Strategi Mengikuti Tren Konfirmasi Ganda

Moving Average adalah alat mengikuti tren yang hebat. Demikian pula, Parabolic SAR juga dapat mengisyaratkan awal dari sebuah tren baru. Bagaimana jika kita mencoba menggabungkan keduanya untuk memberi kita sinyal tepat waktu kapan tren baru akan muncul.

Ini berarti bahwa kita akan menggunakan moving average sebagai level support dan resistance dinamis sambil mengkonfirmasi reaksi dengan Parabolic SAR. Dua bagian pertama akan memperkenalkan moving average dan Parabolic SAR dan bagian ketiga akan menyajikan strategi..

Konsep Moving Averages

Moving average datang dalam segala bentuk dan jenis. Jenis yang paling dasar adalah Simple Moving Average yang hanya jumlah dibagi dengan kuantitas. Representasi matematis berikutnya menunjukkan bagaimana menghitung mean sederhana yang diberikan kumpulan data:

Oleh karena itu, moving average sederhana adalah jumlah nilai dibagi dengan jumlahnya. Dalam analisis teknis, Anda biasanya menggunakan moving average untuk memahami tren yang mendasarinya dan untuk menemukan sinyal perdagangan. Periksa Gambar berikutnya yang menunjukkan rata-rata pergerakan sederhana 60 periode yang diterapkan pada nilai per jam Ethereum versus USD.

ETHUSD dengan simple moving average 60 periode.

Asumsikan Anda memiliki array data OHLC yang diimpor dengan Python (yang telah saya tunjukkan berkali-kali di artikel sebelumnya). Tulis fungsi primal di bawah ini yang memungkinkan Anda untuk memanipulasi data dengan lebih baik:

def add_column(data, times):

for i in range(1, times + 1):

new = np.zeros((len(data), 1), dtype = float)

data = np.append(data, new, axis = 1) return datadef delete_column(data, index, times):

for i in range(1, times + 1):

data = np.delete(data, index, axis = 1) return datadef delete_row(data, number):

data = data[number:, ]

return data

Kemudian, untuk mengkodekan simple moving average, tuliskan fungsi di bawah in:

def ma(data, lookback, close, position):

data = add_column(data, 1)

for i in range(len(data)):

try:

data[i, position] = (data[i - lookback + 1:i + 1, close].mean())

except IndexError:

pass

data = delete_row(data, lookback)

return data

The Parabolic SAR

Stop-and-reverse parabola adalah indikator menarik yang dibuat oleh Welles Wilder Jr. yang juga pencipta RSI yang terkenal. Indikator ini banyak digunakan sebagai trailing stop yang melacak tren saat berkembang tetapi tidak ada salahnya menggunakannya sebagai generator sinyal.

Perlu dicatat bahwa kinerjanya relatif baik dalam tren yang stabil tetapi sama seperti indikator lainnya, ia memiliki kelemahannya, dalam hal ini, mulai pasar. Bagan di bawah ini menunjukkan contoh EURUSD dengan SAR parabola standar. Kita akan melihat di bawah cara mengkodekannya.

Data USDCAD per jam dengan Parabolic SAR.

Saya akan merujuk ke pustaka python yang disebut talib dari mana pengguna dapat mengimpor fungsi sar yang menggunakan bingkai data dan menghitung nilainya. Setelah memodifikasi fungsi itu, Anda dapat merujuk ke yang di bawah ini (saya tidak menghargainya karena saya baru saja mengubah beberapa baris yang bertentangan dengan fungsi lain yang telah saya kodekan):

def sar(s, af = 0.02, amax = 0.2):

s = pd.DataFrame(s)

s.columns = ['open','high','low','close']

high, low = s.high, s.low # Starting values

sig0, xpt0, af0 = True, high[0], af

sar = [low[0] - (high - low).std()]

for i in range(1, len(s)): sig1, xpt1, af1 = sig0, xpt0, af0

lmin = min(low[i - 1], low[i])

lmax = max(high[i - 1], high[i])

if sig1:

sig0 = low[i] > sar[-1]

xpt0 = max(lmax, xpt1)

else:

sig0 = high[i] >= sar[-1]

xpt0 = min(lmin, xpt1)

if sig0 == sig1:

sari = sar[-1] + (xpt1 - sar[-1])*af1

af0 = min(amax, af1 + af)

if sig0:

af0 = af0 if xpt0 > xpt1 else af1

sari = min(sari, lmin)

else:

af0 = af0 if xpt0 < xpt1 else af1

sari = max(sari, lmax)

else:

af0 = af

sari = xpt0 sar.append(sari)

s = np.array(s)

s = np.reshape(s, (-1, 1)) return sar

Pemahaman dasarnya adalah ketika parabolic SAR (titik-titik di sekitar harga pasar) berada di bawah harga saat ini, maka prospeknya adalah bullish dan ketika berada di atas harga saat ini, maka prospeknya adalah bearish.

Data USDCHF per jam dengan parabolic SAR.

Untuk menambahkan SAR parabola ke array OHLC Anda, gunakan langkah-langkah berikut:

importing pandas as pdpar = sar(my_data, af = 0.02, amax = 0.2)par = np.array(par)par = np.reshape(par, (-1, 1))my_data = np.concatenate((my_data, par), axis = 1)

Membuat Strategi Gabungan

Menggabungkan indikator dan teknik adalah langkah pertama menuju sistem perdagangan yang kuat karena mendapatkan pertemuan sinyal di sekitar periode waktu memperkuat keyakinan. Ada banyak cara untuk membuat strategi terstruktur tersebut yaitu, scorecard, indeks, dan kondisi simultan.

Strategi yang akan kita bahas akan berkisar pada kondisi simultan dan ketika kondisi tertentu terpenuhi pada saat yang sama sehingga memberi kita pemicu perdagangan.

Kondisi yang akan kita gunakan untuk strategi ini adalah:

• Long (Beli) setiap kali Parabolic SAR berbalik di bawah harga pasar sementara secara bersamaan harga pasar berada di atas dan mendekati rata-rata pergerakan periode 300.

• Short (Jual) setiap kali Parabolic SAR berbalik di atas harga pasar sementara secara bersamaan harga pasar di bawah dan mendekati rata-rata pergerakan periode 300.

Pertama-tama pastikan bahwa kita memiliki larik yang diperlukan dengan dua indikator yang sudah dihitung sebelum kita memperkenalkan fungsi sinyal yang memulai order beli dan jual berdasarkan kondisi di atas.

# The Parabolic SAR has been calculated in the above part which should give us an array of OHLC data and the indicator# Adding three columns for the moving average and the buy/sell columns

my_data = adder(my_data, 3)# Calculating the 300-period moving average

my_data = ma(my_data, 300, 3, 5)

Sekarang, kami siap untuk menulis fungsi sinyal seperti yang disebutkan di atas:

def signal(Data, close, psar, ma_column, threshold, buy, sell):

for i in range(len(Data)):

if Data[i, close] > Data[i, psar] and Data[i - 1, close] < Data[i - 1, psar] and Data[i, close] > Data[i, ma_column] and (Data[i, close] - Data[i, ma_column]) < threshold: Data[i, buy] = 1

if Data[i, close] < Data[i, psar] and Data[i - 1, close] > Data[i - 1, psar] and Data[i, close] < Data[i, ma_column] and (Data[i, ma_column] - Data[i, close]) < threshold: Data[i, sell] = -1# Defining the variables

threshold = 0.0040# Using the function to generate the trades

signal(my_data, 3, 4, 5, threshold, 6, 7)

Variabel ambang batas adalah jarak minimum harga pasar ke moving average nya untuk dapat memenuhi kondisi tersebut. Artinya jika kita memiliki flip bullish pada Parabolic SAR dengan harga pasar yang dekat dengan moving average nya dan masih di atasnya (jarak harus kurang dari 40 pips), maka sinyal bullish dihasilkan.

Grafik Sinyal EURGBP.

Di atas menunjukkan grafik EURGBP dengan rata-rata pergerakan 300 periode di samping Parabolic SAR. Perhatikan bahwa dalam tren turun, pasar tetap berada di bawah moving average dan saat mendekatinya, kami menunggu sinyal dari Parabolic SAR untuk masuk ke perdagangan pendek seperti yang ditunjukkan oleh panah merah.

Grafik Sinyal AUDCAD.

Strategi ini menggunakan wawasan dari perdagangan pembalikan untuk memulai sinyal mengikuti tren yang dapat memberikan pergerakan yang diperpanjang. Manajemen risiko yang digunakan harus didasarkan pada pilihan trader karena tergantung pada banyak faktor subjektif seperti selera risiko dan toleransi.

Grafik Sinyal USDCHF mengikuti strategi.

Ringkasan

Untuk meringkas, apa yang saya coba lakukan adalah hanya berkontribusi pada dunia analisis teknis objektif yang mempromosikan teknik dan strategi yang lebih transparan yang perlu diuji kembali sebelum diterapkan. Dengan cara ini, analisis teknis akan menyingkirkan reputasi buruk sebagai subyektif dan tidak berdasar secara ilmiah.

• Saya sarankan Anda selalu mengikuti langkah-langkah di bawah ini setiap kali Anda menemukan teknik atau strategi trading:

• Miliki pola pikir kritis dan singkirkan emosi apa pun.

• Back-test menggunakan simulasi dan kondisi kehidupan nyata.

• Jika Anda menemukan potensi, coba optimalkan dan jalankan pengujian ke depan.

• Selalu sertakan biaya transaksi dan simulasi slippage dalam pengujian Anda.

• Selalu sertakan manajemen risiko dan ukuran posisi dalam pengujian Anda.

Akhirnya, bahkan setelah memastikan hal di atas, tetap berhati-hati dan pantau strategi karena dinamika pasar dapat berubah dan membuat strategi tidak menguntungkan.