SuperTrend AI Clustering

Der SuperTrend-AI-Indikator ist ein neuartiger Ansatz, um die Lücke zwischen der K-Means-Clustering-Methode des maschinellen Lernens und technischen Indikatoren zu schließen. In diesem Fall wenden wir das K-Means-Clustering auf den bekannten SuperTrend-Indikator an.

🔶ANWENDUNG

Anwender können den SuperTrend AI Trailing Stop ähnlich wie den regulären SuperTrend-Indikator interpretieren. Die Verwendung höherer Minimal-/Maximalfaktoren führt zu längerfristigen Signalen.

Die zu jedem Signal angezeigten Leistungskennzahlen ermöglichen eine tiefgreifendere Interpretation des Indikators. Während höhere Werte auf ein größeres Potenzial hindeuten könnten, dass sich der Markt in Richtung des Trends bewegt, deuten Signale mit niedrigeren Werten wie 1 oder 0 möglicherweise auf Korrekturen hin.

In der obigen Abbildung sehen wir deutlichere Beispiele für die Leistungskennzahlen bei Signalen, die auf Trends hinweisen; allerdings können diese Leistungskennzahlen nicht jedes Signal zuverlässig wiedergeben oder vorhersagen.


Auf dem obigen Bild ist zu erkennen, dass der Trailing-Stop und sein adaptiver gleitender Durchschnitt auch als Unterstützung und Widerstand fungieren können. Durch die Verwendung höherer Werte bei der Einstellung „Performance Memory“können Nutzer einen längerfristigen adaptiven gleitenden Durchschnitt des zurückgesetzten Trailing-Stops erhalten.

• ATR-Länge: ATR-Periode, die für die Berechnung der SuperTrends verwendet wird.
• Faktorbereich: Legt die minimalen und maximalen Faktorwerte für die Berechnung der SuperTrends fest.
• Schrittweite: Schrittweite des Faktorbereichs.
• Performance-Speicher: Legt fest, inwieweit ältere Eingaben die aktuelle Ausgabe beeinflussen; höhere Werte liefern längerfristige Performance-Messwerte.
• Aus Cluster: Legen Sie fest, welcher Cluster zur Ermittlung des endgültigen Faktors verwendet wird.

• Maximale Iterationsschritte: Maximale Anzahl der zulässigen Iterationen zur Ermittlung der Zentren. Zu niedrige Werte können zwar zu einer besseren Ladezeit des Skripts führen, jedoch zu einer schlechten Clusterbildung.
• Berechnung der historischen Balken: Berechnungsfenster des Skripts (in Balken).