开发自适应算法 (第二部分): 提高效率

让我们通过分析前一个版本的缺点来开始新算法的开发。我强调了以下缺点：

• 打开序列的信号太少了，提高信号质量，大大减少了进场信号的数量和整体利润；

• 采用固定的采样窗口进行分析，虽然样本是按范围设置的，但分析一个固定大小的样本并不是一个非常有效的解决方案。市场不是正弦波，而“尾巴”会影响当前信号质量。样本边界应该是模糊的，它们应该影响最终的决策。粗略地说，前一个版本取了100个烛形，分析了看跌和看涨烛形的优势，如果超过阈值，则生成入场信号。样本应该是动态的，而不是固定的。必须了解分析窗口内外的情况；

• 固定分析窗口的问题并非所有已知方法都有；

• 对于每个样本，阈值百分比都有一个固定的值，而与其中的烛形数目无关。这种解决方案的效率是不高的，因为30个烛形和200个烛形的样本中75%的过量的概率相差甚远。随着样本中烛形数量的增加，其非线性减小；

• 每支烛形的开仓价格太高，会导致回撤增加。经常打开过多仓位，因此有必要减少序列中打开仓位的数量，提高了资金使用效率；

• 以每手固定利润平仓会降低稳定性或盈利能力，在一个不断变化的市场中，我们需要在稳定性和盈利能力之间找到一个折衷方案。在不调整参数的情况下，机器人很快就会因为错过位置序列的最佳平仓点而蒙受损失；

• 同时交易工具数量的严格限制降低了整个系统的盈利能力。不同工具上的系列打开信号彼此之间略有关联。因此，在一个工具上承受损失可能与在另个工具上承受的损失相关。有必要制定降低信号相关性的措施，以便在不大幅增加回撤价值的情况下大幅增加同时交易的工具数量。

简化工作算法

让我提醒你算法的第一个版本是如何工作的。在新版本中，工作保持不变，但每一步都有待修改和改进。

• 扫描一个由 N 根烛形组成的窗口；

• 检查哪些烛形占优势-看跌或看涨；

• 如果出现比率超过阈值，则启动一系列开启仓位的信号；

• 看跌烛形普遍 = 买入信号，看涨烛形普遍 = 卖出；

• 计算手数；

• 在随后的每个烛形上打开一个新仓位，直到触发序列关闭条件；

• 触发序列关闭条件；

• 平掉所有仓位;

• 搜索新的信号。

改进

这个机器人是在 2016 年为 MetaTrader 4 开发的。它的代码附在下面。

在开发过程中，我将消除所有已识别的缺点，因此我将把整个开发划分为不同的任务。

1. 动态阈值序列开始百分比

随着分析窗口中烛形数量的增加，或者随着下跌或上涨烛形过多阈值百分比的增加，第一个版本的算法变得更加稳定。我不得不做出妥协，并设置一个更大的样本量进行分析或更大的烛形超额百分比。试验表明，在几乎任何数量的烛形中，最佳超额百分比都可以调整，但当烛形数量增加时，超额百分比应减小。

在固定阈值百分比的情况下，增加分析窗口中烛形的数量会降低这种组合的可能性。因此，我们可以在分析窗口中设置任何烛形的最大数量，因为这对结果几乎没有影响，因为遇到这种组合的概率正在迅速下降。为了增加序列启动信号的数量，我们需要降低阈值超额百分比，以便随着样本中烛形数量的增加，组合的概率保持大致相同。

我做了一个假设，在给定数量的烛形中，给定的超额百分比的概率可以用组合数学来计算。

​

编辑

添加图片注释，不超过 140 字（可选）

,

其中

• С - 组合的数量

• n - 样本中烛形的数量

• k - 上涨烛形的数量

• P - 事件的概率

• P2 - 双重事件的概率

事件概率P应该乘以2，因为P是针对同一方向的烛形较多的情况计算的-看跌或看涨。不管方向如何，我们都对总概率感兴趣。只有当看跌烛形的数量=看涨烛形的数量时，才不需要将概率乘以2。

作为一个例子，让我们计算一个事件的概率，当30支蜡烛中有24支在一个方向，6支在另一个方向。为了实现这一点，我准备了下面图1所示的表格。

​

编辑

添加图片注释，不超过 140 字（可选）

图 1. 概率表格

30个烛形中有24个同一方向的烛形对应80%以上的烛形。这种组合的概率为0.11%。现在让我们参考下表，看看样本中100个烛形的必要超额百分比，这样它出现的概率是0.11%。我们可以看到，对于100个烛形，这样的组合概率是找不到的。概率是 0.172% 和 0.091%. 我会选择一个更稀有的选择。它对应的是一种烛形与另一种烛形的比率66/34，或一个方