经过6个月的实时交易提示，我算法的胜率为84%，并且通过图表形成和数据分析进一步改进。

去年年底，我开始在实时数据上运行我的算法，并以巨大的成功交易提示。

经过6个月的统计数据如下：

  • 胜率84%
  • 平均胜利3%
  • 平均损失-6.8%
  • 平均持有3.5天
  • 表现模拟995.4%回报
  • 我通过手动交易提示获得了72%的收益
  • 我在Alpaca上自动交易纸张，获得了33%的收益

我的算法通过每2周更新高表现股票列表并监控RSI来实现动量效应。它监控RSI以实现反转策略。根据股票的动量和表现，我将股票分为3类。

我还开始在每个提示上overlay尽可能多的动态信息。这些信息包括：

  • 时间
  • 价格
  • RSI
  • 新闻情绪
  • 分析师价格目标
  • 分析师情绪
  • 支持和阻力水平-情绪
  • 图表形成-情绪
  • 成交量-PACE方向，RVOL
  • 贝塔
  • 到价格目标的距离
  • 到反转的距离
  • PEG比率
  • 成绩阈值
  • 股票评分，考虑8个数据点

我存储所有这些数据，然后使用AI进行统计分析，分析所有提示和结果，以确定如何修改策略以及将每个提示的等级分配给算法，以指导交易-哪些提示优先考虑等。

数据分析使我能够提取这些数据以调整算法的工作方式。

https://preview.redd.it/ut53gl4lnr5h1.png?width=1578&format=png&auto=webp&s=2bc64e00e3fb7330c0e22c1ffeffdb77e54531b0

本质上，我已经大大减少了整个股票市场的数据量，只保留了我的算法的数据。通过拥有较小的数据集，我可以获得与类似数据非常相似的见解，但可以分离异常值或关注Alpha所在的位置。

请告诉我你对使用统计分析在算法数据上进行的这一方法的看法。