Bollinger Bands Algorithm

Tengo problemas para probar una estrategia de Bollinger Band en R. La lógica es que quiero tomar una posición corta si el Close es mayor que la Upper Band y luego cerrar la posición cuando cruza el Average. También quiero tomar una posición larga si el cierre es más bajo que la banda inferior y cerrar la posición cuando cruza la media. Hasta ahora esto es lo que tengo: bbands lt - BBands (stockClose, n20, sd2) sig1 lt - Lag (ifelse ((stockClose gtbbandsup), - 1,0)) sig2 lt - Lag (ifelse ((stockClose ltbbandsdn), 1 , 0)) sig3 lt - Lag (ifelse ((stockClose gt bbandsmavg), 1, -1)) sig lt - sig1 sig2 Aquí es donde estoy atrapado, ¿cómo puedo utilizar sig3 para obtener los resultados deseadosBollinger Bands 8211 Momentum Model Trading Estrategia (Configuración) I. Estrategia de Negocio Desarrollador: John Bollinger (Bandas de Bollinger). Concepto: Tendencia de la siguiente estrategia de negociación basada en Bandas de Bollinger. Objetivo de la investigación: Verificación del rendimiento del modelo trifásico (largo / corto / neutro). Especificación: Tabla 1. Resultados: Figura 1-2. Trade Setup: Long Comercio: Closei 1 gt UpperBandi 1. Comercios Cortos: Closei 1 lt LowerBandi 1. Índice: i Barra Actual. Entrada de Comercio: Largas Operaciones: Una compra en el abierto se coloca después de una configuración alcista. Operaciones cortas: Una venta en el abierto se coloca después de una configuración bajista. Salidas comerciales: Cuadro 1. Cartera: 42 mercados de futuros de cuatro grandes sectores del mercado (materias primas, divisas, tasas de interés e índices de renta variable). Datos: 36 años desde 1980. Plataforma de Pruebas: MATLAB. II. Prueba de sensibilidad Todas las gráficas tridimensionales son seguidas por las gráficas de contorno en 2D para el factor de beneficio, la relación de Sharpe, el índice de desempeño de úlcera, el CAGR, la reducción máxima, el porcentaje de operaciones rentables y el promedio. Ganar / Promedio Índice de siniestralidad. La imagen final muestra la sensibilidad de la curva de equidad. Análisis de la característica de la banda de Bollinger Las bandas de Bollinger son uno de los indicadores técnicos más populares con muchos comerciantes que los utilizan a ambos El comercio de la gama, así como buscar brotes. Sin embargo, qué características y valores debe usted estar mirando realmente cuando usted está utilizando las bandas de Bollinger para negociar En este artículo vamos a utilizar un bosque al azar, un poderoso enfoque de aprendizaje de la máquina, para encontrar qué aspectos de las bandas Bollinger son más importantes para un GBP / USD en los gráficos de 4 horas. Bandas de Bollinger Las bandas de Bollinger, una herramienta de comercio técnica desarrollada por John Bollinger a principios de los años 80, proporcionan una medida relativa de la gama del mercado. En épocas de alta volatilidad el rango de negociación será naturalmente más grande, mientras que en tiempos de baja volatilidad el rango será menor. Las bandas de Bollinger son una combinación de tres líneas. La línea media es un promedio móvil simple (usualmente 20 períodos), siendo la línea superior 2 desviaciones estándar del cierre por encima de la línea media y la línea inferior siendo 2 desviaciones estándar por debajo de la línea media. Una mayor volatilidad conducirá a mayores desviaciones estándar y por lo tanto un rango más amplio entre las bandas superior e inferior. Al utilizar las bandas de Bollinger en cualquier tipo de estrategia sistemática, las tres líneas diferentes presentan algunas preguntas y problemas, a saber, qué factor único debe incluir ¿Quiere ver dónde está el precio actual en relación con el rango Tal vez sólo le interesa La banda superior para los oficios cortos y la banda inferior para los oficios largos, o si desea mirar la altura total de la gama Hay un gran número de valores diferentes que podría mirar y este proceso, conocido como selección de características en el aprendizaje de la máquina Mundo, es increíblemente importante. Elegir la característica correcta que contiene la mayoría de la información relevante a su estrategia puede tener un impacto enorme en el funcionamiento de su estrategia. En lugar de necesitar evaluar estas características usted mismo, podemos utilizar un bosque aleatorio, una poderosa técnica de aprendizaje de la máquina, para evaluar objetivamente estas características para nosotros. Bosques al azar Los bosques al azar son un enfoque de conjunto que se basan en el principio de que un grupo de estudiantes débiles pueden combinarse para formar un alumno fuerte. Los bosques al azar comienzan con la construcción de un gran número de árboles de decisión individuales. Los árboles de decisión introducen una entrada en la parte superior del árbol y la envían por sus ramas, donde cada división representa niveles variables de valores de indicador. (Para obtener más información sobre los árboles de decisión, eche un vistazo a nuestro post anterior donde usamos un árbol de decisión para negociar acciones de Bank of America). Aquí está el árbol de decisiones que construimos en un post anterior: Los árboles de decisiones individuales son vistos como estudiantes bastante débiles, Lo que significa que pueden superponer fácilmente los datos y tener problemas para generalizar bien a los nuevos datos. Combinados en bosques con miles de árboles, estos algoritmos simplistas pueden formar un enfoque de modelado muy potente. El éxito en un bosque al azar se deriva en gran parte de la capacidad de crear gran cantidad de variabilidad entre los árboles individuales. Esto se logra mediante la introducción de un grado de aleatoriedad de dos maneras diferentes: Bagging Bagging, abreviatura de agregación bootstrap, simplemente significa muestrear con reemplazo. En lugar de utilizar todo el dataset disponible para construir cada árbol, el conjunto de datos se muestrea al azar con cada punto de datos disponible para ser seleccionado de nuevo. Por ejemplo, si realizáramos el embolsado en un conjunto de entrenamiento formado por los números del 1 al 10, podríamos terminar con el siguiente conjunto de datos: 1 3 2 1 5 7 5 5 7 10 Esto nos permite crear un número infinito de conjuntos de datos Todos del mismo tamaño y derivados de nuestro dataset original. Subconjunto de indicadores En lugar de utilizar cada indicador disponible para construir cada árbol, sólo se utiliza un subconjunto de indicadores aleatoriamente elegido. Por ejemplo, si tuviéramos 5 características diferentes que estábamos probando, solo se usarían 3 en cada árbol. De estas dos fuentes de aleatoriedad hemos creado un bosque entero de diversos árboles. Ahora, para cada punto de datos, cada árbol es llamado para hacer una clasificación y un voto mayoritario decide la decisión final. Una gran ventaja de los bosques al azar es que son capaces de dar una medida muy robusta del rendimiento de cada indicador. Con miles de árboles cada uno construido con un conjunto de entrenamiento ensacado diferente y un subconjunto de indicadores, indican cuáles son los indicadores más importantes para decidir la clase de la variable que estamos tratando de predecir, en este caso la dirección del mercado. Aprovechamos esta valiosa propiedad de los bosques al azar para averiguar qué características, derivadas de las Bandas de Bollinger, deberíamos usar en nuestra estrategia. Creación de la característica Primero tenemos que decidir qué características a derivar de las vendas de Bollinger. Este es un área donde puedes ser creativo al llegar con cálculos y fórmulas de fantasía, pero por ahora se adhieren a 8 características básicas: Banda Alta - Precio La distancia entre la banda superior el precio actual Banda Media - Precio La distancia entre la línea media, Una media móvil sencilla de 20 períodos y el precio actual Banda Inferior - Precio La distancia entre la banda inferior el precio actual B Mide el precio actual respecto a las bandas superior e inferior: B (Precio Actual - Banda Inferior) Banda Inferior) Permite también ver el porcentaje de cambio de cada una de las características para agregar un aspecto temporal: Cambio porcentual (banda superior - precio) El cambio porcentual en un período de la distancia entre la banda superior y el precio actual. Porcentaje de cambio en un período de la distancia entre la banda inferior y el precio actual Porcentaje de cambio (Bajo-Banda - Precio) ) El cambio porcentual en un período de valor B Ahora que tenemos nuestras 8 características, permite construir nuestro bosque al azar para ver qué características debemos usar en nuestra estrategia. Construyendo nuestro modelo Primero vamos a instalar los paquetes e importar nuestro conjunto de datos (puede descargar los datos usados ​​aquí): Antes de poder construir nuestro bosque aleatorio, necesitamos encontrar el número óptimo de indicadores para usar para cada árbol individual. Por suerte, el paquete de bosque al azar que estamos usando puede ayudarnos a salir: Podemos ver que un árbol con 2 características (mtry 2), tenía una menor tasa de error fuera de bolsa (OOB), así que vamos con eso para nuestro aleatorio bosque. La exactitud media de la disminución mide cómo es peor cada modelo realiza sin cada característica y la disminución media Gini es una función matemática más compleja que es una medida de cómo es puro el extremo de cada rama de árbol para cada característica. Podemos ver inmediatamente que el cambio porcentual en el valor B fue el factor más importante y, en general, considerar el cambio porcentual en los valores fue mejor que mirar sólo la distancia entre el precio y las líneas superior, inferior y media . (Debido a las dos fuentes de aleatoriedad, puede obtener resultados ligeramente diferentes, pero en general, he encontrado las conclusiones a ser coherente.) Así que ahora sabemos qué características, basadas en las bandas de Bollinger, que debe utilizar en nuestra estrategia comercial. Conclusión Los bosques al azar son un enfoque muy poderoso que suelen superar a los algoritmos más sofisticados. Pueden utilizarse para la clasificación (predicción de una categoría), la regresión (predicción de un número), o con selección de características (como vimos aquí). La selección de características, o decidir qué factores incluir en su estrategia, es una parte increíblemente importante de la construcción de cualquier estrategia y hay muchas técnicas en el aprendizaje de máquinas centrado en resolver este problema. Con TRAIDE. Nos encargamos del segundo paso: una vez que haya seleccionado las características de su estrategia, usamos algoritmos de aprendizaje automático para encontrar los patrones para usted. Crea tu propia cuenta aquí y, como siempre, feliz TRAIDING