এআই কেস স্টাডিজঃ একাধিক শিরোনাম কৌশল

এই নিবন্ধে, আমরা একটি উন্নত অ্যালগরিদম ব্যবহার করে একটি বিকল্প ডেটা-চালিত বিনিয়োগ (এডিডিআই) কৌশল উন্নত করার জন্য একটি মডিউল ব্যবহার করব, যা একটি স্বয়ংক্রিয় মাল্টি-স্পেস বিনিয়োগ কৌশল যা বাজারের সাথে বিচ্ছিন্ন স্থিতিশীল ফলাফল এবং সীমিত প্রত্যাহারের ঝুঁকি অর্জন করার লক্ষ্যে।

আমরা একটি কাস্টমাইজড গভীর নিউরাল নেটওয়ার্ক তৈরি করেছি, যা আমরা ব্যবহার করেছি বহু-স্থান কৌশলগুলির সাথে সম্পর্কিত ঝুঁকি হ্রাস করার জন্য।

কেন নিউরাল নেটওয়ার্ক ব্যবহার করবেন?

পটভূমি

জন্যপরিমাণগত বিনিয়োগকারীতবে সবচেয়ে গুরুত্বপূর্ণ এবং আকর্ষণীয় একটি পর্ব সামনে রয়েছে, যেখানে অসংখ্য সম্ভাবনার উন্মোচন রয়েছেঃ আমরা কীভাবে এই তথ্যকে সংকেত হিসাবে রূপান্তর করব?

আমরা ঐতিহ্যগত পরিসংখ্যানগত পদ্ধতি ব্যবহার করে আমাদের অনুমানগুলি পরীক্ষা করতে পারি, অথবা আমরা উন্নত অ্যালগরিদমিক ক্ষেত্র যেমন মেশিন লার্নিং এবং ডিপ লার্নিং-এর দিকে নজর দিতে পারি। হয়তো ম্যাক্রো ইকোনমিক্সের কয়েকটি তত্ত্বের প্রতি আপনার আবেগ আপনাকে এটির বৈদেশিক মুদ্রার (এফএক্স) বাজারে প্রয়োগের বিষয়ে গবেষণা করতে বাধ্য করবে। অথবা, হয়তো FMZ বোঝার প্রতি আপনার আগ্রহ আপনাকে পরিমাণগত বিনিয়োগের পথে নিয়ে যেতে পারে। এই গবেষণা পথগুলির প্রত্যেকটিই কার্যকর এবং অনুসন্ধানের যোগ্য।

ETS পদ্ধতি

আমাদের ক্ষেত্রে, গবেষণার পথ বেছে নেওয়ার ক্ষেত্রে, শুধুমাত্র একটি নির্দেশিকা রয়েছেঃউদ্ভাবনের সাহস 。

"যখন কেউ ক্যাথেড্রালের ধারণার সাথে পাথরের ভাণ্ডার নিয়ে চিন্তা করে, তখন এটি আর পাথর নয়" - এন্টনি দে সেন্ট এক্সপেরি

এর পেছনের মূলনীতি খুবই সহজ - আমরা যদি উদ্ভাবন না করি, তাহলে আমরা আলাদা হতে পারব না এবং সাফল্যের সম্ভাবনাও কম হবে। সুতরাং, আমরা নতুন কৌশল তৈরির সময়, যা ঐতিহ্যগত পরিসংখ্যানের উপর নির্ভর করে বা কোম্পানির আর্থিক বিবৃতি থেকে অন্তর্দৃষ্টি সংগ্রহের সাথে জড়িত, আমরা সবসময় এটিকে নতুন পদ্ধতিতে বাস্তবায়নের চেষ্টা করি। আমরা নির্দিষ্ট পরিস্থিতির জন্য নির্দিষ্ট পরীক্ষা তৈরি করি, আর্থিক বিবৃতিতে ব্যতিক্রমী ঘটনা সনাক্ত করি বা নির্দিষ্ট সমস্যার উপর ভিত্তি করে আমাদের মডেলগুলি সংশোধন করি।

সুতরাং, নিউরাল নেটওয়ার্কগুলির অভিযোজনযোগ্যতা এবং নমনীয়তার কারণে, তারা নির্দিষ্ট সমস্যা সমাধানের ক্ষেত্রে বিশেষভাবে আকর্ষণীয়, যা আমাদের উদ্ভাবনী প্রযুক্তি বিকাশ করতে সহায়তা করে।

যেমনটি আমরা দেখেছি, এই কৌশলগুলি ব্যবহার করার জন্য অনেকগুলি উপায় রয়েছে। তবে, আমাদের সতর্ক থাকতে হবে, কারণ এখানে কোনও যাদু সূত্র নেই। যে কোনও প্রচেষ্টার মতো, আমাদের সর্বদা বেস থেকে শুরু করা উচিত এবং কখনও কখনও, সহজ রৈখিক প্রত্যাবর্তন খুব কার্যকর হতে পারে।

আজকের মূল বিষয়বস্তুতে, আমরা গভীর নিউরাল নেটওয়ার্কগুলির শক্তিশালী বৈশিষ্ট্যগুলি ব্যবহার করব, আর্থিক বিবৃতি এবং historicalতিহাসিক মূল্যের তথ্যগুলি ইনপুট হিসাবে ব্যবহার করে ঝুঁকি পূর্বাভাস দিতে।

আমাদের মডেল

এটি বলার পরে, আমরা মডেলটির কার্যকারিতা মূল্যায়ন করব, যা ঐতিহাসিক ওঠানামা হারগুলির মতো আরও সহজ পদ্ধতির সাথে তুলনা করে।

আমরা আরও গভীরভাবে গবেষণা করার আগে, অনুমান করুন যে আপনি ইতিমধ্যে নিউরাল নেটওয়ার্কগুলির কয়েকটি মূল ধারণার সাথে পরিচিত এবং কীভাবে আমরা সেগুলি ব্যবহার করে ভবিষ্যদ্বাণীমূলক আউটপুটগুলির একটি বন্টন উপনীত করতে পারি।

এছাড়াও, আজকের উদ্দেশ্যে, আমরা কেবলমাত্র আমাদের বেঞ্চমার্কের উন্নতি এবং বিনিয়োগের কৌশলগুলিতে এটি ব্যবহার করার পরে ফলাফলগুলিতে মনোনিবেশ করব।

সুতরাং, সময়কালের তথ্য অনিশ্চয়তার পরিমাপ সম্পর্কে পরবর্তী নিবন্ধে, আমরা ভবিষ্যতে বিভিন্ন সময়সীমার মধ্যে প্রত্যাশিত মূল্য ফেরতের বিভাজকগুলি পূর্বাভাস দিয়ে কোম্পানির ঝুঁকি অনুমান করার চেষ্টা করব, যা আমাদের উদাহরণে 5 দিন থেকে 90 দিনের মধ্যে রয়েছে।

নীচে, একটি উদাহরণ দেখানো হয়েছে যে মডেল প্রশিক্ষণের পরে ভবিষ্যতে বিভিন্ন সময়সীমার জন্য বিভাজক পূর্বাভাস (নীল) কীভাবে প্রদর্শিত হবে। পূর্বাভাসের বিভাজকগুলির ব্যবধান যত বেশি, আমাদের বিনিয়োগের ঝুঁকি তত বেশি। বেগুনি হল ভবিষ্যদ্বাণী করার পরে আসলে কী ঘটেছে।

আমাদের মডেল মূল্যায়ন

উপরে উল্লিখিত হিসাবে, আমাদের কৌশলগুলিতে আমাদের মডেলটি ব্যবহার করার আগে, আমরা এর পূর্বাভাসগুলি অতীতের ওঠানামা হারগুলির সহজ রূপান্তর ব্যবহার করে প্রাপ্ত পূর্বাভাসের সাথে তুলনা করি। অতীতের ওঠানামা হারগুলির সহজ রূপান্তরগুলি কি জটিল অ্যালগরিদমের চেয়ে ভাল?

আমাদের মডেল এবং বেঞ্চমার্কগুলি মূল্যায়ন করার জন্য, আমরা তাদের পার্সোনাল পূর্বাভাসের সাথে পর্যবেক্ষণ করা রিটার্নগুলির তুলনা করেছি। উদাহরণস্বরূপ, 0.9 পার্সোনালের জন্য আমাদের সমস্ত পূর্বাভাসের মধ্যে, আমরা গড় 90% সম্ভাবনা প্রত্যাশা করি যে দামের রিটার্ন এই পার্সোনাল পূর্বাভাসের চেয়ে কম হবে।

নীচের চিত্রটিতে আমরা যা মূল্যায়ন করার চেষ্টা করছি তা হল (যে সমস্ত ফলাফল দেখানো হয়েছে তা পরীক্ষামূলক সেট থেকে এসেছে) । বাম চিত্রটিতে আমরা তত্ত্বীয় কভারেজ এবং প্রকৃত কভারেজ তুলনা করতে পারি। ডান চিত্রটিতে আমরা এই কভারেজগুলির মধ্যে পার্থক্য দেখি (তত্ত্বীয় কভারেজ - প্রকৃত কভারেজ) যা আমরা কল করিকভারেজ ত্রুটিউদাহরণস্বরূপ, 0.2 বিভাজকের জন্য, কভারেজ ত্রুটি 0.4% এর কাছাকাছি, যার অর্থ আমরা গড় হিসাবে 20.4% ডেটা এই মানগুলির চেয়ে কম দেখেছি, যা তত্ত্বগতভাবে 20% নয়।

আমরা প্রজেকশন উইন্ডো (৫,১০... দিন) এর মাধ্যমে সমস্ত ডিজিটের কভারেজ ত্রুটির গড় করেছি এবং বেঞ্চমার্ক পরীক্ষার ফলাফল এবং এআই মডেলের ফলাফলগুলির সাথে তুলনা করেছি। নীচে আমরা দেখতে পাচ্ছি,আমাদের ডিপ লার্নিং মডেলগুলো আরও ভালো কাজ করছে।(গড় কভারেজ ত্রুটি কম) আমরা আমাদের মডেলটি আমাদের কৌশলগুলিতে প্রবর্তন করতে প্রস্তুত।

এডিডিআইতে এআই

এডিডিআই হল একটি বিটা-নিরপেক্ষ হেভিওয়েজ পোর্টফোলিও (বেটা-মান ০.১) যা বাউলিও এবং বাউলিও বাজারের পরিস্থিতিতে আলফা তৈরি করতে সক্ষম।

এই কৌশলটির বহু-অংশ উচ্চমানের এবং কম অস্থিরতার বিচ্যুতি বেছে নেয়; অতএব, ইনভেস্টরি ঝুঁকি মূল্যায়ন এই প্রক্রিয়াটির একটি গুরুত্বপূর্ণ কাজ; খালি মাথায়, ঝুঁকি মূল্যায়নও একটি গুরুত্বপূর্ণ গণনা, কারণ কৌশলটি অত্যন্ত উচ্চ ঝুঁকি বা খুব কম ঝুঁকিপূর্ণ প্রকল্পগুলি এড়ানোর চেষ্টা করে।

আমরা কৌশলটির বহু-শিরোনাম এবং ফাঁকা অংশে বিভিন্ন গণনা চক্রের জন্য historicalতিহাসিক ওঠানামা হার দ্বারা ঝুঁকি পরিমাপ করতে পারি।

এডিডিআই ঝুঁকি বিশ্লেষণ উন্নত করার জন্য, আমরা বর্তমান ঝুঁকি গণনার প্রক্রিয়াটি প্রতিস্থাপনের জন্য পূর্বে প্রদর্শিত গভীর নিউরাল নেটওয়ার্ক অ্যালগরিদমগুলি পরীক্ষা করব।

ফলাফল

স্ট্যান্ডার্ড ৯০০ সূচকের উপাদানগুলির মধ্যে বিনিয়োগ করা একাধিক শিরোনাম এবং শূন্য শিরোনামের কৌশলগুলির উপর নতুন গভীর শিক্ষার মডেল পরীক্ষা করা হয়েছে এবং পারফরম্যান্স এবং ঝুঁকি উভয় ক্ষেত্রেই ফলাফলগুলি আরও ভাল দেখা গেছেঃ

• মূল সংস্করণের তুলনায় মোট মুনাফার সংখ্যা বেশি
• অস্থিরতা হ্রাস
• শার্পের হার বেড়েছে
• প্রত্যাহার এবং ভিএআর ঝুঁকি হ্রাস
• এই সংখ্যাটি প্রায় এক বছরেরও বেশি।

উপসংহার

এই প্রবন্ধে, আমরা একটি উন্নত অ্যালগরিদমিক মডেলের একটি উদাহরণ দেখিয়েছি যা ট্রেডিং মাল্টি-স্পেস কোয়ান্টামাইজেশন (এডিডিআই) কৌশল উন্নত করতে ব্যবহৃত হয়। আমরা দেখিয়েছি কিভাবে নিউরাল নেটওয়ার্কগুলি ব্যবহার করে কোয়ান্টামাইজড ইনভেস্টমেন্ট প্রোডাক্টের নির্দিষ্ট কাজগুলিকে উন্নত এবং আরও সঠিকভাবে পরিচালনা করা যায়, যার ফলে শেষ ফলাফল উন্নত হয়।

তবে মডেলটির প্রযোজ্যতা এর বাইরেও রয়েছে, আমরা এই অ্যালগরিদমকে বিভিন্ন কৌশলতে ব্যবহার করতে পারি। উদাহরণস্বরূপ, আমরা এটি সর্বোচ্চ শার্প রেটযুক্ত সংস্থাগুলি নির্বাচন করতে ব্যবহার করতে পারি, এমনকি একটি জোড়া ট্রেডিং কৌশল বাস্তবায়নের জন্যও ব্যবহার করতে পারি। আপনি কি অন্য কৌশলগুলির কথা ভাবতে পারেন?

মূল লিংকঃhttps://quantdare.com/ai-case-study-long-short-strategy/