آموزش اندیکاتور بولینگر

تجزیه و تحلیل ویژگی های باند بولینگر

توسط: Tad Slaff |2015/04/29 توییت

باندهای بولینگر یکی از شاخص های فنی محبوب تر هستند که بسیاری از معامله گران از آن ها برای معامله دامنه و همچنین جستجوی شکست ها استفاده می کنند. با این حال، وقتی از باندهای بولینگر برای معامله استفاده می کنید، واقعاً باید به چه ویژگی ها و ارزش هایی توجه کنید؟

در این مقاله از جنگل های تصادفی، یک رویکرد یادگیری ماشینی قدرتمند استفاده می کنیم تا بفهمیم چه جنبه هایی از باندهای بولینگر برای استراتژی GBP/USD در نمودارهای 4 ساعته مهم تر هستند.

باندهای بولینگر

باندهای بولینگر، یک ابزار معاملاتی فنی که توسط جان بولینگر در اوایل دهه 1980 توسعه یافت، اندازه گیری نسبی از محدوده بازار را ارائه می دهد. در زمان نوسانات بالا، دامنه معاملات به طور طبیعی بزرگتر خواهد بود، در حالی که در زمان نوسانات پایین، محدوده کوچکتر خواهد بود.

باندهای بولینگر ترکیبی از سه خط هستند. خط وسط یک میانگین متحرک ساده (معمولاً 20 دوره) است که خط بالایی 2 انحراف استاندارد از نزدیک بالای خط وسط و خط پایینی 2 انحراف استاندارد زیر خط وسط است.

نوسانات بیشتر منجر به انحرافات استاندارد بزرگتر و در نتیجه دامنه وسیع تری بین باندهای بالا و پایین می شود.

هنگام استفاده از باندهای بولینگر در هر نوع استراتژی سیستماتیک، سه خط مختلف سؤالات و مسائلی را ارائه می دهند. یعنی چه عاملی را باید در نظر بگیرید؟آیا می خواهید ببینید که قیمت فعلی نسبت به محدوده کجاست؟شاید شما فقط نگران باند بالا برای معاملات کوتاه و باند پایین برای معاملات طولانی هستید یا می خواهید به ارتفاع کل محدوده نگاه کنید؟

تعداد زیادی مقادیر مختلف وجود دارد که می توانید به آنها نگاه کنید و این فرآیند که در دنیای یادگیری ماشین به عنوان انتخاب "ویژگی" شناخته می شود، بسیار مهم است.

انتخاب ویژگی صحیح که حاوی بیشترین اطلاعات مرتبط با استراتژی شما باشد، می تواند تاثیر زیادی بر عملکرد استراتژی شما داشته باشد.

به جای نیاز به ارزیابی این ویژگی ها، می توانیم از یک جنگل تصادفی، یک تکنیک یادگیری ماشینی قدرتمند استفاده کنیم تا این ویژگی ها را به طور عینی برای خود ارزیابی کنیم.

جنگل های تصادفی

جنگل های تصادفی یک رویکرد مجموعه ای است که بر این اصل مبتنی است که گروهی از «یادگیرندگان ضعیف» را می توان برای تشکیل «یادگیرنده قوی» ترکیب کرد. جنگل های تصادفی با ساختن تعداد زیادی درخت تصمیم گیری منفرد شروع می شوند.

درختان تصمیم گیری در بالای "درخت" ورودی را وارد می کنند و شاخه های آن را به پایین می فرستند ، جایی که هر تقسیم نشان دهنده سطح مختلف مقادیر شاخص است.(برای کسب اطلاعات بیشتر در مورد درختان تصمیم گیری ، به پست قبلی خود نگاهی بیندازید که در آنجا از یک درخت تصمیم برای تجارت سهام بانک بانک آمریکا استفاده کردیم.)

در اینجا درخت تصمیمی که در یک پست قبلی ساخته ایم است:

درختان تصمیم گیری فردی به عنوان زبان آموزان نسبتاً ضعیف دیده می شوند ، به این معنی که آنها به راحتی می توانند داده ها را بیش از حد برطرف کرده و در تعمیم خوب داده های جدید مشکل داشته باشند. این الگوریتم های ساده گرایانه می توانند یک رویکرد مدل سازی بسیار قدرتمند را تشکیل دهند.

موفقیت در یک جنگل تصادفی عمدتاً از توانایی ایجاد مقدار زیادی از تنوع در بین درختان جداگانه حاصل می شود. این کار با معرفی درجه ای از تصادفی به دو روش مختلف انجام می شود:

• کیسه
  • کیف کردن ، کوتاه برای "جمع آوری بوت استرپ" ، به سادگی به معنای نمونه با جایگزینی است. به جای استفاده از کل مجموعه داده های موجود برای ساخت هر درخت ، مجموعه داده ها به طور تصادفی با هر نقطه داده در دسترس قرار می گیرند تا دوباره انتخاب شوند. به عنوان مثال ، اگر ما می خواستیم در یک مجموعه تمرینی متشکل از اعداد 1 تا 10 انجام دهیم ، می توانیم مجموعه داده های زیر را به پایان برسانیم: 1 3 2 1 5 7 5 5 7 10
  • این به ما امکان می دهد تا تعداد نامحدودی از مجموعه داده ها را با همان اندازه ایجاد کنیم و از مجموعه داده اصلی خود بدست آوریم.
  • به جای استفاده از هر شاخص موجود برای ساخت هر درخت ، فقط از زیر مجموعه ای از شاخص های انتخاب شده به طور تصادفی استفاده می شود. به عنوان مثال ، اگر ما 5 ویژگی مختلف داشتیم که آزمایش می کردیم ، فقط در هر درخت فقط 3 مورد استفاده می شود.

  از این دو منبع تصادفی ، ما یک جنگل کامل از درختان متنوع ایجاد کرده ایم. اکنون برای هر نقطه داده ، از هر درخت فراخوانده شده است تا یک طبقه بندی را انجام دهد و اکثریت رأی تصمیم نهایی را تعیین می کند.

  یکی از مهمترین مزیت های جنگل های تصادفی این است که آنها قادر به ارائه یک اندازه گیری بسیار قوی از عملکرد هر شاخص هستند. با هزاران درخت که هر یک با مجموعه آموزش های مختلف و زیر مجموعه ای از شاخص ها ساخته شده اند ، آنها می گویند کدام شاخص ها در تصمیم گیری در مورد کلاس متغیری که ما سعی در پیش بینی آن داریم ، مهمترین آنهاست ، در این حالت جهت بازار.

  ما از این خاصیت ارزشمند جنگل های تصادفی استفاده می کنیم تا بفهمیم کدام ویژگی ها ، حاصل از نوارهای بولینگر ، باید در استراتژی خود استفاده کنیم.

  ایجاد ویژگی

  • باند فوقانی - قیمت
    • فاصله بین باند بالا قیمت فعلی
    • فاصله بین خط میانی ، میانگین حرکت ساده 20 دوره و قیمت فعلی
    • فاصله بین باند پایین قیمت فعلی
    • قیمت فعلی باندهای فوقانی و تحتانی را اندازه گیری می کند:
      • ٪ B = (قیمت فعلی - باند پایین) / (باند فوقانی - باند پایین)
      • درصد تغییر (باند فوقانی - قیمت)
        • درصد تغییر در یک دوره از فاصله بین باند فوقانی و قیمت فعلی
        • درصد تغییر در یک دوره از فاصله بین باند میانی و قیمت فعلی
        • درصد تغییر در یک دوره از فاصله بین باند پایین و قیمت فعلی
        • درصد تغییر در یک دوره از ارزش B

        اکنون که 8 ویژگی خود را داریم ، بگذارید جنگل تصادفی خود را بسازیم تا ببینیم از کدام ویژگی هایی که باید در استراتژی خود استفاده کنیم.

        ساخت مدل ما

        ابتدا بسته ها را نصب کرده و مجموعه داده های خود را وارد کنیم (می توانید داده های مورد استفاده در اینجا را بارگیری کنید):

        install. packages ("quantmod")کتابخانه (QuantMod) #WE از بسته QuantMod برای محاسبه باند های بولینگر استفاده می کنیم

        install. packages ("RandomForest")کتابخانه (RandomForest) #بسته جنگلی تصادفی که ما استفاده خواهیم کرد

        زمان قرار