رفتن به محتوا
همه اسناد کتابخانه

بهینه‌سازی بیزی پارامترهای سوپرترند برای معامله سهام

مقاله arXiv papers · نویسنده: Abdul Rahman

خلاصه

این سند پیشنهاد می‌کند برای انتخاب ضریب ATR و دوره ATR در اندیکاتور سوپرترند از بهینه‌سازی بیزی استفاده شود. این تنظیمات مشخص می‌کنند اندیکاتور چگونه قیمت را دنبال کند و سیگنال معاملاتی بسازد؛ هدف آن است که انتخابشان خودکار شود، نه اینکه به مقادیر انتخاب‌شده دستی تکیه شود.

قرار است استراتژی با بک‌تست روی چند مجموعه‌داده سهام ارزیابی شود. سند هدف پژوهش و برنامه ارزیابی را شرح می‌دهد، اما هیچ نتیجه‌ای، جزئیات مجموعه‌داده، روش اعتبارسنجی یا مقایسه‌ای با پارامترهای ثابت ارائه نمی‌کند. بنابراین ادعای بهبود بالقوه در مطالب موجود هنوز آزموده نشده است؛ عملکرد بک‌تست به‌تنهایی نیز ثابت نمی‌کند که تنظیمات بهینه‌شده به بازارهای آینده تعمیم‌پذیرند.

ایده‌های کلیدی

  • بهینه‌سازی بیزی برای تنظیم ضریب ATR و دوره سوپرترند پیشنهاد شده است.
  • هدف آن است که پارامترهای اندیکاتور برای سودآوری معاملات انتخاب شوند.
  • برنامه این است که استراتژی با بک‌تست روی چند مجموعه‌داده سهام ارزیابی شود.
  • این سند یافته یا جزئیات اعتبارسنجی ارائه نمی‌کند.

برچسب‌ها

متن کامل
# Unlocking Profit Potential: Maximizing Returns with Bayesian Optimization of Supertrend Indicator Parameters


# Unlocking Profit Potential: Maximizing Returns with Bayesian Optimization of Supertrend Indicator Parameters









This paper investigates the potential of Bayesian optimization (BO) to optimize the atr multiplier and atr period -the parameters of the Supertrend indicator for maximizing trading profits across diverse stock datasets. By employing BO, the thesis aims to automate the identification of optimal parameter settings, leading to a more data-driven and potentially more profitable trading strategy compared to relying on manually chosen parameters. The effectiveness of the BO-optimized Supertrend strategy will be evaluated through backtesting on a variety of stock datasets.

با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0

این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.