กลยุทธ์การซื้อขายเฉลี่ยตัวกรองเฉลี่ย (Entry 038 Exit) I. กลยุทธ์การซื้อขายที่มา: Kaufman, P. J. (2013) ระบบการซื้อขายและวิธีการ New Jersey: John Wiley amp Sons, Inc แนวคิด: เทรนด์กลยุทธ์การซื้อขายตามตัวกรอง Simple Moving Average (SMA) เป้าหมายการวิจัย: เพื่อวัดค่า Average Moving Average (SMA) เทียบกับ Average Moving Average (HMA) ข้อมูลจำเพาะ: ตารางที่ 1. ผลการดำเนินงาน: รูปที่ 1-2 ตัวกรองการค้า: การค้าระยะยาว: FastSMAi 1 gt SlowSMAi 1. การค้าแบบสั้น: FastSMAi 1 lt SlowSMAi 1. ดัชนี: i บาร์ปัจจุบัน Portfolio: 42 ตลาดฟิวเจอร์สจากสี่ภาคการตลาดที่สำคัญ (สินค้าโภคภัณฑ์สกุลเงินอัตราดอกเบี้ยและดัชนีหุ้น) ข้อมูล: 36 ปีนับตั้งแต่ปี พ. ศ. 2523 แพลตฟอร์มทดสอบ: MATLAB ครั้งที่สอง การทดสอบความไวทดสอบแผนภูมิ 3 มิติทั้งหมดจะตามด้วยแผนภูมิเส้นโค้ง 2 มิติสำหรับ Profit Factor, Sharpe Ratio, ดัชนีประสิทธิภาพของแผล, CAGR, การเบิกใช้สูงสุด, เปอร์เซ็นต์การทำกำไรและ Avg. ชนะเฉลี่ย อัตราส่วนความสูญเสีย ภาพสุดท้ายแสดงความไวของ Equity Curve ตัวแปรที่ได้รับการทดสอบ: SlowSMalength, FastSMAIndex (คำนิยาม: ตารางที่ 1): รูปที่ 1 ผลงานของพอร์ตการลงทุน (อินพุท: ตารางที่ 1 การระงับคณะกรรมาธิการ: 0) V. การจัดอันดับ: Simple Moving Average (SMA) Filter Trading Strategy VI. (SMA) มีค่าน้อยกว่าค่าเฉลี่ยการเคลื่อนที่ของลำตัว (Hull Moving Average - HMA) (2) จากการทดสอบความไวดังกล่าวพารามิเตอร์ SMA ที่ต้องการคือ 100 SlowSMength 600 0.2 FastSMAIndex 0.5 (รูปที่ 1-2) ระบบการซื้อขาย ALPHA 20 TM CFTC RULE 4.41: ผลการดำเนินงานที่สมมุติฐานหรือผลการดำเนินงานที่จำลองขึ้นมีข้อ จำกัด บางอย่าง ไม่ว่าจะเป็นบันทึกผลการดำเนินงานที่แท้จริงผลลัพธ์ที่จำลองไม่ได้แสดงถึงการซื้อขายตามปกติ นอกจากนี้เนื่องจากการค้ายังไม่ได้รับผลกระทบผลลัพธ์อาจมีน้อยกว่าหรือมากกว่าที่จะได้รับผลกระทบหากมีปัจจัยการตลาดบางอย่างเช่นการขาดสภาพคล่อง โปรแกรมเทรดดิ้งที่จำลองในเรื่องทั่วไปจะต้องเป็นไปตามข้อเท็จจริงที่ว่าพวกเขาได้รับการออกแบบมาพร้อมกับประโยชน์ของยุคเีดียว ไม่มีผู้ถือหุ้นรายใดแสดงว่าบัญชีใดจะเป็นประโยชน์หรือเป็นไปได้ที่จะทำกำไรหรือขาดทุนให้คล้ายคลึงกัน การเปิดเผยข้อมูลความเสี่ยง: รัฐบาลสหรัฐฯจำเป็นต้องมีข้อจำกัดความรับผิดชอบ CFTC RULE 4.41A คู่มือง่ายๆสำหรับการใช้ค่าเฉลี่ยการเคลื่อนไหวที่เป็นที่นิยมในโฟ - คุณสามารถใช้ค่าเฉลี่ยเคลื่อนที่ที่เป็นที่นิยมได้อย่างไรทำให้ทุกอย่างเรียบง่ายที่สุด แต่ไม่ง่ายกว่า หลังจากหลายปีของการซื้อขายคุณต้องกดยากที่จะหาตัวบ่งชี้ที่เรียบง่ายหรือมีประสิทธิภาพเป็นค่าเฉลี่ยเคลื่อนที่ การย้ายค่าเฉลี่ยใช้ชุดข้อมูลที่กำหนดและให้ราคาเฉลี่ย หากค่าเฉลี่ยมีการเคลื่อนไหวสูงขึ้นราคาจะอยู่ในขาขึ้นในกรอบเวลาอย่างน้อยหนึ่งช่วงหรืออาจเป็นไปได้ ทำไมค่าเฉลี่ยเคลื่อนที่เป็นที่นิยมสร้างขึ้นโดยไทเลอร์เยล, CMT ค่าเฉลี่ยเคลื่อนที่มีความง่ายในการใช้งานและสามารถมีประสิทธิภาพในการตระหนักถึงสภาพแวดล้อมที่มีแนวโน้มสูงหรือแก้ไขเพื่อให้คุณสามารถวางตำแหน่งที่ดีขึ้นสำหรับการย้ายครั้งต่อไป ผู้ค้ามักใช้ค่าเฉลี่ยเคลื่อนที่มากกว่าหนึ่งค่าเนื่องจากค่าเฉลี่ยเคลื่อนที่สองค่าสามารถถือเป็นเทรนด์เทรนด์ได้ กล่าวอีกนัยหนึ่งเมื่อค่าเฉลี่ยเคลื่อนที่ที่สั้นลงเหนือค่าเฉลี่ยเคลื่อนที่ช้าลงเช่นเดียวกับกลยุทธ์ดักลายนิ้วมือสัญญาณซื้อจะถูกสร้างขึ้นจนกว่าค่าเฉลี่ยเคลื่อนที่จะกลับหรือคุณทำตามเป้าหมายกำไรของคุณ หนึ่งคำเตือน: itrsquos ดีที่สุดที่จะติดกับค่าเฉลี่ยเคลื่อนที่ไม่กี่เฉพาะ วิธีนี้จะช่วยป้องกันไม่ให้คุณพยายามค้นหา ldquoperfect moving averagerdquo และให้คุณทราบว่ามีแนวโน้มที่จะเริ่มเร่งหรือชะลอตัวลงหรือไม่ ค่าเฉลี่ยเคลื่อนที่ที่ฉันใช้บ่อยคือ 8, 21, 55 สำหรับตัวทริกเกอร์การค้าและ 100 หรือ 200 สำหรับตัวกรองแนวโน้มที่ชัดเจน ค่าเฉลี่ยเคลื่อนที่เหล่านี้มักใช้โดยธนาคารเพื่อการลงทุนอย่างไรก็ตาม 100 แอมป์ 200 ใช้กันอย่างแพร่หลาย ค่าเฉลี่ยเคลื่อนที่ที่สั้นลงจะขึ้นอยู่กับความชอบและจำนวนสัญญาณที่คุณต้องการในการซื้อขาย การใช้ค่าเฉลี่ยเคลื่อนที่การเคลื่อนไหวค่าเฉลี่ยมักเป็นตัวบ่งชี้แรกที่ผู้ค้ารายใหม่นำมาใช้และมีเหตุผลที่ดี ช่วยให้คุณกำหนดแนวโน้มและรายการที่เป็นไปได้ในทิศทางของแนวโน้ม อย่างไรก็ตามค่าเฉลี่ยเคลื่อนที่จะถูกใช้โดยผู้จัดการกองทุนผู้ลงทุนในการวิเคราะห์เพื่อดูว่าตลาดใกล้จะได้รับการสนับสนุนหรือต่อต้านหรืออาจกลับรายการหลังจากช่วงเวลาสำคัญ ๆ หรือไม่ GBPUSD ซื้อขายเหนือ 200 DMA เป็นเวลา 261 วันแสดงแผนภูมิความอ่อนเพลียที่สร้างโดย Tyler Yell, CMT ค่าเฉลี่ยเคลื่อนที่สามารถเป็นเครื่องมือง่ายๆในการกำหนดการสนับสนุนและความต้านทานในตลาด FX เมื่อตลาดมีแนวโน้มแข็งแกร่งขึ้นการขึ้นลงของค่าเฉลี่ยเคลื่อนที่เช่นการตีกลับ 200 dma ในแผนภูมิ GBPUSD ด้านบนอาจเป็นโอกาสสำคัญในการเข้าร่วมแนวโน้มจนกว่าราคาจะปิดลงที่ 200 dma อย่างไรก็ตามหากราคายังคงเคลื่อนไหวเหนือและต่ำกว่าค่าเฉลี่ยเคลื่อนที่ในช่วงเวลาสั้น ๆ คุณอาจมีแนวโน้มเป็นไปในช่วงและการกลับรายการดังกล่าวไม่น่าเป็นนัยสำคัญจากมุมมองการซื้อขาย คุณสามารถใช้ค่าเฉลี่ยเคลื่อนที่ที่เป็นที่นิยมได้มีการใช้ค่าเฉลี่ยเคลื่อนที่หลายวิธี แต่ระบบง่ายๆคือมองข้ามค่าเฉลี่ยเคลื่อนที่ ครอสโอเวอร์เฉลี่ยเคลื่อนที่มองหาค่าเฉลี่ยเคลื่อนที่สั้นหรือสั้นกว่าเพื่อข้ามเส้นค่าเฉลี่ยเคลื่อนที่ที่ยาวขึ้นหรือเคลื่อนไหวช้าลงเป็นสัญญาณซื้อ เมื่อต้องการขายสกุลเงินคู่คุณสามารถหาค่าเฉลี่ยเคลื่อนที่สั้นหรือสั้นกว่าเพื่อข้ามด้านล่างเป็นค่าเฉลี่ยเคลื่อนที่ที่ยาวขึ้นหรือช้าลงเป็นสัญญาณขาย AUDUSD ได้แสดงให้เห็นถึงการเคลื่อนไหวที่สะอาดรอบ ๆ 21 amp 55-dma Chart สร้างโดย Tyler Yell, CMT เมื่อมองหาการใช้ค่าเฉลี่ยเคลื่อนที่ค่าความสามารถในการควบคุมความเสี่ยงขาลงจะเป็นตัวกำหนดความสำเร็จของคุณ Itrsquos สำคัญที่ต้องทราบว่าตลาดที่เคยมีแนวโน้มไปด้วยสัญญาณเฉลี่ยที่ชัดเจนในการเคลื่อนที่ไปยังช่วงที่มีสัญญาณรบกวนมากกว่าสัญญาณ หากคุณพอใจกับค่าเฉลี่ยเคลื่อนที่โดยเฉพาะคุณสามารถวิเคราะห์และทำการค้าสัปดาห์ตลาด FX ในและนอกสัปดาห์อย่างรอบคอบ --- เขียนโดย Tyler Yell, Trading Instructor สนใจใน Analysts ของเราดูดีที่สุดในตลาดหลักตรวจสอบคู่มือการค้าฟรีของเราที่นี่ DailyFX ให้ข่าว forex และการวิเคราะห์ทางเทคนิคเกี่ยวกับแนวโน้มที่มีผลต่อตลาดสกุลเงินทั่วโลกการวิจัยเกี่ยวกับระบบการซื้อขายเฉลี่ยเคลื่อนไหวอย่างง่าย based on SVM บทคัดย่อ: ในบทความนี้ได้เสนอแนวทางการเรียนรู้ทางพันธุกรรมเพื่อสร้างระบบการซื้อขายสินค้าทางเทคนิค ตัวชี้วัดทางเทคนิคที่ให้ข้อมูลส่วนใหญ่ได้รับการคัดเลือกจากชุดของสัญญาณเกือบ 5000 ชุดโดยใช้อัลกอริทึมเชิงพันธุกรรมหลายวัตถุประสงค์ที่มีความยาวของสายอักขระแบบแปรผัน สัญญาณเหล่านี้จะรวมกันเป็นสัญญาณการซื้อขายที่ไม่ซ้ำกันโดยใช้วิธีการเรียนรู้ ฉันทดสอบวิธีการแก้ปัญหาการถ่วงน้ำหนักโดยผู้เชี่ยวชาญที่ได้รับจากคณะกรรมการลงคะแนนเสียงแบบเบ็ดเสร็จซึ่งเป็นแบบจำลอง Bayesian เฉลี่ยและเพิ่มขั้นตอนการทำงานด้วยข้อมูลจากดัชนีคอมโพสิต SampP 500 ในขั้นตอนการตลาด 3 ช่วงแนวโน้มแนวโน้มลดลงและการเคลื่อนไหวด้านข้างครอบคลุมช่วงเวลา 2000-2006 ผลการคำนวณบ่งชี้ว่าชุดของกฎที่ใกล้เคียงที่สุดจะแตกต่างกันไปในแต่ละขั้นตอนของตลาด แต่นำเสนอผลลัพธ์ที่มั่นคงและสามารถลดหรือขจัดความสูญเสียในช่วงเวลาที่ลดลงได้ บทความธันวาคม 2010 Massimiliano Kaucic บทคัดย่อซ่อนบทคัดย่อบทคัดย่อ: เราเสนอระบบการซื้อขายอัตโนมัติแบบหลายสต็อกโดยอาศัยโครงสร้างชั้นประกอบด้วยอัลกอริธึมการเรียนรู้ด้วยเครื่อง, ยูทิลิตีการเรียนรู้ออนไลน์และการซ้อนทับความเสี่ยง เลือกต้นไม้ตัดสินใจ (ADT) ซึ่งใช้กับ Logitboost ได้รับเลือกให้เป็นอัลกอริทึมพื้นฐาน หนึ่งในจุดแข็งของแนวทางของเราคืออัลกอริทึมสามารถเลือกชุดค่าผสมที่ดีที่สุดของกฎที่ได้จากตัวชี้วัดการวิเคราะห์ทางเทคนิคที่มีชื่อเสียงและสามารถเลือกพารามิเตอร์ทางเทคนิคที่ดีที่สุดได้ นอกจากนี้เลเยอร์การเรียนรู้ออนไลน์ยังรวมผลลัพธ์ของ ADT หลายตัวและแนะนำตำแหน่งสั้นหรือยาว สุดท้ายเลเยอร์การจัดการความเสี่ยงสามารถตรวจสอบความถูกต้องของสัญญาณการซื้อขายเมื่อเกินเกณฑ์ที่กำหนดไว้ที่ไม่ใช่ศูนย์และ จำกัด การใช้กลยุทธ์การซื้อขายของเราหากไม่เป็นประโยชน์ เราทดสอบอัลกอริทึมการถ่วงน้ำหนักของผู้เชี่ยวชาญโดยใช้ข้อมูลจาก 100 บริษัท ที่ได้รับเลือกแบบสุ่มของดัชนี Sampamp 500 ในช่วงปี พ. ศ. 2546-2548 เราพบว่าอัลกอริธึมนี้สร้างผลตอบแทนที่ผิดปกติในระหว่างรอบระยะเวลาการทดสอบ การทดลองของเราแสดงให้เห็นว่าวิธีการเพิ่มกำลังสามารถปรับปรุงขีดความสามารถในการคาดการณ์เมื่อตัวบ่งชี้ถูกรวมและรวมกันเป็นตัวทำนายเดียว ยิ่งไปกว่านั้นการรวมกันของตัวบ่งชี้ของหุ้นที่แตกต่างกันแสดงให้เห็นว่าเพียงพอเพื่อลดการใช้ทรัพยากรในการคำนวณและยังคงรักษาความสามารถในการคาดการณ์ที่เพียงพอ บทความเมษายน 2553 German Creamer Yoav Freund บทคัดย่อ: บทความนี้ศึกษาความสามารถในการทำกำไรของการใช้ตัวแปรเคลื่อนไหวและค่าเฉลี่ยเคลื่อนที่ตลอดจนช่วงการเทรดในช่วง 9 เดือนที่ได้รับความนิยมในตลาดเอเชียตั้งแต่วันที่ 1 มกราคม 2531 ถึงวันที่ 31 ธันวาคม (FMA) โดยเฉพาะในตลาดหุ้นจีนไทยไต้หวันมาเลเซียสิงคโปร์ฮ่องกงฮ่องกงเกาหลีและอินโดนีเซียนอกจากนี้ผลการทดสอบยังได้รับแรงหนุนจากค่าเฉลี่ยการเปลี่ยนแปลงของค่าเฉลี่ย (Moving Average VMAs) ความยาวของ 20 วันและ 60 วันดูเหมือนจะเป็นผลดีที่สุดสำหรับค่าเฉลี่ยเคลื่อนที่แบบเปลี่ยนแปลงและคงที่ตามลำดับ ความน่าสนใจด้านเทคนิคของกฎการซื้อขายมีโอกาสกำไรมากมายสำหรับผู้เข้าร่วมตลาด บทความ ก. พ. 2549 หมิงหมิงหลุยส์ Siok-Hwa จากการศึกษากลยุทธ์การค้าภายใต้การ จำกัด อำนาจตามข้อบังคับของ SVM อ้างอิงจากบทความ: Tsai HH Wu ME Chung WH Lu CY (2017) ในการศึกษากลยุทธ์การซื้อขายภายในอาร์บิทชั่น จำกัด ภายใต้ SVM ใน: Pan JS Lin JW วัง CH Jiang X. (eds) การคำนวณทางพันธุกรรมและวิวัฒนาการ ICGEC 2016 ความคืบหน้าในระบบอัจฉริยะและการคำนวณโวลต์ 536 Springer, Cham การเก็งกำไร จำกัด จะขัดขวางการดำเนินงานของตลาดจากนั้นจะสับสนสมมติฐานตลาดที่มีประสิทธิภาพในทฤษฎีและการตัดสินใจลงทุนของผู้เข้าร่วมตลาดในทางปฏิบัติ เราพัฒนากลยุทธ์การซื้อขายแบบพิงกันเพื่อให้เหมาะสมกับสถานการณ์เช่นนี้โดยสัญญาณการซื้อขายมีตัวบ่งชี้ทางเทคนิคคือ BIAS เพื่อตรวจสอบการเก็งกำไรโดยอ้อมผ่านการทดสอบหุ้นทั้งหมดที่จดทะเบียนในไต้หวัน นอกจากนี้เรายังใช้การเรียนรู้เครื่องจักรที่รู้จักกันดีในชื่อ SVM เพื่อยืนยันวิธีการจำแนกประเภทในงานวิจัยนี้โดยไม่ต้องดัดแปลงอัตนัย ดังนั้นเราจึงมีหลักฐานที่แข็งแกร่งเพื่อสนับสนุนประโยชน์ของกลยุทธ์การซื้อขายนี้ การเก็งกำไร จำกัด BIAS Contrarian SVM การอ้างอิง Chang, C.-C. Lin, C.-J. LIBSVM: ห้องสมุดสำหรับเครื่องเวกเตอร์สนับสนุน ACM Trans Intell Syst วิทยาศาสตร์และเทคโนโลยี 2. 27: 127: 27 (2011) CrossRef Google Scholar Brock, W. Lakonishok, J. LeBaron, B. กฎการซื้อขายทางเทคนิคแบบธรรมดาและคุณสมบัติสุ่มของผลตอบแทนของหุ้น เจการเงิน 47 17311764 (1992) CrossRef Google Scholar Gromb, D. Vayanos, D. ข้อ จำกัด ของการเก็งกำไร แอน รายได้ทางการเงิน Econ 2 (1), 251275 (2010) CrossRef Google Scholar ข้อมูลลิขสิทธิ์ Springer International Publishing AG 2017 ผู้เขียนและ บริษัท ในเครือ Hui-Huang Tsai 1 Mu-En Wu 2 ผู้เขียนอีเมล Wei-Ho Chung 3 Cheng-Yu Lu 4 1. กระทรวงการคลังแห่งชาติ United University Miaoli Taiwan 2. ภาควิชาคณิตศาสตร์ Soochow University Taipei Taiwan 3. ศูนย์วิจัยเทคโนโลยีสารสนเทศนวัตกรรมสถาบัน Sinica Taipei Taiwan 4. PIXNET Media Taipei Taiwan เกี่ยวกับบทความนี้
No comments:
Post a Comment