算法交易中的Python - 页 2

[MetaQuotes]

使用 Pandas 分析经纪商价差

使用 Pandas 分析经纪商点差 |使用 Python 进行交易

在本视频中，演示者使用 Python 中的 pandas 来分析经纪商点差。使用 MetaTrader 5 从经纪商历史记录导出的报价数据被传递到 pandas 数据框，并分析点差和基于小时的数据以绘制点差随时间的变化。发现点差通常很紧，但在新闻事件或低流动性期间可能会飙升，尤其是在午夜经纪人时间附近。该分析建议交易者通过考虑为不同交易品种提供的数据来优化他们的交易成本。

• 00:00:00 在本节中，视频探讨了如何使用 pandas 分析经纪商价差。该视频演示了如何使用 MetaTrader 5 从经纪商历史记录中导出报价数据，并使用 pandas 分析价差数据。然后将报价数据传递到 pandas 数据帧中，并将其从 unix 时间戳格式转换为日期时间格式。然后使用卖价和买价之间的差值计算价差列。时间列也转换为以小时为基础的数据，以按小时分析点差。使用“plotline”库绘制数据以分析点差随时间的变化。分析表明，利差通常很小，但在新闻事件或流动性低的时期可能会飙升。在午夜经纪时间，流动性低，点差可能很高。
  
  
• 00:05:00 在本节中，演讲者展示了如何在 Python 中使用 pandas 分析经纪人价差。该函数将具有相同小时的行分组，并计算每小时的平均价差和最大价差。生成的表格和条形图显示，点差通常在午夜和凌晨 1 点很高，而欧元/美元对在全天非常紧张。对于 XAU/USD 货币对，价差略大，并且在美国交易时段的下午出现了更大的峰值。演讲者建议交易者考虑此类数据以优化他们的交易成本，并使用 Jupyter notebook 连接他们的平台并分析不同的符号。

[MetaQuotes]

用 Python 编写布林带交易策略

用 Python 编写布林带交易策略

在此视频中，演示者用 Python 解释了布林带交易策略，其中使用简单的移动平均线、较低的波段和较高的波段来包含波段内所有价格的 95%。该策略涉及在价格达到较低的布林带时买入，并在价格达到较高的布林带时卖出。止损设置为低于均值三个标准差，而止盈设置为高于均值两个标准差。演示者展示了使用 Pandas 和 MetaTrader5 平台在 Python 中的实现，并提供了测试结果，解释了每个交易结果。但是，他建议不要在趋势市场中盲目部署此策略，并强调分析市场状况的重要性。

• 00:00:00 在视频的这一部分，我们了解了布林带以及如何使用它们进行交易。布林带由一个简单的移动平均线、一个较低的带和一个较高的带组成。简单移动平均线是通过取最近价格的平均值来计算的。在布林带中，通常使用两个标准偏差，其中包含带内所有价格的 95%。我们可以在价格低时买入，在价格高于均值时卖出。该策略是我们在收盘价低于下限时买入，在收盘价高于上限时卖出。止损设置为三个标准差，止盈设置为两个标准差。头寸大小在同一时间只允许一个。
  
  
• 00:05:00 在本节中，演讲者解释了如何在 Python 中使用 pandas 计算布林带。为了计算简单移动平均线，他们定义了 df sma。标准偏差的计算方法类似，但使用标准差而不是均值。下限定义为低于 SMA 的两个标准差，而上限定义为 FSMA 加上两倍的 FSD。要开始回溯测试，将创建一个信号列，并根据收盘价是低于下限还是高于上限来生成买入或卖出信号。演讲者还介绍了类仓位和策略，创建这些类是为了根据历史数据进行回测和评估利润。
  
  
• 00:10:00 在视频的这一部分中，演示者展示了 Python 中布林带交易策略的回测结果。结果显示开仓和平仓列表，以及每个仓位的利润和初始余额的盈亏。该图表显示该策略是有利可图的，全年通过交易赚取约 7,500 美元。然后，演示者解释了每笔交易以及它如何导致盈利或亏损。他还提到回测中指定的交易量有点高且有风险，因此可能需要调低。最后，他解释了如何使用 MetaTrader 5 交易平台在 Python 中编写策略代码。
  
  
• 00:15:00 在本节中，演讲者解释了如何在 Python 中创建 Signal 函数以使用布林带为交易策略生成信号。该函数从 MetaTrader5 平台请求柱线，计算均值和标准差，并使用它们来计算上带和下带。最后一根柱线的收盘价用于比较上下波段以生成买入或卖出信号。函数内的策略循环检查信号，然后在触发信号时发送带有特定参数（如止损和止盈）的市价单。演讲者使用 MetaTrader5 平台测试策略，展示代码如何实时工作，并建议根据用户偏好调整交易品种和时间框架。
  
  
• 00:20:00 在本节中，演讲者讨论了基于布林带的交易策略。他解释说，这种策略涉及在价格达到较低的布林带时买入，并在高于买入价两个标准差时获利了结。他指出，该策略在区间市场中运作良好，但在趋势市场中表现不佳，并建议不要盲目部署策略，强调在部署之前分析市场状况的重要性。演讲者还提供了用于下载该策略中使用的 Jupyter Notebook 和 Python 代码的链接，并请观众在喜欢视频的情况下点赞和订阅。

[MetaQuotes]

在 Python 中编写简单移动平均线 (SMA) 交叉交易策略

在 Python 中编写简单移动平均线 (SMA) 交叉交易策略

在此 YouTube 视频中，演示者解释了如何使用 Python 编写简单移动平均线 (SMA) 交叉交易策略。该策略使用两个 SMA 的交叉作为买卖资产的信号。演示者演示了如何使用 Pandas 和 Plotly 库可视化历史价格数据、定义快速和慢速 SMA、查找交叉、计算交叉列并绘制看涨交叉。然后视频继续展示如何使用先前创建的类回测 SMA 交叉交易策略，并使用随时间变化的损益折线图讨论结果。总的来说，该视频提供了使用 Python 创建和测试简单有效的交易策略的分步指南。

• 00:00:00 在视频的这一部分，演示者介绍了一种交易策略，该策略使用两个简单移动平均线的交叉作为买卖资产的信号。这种趋势跟踪策略允许在没有任何利润限制的情况下捕捉市场中的大动作。然后，演示者继续展示如何在 Jupiter 笔记本环境中编写这个简单的移动平均线交叉策略，并使用历史价格数据在 DAX 指数上对其进行回测。演示者使用 Pandas 和 Plotly 库来组织和可视化从 MetaTrader 5 平台获得的数据，并将时间列转换为日期时间格式。
  
  
• 00:05:00 在视频的这一部分中，讲师首先使用 px.line 可视化收盘价，以查看价格随时间的变化情况。我们还看到，DAX 指数一开始一直在 13 点到 15 点左右移动，在 COVID 危机期间出现大幅下跌，但价格现在回升至历史高位。图表中添加了移动平均线以帮助生成信号，并定义了慢速 sma 和快速 sma。慢速 sma 设置为 100，快速 sma 设置为 10，两者都添加到绘图中。最后，教师在另一个单元格中定义了一些变量，以便将来更容易调整设置。
  
  
• 00:10:00 在视频的这一部分，演示者解释了如何使用 Python 和 Pandas 在简单移动平均线 (SMA) 交叉交易策略中查找交叉。演示者将快速和慢速 SMA 的周期分别设置为 10 和 100。为了找到交叉点，将先前的快速 SMA 值与慢速 SMA 值进行比较，如果先前的快速 SMA 值较低而当前的快速 SMA 值较高，则认为是看涨交叉。另一方面，如果之前的快速 SMA 值较高而当前的快速 SMA 值较低，则认为是看跌交叉。演示者创建一个名为“find_crossover”的函数来自动执行此过程。
  
  
• 00:15:00 在本节中，视频解释了如何使用之前计算的快速和慢速 SMA 值计算交叉列。函数np.vectorize用于传入函数和表示输入的列，然后将结果剔除None值。创建交叉列后，视频展示了如何找到看涨交叉并使用 pick.dot 在 x 等于 row.time 的 v 线上将它们绘制为垂直线。
  
  
• 00:20:00 在本节中，讲师通过在红线穿越绿线时买入，在穿越缓慢移动平均线下方时卖出，来演示回测 SMA 交叉交易策略的过程。讲师使用先前创建的课程、课程位置和课程策略来创建回测。 position 类具有打开和关闭位置的方法，以及将结果作为字典返回的方法。在课程策略中，讲师初始化交易账户的起始余额，指定交易量并添加包含历史数据和信号列的数据框。在类策略的 run 方法中，策略的逻辑是使用 if 语句定义的，以根据交叉值开仓和平仓。最后实例化类并运行得到结果。
  
  
• 00:25:00 在本节中，主持人讨论了我们使用 Python 编写的简单移动平均线 (SMA) 交叉交易策略的回测结果。他们使用 Plotly Express 和 Figure 对象显示随时间变化的盈亏折线图，以直观地分析性能。他们提到该策略大多是小盈小亏，但最终，大利润伴随着大趋势。然后主持人感谢观众的观看，并邀请他们提出问题，如果他们有任何问题，如果他们喜欢视频，请点赞和订阅。

[MetaQuotes]

用 Python 编写股票指数的买入持有交易策略

用 Python 编写股票指数的买入持有交易策略

在此视频中，演示者讨论了如何使用 Jupyter Notebook 代码在 Python 中编写股票指数的买入持有交易策略，以编写指标、策略和回测。该策略基于确定 5%、15% 或 35% 的回撤并在达到回撤时买入，随后在达到之前的历史高点时卖出。演讲者解释了如何使用获取位置方法添加和检查位置，该方法使用位置列表并为每个新位置附加位置类。还解释了退出策略，即当回撤接近零时关闭每个未平仓头寸。最后，强调了高质量交易和长时间允许价格恢复的重要性，并且演示者展示了图表上表示的回测结果。

• 00:00:00 在视频的这一部分，演讲者解释了德国股票指数的买入持有策略，展示了 2015 年至 2018 年期间实施该策略的先前实例，以及该策略如何受到熊市和最终复苏的影响。虽然该策略最适合将时间作为一种资源，并且可以通过以低价买入获利，但它也有很大的风险，因为它涉及买入回撤。演讲者还介绍了 Jupyter Notebook 代码来编写您自己的指标、策略，并对他们的结果进行回测。该代码可在 TraderPi.com 上下载。
  
  
• 00:05:00 在视频的这一部分，演示者解释了如何使用 Python 为股票指数创建买入持有交易策略。该策略基于确定回撤水平，并在回撤达到 5%、15% 或 35% 时买入，并在达到之前的历史高点时卖出。演示者展示了如何使用 apply 函数在数据框中定义信号列，以及如何使用头寸和策略类来执行回测。演示者还解释了如何使用 as dict 方法从位置类中检索数据。
  
  
• 00:10:00 在视频的这一部分中，演讲者解释了用于为买入并持有交易策略添加和检查头寸的方法。 get positions 方法用于返回计算盈亏的数据框。该代码使用职位列表，并在添加新职位时在此列表中附加职位类别。该策略检查打开交易的信号，并通过 HLC 数据迭代 5%、15% 和 35% 的回撤。还解释了退出策略，即当回撤为零时，关闭所有未平仓头寸。显示了回溯测试结果，演讲者强调了高质量交易和长时间让价格最终恢复的重要性。然后将结果绘制到图表上以描述交易。

[MetaQuotes]

使用 Python 的代码 10 技术交易指标

使用 Python 的代码 10 技术交易指标

该视频讨论了 10 个使用 Python 的技术交易指标，从用于确定趋势的简单移动平均线 (SMA) 开始。平均真实范围 (ATR) 衡量波动性，而相对强弱指数 (RSI) 确定超买和超卖价格。昨天的高点和标准差可以帮助识别区间、突破和波动的市场。布林带使用简单移动平均线 (SMA) 和标准差来指示均值回归或突破策略。 MACD 和 SMA 交叉通过计算快速和慢速 EMA 或 SMA 来指示趋势的变化。移动平均线交叉结合了快速和慢速移动平均线来识别潜在的趋势反转，而随机震荡指标则考虑一个时期的最高值和最低值来识别超买和超卖情况。

• 00:00:00 在本节中，演讲者介绍了将使用 Python 计算的 10 个技术指标，从简单移动平均线 (SMA) 开始。从 MetaTrader5 库请求历史数据，然后使用 Pandas 进行处理。 SMA 是一个流行的指标，用于确定趋势，它是使用最近 10 个收盘价计算的。使用 Plotly Express 可视化生成的 SMA。
  
  
• 00:05:00 在本节中，视频解释了简单移动平均线 (SMA) 和指数移动平均线 (EMA) 指标在技术交易中的计算和使用。 SMA 采用最近 10 个价格的平均值，而 EMA 对近期价格给予更多权重。该视频比较了这两个指标，并指出想要更快信号的交易者可能更喜欢 EMA，它对即时价格变化的反应比 SMA 快得多。该视频随后介绍了平均真实范围 (ATR) 指标，该指标衡量波动率并帮助交易者评估风险和潜在趋势变化。 ATR 的计算方法是获取特定时期内蜡烛图的范围（最高价 - 最低价），然后取其平均值。该视频指出，ATR 的下降可能表明回撤阶段的开始。 ATR 显示在图表中，并且在波动较大的时期观察到更高。
   
  
• 00:10:00 在本节中，视频讨论了两个技术交易指标：平均真实范围 (ATR) 和相对强弱指数 (RSI)。 ATR 通过比较特定时期内高价和低价之间的差异来衡量市场的波动性，而 RSI 有助于识别超买和超卖价格。该视频演示了如何使用 14 周期设置计算 RSI，并解释了生成 RSI 值的公式。该视频还提供了绘制 RSI 指标的示例代码，可以帮助交易者根据 RSI 是否处于超卖或超买区域来识别潜在的买入或卖出信号。此外，该视频还简要讨论了前一天的最高价和最低价，以及如何将这些用于交易策略。
  
  
• 00:15:00 在本节中，视频使用 Python 讨论了两个技术交易指标：昨天的最高价和最低价和标准差。昨天的高点和低点可能是日内交易的一个有价值的指标，因为它可以显示市场是否在震荡或是否有突破，这可以表明趋势市场。标准差用于衡量方差，高标准差可能意味着市场波动，而低标准差则表明市场波动不大。视频然后讨论了布林带，它由周期为 20 的简单移动平均线 (SMA)、高于 SMA 两个标准差的上带和低于 SMA 两个标准差的下带组成。布林带可用于均值回归策略或突破策略。
  
  
• 00:20:00 在本节中，视频解释了另外两个技术交易指标、MACD 和 SMA 交叉，以及如何使用 Python 计算和绘制它们。 MACD 是一种趋势指标，通过计算周期为 20 的快速 EMA 和周期为 26 的慢速 EMA，并查看这两个 EMA 之间的关系来预测反转。另一方面，SMA 交叉使用了一个更简单的概念，它只涉及快速简单移动平均线和慢速简单移动平均线，它们在交叉时指示趋势变化。该视频提供了计算和绘制这两个指标的代码，并解释了如何使用它们来识别趋势反转。
  
  
• 00:25:00 在本节中，主持人讨论了移动平均线交叉和随机震荡指标。对于移动平均线交叉，演示者结合快速和慢速移动平均线来识别潜在的趋势逆转。当快速移动平均线超过或低于慢速移动平均线时，交叉被识别，在这种情况下，交叉柱被创建。演示者通过绘制移动平均线和收盘价并添加垂直线来标记每个交叉来展示指标的有效性。随机震荡指标与 RSI 类似，但它不是仅使用收盘价进行计算，而是考虑一个时期的最高值和最低值。震荡指标使用公式定义，与 RSI 一样，用于识别潜在的超买和超卖情况。演示者邀请观众自己下载和测试代码，并建议为未来可能的视频留下关于最喜欢的指标的评论。

[MetaQuotes]

如何用 Python 编写 RSI 交易策略

如何用 Python 编写 RSI 交易策略

该视频深入解释了如何使用 Python 编写和回测 RSI 交易策略。该策略依赖于在 RSI 超卖时买入，在超买时卖出，进场信号是 RSI 跌破 30 时，当它超过 70 时，是时候卖出了。退出策略涉及使用平均真实范围 (ATR) 指标将止盈和止损设置为距买入价或卖出价 280 点。该视频涵盖了使用 MetaTrader5、Pandas 和 Plotly 库进行历史数据请求、指标计算、回测和结果可视化。最后鼓励观众下载 Jupiter notebook 以在 Python 中实施 RSI 交易策略。

• 00:00:00 该视频详细介绍了如何使用 Python 编写和回测 RSI 交易策略。该策略侧重于在 RSI 超卖时买入，在超买时卖出，使其成为均值回归策略。进场信号是当 RSI 跌破 30 时，当它超过 70 时，就是卖出的时候了。退出策略涉及使用平均真实范围 (ATR) 指标将止盈和止损设置为距买入价或卖出价 280 点。该视频还介绍了如何使用 MetaTrader5、Pandas 和 Plotly 库进行历史数据请求、指标计算、回测和结果可视化。
  
  
• 00:05:00 在视频的这一部分，演讲者解释了他们如何绘制 RSI 并使用 Plotly 创建超买和超卖水平。它们表明，当 RSI 跌破特定水平线时会出现买入信号，而当 RSI 高于 70 时会出现卖出信号。此外，引入 ATR（平均真实范围）指标作为波动率的衡量指标，它是通过找到蜡烛的范围并取最后 14 根蜡烛的平均值。然后将 ATR 绘制在图表上，显示 2020 年初的波动率峰值。最后，演讲者展示了如何执行回溯测试并创建具有进入和退出交易的逻辑条件的策略类。条件包括检查未平仓头寸、使用 RSI 值确定买入信号以及设置止损和获利水平。
  
  
• 00:10:00 在本节中，演讲者解释了如何在 Python 中运行 RSI 交易策略的回测。回测是通过遍历历史数据集创建的，仓位保存在包含仓位类别的列表中。止损和止盈被定义为距离买入价和卖出价 280 小时。回测的逻辑是，当RSI超过70的值时，是卖出信号，在策略的持仓列表中增加空头仓位。在遍历所有历史数据后，回测返回一个仓位列表及其利润。使用此数据，可以通过使用 Plotly Express 绘制关闭的头寸来可视化回测结果，并且可以使用相同的方法绘制利润和损失。演讲者展示了结果图的示例，以表明该策略何时表现良好或表现不佳。
  
  
• 00:15:00 在本节中，演讲者对视频进行了总结，感谢听众的关注并邀请他们下载 Jupiter notebook 以使用 Python 实现 RSI 交易策略。他指出，在所讨论的时期大幅缩减之后，钢琴现在在同一水平附近震荡。他退出并承诺很快会带着另一个视频回来。

[MetaQuotes]

通过贸易示例学习 Pandas

通过贸易示例学习 Pandas

该视频教用户如何应用各种 Pandas 函数在 Python 中分析交易数据，以回答诸如确定最长和最短交易持续时间、计算最盈利和亏损月份、识别最活跃月份、分析买卖订单等分析问题，并计算最大的绝对回撤。此外，它还包括计算赢率、风险回报率和衡量毛利与亏损之比的利润因子。演讲者提供了一个 CSV 文件和真实示例来指导观众完成分析过程，并为任何想练习 pandas 的人提供了一个 Jupiter notebook。

• 00:00:00 在本节中，演讲者解释了如何使用 Pandas 库在 Python 中分析贸易数据。他们提供一个包含交易数据的 CSV 文件，并通过回答有关此数据的六个分析问题来指导查看者。他们演示了如何计算交易数量、总盈亏、第一笔和最后一笔交易的日期和时间、最大盈亏以及每笔交易的时长。他们使用各种 Pandas 函数（例如“shape”、“sum”、“iloc”和“loc”）来执行这些计算，并提供真实的输出示例。
  
  
• 00:05:00 在本节中，视频介绍了不同的交易分析问题以及如何使用 Pandas 函数获取答案。问题包括找到最长和最短的交易持续时间、根据交易利润计算最赚钱和最亏损的月份、根据交易数量确定最活跃的月份以及分析买卖订单。 Pandas 的 groupby 方法用于相应地聚合和排序数据框值。使用的函数包括用于计算交易数量和利润的计数和求和，以及用于从交易日期时间中提取月份值的日期时间。
  
  
• 00:10:00 在本节中，视频介绍了各种计算和分析，包括计算每种订单类型的交易总数以及确定买单的表现优于卖单。该视频还解释了如何计算最大绝对回撤，即交易过程中发生的最大累计损失，以及如何根据盈利类型对交易进行分组来计算平均盈亏。此外，该视频还演示了如何计算赢率，即交易赢或输的概率，以及如何通过取赢家和输家的平均值来计算风险回报率。
  
  
• 00:15:00 在本节中，演讲者讨论利润因素，即毛利与毛损之间的比率。净利润是根据利润类型（盈利或亏损）分别将所有利润和亏损相加计算得出的。然后通过将毛利润除以毛亏损来确定利润系数。该计算的结果是一个指标，用于确定胜负有多大。本例中的利润因子为 1.34。演讲者还提到他们会在他们的网站上为那些想练习 pandas 的人提供一个 Jupiter notebook。

[MetaQuotes]

管理 CSV 和数据库中的数据 (SQLite)

管理 CSV 和数据库中的数据 (SQLite)

在“管理 CSV 和数据库 (SQLite) 中的数据”视频中，演讲者演示了如何使用 pandas DataFrame 保存和读取 CSV 文件中的数据，以及如何使用 SQLite3 处理数据库。向观众展示了 OHLC 数据如何保存在 pandas DataFrame 中，另存为 CSV 文件，然后读取并转换为 pandas DataFrame。演讲者还向观众展示了如何使用 SQLite3 在 Python 中使用数据库，包括创建数据库或连接到现有数据库、在数据库中保存数据以及使用简单查询读取数据。演讲者通过向观众提供教程中使用的代码的访问权限并表示希望教程有所帮助来结束视频。

• 00:00:00 在本节中，演讲者展示了如何使用 pandas DataFrame 在 CSV 文件中保存和读取数据。从经纪人处检索一些 OHLC 数据后，数据将保存在 pandas DataFrame 中，然后保存为 CSV 文件。通过使用 `pd.read_csv`，CSV 数据可以稍后读取并转换为 pandas DataFrame。演讲者随后演示了如何使用 SQLite3 在 Python 中处理数据库，SQLite3 是 Python 标准库的一部分。 `sqlite3.connect` 方法用于创建数据库或连接到现有数据库。 OHLC 数据使用 ohlcdf.to_sql 保存在数据库中，然后通过运行 pd.read_sql_query 使用简单查询读取。
  
  
• 00:05:00 在这一部分中，演讲者通过感谢观众的关注并主动分享教程中使用的代码来结束视频。演讲者提供了一个指向他们网站的链接，观众可以在其中访问代码。他们表示希望观众发现该视频有帮助，并承诺很快会推出另一个教程。

[MetaQuotes]

2021 年使用 Python 进行 MetaTrader 5 实时交易（包括模板）

使用 Python 进行 MetaTrader 5 实时交易

视频“2021 年使用 Python 进行 MetaTrader 5 实时交易（包括模板）”为旨在使用 MetaTrader5 和 Python 定制交易策略和提高盈利能力的交易者提供了有用的指南。它提供了一个模板，可以根据交易者的需要进行修改，突出显示必要的代码部分。该视频还涵盖了不同的功能，如初始化功能、导入数据和制作交易订单。展示的有用工具包括恢复功能，它使交易者即使在关闭 Python 工作表后也能监控未平仓头寸。在强调 Windows 设备需要使用 MetaTrader 5 库的同时，演讲者还为 Mac 用户建议了一些选项。

• 00:00:00 在本节中，Control 的 Lucas 展示了如何使用 MetaTrader5 和 Python 将交易策略置于实时交易中。他提供了一个模板并展示了如何根据需要自定义代码。该视频还演示了不同的功能，包括初始化功能、导入数据和制作交易订单。即使在关闭 Python 工作表后，resume 函数也被强调为监视当前未平仓头寸的有用工具。总的来说，该视频为想要定制交易策略并最大化盈利能力的交易者提供了有用的指南。
  
  
• 00:05:00 在本节中，演讲者讨论了允许随时访问未平仓头寸以最终平仓的功能。此功能使用在固定间隔内开仓的算法，不使用动量策略。该函数包含很多注释，简单但必不可少，因为它返回有关算法的所有信息。演讲者还提供了一个模板，可以通过更改几行代码轻松定制，允许用户将自己的算法投入生产。但是，演讲者指出，拥有 Windows 设备以使用 MetaTrader 5 库非常重要，并为无法访问 Windows 设备的 Mac 用户提供了一些选项。

[MetaQuotes]

追踪止损：弱点的力量？

追踪止损：弱点的力量？

来自 Control 的 Lucas 讨论了追踪止损策略的优点和缺点，该策略旨在通过使用连续止损或利润阈值来降低交易风险。一个优势是它允许交易者利用趋势变化和管理风险，但一个弱点是它可能导致交易者错失潜在利润。演讲者建议交易者考虑资产波动并相应地使用定制策略。他还提供有关如何使用追踪止损和其他交易策略的课程。

• 00:00:00 在本节中，来自 Control 的 Lucas 讨论了交易止损策略的优缺点。交易止损的目标是降低风险，它可以通过多种不同的方式构建，例如连续止损或使用阈值获利。交易止损的第一个优点是它允许交易者不仅利用趋势变化，第二个优点是它允许交易者管理他们的风险。然而，交易止损的弱点在于它伴随着通过交易者谋取部分利益的风险，也可能导致交易者错失潜在的利润。
  
  
• 00:05:00 在本节中，演讲者讨论了资产的波动性如何影响使用追踪止损作为交易策略。演讲者建议交易者需要考虑资产的波动性，不要对不同的资产应用相同的策略，例如外汇或加密货币。演讲者还提供了一个课程链接，教授如何下订单、导入数据、创建复杂结构、管理风险以及为交易者的特定项目创建模板，包括追踪止损。