N天後收盤價

• 若N天後收盤價 > 目前收盤價，趨勢為正

• 若N天後收盤價 < 目前收盤價，趨勢為負

• 優點：

  • 直觀、簡單

• 缺點：

  • 無法調整風險
  • 無法停利停損

N天後收盤價 & 中間值

• 若N天後收盤價 > 目前收盤價 + K%，趨勢為正

• 若N天後收盤價 < 目前收盤價 - K%，趨勢為負

• 中間值代表不漲不跌

• 優點：

  • 直觀、簡單
  • 可調整風險(K)

• 缺點：

  • 無法停利停損

N天最高最低點

• 若N天最高點 > 目前收盤價 + K%，趨勢為正

• 若N天最低點 < 目前收盤價 - K%，趨勢為負

• 中間值代表不漲不跌

• 優點：

  • 實作簡單
  • 允許停利停損
  • 可調整風險(K)

• 缺點：

  • 忽略先漲後跌、先跌後漲狀況

Triple Barrier

• 若N天中某一天 > 目前收盤價 + K%，趨勢為正

• 若N天中某一天 < 目前收盤價 - K%，趨勢為負

• 優點：

  • 允許停利停損
  • 可調整風險(K)

• 缺點：

  • 實作麻煩

data_df = load_stock(stock_index, start_year=2011, end_year=2021)

shift = {}
for i in range(0, 31):
    shift[i] = data_df.loc[:, "Close"].shift(-i)

close30_df = pd.DataFrame(shift).dropna()

Close_Low = close30_df.min(1)
Close_High = close30_df.max(1)
Close_Mean = close30_df.mean(1)
Close_Std = close30_df.std(1)

thresold = 3
tag = {}
for i in range(1, 31):
    if i == 1:
        up = close30_df[i] > close30_df[0] + thresold * Close_Std
        down = close30_df[i] < close30_df[0] - thresold * Close_Std
        tag[i] = 1 * up + (-1) * down
    else:
        up = close30_df[i] > close30_df[0] + thresold * Close_Std
        down = close30_df[i] < close30_df[0] - thresold * Close_Std
        tag[i] = np.clip(
            (tag[i - 1] * 10) + (1 * up + (-1) * down), a_min=-1, a_max=1
        )

K = 1 std，對趨勢估計保守，傾向停利停損

K = 3 std，對趨勢估計激進，傾向高報酬