fn, _f1]
//-----------------------------------------------------------------------------------------------------------------------------------------------------------------
// Inputs
//-----------------------------------------------------------------------------------------------------------------------------------------------------------------
// Gaussian Channel
int poles = input.int(4, "Poles", 1, 9, group="Gaussian Channel")
int period = input.int(144, "Sampling Period", 2, group="Gaussian Channel")
float mult = input.float(1.414, "True Range Multiplier", group="Gaussian Channel")
bool reducedLag = input.bool(false, "Reduced Lag Mode", group="Gaussian Channel")
bool fastResponse = input.bool(false, "Fast Response Mode", group="Gaussian Channel")
// Stochastic RSI
smoothK = input.int(3, "K", 1, group="Stochastic RSI")
smoothD = input.int(3, "D", 1, group="Stochastic RSI")
lengthRSI = input.int(14, "RSI Length", 1, group="Stochastic RSI")
lengthStoch = input.int(14, "Stochastic Length", 1, group="Stochastic RSI")
//-----------------------------------------------------------------------------------------------------------------------------------------------------------------
// Calculations
//-----------------------------------------------------------------------------------------------------------------------------------------------------------------
// Gaussian Channel
beta = (1 - math.cos(4*math.asin(1)/period)) / (math.pow(1.414, 2/poles) - 1)
alpha = -beta + math.sqrt(math.pow(beta, 2) + 2*beta)
lag = (period - 1)/(2*poles)
src = hlc3
srcData = reducedLag ? src + (src - src[lag]) : src
trData = reducedLag ? ta.tr + (ta.tr - ta.tr[lag]) : ta.tr
[filterMain, filter1] = f_pole(alpha, srcData, poles)
[filterTRMain, filterTR1] = f_pole(alpha, trData, poles)
finalFilter = fastResponse ? (filterMain + filter1)/2 : filterMain
finalTR = fastResponse ? (filterTRMain + filterTR1)/2 : filterTRMain
hband = finalFilter + finalTR * mult
lband = finalFilter - finalTR * mult
// Stochastic RSI
rsi = ta.rsi(close, lengthRSI)
k = ta.sma(ta.stoch(rsi, rsi, rsi, lengthStoch), smoothK)
d = ta.sma(k, smoothD)
//-----------------------------------------------------------------------------------------------------------------------------------------------------------------
// Trading Logic
//-----------------------------------------------------------------------------------------------------------------------------------------------------------------
gaussianGreen = finalFilter > finalFilter[1]
priceAbove = close > hband
stochCondition = k > 80 or k < 20
longCondition = gaussianGreen and priceAbove and stochCondition
exitCondition = ta.crossunder(close, hband)
strategy.entry("Long", strategy.long, when=longCondition)
strategy.close("Long", when=exitCondition)
//-----------------------------------------------------------------------------------------------------------------------------------------------------------------
// Visuals
//-----------------------------------------------------------------------------------------------------------------------------------------------------------------
filterColor = finalFilter > finalFilter[1] ? #0aff68 : #ff0a5a
plot(finalFilter, "Filter", filterColor, 2)
plot(hband, "High Band", filterColor)
plot(lband, "Low Band", filterColor)
fill(plot(hband), plot(lband), color.new(filterColor, 90), "Channel Fill")
相关推荐
- 动量自适应高斯通道多周期策略
- 基于高斯通道和随机RSI的市场趋势捕捉策略
- 多周期高斯通道结合StochRSI趋势跟踪策略
- 多重指标智能金字塔策略
- 动态随机相对强弱指标双线交叉自适应交易策略
- 基于高斯通道与随机相对强弱指数过滤的趋势判断策略
- 基于RSI和随机RSI的双重动量趋势反转策略
- 双均线与随机RSI趋势跟踪策略
- 动态自适应多指标交叉策略结合SRSI和MACD的智能风控系统
- 高斯通道趋势跟踪与随机相对强弱指标交易策略
更多内容
- 动态趋势确认的反转公平价值缺口量化交易策略
- 自适应布林网格交易策略
- 基于多重均线动量的交易策略结合成交量加权均价和相对强弱指标确认系统
- 动量多指标趋势跟踪策略:唐奇安通道+超级趋势+成交量过滤建仓系统
- 多重时间周期CPR突破动量交易策略
- 基于高斯通道与随机相对强弱指数过滤的趋势判断策略
- 动态波动率止损的趋势动量交易策略
- 智能多维度自适应趋势交易系统
- 多指标融合自适应趋势交易策略
- 动态趋势突破型指数平滑移动均线交叉策略
- 基于EMA交叉与RSI过滤的自适应动态止盈止损策略
- 基于唐奇安通道和移动平均线的趋势突破交易策略
- 多重级别ZigZag百分比回撤与随机指标结合交易策略
- 相对强弱指数与125日高点突破及成交量过滤策略
- 多指标交叉动量趋势跟踪策略:基于Supertrend与ADX双重确认的量化交易系统
- 动态波动率跟踪均线趋势交易策略与智能止损系统
- 多指标趋势跟踪与区间交易相结合的自适应策略
- 基于动量与波动率的趋势突破交易策略
- 动态流动性级联捕捉策略
- 基于多重K线形态的三重打击量化交易策略