یک شاخص ضروری برای همه معامله گران خارج از کشور

معرفی

در حالی که شما در حال مطالعه شاخص های فنی هستید ، مطمئناً لیستی را شامل می شود که شاخص های سرپرستی را شامل می شوند که به عنوان شاخص های "باید" که باید قبل از اینکه دستان خود را در بازار واقعی کثیف کنید ، توسط شما آموخته شود. شاخصی که امروز می خواهیم با توجه به عملکرد آن در بازار ، به این لیست اضافه شود. این کسی نیست جز کانال Keltner (KC).

در این مقاله ، ما ابتدا بحث خواهیم کرد که کانال Keltner چیست و ریاضیات موجود در این شاخص است. سپس ، ما به قسمت برنامه نویسی ادامه خواهیم داد که در آن از Python برای ساختن شاخص از ابتدا استفاده خواهیم کرد ، یک استراتژی معاملاتی ساده را بر اساس نشانگر می سازیم ، استراتژی را در سهام Intel Backtest می کنیم و در آخر ، بازده استراتژی را با برنامه های SPY مقایسه خواهیم کرد. ETF (ETF به ویژه برای ردیابی حرکات شاخص بازار S& P 500 طراحی شده است).

قبل از ادامه کار ، اگر می خواهید استراتژی های معاملاتی خود را بدون هیچ گونه برنامه نویسی پشت سر بگذارید ، راه حلی برای آن وجود دارد. این backtestzone است. این یک بستر برای پشتوانه هر تعداد استراتژی معاملاتی در انواع مختلف دارایی های قابل تجارت به صورت رایگان و بدون برنامه نویسی است. می توانید بلافاصله با استفاده از پیوند در اینجا از ابزار استفاده کنید: https://www.backtestzone.com/

دامنه واقعی متوسط (ATR)

ضروری است بدانید که میانگین دامنه واقعی (ATR) از آنجا که در محاسبه کانال کلتنر نقش دارد ، ضروری است.

متوسط محدوده واقعی توسط Wilder Wiles (خالق محبوب ترین شاخص ، RSI) تأسیس شده است ، یک شاخص فنی است که به طور متوسط میزان دارایی را اندازه گیری می کند. این یک شاخص عقب مانده است به این معنی که داده های تاریخی یک دارایی را برای اندازه گیری مقدار فعلی در نظر می گیرد اما قادر به پیش بینی نقاط داده های آینده نیست. این به عنوان یک اشکال در هنگام استفاده از ATR در نظر گرفته نمی شود زیرا این یکی از شاخص ها برای پیگیری نوسانات یک بازار دقیق تر است. در کنار یک شاخص عقب مانده ، ATR همچنین یک شاخص غیر جهت دار است به این معنی که حرکت ATR با حرکت واقعی بازار متناسب است. برای محاسبه ATR ، لازم است دو مرحله را دنبال کنید:

• محاسبه دامنه واقعی (TR): طیف واقعی دارایی با در نظر گرفتن بیشترین ارزش سه اختلاف قیمت که عبارتند از: بازار منهای بالا ، پایین بازار منهای بالا بازار قبلی نزدیک ، بازار قبلی نزدیک منهای بازار کم است. این می تواند به شرح زیر باشد:

• محاسبه ATR: محاسبه برای دامنه متوسط واقعی ساده است. ما فقط باید برای تعداد مشخصی از دوره ها ، میانگین صاف از مقادیر محدوده واقعی قبلاً محاسبه شده را بگیریم. میانگین صاف فقط هر SMA یا EMA نیست بلکه یک نوع خود از میانگین صاف است که توسط خود Wilder Wiles ایجاد شده است و چیزی جز کم کردن یکی از میانگین متحرک نمایی محدوده واقعی برای تعداد مشخصی از دوره ها و ضرب تفاوت با دو نیست. محاسبه ATR برای تعداد مشخصی از دوره ها می تواند به شرح زیر باشد:

در حالی که استفاده از ATR به عنوان یک شاخص برای اهداف معاملاتی ، معامله گران باید اطمینان حاصل کنند که از هر زمان دیگری محتاط هستند زیرا این شاخص بسیار عقب مانده است. اکنون که ما درک می کنیم که دامنه متوسط واقعی چیست. اکنون بیایید به مفهوم اصلی این مقاله ، کانال Keltner شیرجه بزنیم.

کانال کلتنر (KC)

کانال Keltner که توسط چستر کلتنر تأسیس شده است ، یک شاخص فنی است که اغلب توسط معامله گران برای شناسایی نوسانات و جهت بازار استفاده می شود. کانال Keltner از سه مؤلفه تشکیل شده است: باند فوقانی ، باند پایین و خط میانی. اکنون ، در مورد چگونگی محاسبه هر یک از مؤلفه ها بحث می کنیم.

قبل از غواصی در محاسبه کانال کلتنر ، دانستن در مورد سه ورودی مهم درگیر در محاسبه ضروری است. اول دوره ATR Lookback است که چیزی جز تعداد دوره هایی نیست که برای محاسبه ATR در نظر گرفته می شود. ثانیا ، دوره بازگشت کانال Keltner. این ورودی کم و بیش شبیه به اولین است اما در اینجا ، ما تعداد دوره هایی را که برای محاسبه خود کانال کلتنر در نظر گرفته می شود ، تعیین می کنیم. ورودی نهایی ضرب است که مقدار تعیین شده برای ضرب در ATR است. مقادیر معمولی که به عنوان ورودی در نظر گرفته می شوند 10 به عنوان دوره ATR Lookback ، 20 به عنوان دوره بازگشت کانال Keltner و 2 به عنوان ضرب هستند. با در نظر گرفتن این ورودی ها ، بیایید خوانش اجزای کانال Keltner را محاسبه کنیم.

اولین قدم در محاسبه مؤلفه های کانال Keltner ، تعیین مقادیر ATR با 10 به عنوان دوره بازگشت است و می توان آن را با پیروی از فرمول مورد بحث قبلاً محاسبه کرد.

مرحله بعدی محاسبه خط میانی کانال Keltner است. این مؤلفه چیزی جز میانگین حرکت نمایی 20 روزه از قیمت بسته شدن سهام نیست. محاسبه را می توان به شرح زیر نشان داد:

مرحله آخر محاسبه باندهای فوقانی و تحتانی است. بیایید با گروه فوقانی شروع کنیم. این با اضافه کردن میانگین حرکت 20 روزه نمایی از قیمت بسته شدن سهام توسط ضرب (دو) محاسبه می شود و سپس توسط ATR 10 روزه ضرب می شود. محاسبه باند پایین تقریباً شبیه به باند فوقانی است اما به جای اضافه کردن ، ما EMA 20 روزه را با ضرب هستیم. محاسبه هر دو باندهای فوقانی و تحتانی را می توان به شرح زیر نشان داد:

این کل فرآیند محاسبه مؤلفه های کانال Keltner است. حال ، اجازه دهید نمودار کانال Keltner را تجزیه و تحلیل کنیم تا درک بیشتری از شاخص ایجاد کنیم.

نمودار فوق نمایانگر گرافیکی 20 روزه کلتنر شانل اینتل است. ما می توانیم متوجه شویم که دو باند در هر دو طرف خط قیمت بسته بندی شده است و این چیزی نیست جز باند فوقانی و تحتانی و یک خط به رنگ خاکستری که در بین دو باند اجرا می شود ، خط میانی یا EMA 20 روزه است. کانال Keltner می تواند به روش های گسترده ای مورد استفاده قرار گیرد اما محبوب ترین کاربردهای شناسایی نوسانات و جهت گیری بازار است.

نوسانات بازار را می توان با فضایی که بین باند فوقانی و تحتانی وجود دارد ، تعیین کرد. اگر فضای بین باندها گسترده تر باشد ، گفته می شود که بازار بی ثبات است یا حرکات قیمت بیشتری را نشان می دهد. از طرف دیگر ، در صورت باریک بودن فضای بین باندها ، بازار در حالت غیر فرار یا تثبیت کننده در نظر گرفته می شود. استفاده محبوب دیگر شناسایی جهت بازار است. جهت بازار را می توان با پیروی از جهت خط میانی و همچنین باند فوقانی و تحتانی تعیین کرد.

در حالی که نمودار کانال Keltner را مشاهده می کنید ، ممکن است شبیه به گروههای بولینگر باشد. تنها تفاوت بین این دو شاخص ، نحوه محاسبه هر یک از آنها است. گروههای بولینگر برای محاسبه خود از انحراف استاندارد استفاده می کنند ، در حالی که ، کانال Keltner از ATR برای محاسبه قرائت های خود استفاده می کند. اکنون ، بیایید در مورد استراتژی معاملاتی که می خواهیم در این مقاله اجرا کنیم صحبت کنیم.

درباره استراتژی معاملاتی ما: ما قصد داریم محبوب ترین استراتژی تجارت کانال Keltner را که استراتژی برک آوت است ، پیاده سازی کنیم. از آنجا که کانال Keltner مستعد آشکار کردن سیگنال های دروغین است ، ما قصد داریم استراتژی سنتی برک آوت را تنظیم کنیم. استراتژی تنظیم شده ما هر زمان که خط قیمت بسته شدن از بالا به زیر باند پایین عبور می کند ، یک سیگنال خرید را نشان می دهد و قیمت بسته شدن فعلی از قیمت بسته شدن بعدی سهام کمتر است. به همین ترتیب ، هر زمان که خط بسته شدن از پایین به بالای باند بالا عبور می کند ، یک سیگنال فروش فاش می شود و قیمت بسته شدن فعلی از قیمت بسته شدن بعدی سهام بیشتر است. استراتژی معاملاتی ما را می توان به شرح زیر نشان داد:

بسیاری از استراتژی های دیگر نیز می توانند بر اساس نشانگر کانال Keltner اجرا شوند اما فقط برای درک چیزها ، ما با استراتژی برک آوت پیش می رویم. این نتیجه تئوری ما را در شاخص کانال کلتنر نتیجه می گیرد. حال ، بیایید به قسمت برنامه نویسی برویم که در آن ابتدا قصد داریم این نشانگر را از ابتدا بسازیم ، استراتژی برک آوت را که ما فقط در مورد آن بحث کردیم ، بسازیم ، سپس عملکرد استراتژی خود را با بازده ETF جاسوسی در پایتون مقایسه می کنیم. بیایید برخی از برنامه نویسی را انجام دهیم! قبل از حرکت ، یادداشتی در مورد سلب مسئولیت: تنها هدف این مقاله آموزش مردم است و باید به عنوان یک قطعه اطلاعاتی در نظر گرفته شود اما نه به عنوان مشاوره سرمایه گذاری یا همینطور.

اجرای در پایتون

قسمت برنامه نویسی به شرح زیر به مراحل مختلف طبقه بندی می شود:

ما سفارش ذکر شده در لیست بالا را دنبال خواهیم کرد و کمربندهای صندلی خود را جمع می کنیم تا هر قسمت برنامه نویسی آینده را دنبال کنید.

مرحله 1: وارد کردن بسته ها

وارد کردن بسته های مورد نیاز به محیط پایتون یک گام غیر قابل قبول است. بسته های اصلی قرار است پاندا برای کار با داده ها ، Numpy برای کار با آرایه ها و برای توابع پیچیده ، Matplotlib برای ترسیم اهداف و درخواست هایی برای برقراری تماس API باشد. بسته های ثانویه برای کارکردهای ریاضی و Termcolor برای سفارشی سازی قلم (اختیاری) ریاضی خواهند بود.

اجرای پایتون:

اکنون که تمام بسته های مورد نیاز را به پایتون خود وارد کرده ایم. بیایید داده های تاریخی اینتل را با نقطه انتهایی API دوازده داده بکشیم.

مرحله 2: استخراج داده ها از دوازده داده

در این مرحله ، ما قصد داریم داده های سهام تاریخی اینتل را با استفاده از نقطه پایانی API تهیه شده توسط Twelvedata.com بکشیم. قبل از آن ، یادداشتی در مورد Twelvedata.com: دوازده داده یکی از ارائه دهندگان پیشرو در مورد داده های بازار است که دارای تعداد زیادی از نقاط پایانی API برای انواع داده های بازار است. تعامل با API های ارائه شده توسط دوازده داده بسیار آسان است و یکی از بهترین مستندات تا کنون است. همچنین ، اطمینان حاصل کنید که یک حساب کاربری در Twelvedata.com دارید ، فقط در این صورت ، می توانید به کلید API خود دسترسی پیدا کنید (عنصر حیاتی برای استخراج داده ها با API).

اجرای پایتون:

خروجی:

توضیح کد: اولین کاری که ما انجام دادیم تعریف تابعی به نام "get_historical_data" است که نماد سهام ("نماد") و تاریخ شروع داده های تاریخی ("start_date") را به عنوان پارامترها می گیرد. در داخل عملکرد ، ما کلید API و URL را تعریف می کنیم و آنها را در متغیر مربوطه ذخیره می کنیم. در مرحله بعد ، ما داده های تاریخی را در قالب JSON با استفاده از عملکرد "دریافت" استخراج می کنیم و آن را در متغیر "RAW_DF" ذخیره می کنیم. پس از انجام برخی فرآیندها برای تمیز کردن و قالب بندی داده های RAW JSON ، ما آن را به صورت یک DataFrame Clean Pandas Dataframe باز می گردانیم. سرانجام ، ما در حال استفاده از عملکرد ایجاد شده برای بیرون کشیدن داده های تاریخی اینتل از شروع سال 2020 هستیم و آن را در متغیر "INTC" ذخیره کردیم.

مرحله 3: محاسبه کانال Keltner

در این مرحله ، ما قصد داریم با دنبال کردن روشهایی که قبلاً در مورد آنها بحث کردیم ، اجزای شاخص کانال Keltner را محاسبه کنیم.

اجرای پایتون:

خروجی:

توضیح کد: ما ابتدا تابعی به نام "GET_KC" را تعریف می کنیم که دارای سهام بالا ("بالا") ، کم ("پایین") و بسته شدن داده های قیمت ("نزدیک") ، دوره بازپرداخت کانال Keltner ("است. KC_LOOKBACK ') ، مقدار ضرب ("ضرب) ، و دوره بازگشت برای ATR (' ATR_LOOKBACK ') به عنوان پارامترها. کد موجود در این تابع را می توان به دو بخش جدا کرد: محاسبه ATR و محاسبه کانال Keltner.

محاسبه ATR: برای تعیین خوانش از میانگین محدوده واقعی ، ابتدا سه تفاوت را محاسبه می کنیم و آنها را در متغیرهای مربوطه ذخیره می کنیم. سپس ما با استفاده از عملکرد "Concat" هر سه تفاوت را در یک DataFrame ترکیب می کنیم و حداکثر مقادیر را از سه تفاوت جمعی برای تعیین دامنه واقعی گرفتیم. سپس با استفاده از توابع "EWM" و "میانگین" ، ما میانگین متحرک سفارشی دامنه واقعی را برای تعداد مشخصی از دوره ها در نظر می گیریم تا مقادیر ATR را بدست آوریم.

محاسبه کانال Keltner: با استفاده از مقادیر ATR که قبلاً محاسبه شده است ، ما ابتدا با گرفتن EMA ATR برای تعداد مشخصی از دوره ها ، خط میانی کانال Keltner را محاسبه می کنیم. سپس محاسبه هر دو باندهای فوقانی و تحتانی می آید. ما مقادیر ATR را در فرمول باندهای فوقانی و تحتانی که قبلاً در مورد آنها بحث کردیم جایگزین می کنیم تا خوانش هر یک از آنها را بدست آوریم. سرانجام ، ما در حال بازگشت و فراخواندن عملکرد ایجاد شده برای به دست آوردن مقادیر کانال Keltner Intel هستیم.

مرحله 4: ایجاد استراتژی تجارت

در این مرحله ، ما قصد داریم استراتژی معاملات نشانگر کانال Keltner را در پایتون مورد بحث قرار دهیم.

اجرای پایتون:

توضیح کد: اول ، ما در حال تعریف تابعی به نام "پیاده سازی_KC_Strategy" هستیم که قیمت سهام ("قیمت") و مؤلفه های نشانگر کانال Keltner ("KC_UPPER" و "KC_LOWER") را به عنوان پارامترها تعریف می کنیم.

در داخل عملکرد ، ما در حال ایجاد سه لیست خالی (buy_price ، sell_price و kc_signal) هستیم که در آن مقادیر هنگام ایجاد استراتژی تجارت ضمیمه می شوند.

پس از آن ، ما استراتژی تجارت را از طریق یک حلقه برای اجرای آن اجرا می کنیم. در داخل حلقه ، ما شرایط خاصی را پشت سر می گذاریم و اگر شرایط راضی باشد ، مقادیر مربوطه به لیست های خالی اضافه می شود. اگر شرط خرید سهام برآورده شود ، قیمت خرید به لیست "buy_price" اضافه می شود و ارزش سیگنال به عنوان 1 نماینده برای خرید سهام ضمیمه می شود. به همین ترتیب ، اگر شرط فروش سهام برآورده شود ، قیمت فروش به لیست "sell_price" اضافه می شود و ارزش سیگنال به عنوا ن-1 نماینده برای فروش سهام ضمیمه می شود.

سرانجام ، ما لیست های ضمیمه شده با مقادیر را برمی گردانیم. سپس ، ما در حال استفاده از عملکرد ایجاد شده و مقادیر را در متغیرهای مربوطه آنها ذخیره می کنیم. این لیست معنی ندارد مگر اینکه مقادیر را ترسیم کنیم. بنابراین ، بیایید مقادیر لیست های تجاری ایجاد شده را ترسیم کنیم.

مرحله 5: ترسیم سیگنال های معاملاتی

در این مرحله ، ما می خواهیم لیست های تجاری ایجاد شده را ترسیم کنیم تا از آنها معنا پیدا کنیم.

اجرای پایتون:

خروجی:

توضیح کد: ما در حال ترسیم خواندن اجزای شاخص کانال Keltner به همراه سیگنال های خرید و فروش تولید شده توسط استراتژی معاملات برک آوت هستیم. ما می توانیم مشاهده کنیم که هر زمان که خط قیمت بسته از بالا به زیر خط باند پایین و قیمت بسته شدن فعلی از قیمت بسته شدن بعدی پایین باشد ، یک سیگنال خرید به رنگ سبز در نمودار ترسیم می شود. به طور مشابه ، هر زمان که خط بسته شدن از پایین به بالای باند بالا عبور می کند و قیمت بسته شدن فعلی از قیمت بسته شدن بعدی بیشتر است ، یک سیگنال فروش با رنگ قرمز در نمودار ترسیم می شود.

مرحله 6: ایجاد موقعیت ما

در این مرحله ، ما قصد داریم لیستی را ایجاد کنیم که اگر سهام را در اختیار نداریم یا سهام خود را نگه نداریم ، 1 را نشان می دهد.

اجرای پایتون:

خروجی:

توضیح کد: اول ، ما یک لیست خالی به نام "موقعیت" ایجاد می کنیم. ما در حال عبور از دو حلقه برای ما هستیم ، یکی این است که مقادیر لیست "موقعیت" را تولید کنیم تا فقط با طول لیست "سیگنال" مطابقت داشته باشد. حلقه دیگر موردی است که ما برای تولید مقادیر موقعیت واقعی از آن استفاده می کنیم. در داخل حلقه دوم ، ما در مورد مقادیر لیست "سیگنال" تکرار می شویم و مقادیر لیست "موقعیت" در مورد اینکه چه شرایط راضی می شود ، ضمیمه می شوند. اگر سهام خود را نگه داریم یا اگر سهام خود را نداشته باشیم یا سهام خود را نداریم ، مقدار موقعیت 1 باقی مانده است. سرانجام ، ما در حال انجام برخی از دستکاری های داده برای ترکیب همه لیست های ایجاد شده در یک DataFrame هستیم.

از خروجی که نشان داده می شود ، می بینیم که در ردیف اول موقعیت ما در سهام 1 باقی مانده است (از آنجا که هیچ تغییری در سیگنال نشانگر کانال Keltner وجود ندارد) اما موقعیت ما به طور ناگهانی ب ه-1 تبدیل شد که سهام را فروختیمهنگامی که سیگنال معاملات نشانگر کانال Keltner یک سیگنال فروش (-1) را نشان می دهد. موقعیت ما تا زمانی که برخی از تغییرات در سیگنال معاملاتی رخ دهد ، 0 باقی خواهد ماند. اکنون زمان آن رسیده است که برخی از مراحل پشتی را اجرا کنیم!

مرحله 7: پشتی

قبل از حرکت ، ضروری است بدانید که پشتی چیست. Backtesting فرایندی است که می بینیم استراتژی معاملاتی ما در داده های سهام داده شده چگونه انجام داده است. در مورد ما ، ما قصد داریم یک فرآیند پشتی را برای استراتژی معاملات نشانگر کانال Keltner از طریق داده های سهام اینتل اجرا کنیم.

اجرای پایتون:

خروجی:

توضیح کد: اول ، ما بازده سهام Intel را با استفاده از عملکرد "Diff" ارائه شده توسط بسته NUMPY محاسبه می کنیم و ما آن را به عنوان یک DataFrame در متغیر "INTC_RET" ذخیره کرده ایم. در مرحله بعد ، ما برای محاسبه بازده هایی که از استراتژی معاملات نشانگر کانال Keltner به دست آورده ایم ، یک حلقه را برای تکرار بیش از مقادیر متغیر "intc_ret" می گذرانیم و این مقادیر بازده به لیست ‘KC_STRATEGETY_RET اضافه می شود. در مرحله بعد ، ما لیست "kc_strategy_ret" را به یک dataframe تبدیل می کنیم و آن را در متغیر ‘KC_STRATEGY_RET_DF ذخیره می کنیم.

مرحله بعدی روند پشتی می آید. ما می خواهیم با سرمایه گذاری صد هزار دلار در استراتژی تجارت خود ، استراتژی خود را پشت سر بگذاریم. بنابراین ابتدا ، ما میزان سرمایه گذاری را در متغیر "سرمایه گذاری_ ولت" ذخیره می کنیم. پس از آن ، ما تعداد سهام Intel را که می توانیم با استفاده از مبلغ سرمایه گذاری خریداری کنیم ، محاسبه می کنیم. می توانید توجه داشته باشید که من از عملکرد "کف" ارائه شده توسط بسته ریاضی استفاده کرده ام ، زیرا ، ضمن تقسیم مبلغ سرمایه گذاری با قیمت بسته شدن سهام اینتل ، خروجی را با اعداد اعشاری می ریزد. تعداد سهام باید یک عدد صحیح باشد اما تعداد اعشاری نیست. با استفاده از عملکرد "کف" ، می توانیم اعشار را برش دهیم. به یاد داشته باشید که عملکرد "کف" پیچیده تر از عملکرد "دور" است. سپس ، ما برای یافتن بازده سرمایه گذاری به دنبال برخی از وظایف دستکاری داده ها در حال عبور از حلقه هستیم.

سرانجام ، ما با سرمایه گذاری صد هزار نفر در استراتژی تجارت خود ، بازده کل را که بدست آورده ایم چاپ می کنیم و مشخص می شود که ما در یک سال سود تقریبی چهل و هفت هزار دلار کسب کرده ایم. این بد نیست! اکنون ، بیایید بازده خود را با SPY ETF (ETF طراحی شده برای ردیابی شاخص بازار سهام S& P 500) مقایسه کنیم.

مرحله 8: مقایسه ETF جاسوسی

این مرحله اختیاری است اما بسیار توصیه می شود زیرا می توانیم ایده ای از عملکرد استراتژی تجارت ما در برابر معیار (ETF جاسوسی) داشته باشیم. در این مرحله ، ما قصد داریم داده های SPY ETF را با استفاده از عملکرد "get_historical_data" که ما ایجاد کرده ایم استخراج کنیم و بازده هایی را که از ETF جاسوسی با استراتژی معاملاتی کانال Keltner کانال خود دریافت می کنیم ، مقایسه کنیم.

ممکن است مشاهده کرده باشید که در تمام مقالات تجاری الگوریتمی من ، من نتایج استراتژی را نه با شاخص بازار S& P 500 بلکه با SPY ETF مقایسه کرده ام و این به این دلیل است که بیشتر ارائه دهندگان داده های سهام (مانند دوازده داده) don 't داده های شاخص S& P 500 را ارائه می دهد. بنابراین ، من چاره دیگری جز رفتن با ETF جاسوسی ندارم. اگر خوشبخت هستید که داده های شاخص بازار S& P 500 را بدست آورید ، توصیه می شود به جای هر ETF از آن برای مقایسه استفاده کنید.

اجرای پایتون:

خروجی:

توضیح کد: کد مورد استفاده در این مرحله تقریباً شبیه به موردی است که در مرحله پشتی قبلی به کار رفته است ، اما به جای سرمایه گذاری در اینتل ، ما با اجرای هیچگونه استراتژی تجاری در ETF جاسوسی سرمایه گذاری می کنیم. از خروجی ، می توانیم ببینیم که استراتژی معاملاتی کانال Keltner ما از ETF SPY 25 ٪ بهتر است. عالیه!

افکار نهایی!

پس از یک فرآیند طولانی برای خرد کردن هر دو تئوری و برنامه های برنامه نویسی ، ما با موفقیت آموخته ایم که نشانگر کانال Keltner چیست ، ریاضیات در پشت این شاخص و در آخر اینکه چگونه می توان این شاخص را از ابتدا ساخت و استراتژی معاملات برک آوت را در پایتون ساخت. ما همچنین موفق شدیم نتایج خوبی بدست آوریم و در واقع ، جدا از فراتر از بازده ETF جاسوسی ، ما از بازگشت سهام واقعی اینتل با استراتژی برک آوت خود فراتر رفتیم.

من اغلب در مورد تنظیم استراتژی یا بهینه سازی در مقالات خود صحبت می کنم و امروز ، ما واقعاً آن را با تنظیم و ایجاد تغییراتی در استراتژی سنتی برک آوت انجام دادیم. در نتیجه ، ما توانستیم بازده بازار واقعی خود را بیرون بیاوریم. این فقط یک نمونه کوچک از نحوه تنظیم یک استراتژی و چگونگی تأثیر نتایج بر این اساس است ، اما موارد بیشتری برای کاوش وجود دارد. بهینه سازی استراتژی نه تنها در مورد تنظیم یا ایجاد تغییراتی در استراتژی های سنتی که برای مدت طولانی وجود دارد بلکه در مورد ایجاد یک محیط تجاری بهینه است و این شامل کارگزاری است که شما برای اهداف تجاری ، سیستم مدیریت ریسک و غیره استفاده می کنید. بنابراین بسیار توصیه می شود که به این فضاها نگاهی بیندازید تا استراتژی های خود را به یک سطح کاملاً جدید برسانید.

با این گفته ، شما به پایان مقاله رسیده اید. اگر فراموش کردید که از هر یک از قطعات برنامه نویسی پیروی کنید ، نگران نباشید. من در پایان کد منبع کامل را ارائه داده ام. امیدوارم که از این مقاله چیز جدیدی و مفید یاد گرفته باشید.