ট্রেডিং ভলিউম ব্যবহার করে পোর্টফোলিও নির্মাণ এবং বাস্তবায়ন

যদিও পোর্টফোলিও অপ্টিমাইজেশান সাধারণত ঝুঁকি এবং রিটার্নের পূর্বাভাসের উপর দৃষ্টি নিবদ্ধ করে, বাস্তবায়নের ব্যয় অত্যন্ত গুরুত্বপূর্ণ। তবে, লেনদেনের ব্যয় পূর্বাভাস করা চ্যালেঞ্জিং, কারণ বড় বিনিয়োগকারীদের জন্য, দামের প্রভাবের সবচেয়ে বড় উপাদানটি লেনদেনের আকারের উপর নির্ভর করে, এতে থাকা অন্যান্য ব্যবসায়ীদের পরিমাণ এবং ব্যবসায়ীদের পরিচয়, তাই সর্বজনীন সমাধানকে বাধাগ্রস্ত করে। এই সমস্যাটি সমাধান করার জন্য, আগস্ট 2024 সালে, আলফা-ট্রেডিং ভলিউম নিয়ে গবেষণা করেছেন রুশিয়ান গোয়েনকো, ব্রায়ান কেলি টোবিয়াস মস্কোভিটস, ইয়িনান সু এবং চাও ঝাং, যারা অনুমান করেছেন যে লেনদেনের পরিমাণ লেনদেনের খরচ অনুমান করার একটি মূল্যবান উত্স, এবং অনুমান করেছেন যে লেনদেনের আকার স্থির, লেনদেনের খরচ লেনদেনের পরিমাণ হ্রাস হওয়ার সাথে সাথে সাথে হ্রাস করা উচিত। সঠিক অনুমানটি যাচাই করার জন্য, তারা একটি মেশিন লার্নিং মডেল তৈরি

তারা প্রথমত উল্লেখ করে যে, পূর্ববর্তী গবেষণায় (ফ্রাজিনি, ইসরায়েল এবং মোস্কোভিটস, ২০১৮) দেখা গেছে যে, লেনদেনের আকার দৈনিক লেনদেনের পরিমাণের বিপরীতে লেনদেনের আকারকে প্রভাবিত করার জন্য মূল চালক, যা পরিমাণগত লেনদেনের নামে পরিচিত) এবং লেনদেনের আকার অংশগ্রহণের একটি ক্রমবর্ধমান ফাংশন। লেনদেনের আকার অপরিবর্তিত থাকলে, লেনদেনের পরিমাণ কম হলে, লেনদেনকারীরা দামের উপর প্রভাবিত হয়। সুতরাং, অন্যান্য একই অবস্থার অধীনে, লেনদেনের আকারের পূর্বাভাস বেশি হলে, লেনদেনকারীরা আরও বেশি পরিমাণে লেনদেন করতে সক্ষম হন, কারণ প্রতি লেনদেনের মূল্যের প্রভাব কম হয়। বিপরীতে, কম পূর্বাভাস হ'ল লেনদেনের আকার কম, লেনদেনের আকার এমনকি শূন্যও হতে পারে, কারণ লেনদেনের প্রতি ডলারের দাম আরও বেশি প্রভাবিত হয়। অতএব, তাদের কৌশলটি হ'ল লেন

এরপরে, লেখকরা ট্রেড পরিমাণের পূর্বাভাস দেওয়ার জন্য ব্যবহৃত মেশিন লার্নিং মডেলগুলি উপস্থাপন করেছেন; তাদের মডেলটি রিগ্রেশনাল নিউরাল নেটওয়ার্কগুলির উপর ভিত্তি করে; ট্রেড পরিমাণের পূর্বাভাস দেওয়ার জন্য, তারা প্রযুক্তিগত সংকেতগুলি যেমন বিলম্বিত উপার্জন এবং বিলম্বিত ট্রেড পরিমাণ এবং অস্বাভাবিক উপার্জনকারী সংস্থার বৈশিষ্ট্যগুলি যা সাহিত্যে পাওয়া গেছে তা ব্যবহার করেছে; তারা তারপরে বিভিন্ন বাজারের আকারের বা সংস্থা স্তরের ইভেন্টের সূচকগুলি যুক্ত করেছে যা ট্রেড ভলিউম ওঠানামা সম্পর্কিত, আসন্ন প্রকাশ এবং অতীতের উপার্জন প্রতিবেদনগুলি সহ, এবং বিভিন্ন নিউরাল নেটওয়ার্কগুলিকে ব্যবহার করে লাইন এবং নন-লাইন পূর্বাভাস পদ্ধতিগুলি বিশ্লেষণ করেছে যা অনলাইনে নমুনার বাইরে পূর্বাভাসকে সর্বাধিকতর করার লক্ষ্যে; অবশেষে, তারা নিউরাল নেটওয়ার্কের লক্ষ্য / ক্ষতির ফাংশনগুলি পূর্বাভাস দেওয়ার জন্য ব্যবহার করেছে, যাতে ট্রেড পরিমাণের সমস্যাটি পূর্বাভাস দেওয়ার সময় বিনিয়োগের পোর্টফিয়লের অর্থনৈতিক লক্ষ্যগুলি

তারপরে, লেখক তাদের মডেলটি কীভাবে পোর্টফোলিও তৈরি করতে ব্যবহার করবেন তা প্রদর্শন করেছেন।

ট্রেড ভলিউম পূর্বাভাসের অর্থনৈতিক গুরুত্বকে পরিমাপ করার জন্য, আমরা ট্রেড ভলিউম পূর্বাভাসকে একটি ফান্ড র্যাশনাল থিওরির সমস্যায় অন্তর্ভুক্ত করেছি আমরা একটি পোর্টফোলিও ফ্রেমওয়ার্ক তৈরি করেছি, যা একটি সমতা-বৈষম্য-কার্যকারিতা ফাংশন ব্যবহার করে পোর্টফোলিওর নেট খরচ কর্মক্ষমতা সর্বাধিক করার লক্ষ্যে তৈরি করা হয়েছে, যেখানে লেনদেনের খরচ এবং অংশগ্রহণের হার একটি রৈখিক সম্পর্ক (পাঠ্যগ্রন্থের তত্ত্ব এবং বাস্তবসম্মত গবেষণার দ্বারা অনুপ্রাণিত) অপ্টিমাইজেশান লেনদেনের খরচ এবং ট্রেড না করার সুযোগের মধ্যে ভারসাম্য বজায় রাখে লেনদেনের খরচকে ন্যূনতম করার জন্য লেনদেনের খরচ এবং ত্রুটি হ্রাস করার জন্য ত্রুটি হ্রাস করে লেনদেনের খরচ এবং ট্র্যাকিংয়ের ত্রুটিটি একটি পোর্টফোলিওর মধ্যে নেতিবাচকভাবে সম্পর্কিত এই মডেলটিতে, আমরা অনুমান করি

একইভাবে, মনে রাখবেন যে অনুশীলনে, যখন একটি জিনিসের লেনদেনের খরচ অনেক বেশি হয়, তখন অন্য বিকল্পটি অন্য কিছু লেনদেন করা হয়। উদাহরণস্বরূপ, যদি A এর লেনদেনের খরচ খুব বেশি হয়, তবে কম লেনদেনের খরচ B বিবেচনা করা যেতে পারে। এটি লেনদেন না করার চেয়ে ভাল হতে পারে, সাধারণত তাদের অনেকেরই অনুরূপ বৈশিষ্ট্য রয়েছে, তাই প্রত্যাশিত আয়ও অনুরূপ, এবং তহবিলগুলি সময়ে সময়ে লেনদেনের প্রয়োজন হয় (উদাহরণস্বরূপ, নগদ প্রবাহের কারণ) ।

তাদের নমুনা সময়কাল ২০১৮ থেকে ২০২২ পর্যন্ত, অর্থাৎ ১,২৫৮ দিন। ক্রস-এক্সট্রাকশন প্রায় ৪,৭০০ প্রজাতিকে অন্তর্ভুক্ত করে, প্রতিদিন গড়ে ৩,৫০০ প্রজাতি, বা মোট ৪,৪০০,০০০ পর্যবেক্ষণ। নিচে তাদের কিছু প্রধান আবিষ্কারের সংক্ষিপ্তসার দেওয়া হলঃ

তাদের মডেলগুলি বিভিন্ন ধরণের লেনদেনের পরিমাণ সঠিকভাবে পূর্বাভাস দিতে সক্ষম।

• দাম প্রভাবিত করার খরচ (যদিই লেনদেনের আকার স্থির থাকে) অংশগ্রহণের সাথে একটি রৈখিক সম্পর্ক, কিন্তু লেনদেনের পরিমাণের সাথে একটি অ-রৈখিক সম্পর্ক। খুব কম লেনদেনের পরিমাণের অর্থ প্রভাবিত করার খরচটি সূচকীয়ভাবে উচ্চ, এবং খুব বেশি লেনদেনের পরিমাণের অর্থ ব্যয়গুলি উপেক্ষা করা যায়। মেশিন লার্নিং প্রযুক্তিগুলি লেনদেনের পরিমাণ পূর্বাভাসের ক্ষমতা উল্লেখযোগ্যভাবে উন্নত করতে পারে, অংশে কারণ লেনদেনের পরিমাণের অ-রৈখিকতা এবং লেনদেনের ব্যয়ের সাথে এর সম্পর্ক। বড় ডেটা লেনদেনের পরিমাণ পূর্বাভাসের নির্ভুলতা উল্লেখযোগ্যভাবে উন্নত করে।
• বড় কোম্পানিগুলির পূর্বাভাসের নির্ভুলতা ছোট কোম্পানিগুলির তুলনায় বেশি। ছোট কোম্পানিগুলির গড় তরলতা কম নয়, তবে তরলতা আরও কঠিন এবং আরও বেশি অস্থির।
• যদি লেনদেনের আকার অপরিবর্তিত থাকে এবং লেনদেনের পরিমাণ শূন্যের দিকে চলে যায়, তবে লিকুইডিটি চাহিদার দামের প্রভাবের ব্যয় প্রায় অসীম (নোট করুন, লিকুইডিটি সরবরাহকারীর ক্ষেত্রে ঠিক উল্টোটি ঘটে, এ কারণেই ধৈর্যের সাথে লেনদেন করা গুরুত্বপূর্ণ) । যখন লেনদেনের পরিমাণ বড় হয়, তখন প্রভাবের ব্যয় প্রায় শূন্য হয়।
• যখন লেনদেনের পরিমাণ কম হয়, তখন লেনদেনের পরিমাণের পূর্বাভাসের পরিবর্তনগুলির আরও বড় অর্থনৈতিক প্রভাব রয়েছে, যার ফলে পরিমাণের পূর্বাভাসের ভুলের অসম্পূর্ণ ব্যয় হয়। তবে, ট্র্যাকিংয়ের ভুল বা লেনদেন না করার সুযোগের ব্যয় লেনদেনের পরিমাণের সাথে সম্পর্কিত নয়। এই দুটি প্রভাবের সংমিশ্রণটি বোঝায় যে উচ্চ-মূল্যবান লেনদেনের জন্য অপ্টিমাইজেশনের শাস্তি নিম্ন-মূল্যবান লেনদেনের চেয়ে বেশি। উচ্চ-মূল্যবান লেনদেনের জন্য অতিরিক্ত লেনদেনের ব্যয় কম লেনদেনের পরিমাণের তুলনায় বেশি। কম লেনদেনের জন্য লেনদেনের ব্যয় এবং লেনদেনের পরিমাণের মধ্যে সম্পর্কটি খুব ম্লান, যখন লেনদেনের পরিমাণ বেশি হয়, তখন ব্যয় এবং লেনদেনের পরিমাণের মধ্যে সম্পর্কটি সমান থাকে।
• লেনদেনের খরচ AUM-এর সাথে বৃদ্ধি পায়, ট্র্যাকিং ভুলের আপেক্ষিক ক্ষতি AUM-এর সাথে বৃদ্ধি পায় এবং ট্র্যাকিং ভুলের সাথে হ্রাস পায়। লেনদেনের খরচ এবং ট্র্যাকিং ভুলের মধ্যে সর্বোত্তম ভারসাম্য পোর্টফোলিওর আকারের সাথে পরিবর্তিত হবে, এবং লেনদেনের পরিমাণের পূর্বাভাসের অর্থনৈতিক প্রভাবও আলাদা হবে। ছোট AUM-এর জন্য, ট্র্যাকিং ভুল মূলত লেনদেনের খরচ বিবেচনা করে। লেনদেনের পরিমাণের পূর্বাভাসের জন্য লেনদেনের খরচ বিবেচনার তুলনামূলকভাবে কম মূল্যবান হতে পারে। বড় AUM-এর জন্য, লেনদেনের খরচ বিবেচনাগুলি প্রভাবশালী।
• ট্রেডিং ভলিউম বেশি (যেমন গতি, স্বল্পমেয়াদী বিপরীতমুখী) ফ্যাক্টরগুলি পোর্টফোলিও অপ্টিমাইজেশান থেকে আরও বেশি উপকৃত হয়, যা ট্রেডিং ভলিউম পূর্বাভাসের উপর ভিত্তি করে প্রত্যাশিত লেনদেনের খরচ বিবেচনা করে (চিত্র দেখুন) ।

চিত্রঃ প্রতিটি ফ্যাক্টর পোর্টফোলিওর বাস্তবায়নে গড় আয় উন্নতি

A. বিভিন্ন ফ্যাক্টর সমন্বয় বাস্তবায়ন B. বিষয়গত ক্লাস্টার দ্বারা গড় প্রতিটি পয়েন্টে একটি JKP ফ্যাক্টর পোর্টফোলিও বাস্তবায়ন করা হয়; y-অক্ষটি rnn.econall বাস্তবায়ন এবং ma5 এর পরে ব্যয়গুলির গড় অতিরিক্ত উপার্জনের পার্থক্য; x-অক্ষটি ফ্যাক্টর পোর্টফোলিওর লক্ষ্যগুলির টার্নওভার ((যেমন ইক্যুইটি 15 যেখানে xi,ttxt = x-1)); প্যানেল B স্টাইল ক্লাস্টার (যেমন JKP থেকে) এ পয়েন্ট 0 এর গড় হয়;

ফলাফল একটি অনুমানিত ফলাফল, ভবিষ্যতের ফলাফলের একটি সূচক নয়, এবং কোনও বিনিয়োগকারীর প্রকৃত উপার্জনের প্রতিনিধিত্ব করে না। সূচকগুলি পরিচালিত হয় না, পরিচালনা বা লেনদেনের ফি প্রতিফলিত করে না এবং বিনিয়োগকারীরা সরাসরি সূচকে বিনিয়োগ করতে পারে না।

• লেনদেনের আলফা মান খুবই উল্লেখযোগ্য; লেনদেনের আলফা মান পোর্টফোলিওর সীমান্ত উন্নতির সমান, যা পাওয়া রিটার্ন আলফার সমান; উদাহরণস্বরূপ, এক বিলিয়ন ডলারের তহবিলের জন্য, লেনদেনের পরিমাণের পূর্বাভাস দিয়ে, লেনদেনের পরিমাণের পরিমাপ ব্যবহার না করে, ব্যয় ছাড়াই পোর্টফোলিওর পারফরম্যান্সের উন্নতির মাত্রা প্রত্যাশিত আয় বা লেনদেনের খরচ পরে শার্পের তুলনায় দ্বিগুণ হতে পারে; প্রচলিত পণ্যের মূল্য নির্ধারণের ক্ষেত্রে, লেনদেনের পরিমাণের উন্নতির জন্য লেনদেনের ভবিষ্যত, খরচ ছাড়াই 20 বেস পয়েন্ট থেকে 100 বেস পয়েন্টের মধ্যে ব্যবহার করা হয়।

তাদের গবেষণার ফলাফলগুলি লেখকদের উপসংহারে পৌঁছেছেঃ

মেশিন লার্নিং প্রযুক্তি, বিগ ডেটা সিগন্যাল এবং পূর্বাভাস জটিলতার সুবিধা ব্যবহার করে মেশিন ট্রেডিংয়ের পরিমাণ অত্যন্ত ভবিষ্যদ্বাণীমূলক। আমরা দেখেছি যে, লেনদেনের খরচ ছাড়াই সর্বোত্তম মান-প্রতিভেদ বিনিয়োগের পোর্টফোলিও অর্জনের ক্ষেত্রে, লেনদেনের পরিমাণ পূর্বাভাসটি আয় পূর্বাভাসের মতোই মূল্যবান। আমরা দেখেছি যে, মেশিন লার্নিংয়ে সরাসরি অর্থনৈতিক লক্ষ্য ফাংশনগুলি অন্তর্ভুক্ত করা দরকারী পূর্বাভাস পাওয়ার জন্য আরও কার্যকর। এই বৈশিষ্ট্যটি মেশিন লার্নিংয়ের অনেক আর্থিক অ্যাপ্লিকেশনগুলির জন্য প্রযোজ্য হতে পারে, যেখানে সরাসরি অর্থনৈতিক লক্ষ্যগুলি অন্তর্ভুক্ত করা একটি দ্বি-পদক্ষেপ প্রক্রিয়া পরিচালনা করতে পারে, যা প্রথমে একটি পরিসংখ্যানগত লক্ষ্য পূরণ করে এবং তারপরে পরিসংখ্যানগত বস্তুগুলিকে অর্থনৈতিক কাঠামোতে অন্তর্ভুক্ত করে। লেনদেনের পূর্বাভাসের জন্য, উচ্চমূল্যায়ন এবং নিম্নমূল্যায়ন ব্যবসায়ের মধ্যে অসমতা ব্যয়গুলি অর্থনৈতিক পরিসংখ্যানের লক্ষ্যগুলি দ্বারা (অনাকাশ করা) অবহেলা করা হয় এবং উল্লেখযোগ্য অর্থনৈতিক প্রভাব ফেলে।

সংক্ষিপ্তসার

ট্রেডিং ভলিউম আলফা ট্রেডিং ভলিউম লিপিবদ্ধকরণে গুরুত্বপূর্ণ অবদান রেখেছে। লেখকরা বিদ্যমান লিপিবদ্ধকরণের একটি স্পষ্ট ও সংক্ষিপ্ত সংক্ষিপ্ত বিবরণ দিয়েছেন। তারা একটি নতুন মেশিন লার্নিং মডেলও প্রস্তাব করেছেন যা ট্রেডিং ভলিউম পূর্বাভাস দেওয়ার জন্য ব্যবহৃত হয়। তাদের আবিষ্কারগুলি কোয়ান্টামাইজড ট্রেডিংয়ের নির্মাণ এবং কৌশল বাস্তবায়নের পদ্ধতিকে পুরোপুরি পরিবর্তন করতে পারে। উপসংহারে লেখকরা উল্লেখ করেছেনঃ

ভবিষ্যদ্বাণীমূলক ভেরিয়েবলগুলির জন্য আরও বিস্তৃত অনুসন্ধান এবং লেনদেনের পরিমাণ আরও সঠিকভাবে পূর্বাভাস দেওয়ার মডেলগুলি সম্ভবত এখানে প্রদর্শিত চেয়ে আরও বড় অর্থনৈতিক সুবিধা প্রদান করবে। কিছু আশাব্যঞ্জক অতিরিক্ত বৈশিষ্ট্য এবং পদ্ধতির প্রার্থীগুলির মধ্যে রয়েছে পরিমাণগত লেনদেনের মধ্যে শীর্ষস্থানীয় বিলম্বিত লেনদেনের পরিমাণ সম্পর্ক, আরও মৌসুমী সূচক, অন্যান্য বাজার মাইক্রোস্ক্রিপশন ভেরিয়েবল এবং আরও জটিল nn এবং rnn মডেল।

মূল লিংকঃhttps://alphaarchitect.com/2024/11/trading-volume/