Обсуждение статьи "Кодекс рыночных состояний в MQL5 (Часть 2): Побитовое обучение и мультипаттерны на примере Nvidia"

[MetaQuotes]

Опубликована статья Кодекс рыночных состояний в MQL5 (Часть 2): Побитовое обучение и мультипаттерны на примере Nvidia:

Мы продолжаем нашу новую серию о рыночном позиционировании, в которой изучаем отдельные активы с конкретными направлениями сделок на управляемых тестовых окнах. Мы начали её с рассмотрения акций Nvidia Corp в предыдущей статье, где разобрали 5 сигнальных паттернов, основанных на взаимодополняющем сочетании осцилляторов RSI и DeMarker. В этой статье мы рассмотрим оставшиеся 5 паттернов, а также мультипаттерн-варианты — от произвольных комбинаций всех десяти сигналов до более узкоспециализированных сочетаний.

Шестой сигнал, который мы рассматриваем, отбирает рыночные движения с высокой уверенностью сигнала за счет объединения метрик наклона RSI и DeMarker с расширением ценового диапазона high-low. Обычно это указывает на рост активности трейдеров, а также на повышение волатильности. Условие для покупки фиксируется, когда наклон RSI за 3 бара положительный, и DeMarker также показывает аналогичное состояние за свои 3 бара. Ценовой диапазон текущего бара, где под текущим понимается последний завершенный ценовой бар с индексом 1, также должен быть больше диапазона предыдущего бара на оптимизированном расстоянии в прошлом. Когда текущая цена закрытия находится в верхних 25 процентах своего диапазона, это сигнализирует о давлении покупателей. Графическое представление этого условия выглядит следующим образом:

Наклон RSI(3) > 0, наклон DeMarker(3) > 0, И диапазон текущего бара (high-low) > 1,2 × средний диапазон(range, 10), то есть расширение диапазона, — цена должна закрыться в верхних 25% бара.

В качестве примечания: с учетом нашего подхода только в длинную сторону, требования для продажи также выполняются, когда наклоны RSI и DeMarker отрицательны на трехбарном периоде, а текущий диапазон high-low увеличился сильнее, чем диапазон одного из прошлых баров. Этот прошлый ориентир можно настраивать и оптимизировать, и мы принимаем его период равным периоду используемых нами средних значений, чтобы сократить количество оптимизируемых параметров. Разумеется, читатели могут изменить это, однако логика здесь заключается в осторожном отношении к переобучению на исторических данных.

Автор: Stephen Njuki