练习开发交易策略

概述

交易策略是一种固定计划，旨在通过做多或做空市场来实现盈利回报。通过组合各种想法，交易者可以制定自己的策略，以满足他们的特定需求和风格偏好。

可能的交易策略数量如此之多，甚至连对它们进行分类都成了一项艰巨的任务。不过，大多数交易策略通常都包含一定的要素。

• 工作交易品种和时间框架。
• 指标、过滤器等。
• 开仓和平仓规则。
• 资金和风险管理。

除这些要素外，交易策略还可能包括其他参数。交易策略可能有交易时间限制，例如，允许在上午 9 点至下午 1 点之间开仓，而在此时间段之外的进场信号将被忽略。

对交易策略参数的主要要求是其一致性和不存在内部矛盾。假设交易者决定使用某种资金管理方法，之后，交易者希望在策略中添加追踪止损。这两个要素是相互矛盾的。资金管理要求设置预先确定的止损和获利水平。但是，追踪止损可能会在价格达到止盈之前平仓，从而导致利润低于预期。要解决这一矛盾，交易者必须使用固定仓位交易量或取消追踪止损。

任何交易策略都必须以某种统计优势为基础。而且，这种优势应该长期存在。

制定策略的一个重要步骤是测试。使用策略测试器，您可以评估交易策略的功能及其优缺点。如有必要，您可以进行所需的更改。此外，测试器还能选择最佳策略参数，从而改善交易结果。

简单策略

最简单的交易策略是基于简单移动平均线的策略。其原理非常简单：价格越过指标线，此时就会建立仓位。仓位类型取决于交叉点发生的方向：如果价格从下向上移动 - 买入，从上向下移动 - 卖出。 

让我们仔细看看这一策略。首先，让我们从数学的角度来理解一下什么是交点。从本质上讲，它表示跟踪差值的符号：

当差值的符号变为相反时，就发生了相交。

现在，让我们试着以不同的方式来看待这种差值。根据其计算方法，SMA 是价格总和除以价格数量。因此，我们的第一步是将差值缩小到一个共同点：

让我们去掉分母。这样做的原因是，通过去分母，我们可以将差值转换成整数。使用整数更简单、更方便。让我们将差值乘以等于 N 的比例因子，再除以点值。这样，我们可以得到以下公式

但我们对简单的差值不感兴趣。我们需要知道的是，在给定的交易品种和时间框架内，这种差异出现的频率有多高。在这种情况下，我使用 H1 时间框架的 EURUSD。以下是 N=24 的统计数据。

你喜欢这张图片吗？如果你对这个问题的回答是 "啊，我见过更好的"，那么你就不是交易者。一个真正的交易者应该对这张照片感到满意。交易者可能喜欢的第一件事就是不对称。其次，差异的分布似乎并不均匀。

让我们休息一下。普通人会做什么噩梦？我猜这些噩梦可能是吸血鬼、狼人或行尸走肉。你知道交易员最可怕的噩梦是什么吗？它就是正态分布。

设想一个游戏：如果是正面，我付给你一些钱；如果是反面，你就付给我钱。我们兴奋地抛出一枚硬币，结果 ...... 这个游戏没有任何意义。硬币是公平的，这意味着正面和反面平均出现的次数相同（对等）。你我都不可能从这个游戏中致富。解决这种情况的办法只有一个：你需要破坏硬币，让其中一面更频繁地掉落出来。这将使我们摆脱统一分配，实现利润的变化；有人将开始更频繁地获胜。

让我们回到我们的策略上来。差异分布不均，且偏向负值。显然，基于移动平均线和价格交点的策略效果并不好。在该策略的经典版本中，当差值的符号发生变化时，即以零作为平均值时，就会开仓。但由于分布的性质，我们最好使用中位数而不是零。因此，只有当差值超过中位值时，才应开仓。

这种选择是可能的，但不适用于我们。中位数将样本分成两半：一半样本低于中位数，另一半样本高于中位数。这表明，在达到中位数后，差值的增减概率大致相同。

我们的做法略有不同，会在差值达到最大或最小值时开仓。这些时刻将与价格偏离均线的最大值相对应。在此之后，价格和均线很可能开始趋近。此外，由于该指标更具惯性（"滞后"），我们可以希望价格会走得更远，从而为我们带来利润。

如何在实践中加以落实？首先，我们收集历史上的差值。我们设定了某种触发阈值。例如，我将使用最大值和最小值的 15%。如果当前差值小于下限值，则建立买入仓位。如果当前差值高于上限值，则打开卖出仓位。

仓位的关闭遵循同样的原则，但触发阈值设定为 45%（略低于中位数，中位数水平为 50%）。如果差值高于下限，我们就关闭买入仓位。如果差值低于上限值，则卖出仓位被平仓。

这些就是交易策略的规则。让我们看看它在测试器中的表现如何。在测试中，我们使用欧元兑美元（EURUSD）交易品种、H1 时间框架，测试区间为 01/01/2023 至 12/31/2023。我们使用 EA 默认参数对其进行测试。

余额曲线如下。

对于这样一个简单的策略来说，结果还不错，但你可以改进它。首先，您可以为买入和卖出仓位设置不同的触发阈值。分布是不对称的，因此这种方法可以产生积极的效果。

您可能不仅需要监控移动平均值的差异，还需要监控移动平均值的变化。例如，差值增加，而移动平均值减小，在这种情况下，建仓信号可能会更强。

更复杂的策略

要生成建仓信号，可以使用两个不同周期数的 SMA。在上一个例子中，我们使用的是当前价格。那么，可以将价格视为周期为 1 的均线。这一策略背后的理念非常简单。周期长的移动平均线显示主要趋势，周期短的平均线显示趋势变化的瞬间。

所有必要的计算均按照前一种策略进行。唯一不同的是，您需要用周期更短的 SMA 值代替价格值。

使用两条 SMA 可以更精确地配置策略参数。直观地说，该策略的盈利能力不仅取决于建仓和平仓水平，还取决于均线的周期。这是其中一个选项中的余额曲线。

添加另一个参数后，我们就有机会在策略中加入一个额外的过滤器。在我们的示例中，该过滤器只在开仓时起作用。例如，只有当小周期 SMA 开始上升时，才能建立买入仓位。因此，只有当该 SMA 值下降时，才允许建立卖出仓位。使用该过滤器能达到什么效果？建立仓位的数量肯定会减少，这将有助于减少存款负载。让我们来看看这个过滤器是如何工作的。

过滤器	总净利润	毛利润	毛损失	利润因子	期望收益	采收率	夏普比率	Z 值
false	1 670.84	2 039.73	-368.89	5.53	4.49	1.78	2.91	-17.52
true	379.20	607.75	-228.55	2.66	2.92	0.92	1.95	-10.26

过滤器极大地影响了交易结果。在此策略中，我们使用两条均线。每个过滤器都可以独立使用，也可以一起使用。过滤器既可用于打开仓位，也可用于关闭仓位。

复杂的策略

我们已经讨论过两个 SMA 的使用，是否可以使用三个 MA 呢？是的。进一步说，您还可以在一个策略中使用任意多个 MA。让我们看看如何在实践中实现这一点。

我们取几条不同周期的移动平均线，求出它们的总和，大致看起来是这样的：

在这种情况下，系数 k 的总和必须等于零。这可以通过不同的方式来取得。最简单的解决方案之一是使用有限差分。任何阶次的有限差分都可以通过取前一阶差分并减去其副本，再将系数指数偏移 1 而得到。

例如，一阶差分等于 k1-k2。

在此基础上，我们可以计算二阶差分：(k1-k2)-(k2-k3)=k1-2*k2+k3。

同样，我们可以求出三阶差分：(k1-2*k2+k3)-(k2-2*k3+k4)=k1-3*k2+3*k3-k4。以此类推。

如果不想费力计算，可以直接从 Pascal 三角形中提取所需的行。只需记住更改系数前面的符号即可。

我在这个例子中使用了三条 SMA，对它们采用二阶差分系数。因此，所有计算都将根据以下公式进行：

这种策略的结果取决于三个参数。哪怕是改变一条 SMA 的周期，也会对结果产生重大影响。下面举例说明这种策略的执行情况。

我们可以继续增加移动平均线的数量。乍一看，这一决定似乎非常合理，然而，这种方法会走进死胡同。我们可以使用任意数量的 SMA，但最终仍将使用一个振荡器。我们可以添加的每一条新的 SMA 都只是改变了该振荡器的系数和特性，仅此而已。我们本可以做得更简单一些，就是立即开始寻找最优振荡器的最优系数。遗憾的是，这项任务并不那么简单。

复杂性的新级别

在开发交易策略时，主要原则是不要放弃，并始终寻找新的机会。我们已经看到了使用一个指标所能达到的效果。现在，让我们看看如何使用多个指标创建策略。

在本策略中，我将使用经典的移动平均线。根据每个指标，您可以利用当前价格与指标值之间的差值来构建振荡指标。我们已经了解了如何使用 SMA 实现这一功能。不过，其他指标的情况就比较复杂了。

线性技术指标的核心是一组系数乘以相应的价格参考。指标的结果数值就是这些乘法的总和。例如，SMA 可以表示如下：

然而，EMA 并非如此简单。首先，对于指数平滑法，采用几何级数计算系数，初始系数范围为 0...1。其次，一般来说，EMA 周期数是无限的。更准确地说，EMA 周期等于指标设法处理的价格读数的数量。

让我们稍微改变一下 EMA：我们将使用 2 的幂次作为系数，而指标周期将任意设置。因此，我们的指标公式如下：

我们的指标将类似于周期为 3 的标准 EMA。我们的指标周期数越长，它们之间的距离就越近。

经过这样的修改，我们就能建立一个输出为整数值的振荡器。我们已经考虑了所有其他操作，包括将差值归入同分母、应用比例系数等。

SMMA 采用以下算法构建。首先，我们计算 SMA 值，然后对这些值进行另一次平均。结果是一个三角形窗口函数。我们将用这个函数来制作一个振荡器。

LWMA 系数由步长为 1 的算术级数求得。从本质上讲，EMA 和 LWMA 是 "遗忘" 过去数据的不同模型。EMA 比 LWMA 更快地遗忘过去的数据。

接下来的步骤非常简单。根据每个指标，我们建立自己的独立振荡指标。每个振荡指标都有自己的统计数据。根据这些统计数据，我们生成开仓和平仓信号。

在这里，我们需要决定如何运行我们的交易策略。四个振荡指标中的每一个只能产生四个可能信号中的一个：

• 建立买入仓位

• 建立卖出仓位

• 关闭买入仓位

• 关闭卖出仓位

第五个信号是 "什么也不做"，但默认情况下是启用的，所以我们不计算它。

可能会出现每个指标都发出自己信号的情况，而这些信号会相互矛盾。示例

• SMA 发出买入信号

• EMA 发出卖出平仓信号

• SMMA 发出卖出开仓信号

• LWMA 生成关闭买入仓位的信号

在这种情况下，交易者该怎么办？首先，交易者需要记住拜占庭将军（Byzantine generals）问题。拜占庭将军问题的本质是，可以从多个来源获得不同的信号。有些信号可能是假的，有些则可能是真的。要确定哪个信号为真，需要遵循一个简单的规则：如果信号来自三分之二以上的信号源，就可以认为该信号是可靠的。

设 N 为指标总数，然后，可以用公式计算出发出相同信号的指标的最少数量：

我们共有四个指标。这意味着，只有当至少三个指标发出相同信号时，交易者才能采取任何行动。

这就是该理论。让我们来介绍一下我们的交易策略是如何运作的。首先，我们需要为每个指标收集单独的统计数据。根据这些统计数据，每个指标都会生成自己的信号。如果至少有三个信号匹配，那么 EA 就会认为信号正确并执行它。

现在，让我们来看看拜占庭将军们能否获利。

那么，这种方法也可以用在交易中。此外，这种交易策略还允许增加参数数量。对于每个指标，您都可以输入自己的开仓和平仓水平。这将使策略更加灵活，并对交易绩效产生积极影响。

基于多个指标，您可以以另一种方式构建交易系统。 

收集统计数据后，我们可以估算出每个指标的特定值出现的频率。利用这个频率，我们可以构建一个经验分布函数。

设 N 为样本总量，f[i] 为第 i 个指标值的频率。然后就可以用下面的公式求出经验分布函数：

该函数用于描述下一个指标值小于当前指标值的概率。从图形上看是这样的：

因此，我们有四种不同的概率。但我们需要的是一个值。我们可以使用贝叶斯分类器来得到它。最终概率是由每个指标的概率通过公式计算得出的：

我们将利用这种概率来生成信号。只有当概率达到一定值时，才会建立或关闭仓位。

让我们看看这种方法能否用于交易。

现在，让我们尝试为开仓添加一个过滤器。这种过滤器的工作原理非常简单：

• 只有当最终概率开始增加时，才允许建立买入仓位；

• 只有当概率开始下降时，才允许建立卖出仓位。

因此，我们可以减少仓位数量，减轻存款负载。

可为平仓添加类似的过滤器。它有可能稍微提高这一策略的盈利能力。

我们已经考虑过根据几个不相关的指标创建交易策略的可能性。这种方法的主要特点是，所有指标应尽可能彼此不同。例如，如果我们使用周期等于 2 的 SMA 和 SMMA，那么它们的系数将相等。这将产生同一指标的两个副本。必须避免这种情况，因为信号会发生偏移，策略将无法正常运行。

提高复杂程度

让我们回到起点 - 根据一个指标开发策略。不过，这次我们将增加策略的复杂性。我们将以 CCI 指标为基础。

经典 CCI 的计算方法很简单：它是价格与移动平均线之间的差值，用标准差进行归一化。

采用这种方法，要获得用于收集统计数据的整数有些困难。因此，我们将对这一指标稍作修改。我们将使用中位数价格和绝对偏差来代替 SMA 和 StDev。

找到中位数非常简单。我们需要按升序对原始值集进行排序。居中的数值就是中位数。中位数的主要优点是不受异常值的影响。

我们将采取以下行动。首先，我们将获得所需的价格数量，并找出它们的中位数。由于我们方法的特殊性，价格数必须是奇数 - 只有在这种情况下，我们才能得到一个整数。接下来，我们将找出当前价格与中位数之间的差值，从而得到第一个统计量。我截去了出现频率最高的数值，使图表特征更加明显。

现在，我们需要找出价格与中位数之间差值的绝对值。让我们找出这些差异的中位数，这将是我们对标准差和第二个统计量的估计值。

我们得到了很好的分布，但不对称，也不均匀。让我们看看它们能否帮助我们进行交易。

我们的交易策略将非常简单。我们将利用价格与中位数之差的统计数据来生成开仓和平仓信号。如果当前差值远远偏离零，那么我们就会开仓，期待回归中位数。

标准偏差统计量将用作过滤器。较大的偏差可能预示着市场的某些强烈波动。此时，我们将禁止开仓。

让我们看看这一策略是否奏效。

我们使用了最简单的偏差过滤器。事实上，较大的偏差可能意味着您需要改变入市方向。例如，信号表示您应该建立买入仓位，而偏差则表示您应该将仓位类型改为卖出。

另一种可能的过滤器可以建立在中值的基础上。中值可以与任何价格值相吻合。这就是为什么中位数是一个非线性指标。让我们设定以下条件：只有中位数和价格与某个指数重合时，才会进行交易。例如，如果中位数等于指数为 5 的价格，余额线就是这个样子。

我们可以看到，即使是一个指标，也可以提供大量的选项。交易者的主要任务是分析所有可能性，并将其中最好的用于交易。

结论

撰写交易策略可能并不像乍看起来那么困难。然而，要成功实现策略，您应该考虑许多因素，并以理解和经验来对待这一过程。本文仅介绍了一些可能的解决方案和方法，对开发策略可能有用。交易者在选择过滤信号源等时必须非常谨慎。开发的策是一项非常令人兴奋的活动，有很大的创造空间。

撰写本文时使用了以下程序。

名称	类型	描述
scr SMA1	脚本	计算并显示价格与 SMA 之间差值的分布情况 iPeriod 是 SMA 周期
EA SMA1	EA	使用 "价格 - SMA" 策略进行交易 iPeriod 是 SMA 周期 LvlOpen 是打开仓位的水平 LvlClose 是平仓水平
EA SMA2	EA	使用 "两条 SMA" 策略进行交易 PeriodM 和 PeriodN 是均线周期 Filter 是 SMA 过滤器
EA SMA3	EA	使用三条 SMA 进行交易
EA Byzantine Generals	EA	使用四个指标进行交易，根据拜占庭将军问题生成信号
EA NBC	EA	使用四个指标进行交易，信号使用贝叶斯方法计算
scr CCI	脚本	收集有关 CCI 指标的统计数据
EA CCI	EA	使用 CCI 指标的统计数据进行交易 LvlStDev 是基于标准偏差的截断水平 Filter 是一个非负数，用于指定价格指数，必须与中位数相吻合。