Algoritmo de bandas de bollinger

Bandas de Bollinger.
2.1 Nível 1 Forex Intro 2.2 Nível 2 Mercados 2.3 Nível 3 Negociação.
3.1.1 Análise Técnica para Forex 3.1.2 Médias Móveis em Forex 3.1.3 Identificando Tendências em Forex 3.1.4 Resistência e Suporte 3.1.5 Tops Duplos e Fundos Duplos 3.1.6 Bollinger Bands 3.1.7 MACD 3.2.1 Dólar dos EUA 3.2 .2 Euro 3.2.3 Iene Japonês 3.2.4 Libra Esterlina 3.2.5 Franco Suíço 3.2.6 Dólar Canadiano 3.2.7 Dólar Australiano / Nova Zelândia 3.2.8 Rand Sul-Africano 3.2.9 O Relatório da Situação do Emprego 3.2.10 Seguro Desemprego Semanal Reivindicações 3.2.11 O Fed 3.2.12 Inflação 3.2.13 Vendas no Varejo 3.3.1 Par EUR-USD 3.3.2 Regras de Negociação 3.3.2.1 Nunca Deixe um Vencedor Se Transformar em Perdedor 3.3.2.2 Vitórias em Lógica; Mortes por Impulso 3.3.2.3 Nunca Arriscar Mais de 2% Por Comércio 3.3.2.4 Disparar Fundamentalmente, Entrar e Sair Tecnicamente 3.3.2.5 Sempre Emparelhar com Fraca 3.3.2.6 Ser Certo, Mas Ser Cedo Significa Que Você Está Errado 3.3.2.7 Conhecer o Diferença entre o dimensionamento e o acréscimo a um perdedor 3.3.2.8 O que é matematicamente ideal é psicologicamente impossível 3.3.2.9 O risco pode ser predeterminado; Recompensa é imprevisível 3.3.2.10 No Excuses, Ever 3.3.3 USD-JPY Par 3.3.4 GBP-USD Par 3.3.5 USD-CHF Par 3.3.6 Alavancagem 3.3.7 Estratégia de Velocidade Fundamental 3.3.8 Carry Trade 3.3.9 Dinheiro Gestão 3.3.10 Forex Futures 3.3.11 Opções Forex.
5.1 Curto Prazo 5.2 Médio Prazo 5.3 Longo Prazo.
Bollinger Bands® é um indicador técnico gráfico popular entre os comerciantes em vários mercados financeiros. Em um gráfico, o Bollinger Bands® são duas "bandas" que imprensam o preço do mercado. Muitos comerciantes os usam principalmente para determinar os níveis de sobrecompra e sobrevenda. Uma estratégia comum é vender quando o preço toca o Bollinger Band® superior e comprá-lo quando atinge o Bollinger Band® inferior. Essa técnica geralmente funciona bem em mercados que oscilam em um intervalo consistente, também chamado de mercados vinculados a intervalos. Nesse tipo de mercado, o preço é refletido pelo Bollinger Bands® como uma bola quicando entre duas paredes.
Mesmo que os preços às vezes saltem entre o Bollinger Bands®, as bandas não devem ser vistas como sinais para comprar ou vender, mas sim como uma "tag". Como John Bollinger foi o primeiro a reconhecer, "as tags das bandas são apenas isso - tags, não sinais. Uma tag da Bollinger Band superior não é por si só um sinal de venda. Uma tag da Bollinger Band inferior não é por si só um sinal de compra ". O preço geralmente pode e "anda na banda". Nesses casos, os traders que continuarem tentando vender quando a banda superior for atingida ou comprando quando a banda inferior for atingida enfrentarão uma série de paradas excruciantes ou pior, uma perda flutuante sempre crescente à medida que o preço se distancia cada vez mais. o ponto de entrada original. Dê uma olhada no exemplo abaixo de um preço andando pela banda. Se um trader tivesse vendido a primeira vez que o Bollinger Band® superior estava marcado, ele estaria no fundo do vermelho.
Talvez a melhor maneira de negociar com o Bollinger Bands® seja usá-lo para avaliar as tendências.
Usando o Bollinger Bands® para identificar uma tendência.
Um clichê comum na negociação é que os preços variam 80% do tempo. Há uma boa dose de verdade nessa afirmação, já que os mercados se consolidam como touros e lutam pela supremacia. As tendências do mercado são raras, razão pela qual negociá-las não é tão fácil quanto se poderia pensar. Olhando para o preço desta forma, podemos então definir a tendência como um desvio da norma (intervalo).
No centro, o Bollinger Bands® mede e descreve o desvio ou a volatilidade do preço. Esta é a razão pela qual eles podem ser muito úteis para identificar uma tendência. Usar dois conjuntos de Bollinger Bands® - um gerado usando o parâmetro "1 desvio padrão" e o outro usando a configuração típica de "2 desvio padrão" - pode nos ajudar a ver o preço de uma maneira diferente.
No gráfico abaixo, vemos que sempre que os canais de preço entre os dois Bollinger Bands superiores (+1 SD e +2 SD afastados da média) a tendência é de alta. Portanto, podemos definir a área entre essas duas bandas como a "zona de compra". Por outro lado, se os canais de preços dentro dos dois Bollinger Bands® inferiores (–1 SD e –2 SD) estiverem, então, na “zona de venda”. Finalmente, se o preço vagueia entre +1 SD e -1 SD, é basicamente em uma área neutra, e podemos dizer que está em "terra de ninguém".
Outra grande vantagem do Bollinger Bands® é que eles se ajustam dinamicamente à medida que a volatilidade aumenta e diminui. Como resultado, o Bollinger Bands® expande e contrai automaticamente em sincronia com a ação do preço, criando um envelope de tendências preciso.
Conclusão.
Como um dos indicadores comerciais mais populares, o Bollinger Bands® tornou-se uma ferramenta crucial para muitos analistas técnicos. Ao melhorar sua funcionalidade através do uso de dois conjuntos de Bollinger Bands®, os comerciantes podem alcançar um maior nível de sofisticação analítica usando esta ferramenta simples e elegante para tendências. Existem também várias maneiras diferentes de configurar os canais da Bollinger Band®; O método que descrevemos aqui é uma das formas mais comuns. Embora o Bollinger Bands® possa ajudar a identificar uma tendência, na próxima seção veremos o indicador MACD, que pode ser usado para medir a força de uma tendência. (Para ver outros tipos de bandas e canais, dê uma olhada nos lucros de captura usando bandas e canais.)

Algoritmo de bandas de Bollinger
Estou tendo problemas para testar novamente uma estratégia de Bollinger Band em R. A lógica é que eu quero tomar uma posição curta se o Close for maior que a Upper Band e então fechar a posição quando cruzar a Average. Eu também quero tomar uma posição Longa se o Close for menor que a Banda Inferior, e fechar a posição quando ela cruzar a Média. Até agora é isso que eu tenho:
bbands & lt; - BBands (estoque $ Fechar, n = 20, sd = 2)
sig1 & lt; - Lag (ifelse ((estoque $ Fechar & gt; bbands $ up), - 1,0))
sig2 & lt; - Lag (ifelse ((estoque $ Fechar & bbands $ dn), 1,0))
sig3 & lt; - Lag (ifelse ((estoque $ Fechar & gt; bbands $ mavg), 1, -1))
sig & lt; - sig1 + sig2.
. Isto é onde eu estou preso, como eu uso sig3 para obter os resultados desejados?

Algoritmo de bandas de Bollinger
A resposta é sim você pode. Em meados dos anos 80, desenvolvi exatamente esse algoritmo (provavelmente não original) em FORTRAN para um aplicativo de monitoramento e controle de processo. Infelizmente, isso foi há mais de 25 anos e eu não me lembro das fórmulas exatas, mas a técnica era uma extensão daquela para médias móveis, com cálculos de segunda ordem ao invés de apenas lineares.
Depois de olhar para o seu código, acho que posso descobrir como fiz isso na época. Observe como o seu laço interno está fazendo uma Soma dos Quadrados:
da mesma forma que sua média deve originalmente ter uma soma de valores? As duas únicas diferenças são a ordem (sua potência 2 em vez de 1) e você está subtraindo a média de cada valor antes de fazer o quadrado. Agora isso pode parecer inseparável, mas na verdade eles podem ser separados:
Agora, o primeiro termo é apenas uma Soma dos Quadrados, você lida com isso da mesma maneira que faz a soma dos Valores para a média. O último termo (k ^ 2 * n) é apenas a média do quadrado vezes o período. Como você divide o resultado pelo período de qualquer maneira, você pode simplesmente adicionar a nova média ao quadrado sem o loop extra.
Finalmente, no segundo termo (SUM (-2 * v [i]) * k), uma vez que SUM (v [i]) = total = k * n, você pode alterá-lo para isto:
ou apenas -2 * k ^ 2 * n, que é -2 vezes a média ao quadrado, uma vez que o período (n) é dividido novamente. Portanto, a fórmula final combinada é:
(não se esqueça de verificar a validade disso, já que estou tirando isso do topo da minha cabeça)
E incorporando em seu código deve ser algo como isto:
O problema com as abordagens que calculam a soma dos quadrados é que ele e o quadrado das somas podem ficar muito grandes, e o cálculo da diferença deles pode introduzir um erro muito grande, então vamos pensar em algo melhor. Por que isso é necessário, consulte o artigo da Wikipedia sobre Algoritmos para computação de variância e John Cook sobre Explicação teórica para resultados numéricos)
Primeiro, em vez de calcular o stddev, vamos nos concentrar na variação. Quando tivermos a variância, stddev é apenas a raiz quadrada da variância.
Suponha que os dados estejam em uma matriz chamada x; rolando uma janela de tamanho n por um pode ser pensado como remover o valor de x [0] e adicionando o valor de x [n]. Vamos denotar as médias de x [0] .. x [n-1] e x [1] .. x [n] por µ e µ ’respectivamente. A diferença entre as variâncias de x [0] .. x [n-1] e x [1] .. x [n] é, depois de anular alguns termos e aplicar (a²-b²) = (a + b) ( ab):
Portanto, a variância é perturbada por algo que não exige que você mantenha a soma dos quadrados, o que é melhor para a precisão numérica.
Você pode calcular a média e a variância uma vez no começo com um algoritmo apropriado (método de Welford). Depois disso, toda vez que você precisar substituir um valor na janela x [0] por outro x [n], você atualiza a média e a variância da seguinte forma:

Algoritmo de bandas de Bollinger
Bandas de Bollinger são um dos indicadores técnicos mais populares com muitos comerciantes usando-os para negociar o intervalo, bem como procurar breakouts. No entanto, quais recursos e valores você realmente deveria estar observando quando está usando o Bollinger Bands para negociar?
Neste artigo, usaremos florestas aleatórias, uma poderosa abordagem de aprendizado de máquina, para descobrir quais aspectos das bandas de Bollinger são mais importantes para uma estratégia de GBP / USD em gráficos de 4 horas.
Bandas de Bollinger.
O Bollinger Bands, uma ferramenta de negociação técnica desenvolvida por John Bollinger no início dos anos 80, fornece uma medida relativa do alcance do mercado. Durante períodos de alta volatilidade, a faixa de negociação será naturalmente maior, enquanto em tempos de baixa volatilidade a faixa será menor.
Bandas de Bollinger são uma combinação de três linhas. A linha do meio é uma média móvel simples (geralmente 20 períodos), com a linha superior sendo 2 desvios padrão do fechamento acima da linha do meio e a linha inferior sendo 2 desvios padrão abaixo da linha do meio.
Maior volatilidade levará a maiores desvios padrão e, portanto, um intervalo maior entre as bandas superior e inferior.
Ao usar os Bollinger Bands em qualquer tipo de estratégia sistemática, as três linhas diferentes apresentam algumas questões e questões; ou seja, que fator único você deve incluir? Você quer ver onde o preço atual é relativo ao intervalo? Talvez você esteja preocupado apenas com a faixa superior para operações curtas e a banda inferior para operações longas, ou você quer ver a altura total da faixa?
Há um grande número de valores diferentes que você pode ver e esse processo, conhecido como seleção de "recursos" no mundo da aprendizagem de máquina, é extremamente importante.
A escolha do recurso correto que contém mais informações relevantes para sua estratégia pode ter um impacto enorme no desempenho de sua estratégia.
Em vez de precisar avaliar esses recursos por conta própria, podemos usar uma floresta aleatória, uma poderosa técnica de aprendizado de máquina, para avaliar objetivamente esses recursos para nós.
Florestas Aleatórias.
As florestas aleatórias são uma abordagem conjunta baseada no princípio de que um grupo de "aprendizes fracos" pode ser combinado para formar um "aprendiz forte". Florestas aleatórias começam com a construção de um grande número de árvores de decisão individuais.
As árvores de decisão inserem uma entrada no topo da árvore e a enviam para baixo de suas ramificações, onde cada divisão representa níveis variáveis ​​de valores de indicadores. (Para saber mais sobre as árvores de decisão, dê uma olhada no nosso post anterior, no qual usamos uma árvore de decisão para negociar ações do Bank of America.)
Aqui está a árvore de decisão que construímos em um post anterior:
As árvores de decisão individuais são vistas como aprendizes bastante fracos, o que significa que eles podem facilmente ajustar os dados e ter problemas para generalizar bem os novos dados. Combinados em "florestas" com milhares de "campos", esses algoritmos simplistas podem formar uma abordagem de modelagem muito poderosa.
O sucesso em uma floresta aleatória é derivado em grande parte da capacidade de criar grande quantidade de variabilidade entre as árvores individuais. Isto é conseguido introduzindo um grau de aleatoriedade de duas maneiras diferentes:
Bagging Bagging, abreviação de "agregação de inicialização", significa simplesmente amostrar com substituição. Em vez de usar todo o conjunto de dados disponível para construir cada árvore, o conjunto de dados é amostrado aleatoriamente com cada ponto de dados disponível para ser selecionado novamente. Por exemplo, se fôssemos realizar um ensacamento em um conjunto de treinamento que consistisse nos números de 1 a 10, poderíamos acabar com o seguinte conjunto de dados: 1 3 2 1 5 7 5 5 7 10 Isso nos permite criar um número infinito de conjuntos de dados. todo o mesmo tamanho e derivado do nosso conjunto de dados original. Subconjunto de indicadores Em vez de usar todos os indicadores disponíveis para construir cada árvore, apenas um subconjunto de indicadores escolhido aleatoriamente é usado. Por exemplo, se tivéssemos 5 recursos diferentes que estávamos testando, apenas 3 seriam usados ​​em cada árvore.
A partir dessas duas fontes de aleatoriedade, criamos uma floresta inteira de diversas árvores. Agora, para cada ponto de dados, cada árvore é chamada para fazer uma classificação e uma votação majoritária decide a decisão final.
Uma grande vantagem das florestas aleatórias é que elas são capazes de fornecer uma medida muito robusta do desempenho de cada indicador. Com milhares de árvores construídas com um conjunto de treinamento ensacado diferente e um subconjunto de indicadores, eles dizem quais indicadores foram mais importantes para decidir a classe da variável que estamos tentando prever, neste caso, a direção do mercado.
Aproveitamos essa valiosa propriedade de florestas aleatórias para descobrir quais recursos, derivados das Bollinger Bands, devemos usar em nossa estratégia.
Criação de Funcionalidades.
Primeiro temos que decidir quais recursos derivam das bandas de Bollinger. Esta é uma área onde você pode ser criativo em criar cálculos e fórmulas sofisticadas, mas por enquanto vamos nos ater a 8 características básicas: Banda Superior - Preço A distância entre a faixa superior do preço atual Banda Média - Preço A distância entre o meio linha, uma média móvel simples de 20 períodos, e o preço atual Banda Inferior - Preço A distância entre a banda inferior o preço atual% B Mede o preço atual relativo às bandas superior e inferior:% B = (Preço Atual - Banda Inferior) / (Banda Superior - Banda Inferior)
Vamos também olhar para a mudança percentual de cada um dos recursos para adicionar um aspecto temporal: Variação percentual (Banda superior - Preço) A variação percentual em um período da distância entre a banda superior e o preço atual. - Preço) A variação percentual em um período da distância entre a faixa do meio e o preço atual Porcentagem de alteração (Banda inferior - preço) A alteração percentual em um período da distância entre a banda inferior e o preço atual Porcentagem de alteração (% B ) A variação percentual em um período do valor% B.
Agora que temos nossos 8 recursos, vamos construir nossa floresta aleatória para ver quais recursos devemos usar em nossa estratégia.
Construindo nosso modelo.
Primeiro vamos instalar os pacotes e importar nosso conjunto de dados (você pode baixar os dados usados ​​aqui):
Antes de podermos construir nossa floresta aleatória, precisamos encontrar o número ideal de indicadores a serem usados ​​para cada árvore individual. Felizmente, o pacote de floresta aleatório que estamos usando pode nos ajudar:
Podemos ver que uma árvore com 2 características (mtry = 2), teve uma taxa de erro menor fora do saco (OOB), então vamos com isso para a nossa floresta aleatória.
Vejamos como os recursos se acumulam.
A "precisão de diminuição" mede quão pior cada modelo se comporta sem cada recurso e a "redução média Gini" é uma função matemática mais complexa que é uma medida de quão puro é o final de cada ramificação de árvore para cada característica.
Podemos ver imediatamente que a alteração percentual no valor de% B foi o fator mais importante e, em geral, observar a variação percentual dos valores foi melhor do que observar apenas a distância entre o preço e o valor superior, inferior e médio. linhas.
(Devido às duas fontes de aleatoriedade, você pode obter resultados ligeiramente diferentes, mas no geral achei as conclusões consistentes.)
Então agora sabemos quais recursos, baseados nas Bollinger Bands, devemos usar em nossa estratégia de negociação.
Conclusão.
As florestas aleatórias são uma abordagem muito poderosa que normalmente supera os algoritmos mais sofisticados. Eles podem ser usados ​​para classificação (previsão de uma categoria), regressão (previsão de um número) ou com seleção de recursos (como vimos aqui).
A seleção de recursos, ou a decisão sobre quais fatores incluir em sua estratégia, é uma parte extremamente importante da construção de qualquer estratégia e há muitas técnicas de aprendizado de máquina focadas na solução desse problema.
Com o TRAIDE, nós cuidamos do segundo passo: depois de selecionar os recursos para sua estratégia, usamos algoritmos de aprendizado de máquina para encontrar os padrões para você.
Crie sua própria conta aqui e, como sempre, feliz TRAIDING!

Documentação.
Isso é tradução automática.
Para ver todos os materiais traduzidos, incluindo esta página, selecione País no navegador do país na parte inferior desta página.
De volta ao inglês.
Traduza esta página.
Tradução automática de MathWorks.
A tradução automatizada desta página é fornecida por uma ferramenta de tradução de terceiros para fins gerais.
A MathWorks não garante e se exime de qualquer responsabilidade pela precisão, adequação ou adequação ao propósito da tradução.
Banda de Bollinger da série temporal.
O bollinger foi parcialmente removido e não aceitará mais o argumento do objeto fints (tsobj). Use uma matriz, tabela de horários ou tabela, em vez de séries temporais financeiras.
Use fts2timetable para converter um objeto fints em um objeto de horário.
Descrição.
[middle, upper, lower] = bollinger (Data) calcula as bandas média, superior e inferior que compõem as bandas de Bollinger a partir de uma série de dados.
[middle, upper, lower] = bollinger (___, Name, Value) adiciona argumentos de par nome-valor opcionais.
Calcular as bandas de Bollinger para uma série de dados para um estoque.
Carregue o arquivo SimulatedStock. mat, que fornece um cronograma (TMW) para dados financeiros para o estoque TMW.
Argumentos de entrada.
Dados & # 8212; Dados para preços de mercado.
matriz | mesa | calendário.
Dados para preços de mercado, especificados como uma matriz, tabela ou tabela de horários. Para entrada de matriz, os dados devem ser orientados por coluna.
Tipos de dados: double | mesa | calendário.
Argumentos par de nome-valor.
Especifique pares opcionais separados por vírgula de argumentos Nome, Valor. Nome é o nome do argumento e Valor é o valor correspondente. O nome deve aparecer entre aspas simples (''). Você pode especificar vários argumentos de par nome e valor em qualquer ordem como Name1, Value1. NameN, ValueN.
Exemplo: [meio, superior, inferior] = bollinger (TMW_CLOSE, 'WindowSize', 10, 'Type', 1)
'WindowSize' & # 8212; Número de observações de séries de entrada para incluir na média móvel em períodos.
10 (padrão) | inteiro positivo.
Número de observações da série de entrada a ser incluída na média móvel em períodos, especificada como o par separado por vírgula que consiste em 'WindowSize' e um inteiro positivo escalar.
'Tipo' & # 8212; Tipo de média móvel para calcular.
0 (simples) (padrão) | inteiro com valor 0 ou 1.
Tipo de média móvel para cálculo, especificado como o par separado por vírgula que consiste em 'Tipo' e um inteiro escalar com um valor de 0 (simples) ou 1 (linear).
'NumStd' & # 8212; Número de desvios padrão para os limites superior e inferior.
2 (padrão) | inteiro positivo.
Número de desvios padrão para os limites superior e inferior, especificados como o par separado por vírgula que consiste em 'NumStd' e um inteiro positivo escalar.
Argumentos de Saída.
meio & # 8212; Série média móvel que representa a faixa média.
matriz | mesa | calendário.
Séries de médias móveis que representam a banda do meio, retornadas com o mesmo número de linhas (M) e o mesmo tipo (matriz, tabela ou tabela de horários) que os dados de entrada.
upper & # 8212; Média móvel da série representando a banda superior.
matriz | mesa | calendário.
Média móvel da série representando a banda superior, retornada com o mesmo número de linhas (M) e o mesmo tipo (matriz, tabela ou tabela de horários) que os dados de entrada.
menor & # 8212; Série média móvel representando a banda inferior.
matriz | mesa | calendário.
A série média móvel que representa a banda inferior, retornou com o mesmo número de linhas (M) e o mesmo tipo (matriz, tabela ou tabela de horários) que os dados de entrada.
Referências.
[1] Achelis, S. B. Análise técnica de A a Z. Segunda edição. McGraw-Hill, 1995, pp. 72 & # 8211; 74.