加密货币交易策略-1

注意：我尝试了许多不同的策略，其中大多数表现非常糟糕或不一致。废弃的策略位于archived/文件夹中以供参考（我有时会将其中的片段剪切并粘贴到新策略中）。
# b1 w* ^$ \0 q. T/ ]/ k我目前专注于围绕以下几种方法之一的策略：

• 创建预期行为的模型并将其与实际行为进行比较。如果模型预测价格较高（高于一定幅度），则买入；如果模型预测价格较低，则卖出。有一些变体使用离散小波变换 (DWT)、快速傅立叶变换 (FFT) 和卡尔曼滤波器。DWT 变体似乎表现最好（并且速度最快）。
  
• 使用主成分分析 (PCA) 来减少数据框列的维度，然后使用它来训练分类器，然后使用分类器来预测买卖。PCA 分析非常酷，因为您只需添加指标，然后让 PCA 缩减找出其中哪些指标实际上很重要。请注意，这与freqAI
  + i5 f$ y# ?( e的方法非常相似，但我在知道这一点之前就开始了它，所以继续下去（因为我发现它很有趣）。 所有 PCA 逻辑都包含在名为 PCA 的基类中。有几种变体（以 PCA_ 为前缀）尝试不同的方法来识别用于训练分类器的买入/卖出信号。
  1 l3 N2 R% z7 k2 i8 X$ L2 }; @% Z
• 使用神经网络创建返回买入/卖出预测的三元分类器。
  逻辑与PCA类非常相似，基类是NNTC（神经网络三元分类器）。内部结构稍微复杂一些，因为神经网络代码使用“张量”而不是数据帧。这些必须经过长时间的培训，否则就没有足够的购买/销售。模型保存在 models/ 目录中，如果存在则将使用。
  
• 神经网络预测模型 (NNPredict_*.py)
  与 NNBC 类似，但预测实际价格，而不是买入/卖出建议。与 NNBC 相同的问题
  " I$ G1 J% w3 b. D9 B
• 异常检测 (Anomaly.py)
  4 q1 \$ j2 e0 J/ ^6 Z, Z6 T使用神经网络的主要问题是相对于样本数量（通常约为 1%）而言，没有太多的买入/卖出建议。这种方法通过对历史数据进行训练来使用各种异常检测算法，这将主要对正常情况（不买入或卖出）进行建模。然后我们根据实际数据运行它，任何被识别为“异常”的东西都应该是买入或卖出。
    n5 M. c& z$ s. R我还将其与各种压缩技术（例如 PCA）相结合，以使异常检测算法更加高效。
  ! `: ?5 B) m" {& ^4 ^! H9 `2 t

对于使用神经网络的方法（通常在名称中带有“NN”），我已开始保存并重新加载模型，这些模型位于交换文件夹的models/子目录中。这些是通过 长时间运行回测而创建的，然后在任何其他模式（hyperopt、plot、dryrun 等）中加载和重用
  w/ a- ~& \" U) i所有这些策略都使用 Solipsis 策略（由 werkrew 编写）中的自定义卖出/止损方法。这在性能上产生了巨大的差异，但缺点是每种策略都需要大量的超级选择才能获得不错的性能。另外，我怀疑自定义止损代码过度拟合，因为它对性能有如此巨大的影响，并且因为它在空运行中似乎不以相同的方式工作。
& m7 ^7 J' d# U4 |0 T$ ~3 @/ l" s我目前正在尝试找到一种更简单的自定义止损方法，可以更好地转移到实际环境中（查看 Anomaly.py）
免责声明

' Y2 q9 s7 z. J$ m这些策略仅用于教育目的
; g9 o8 C( t# J! ?1 e不要拿您害怕损失的钱去冒险。使用该软件的风险由您自行承担。作者和所有附属机构对您的交易结果不承担任何责任。
始终首先使用回溯测试来测试策略，然后在试运行模式下运行交易机器人（实时数据但模拟交易）。下面提供了有关如何执行此操作的一些说明。 永远
3 D+ p- h) f' o6 [* P& o, P不要在没有经过试运行的情况下进行实时交易 - 策略在回溯测试中取得出色的结果，但在实时情况下表现却非常糟糕，这种情况并不罕见。造成这种情况的主要原因是回测模拟无法重现真实环境的行为。例如，实际交易需要相对较长的时间，并且价格在此期间可能会大幅波动。此外，交易量、点差、波动性等市场状况无法从交易所提供的历史数据中重现
在了解资金如何运作以及您应该预期的利润/损失之前，请勿投入资金。另外，不要在巨大增长时期（例如 2020 年）对策略进行回测，因为此时任何策略都会表现良好

交易需要这么复杂吗？

gpt写的还是机翻