在歷史時間序列上最大化賬戶淨值
輸入：
大小為 N 的 OHLC 外匯柱陣列，最大槓桿 L，例如 200:1，固定的買入賣出價差 S，固定的前瞻洗盤視窗 W（例如，3 根柱長，見下文）。
期望
的輸出：元組列表 {array index, action = Buy Mkt|Sell Mkt|DoNothing, Leverage, hold count}
借助事後諸葛亮的好處，建構一個貪心算法（它很少關心風險），旨在從給定數據中提取最高可能的損益。
買賣差價可確保在開倉或平倉後立即產生少量損失。固定的前瞻洗盤視窗確保算法並不總是選擇最大槓桿。例如，如果 W=3，這意味著如果算法僅多持有 3 個柱，那麼洗盤操作可能會導致損益嚴重侵蝕。因此，由於 W，必須使用調整後的槓桿，以減少對浮動賬戶餘額（外匯術語中的“權益”）的傷害。
所需輸出的範例：
$$ bar 0, Buy, 180:1, 18 $$ # 頭寸在 18 根柱後平倉，洗盤的危險很小 $$ bar 19, DoNothing, Nil, 12 $$ # 12 根柱沒有採取任何行動，可能是由於橫向移動和傳播 $$ bar 32, Sell, 13:1, 11 $$ # 頭寸在 11 根柱線後平倉，前方有洗盤的高風險 … 等等 … 請提供指導如何使用 python 數字塔或 R 來解決這個問題。我沒有做太多的事情來解決這個問題，因為我不知道該怎麼做。注意：輸入數組的大小可能非常大，所以如果全域最大值難以在多項式時間內計算，那麼“足夠好”的局部最大值就可以了。
更新：唯一值得補充的是 W 對槓桿的影響。一些例子 - 假設 W 中的任何柱線將目前交易的 P&L 帶入負數區域，在這種情況下應該輸出 DoNothing；假設 W 中的任何一根柱線將目前交易的 P&L 帶入略為正的區域，例如 +1%，在這種情況下，問題是我們應該減少多少槓桿 - 我不知道，但線性函式可能是合適的，例如 1%最大 200:1，即 W 之前的柱線為 2:1。不用說，每筆交易都以最大槓桿開始，然後在達到 W 時進行調整。
如果您提供了一個小的數字範例來說明您想要實現的目標，這將有所幫助，即一些範例條加上一個好的解決方案。
但無論如何，IIUC，我會直接將問題作為優化模型來處理：你有 $ N $ 酒吧。假設您總是在收盤時交易，那麼候選解決方案將是長度向量 $ N $ 保持沿條的位置。（交易是這個向量的變化。）
現在編寫一個函式，將這樣的向量映射到最終的損益中，給定你的柱。（該函式也可以映射為風險調整後回報的度量。）這是您的目標函式。現在使用優化算法將一些初始解向量“演化”成一個好的解。
最後，將解決方案向量轉換為元組集合。
更新，回應評論：我概述的方法的優點是通用且靈活：通用，因為您擁有完整的股權時間序列，並且您可以評估任何目標函式（例如股權回撤）；靈活，因為您可以稍後添加更多限制和改進。
缺點是使用迭代優化算法，必須在每次迭代中重新計算淨值曲線，因為曲線是路徑相關的（槓桿取決於策略過去的成功）。
在計算最佳交易順序時，您有哪些時間限制？您願意花多少時間來實施它並使其更快？（參見規範參考https://xkcd.com/1205/）
就個人而言，我會嘗試一種基於本地搜尋的算法來實現所概述的方法。這樣的算法將通過增量更改解決方案來改進解決方案，這將在優化過程中提供許多更新權益曲線的機會。也就是說，您不會在每次迭代中從頭開始重新計算權益曲線，而只會針對候選解決方案中的最新變化對其進行更新。