用Trading View寫Machine Learning算法(二)｜將簡單訊號變成實用策略｜Random Forest (隨機森林)｜動態計算訊號權重｜麥振威
程式交易 www.quants.hk (導師: 財經書藉作家: 麥振威) ・2025-03-11
用Trading View寫Machine Learning算法(二)｜將簡單訊號變成實用策略｜Random Forest (隨機森林)｜動態計算訊號權重｜麥振威 上一段影片已介紹了KNN算法，自己一直也強調有很多的演算法其實也適合用來設計交易策略。要學習AI、Machine Learning就要明白各種的演算法，這次介紹的Random Forest也是常用的演算法，若配合「權重投票」，可以寫成很多不同的策略。 雖然大部份人都會運用Python來寫Random Forest，但我們可用Trading View 的pine script，配合array的寫法，不斷「動態」去計自每個入市訊號的權重。 例如以下四個十分簡單的入市準則: 1)MACD的快線是否高於慢線? 股價是否上升/下跌? 2)Zero lag MACD的快線是否高於慢線? 股價是否上升/下跌? 3)RSI升穿或跌穿50? 股價是否上升/下跌? 4)ATR是否升穿或跌穿其SMA(10)? 股價是否上升/下跌? 例如MACD的快線升穿慢線，其後股價真的上升的話，這個訊號的的權重就會增加0.1，若果股價下跌，這個訊號的權重就減0.1，不斷「動態」咁去計算每個入市準則既權重，權重越高，之後再有訊號出現時，重要性就越高。用這種方法，一樣可以有Random Forest的效果，而且一些好簡單的入市準則，只要經過這個步驟來組合之後，效果都可以提升。 重點是用「動態」的方法去計算每個入市訊號的權重，只要學懂這種方法，過去大家想過很多的交易策略，都可以嘗試去改良。例如你同時運用了1分鐘圖、5分鐘圖、15分鐘圖、小時圖的訊號綜合一齊變成一個買入策略，但有時候1分鐘圖、5分鐘圖的訊號配合，股價便已上升，但有時候則確實要四個timeframe的訊號也配合才算準確，原因就是市場的波幅會不斷變化，透過「動態」的方式去計算毎個timeframe的訊號權重應多大，整個策略的效果就會有很大的不同。