苏慕白的博客
一个无聊的博客
-
机器学习 TradingVeiw的一个大神成功用神经网络深度学习预测了何时卖何时卖 https://cn.tradingview.com/script/ZLKmDgjC-IW-bitfinex-ADAUSD/ 1h "macd", "macdx", "macdw", "rsi", "rsi7","rsi20", "ema7", "ema10", "ema20", "ema20volume","ema50", "ema100", "ema200", "sma10", "sma20","sma50", "sma100", "sma200", "gaps","candlepos", "opex", "roc", "bbl", "bbu","highest14", "lowest14", "williams", "psar", "sto" -
11-14日 实盘策略 实盘已停止 2021-11-29日： 经过半个月的苦苦等待，嗯，就交易了几次 而且都是只能做多的策略加上大饼暴跌=亏钱 我这半个月也陆陆续续做了几个可以做空的策略 并且学会了多交易对组合投资 所以决定全面更换为短线策略： 最新实盘策略地址： https://sumubai.cc/post/52 1. SuperTrend 名称：Supertrend 介绍：中文名超级趋势，只用到了ATR一个指标，ATR通道随着波动不断缩小，突破买入卖出 文章：https://sumubai.cc/post/16 周期：2h 杠杠: 1.6倍 最大回撤：-18.83% 实盘日期：2021-11-14 09:23 带杠杠回测： 2. Keltner2通道 名称：Keltner2通道 介绍：根据移动平均线再加上ATR计算上轨和下轨，突破上轨且ADX指标满足开多，突破下轨平仓 文章：https://sumubai.cc/post/23 周期：1h 杠杠: 2.5倍 最大回撤：-12.75% 实盘日期：2021-11-16 09:57 带杠杠回测： 3. 自己做的一个策略 名称：无 介绍：EMA > MA、且MACD上穿时开多，再根据ATR移动止损平仓 文章：https://sumubai.cc/post/26 周期：5m 最大回撤：-21.25% 实盘日期：2021-11-15 21:34 带杠杠回测： -
-
【总结】打造一个自己的策略 1. 总结 有实盘意义的策略： bias乖离率 短周期+长周期 Open+Close交叉 Supertrend超级趋势（ATR通道） 金字塔买入策略 Keltner渠道 （三重EMA+ATR渠道） Keltner渠道 v2 （MA+ATR渠道） 鳄鱼线 EMA交叉 没实盘意义的策略： 快速MACD、MACD的各种交叉（什么二次金叉，水上水下） RSI、KDJ、MFI、BOLL啥逆转抄底，进场还行，出场拉夸 ..... 不写了，太多了几十个。哈哈 买入卖出： 构造EMA+ATR通道 突破上轨买入 突破ATR买入卖出 EMA交叉买入卖出 每上穿一次买入一份 金字塔式买入 过滤方法： EMA标准差归一化阈值 ADX过滤方法 收盘价必须在上轨以下才买入 ema250 > ema500 顺大势 相同长度ema > ma时才开仓 大周期 ema线顺势 ATR > ATR[1] KDJ逆转 RSI阈值 移动止损： 每出现开仓信号一次，把止损线移动到开仓信号，可以固定比例，也可以是ATR 以上就是我这半个月的总结了，做个记录 2. 打造一个自己的策略 一句话说的很好 “徒弟会进场，师傅会出场” EMA交叉买入卖出 优点进场快 但是死于缠绕震荡 ATR突破买入卖出 优点不会频繁出场 但是频次慢 因为长线的持仓和等待太过煎熬，本文打算要做一个适用于高频短线的策略。 策略大概构想： 入场：MACD、ADX、Ema < Ma 三者满足时 出场：ATR移动出场（每出现一次开仓信号移动） 虽然Keltner渠道也是把移动平均线和ATR结合了，但是短线表现不好 最后各种测试和修改，花了用了两天的时间，成功做了出来（大部分时间都花在了遗传算法选优上） 再用遗传算法选2021年表现最优的参数 因为5m短线数据量太大，回测选参数太慢，所以就只用了一年的数据 这就是为啥下面的回测2021年表现最好 3. 回测结果 2018年，大半年都在跌，短线表现很差 2019年，表现勉勉强强 2020年 2021年 2021年复利的情况 4. 策略对比 对比一下之前做过的 EMA交叉、Supertrend、Keltner渠道2 这三个策略 本文所做的策略，属于5m高频短线策略，所以相比其他策略，没复利的情况下可能不如其他长线策略，但是复利起来就很恐怖了 但是也有短线策略回撤大的毛病。。。相信未来可以继续学习改善 完~ -
-
【原生代码】Python3 计算DI、ADX趋向指标 1.引用： import pandas as pd import numpy as np 2.代码 #RSI中使用的移动平均线。 它是指数加权移动平均线，alpha加权值 = 1 /长度 def RMA(r, days, name=0): cps = [ v[name] for v in r ] if name else r rmas = [0 for i in range(len(cps))] # 创造一个和cps一样大小的集合 alpha = 1 / days for i in range(len(cps)): if i > days-1: if rmas[i-1] and not np.isnan(rmas[i-1]): rmas[i] = alpha * cps[i] + (1 - alpha) * rmas[i-1] else: ma = 0 for i2 in range(i-days,i): #求平均值 ma += cps[i2+1] rmas[i] = ma / days return rmas #其他MA类型看上一篇文章 def ATR(r, days, ma='sma'): tr = [0] for i in range(len(r)): if i: tr.append(max(r[i]['High']-r[i]['Low'], abs(r[i]['High'] - r[i-1]['Close']), abs(r[i]['Low'] - r[i-1]['Close']))) if ma == 'rma': return RMA(tr, days) if ma == 'ema': return EMA(tr, days) if ma == 'sma': return SMA(tr, days) if not ma: return tr """DI""" def DI(r, days): df = pd.DataFrame(r) df['up'] = df['High'] - df['High'].shift(1) df['down'] = -(df['Low'] - df['Low'].shift(1)) df['truerange'] = RMA(ATR(r, days=0, ma=0), days) df['plus'] = RMA([df['up'][i] if df['up'][i] > df['down'][i] and df['up'][i]> 0 else 0 for i in range(len(df['up']))], days) / df['truerange'] df['minus'] = RMA([df['down'][i] if df['down'][i] > df['up'][i] and df['down'][i]> 0 else 0 for i in range(len(df['up']))], days) / df['truerange'] df['plus'] = df['plus'].apply(float) * 100 df['minus'] = df['minus'].apply(float) * 100 return df['plus'], df['minus'] """ADX趋向指标""" def ADX(r, diDays, adxDays): df = pd.DataFrame(r) df['plus'], df['minus'] = DI(r, diDays) df['sum'] = df['plus'] + df['minus'] df['adx'] = [abs(df['plus'][i] - df['minus'][i]) / (1 if df['sum'][i] == 0 else df['sum'][i]) for i in range(len(df['sum']))] df['adx'] = RMA(df['adx'].values, adxDays) df['adx'] = df['adx'].apply(float) * 100 return df['adx'], df['plus'], df['minus'] 3.使用例子 指标计算的值我都和TradingView对比过，放心使用~ r为K线数据 df['adx'], df['plus'], df['minus'] = ADX(r, 14, 14) -
-
-
ADX（DI）过滤开仓信号 1. ADX指标可视化 //@version=5 indicator("Average Directional Index", shorttitle="ADX", format=format.price, precision=2, timeframe="", timeframe_gaps=true) adxlen = input(14, title="ADX Smoothing") dilen = input(14, title="DI Length") dirmov(len) => up = ta.change(high) down = -ta.change(low) plusDM = na(up) ? na : (up > down and up > 0 ? up : 0) minusDM = na(down) ? na : (down > up and down > 0 ? down : 0) truerange = ta.rma(ta.tr, len) plus = fixnan(100 * ta.rma(plusDM, len) / truerange) minus = fixnan(100 * ta.rma(minusDM, len) / truerange) [plus, minus] adx(dilen, adxlen) => [plus, minus] = dirmov(dilen) sum = plus + minus adx = 100 * ta.rma(math.abs(plus - minus) / (sum == 0 ? 1 : sum), adxlen) [adx, plus, minus] [sig, up, down] = adx(dilen, adxlen) plot(sig, color=color.red, title="ADX") plot(up, color=color.blue, title="up") plot(down, color=color.green, title="up") hline(27) 2. 代码过滤逻辑 说是ADX，其实只用到了ADX中的DI指标值 DI参数：19 做多: up > down and up > 27 -
