ডিজিটাল মুদ্রা জোড়া ট্রেডিং কৌশল বিস্তারিত

ডিজিটাল মুদ্রা জোড়া ট্রেডিং কৌশল বিস্তারিত

প্রারম্ভ

সাম্প্রতিক সময়ে, বুয়েটের পরিমাণগত ডায়েরিতে উল্লেখ করা হয়েছে যে নেতিবাচক সম্পর্কিত মুদ্রা ব্যবহার করে মুদ্রা তৈরি করা যায়, দামের পার্থক্যের ভিত্তিতে মুনাফা অর্জনের জন্য। ডিজিটাল মুদ্রা মূলত ইতিবাচক সম্পর্কযুক্ত, নেতিবাচক সম্পর্কিত কয়েকটি মুদ্রা, প্রায়শই বিশেষ বাজার রয়েছে, যেমন পূর্ববর্তী সময়ের MEME মুদ্রার স্বতন্ত্র বাজার, যা বড় খোলার গতিবিধি অনুসরণ করে না, এই মুদ্রাগুলি নির্বাচন করে, এটি নির্দিষ্ট পরিস্থিতিতে মুনাফা অর্জন করতে পারে। তবে পরিমাণগত ব্যবসায়ের ক্ষেত্রে সর্বাধিক সাধারণ সম্পর্কিত ব্যবহার হ'ল ধনাত্মক যোড়া ব্যবসায়, এই নিবন্ধটি এই কৌশলটি সংক্ষিপ্তভাবে পরিচয় করিয়ে দেবে।

ডিজিটাল মুদ্রা জোড়া ট্রেডিং একটি পরিসংখ্যানগত সুবিধার উপর ভিত্তি করে ট্রেডিং কৌশল, যা মূল্য বিচ্যুতি থেকে মুনাফা অর্জনের জন্য দুটি শক্তিশালী সম্পর্কিত ডিজিটাল মুদ্রা চিরস্থায়ী চুক্তি একযোগে কেনা এবং বিক্রি করে। এই নিবন্ধটি এই কৌশলটির নীতি, মুনাফা প্রক্রিয়া, মুদ্রা নির্বাচন করার পদ্ধতি, সম্ভাব্য ঝুঁকি এবং এটি কীভাবে উন্নত করা যায় তা বিশদভাবে বর্ণনা করে এবং কিছু কার্যকর পাইথন কোডের উদাহরণ সরবরাহ করে।

কৌশলগত নীতি

জোড়া ট্রেডিং কৌশল দুটি ডিজিটাল মুদ্রার দামের মধ্যে ঐতিহাসিক সম্পর্কের উপর নির্ভর করে; যখন দুটি মুদ্রার দাম দৃ strongly়ভাবে সম্পর্কিত হয়, তখন তাদের দামের গতি প্রায় সমন্বিত হয়; যদি কোনও মুহুর্তে উভয়ের দামের অনুপাতের মধ্যে উল্লেখযোগ্য বিচ্যুতি ঘটে তবে এটি একটি অস্থায়ী অস্বাভাবিকতা বলে মনে করা যেতে পারে, দাম স্বাভাবিক স্তরে ফিরে আসার প্রবণতা। ডিজিটাল মুদ্রার বাজারগুলি উচ্চতর গতিশীল, যখন একটি প্রধান ডিজিটাল মুদ্রা যেমন বিটকয়েন বড় পরিমাণে অস্থির হয় তখন সাধারণত অন্যান্য ডিজিটাল মুদ্রাগুলির সংমিশ্রণ প্রতিক্রিয়া ঘটে। কিছু মুদ্রা একই বিনিয়োগকারী সংস্থা, একই ব্যবসায়ী বাজার বা একই প্রতিযোগিতার কারণে খুব সুস্পষ্টভাবে সঠিকভাবে সম্পর্কিত হতে পারে এবং স্থায়ী হতে পারে। কিছু মুদ্রা সম্পর্কিত, তবে নেতিবাচক সম্পর্কিত কম, এবং উভয়ই বড় ব্যবসায়ের দ্বারা প্রভাবিত হওয়ার কারণে অনেক সময় পরিস্থিতির গতিবিধিও ঘটে থাকে।

কয়েন A এবং কয়েন B এর মধ্যে একটি উচ্চ মূল্য সম্পর্ক রয়েছে বলে মনে করা হয়; একটি নির্দিষ্ট সময়ে, A/B মূল্য অনুপাতের গড় মান 1 হয়; যদি একটি নির্দিষ্ট সময়ে, A/B মূল্য অনুপাত 0.001 এর চেয়ে বেশি বা 1.001 এর চেয়ে বেশি হয়, তাহলে নিম্নলিখিত পদ্ধতিতে ট্রেড করা যেতে পারেঃ A/B মূল্য অনুপাত 0.999 এর চেয়ে কম হলে, A/B মূল্য অনুপাতটি A এর চেয়ে বেশি বা B এর চেয়ে বেশি হলে। বিপরীতে, A/B মূল্য অনুপাত 0.999 এর চেয়ে কম হলে, A এর চেয়ে বেশি বা B এর চেয়ে বেশি বা B এর চেয়ে বেশি হলে ট্রেড করা যেতে পারে।

মুনাফার মূল চাবিকাঠি হল যখন দামের বিচ্যুতি স্বাভাবিক অবস্থায় ফিরে আসে তখন পার্থক্য লাভ। যেহেতু দামের বিচ্যুতি সাধারণত স্বল্পমেয়াদী হয়, তাই ব্যবসায়ীরা যখন দাম গড়ের দিকে ফিরে আসে তখন ব্যবসায়ীদের লাভ করতে পারে।

ডেটা প্রস্তুত

সংশ্লিষ্ট পুস্তিকা প্রবর্তন

এই কোডগুলি সরাসরি ব্যবহার করা যেতে পারে, এটি একটি Anancoda ডাউনলোড করা ভাল, একটি Jupyer নোটবুক মধ্যে ডিবাগিং; সরাসরি সাধারণ ডেটা বিশ্লেষণের জন্য প্যাকেজ অন্তর্ভুক্ত।

import requests
from datetime import date,datetime
import time
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import requests, zipfile, io
%matplotlib inline

এখন, আপনি যেসব ট্রেডিং পেয়ার পাবেন

Info = requests.get('https://fapi.binance.com/fapi/v1/exchangeInfo')
b_symbols = [s['symbol'] for s in Info.json()['symbols'] if s['contractType'] == 'PERPETUAL' and s['status'] == 'TRADING' and s['quoteAsset'] == 'USDT']
b_symbols = list(filter(lambda x: x[-4:] == 'USDT', [s.split('_')[0] for s in b_symbols]))
b_symbols = [x[:-4] for x in b_symbols]
print(b_symbols) # 获取所有的正在交易的交易对

K লাইন ডাউনলোড ফাংশন

GetKlines ফাংশনটির প্রধান কাজ হল বিএনএ এক্সচেঞ্জ থেকে নির্দিষ্ট ট্রেডের জন্য স্থায়ী চুক্তির জন্য ঐতিহাসিক কে-লাইন ডেটা সংগ্রহ করা এবং এই ডেটা একটি পান্ডা ডেটাফ্রেমে সংরক্ষণ করা। কে-লাইন ডেটাতে খোলা মূল্য, সর্বোচ্চ মূল্য, সর্বনিম্ন মূল্য, বন্ধ মূল্য, সম্পন্ন লেনদেন ইত্যাদির তথ্য রয়েছে। এই সময় আমরা মূলত বন্ধ মূল্যের ডেটা ব্যবহার করেছি।

def GetKlines(symbol='BTCUSDT',start='2020-8-10',end='2024-7-01',period='1h',base='fapi',v = 'v1'):
    Klines = []
    start_time = int(time.mktime(datetime.strptime(start, "%Y-%m-%d").timetuple()))*1000 + 8*60*60*1000
    end_time =  min(int(time.mktime(datetime.strptime(end, "%Y-%m-%d").timetuple()))*1000 + 8*60*60*1000,time.time()*1000)
    intervel_map = {'m':60*1000,'h':60*60*1000,'d':24*60*60*1000}
    while start_time < end_time:
        time.sleep(0.3)
        mid_time = start_time+1000*int(period[:-1])*intervel_map[period[-1]]
        url = 'https://'+base+'.binance.com/'+base+'/'+v+'/klines?symbol=%s&interval=%s&startTime=%s&endTime=%s&limit=1000'%(symbol,period,start_time,mid_time)
        res = requests.get(url)
        res_list = res.json()
        if type(res_list) == list and len(res_list) > 0:
            start_time = res_list[-1][0]+int(period[:-1])*intervel_map[period[-1]]
            Klines += res_list
        if type(res_list) == list and len(res_list) == 0:
            start_time = start_time+1000*int(period[:-1])*intervel_map[period[-1]]
        if mid_time >= end_time:
            break
    df = pd.DataFrame(Klines,columns=['time','open','high','low','close','amount','end_time','volume','count','buy_amount','buy_volume','null']).astype('float')
    df.index = pd.to_datetime(df.time,unit='ms')
    return df

তথ্য ডাউনলোড করুন

ডাটা ভলিউম তুলনামূলকভাবে বড়, দ্রুত ডাউনলোডের জন্য, কেবলমাত্র সাম্প্রতিক 3 মাসের ঘন্টাগুলির জন্য কে-লাইন ডেটা পাওয়া যায়;df_close সমস্ত মুদ্রার জন্য বন্ধের দামের ডেটা অন্তর্ভুক্ত করে

start_date = '2024-04-01'
end_date   = '2024-07-05'
period = '1h'
df_dict = {}

for symbol in b_symbols:   
    print(symbol)
    if symbol in df_dict.keys():
        continue
    df_s = GetKlines(symbol=symbol+'USDT',start=start_date,end=end_date,period=period)
    if not df_s.empty:
        df_dict[symbol] = df_s
df_close = pd.DataFrame(index=pd.date_range(start=start_date, end=end_date, freq=period),columns=df_dict.keys())
for symbol in symbols:
    df_close[symbol] = df_dict[symbol].close
df_close = df_close.dropna(how='all')

পুনঃনির্ধারণ ইঞ্জিন

একটি এক্সচেঞ্জ অবজেক্ট সংজ্ঞায়িত করুন যা পরবর্তী পুনরায় পরীক্ষা করার জন্য ব্যবহৃত হবে

class Exchange:
    def __init__(self, trade_symbols, fee=0.0002, initial_balance=10000):
        self.initial_balance = initial_balance #初始的资产
        self.fee = fee
        self.trade_symbols = trade_symbols
        self.account = {'USDT':{'realised_profit':0, 'unrealised_profit':0, 'total':initial_balance,
                                'fee':0, 'leverage':0, 'hold':0, 'long':0, 'short':0}}
        for symbol in trade_symbols:
            self.account[symbol] = {'amount':0, 'hold_price':0, 'value':0, 'price':0, 'realised_profit':0,'unrealised_profit':0,'fee':0}
            
    def Trade(self, symbol, direction, price, amount):
        cover_amount = 0 if direction*self.account[symbol]['amount'] >=0 else min(abs(self.account[symbol]['amount']), amount)
        open_amount = amount - cover_amount
        self.account['USDT']['realised_profit'] -= price*amount*self.fee #扣除手续费
        self.account['USDT']['fee'] += price*amount*self.fee
        self.account[symbol]['fee'] += price*amount*self.fee
        if cover_amount > 0: #先平仓
            self.account['USDT']['realised_profit'] += -direction*(price - self.account[symbol]['hold_price'])*cover_amount  #利润
            self.account[symbol]['realised_profit'] += -direction*(price - self.account[symbol]['hold_price'])*cover_amount
            self.account[symbol]['amount'] -= -direction*cover_amount
            self.account[symbol]['hold_price'] = 0 if self.account[symbol]['amount'] == 0 else self.account[symbol]['hold_price']
        if open_amount > 0:
            total_cost = self.account[symbol]['hold_price']*direction*self.account[symbol]['amount'] + price*open_amount
            total_amount = direction*self.account[symbol]['amount']+open_amount
            
            self.account[symbol]['hold_price'] = total_cost/total_amount
            self.account[symbol]['amount'] += direction*open_amount      
    
    def Buy(self, symbol, price, amount):
        self.Trade(symbol, 1, price, amount)
        
    def Sell(self, symbol, price, amount):
        self.Trade(symbol, -1, price, amount)
        
    def Update(self, close_price): #对资产进行更新
        self.account['USDT']['unrealised_profit'] = 0
        self.account['USDT']['hold'] = 0
        self.account['USDT']['long'] = 0
        self.account['USDT']['short'] = 0
        for symbol in self.trade_symbols:
            if not np.isnan(close_price[symbol]):
                self.account[symbol]['unrealised_profit'] = (close_price[symbol] - self.account[symbol]['hold_price'])*self.account[symbol]['amount']
                self.account[symbol]['price'] = close_price[symbol]
                self.account[symbol]['value'] = self.account[symbol]['amount']*close_price[symbol]
                if self.account[symbol]['amount'] > 0:
                    self.account['USDT']['long'] += self.account[symbol]['value']
                if self.account[symbol]['amount'] < 0:
                    self.account['USDT']['short'] += self.account[symbol]['value']
                self.account['USDT']['hold'] += abs(self.account[symbol]['value'])
                self.account['USDT']['unrealised_profit'] += self.account[symbol]['unrealised_profit']
        self.account['USDT']['total'] = round(self.account['USDT']['realised_profit'] + self.initial_balance + self.account['USDT']['unrealised_profit'],6)
        self.account['USDT']['leverage'] = round(self.account['USDT']['hold']/self.account['USDT']['total'],3)

প্রাসঙ্গিকতা বিশ্লেষণ

সংশ্লিষ্টতা গণনা হল পরিসংখ্যানের একটি পদ্ধতি, যা দুটি ভেরিয়েবলের মধ্যে রৈখিক সম্পর্ক পরিমাপ করার জন্য ব্যবহৃত হয়। সর্বাধিক ব্যবহৃত সংশ্লিষ্টতা গণনা পদ্ধতি হল পিলসন সংশ্লিষ্টতা গণনা। নীচে সংশ্লিষ্টতা গণনার নীতি, সূত্র এবং বাস্তবায়ন পদ্ধতি রয়েছে। পিলসন সংশ্লিষ্টতা গণনা দুটি ভেরিয়েবলের মধ্যে রৈখিক সম্পর্ক পরিমাপ করার জন্য ব্যবহৃত হয়, যার মান পরিসীমা -1 থেকে 1 এর মধ্যেঃ

• 1এটি সম্পূর্ণরূপে ইতিবাচকভাবে সম্পর্কিত এবং দুটি ভেরিয়েবল সর্বদা একই সাথে পরিবর্তিত হয়। যখন একটি ভেরিয়েবল বৃদ্ধি পায়, অন্যটি অনুপাতের সাথে বৃদ্ধি পায়। 1 এর কাছাকাছি প্রতিনিধিত্ব করে সম্পর্কটি আরও শক্তিশালী হয়।
• -1সম্পূর্ণ নেতিবাচক সম্পর্ককে নির্দেশ করে যে দুটি ভেরিয়েবল সর্বদা বিপরীতমুখী পরিবর্তন হয়। যত বেশি -১ এর কাছাকাছি হবে, নেতিবাচক সম্পর্ক তত বেশি শক্তিশালী হবে।
• 0এটি নির্দেশ করে যে দুটি ভেরিয়েবলের মধ্যে কোনও সরল রেখাযুক্ত সম্পর্ক নেই।

পিলসন সম্পর্কিত সহগ এবং মানদণ্ড বিপরীতে দুটি ভেরিয়েবল গণনা করে তাদের সম্পর্ক নির্ধারণ করা হয়।

[ \rho_{X,Y} = \frac{\text{cov}(X,Y) }{\sigma_X \sigma_Y}]

এর মধ্যে রয়েছেঃ

• ( \rho_{X,Y}) হল ভেরিয়েবল (X) এবং (Y) এর পিয়ারসন সম্পর্কিত ক্রিয়াফল।
• (\text{cov}(X,Y) হল (X) এবং (Y) এর কোভের পার্থক্য।
• (\sigma_X) এবং (\sigma_Y) যথাক্রমে X এবং (Y) এর মান পার্থক্য।

অবশ্যই, কীভাবে গণনা করা হয় তা নিয়ে খুব বেশি চিন্তা না করে, পাইথন 1-লাইন কোড ব্যবহার করে সমস্ত মুদ্রার সম্পর্ক গণনা করা যায়। যেমনটি সম্পর্কিত তাপচিত্র দেখানো হয়েছে, লালটি ইতিবাচক সম্পর্কযুক্ত, নীলটি নেতিবাচক সম্পর্কযুক্ত, রঙের গভীরতার সাথে সম্পর্ক আরও শক্তিশালী। আপনি দেখতে পারেন যে বড় অংশগুলি গভীর লাল, তাই ডিজিটাল মুদ্রার ইতিবাচক সম্পর্ক শক্তিশালী।

import seaborn as sns
corr = df_close.corr()
plt.figure(figsize=(20, 20))
sns.heatmap(corr, annot=False, cmap='coolwarm', vmin=-1, vmax=1)
plt.title('Correlation Heatmap of Cryptocurrency Closing Prices', fontsize=20);

প্রাসঙ্গিকতার ভিত্তিতে, শীর্ষ 20 সর্বাধিক প্রাসঙ্গিক মুদ্রা জোড়া নির্বাচন করা হয়। ফলাফলগুলি নিম্নরূপ। তাদের সমস্ত প্রাসঙ্গিকতা খুব শক্তিশালী, উভয়ই 0.99 এর বেশি।

MANA     SAND     0.996562
ICX      ZIL      0.996000
STORJ    FLOW     0.994193
FLOW     SXP      0.993861
STORJ    SXP      0.993822
IOTA     ZIL      0.993204
         SAND     0.993095
KAVA     SAND     0.992303
ZIL      SXP      0.992285
         SAND     0.992103
DYDX     ZIL      0.992053
DENT     REEF     0.991789
RDNT     MANTA    0.991690
STMX     STORJ    0.991222
BIGTIME  ACE      0.990987
RDNT     HOOK     0.990718
IOST     GAS      0.990643
ZIL      HOOK     0.990576
MATIC    FLOW     0.990564
MANTA    HOOK     0.990563

এই কোডটি নিম্নরূপঃ

corr_pairs = corr.unstack()

# 移除自身相关性（即对角线上的值）
corr_pairs = corr_pairs[corr_pairs != 1]

sorted_corr_pairs = corr_pairs.sort_values(kind="quicksort")

# 提取最相关和最不相关的前20个币种对
most_correlated = sorted_corr_pairs.tail(40)[::-2]

print("最相关的前20个币种对：")
print(most_correlated)

পুনরায় পরীক্ষা করুন

নির্দিষ্ট রিসেট কোডগুলি নিম্নরূপ; প্রদর্শন কৌশলটির মূল লক্ষ্য দুটি ক্রিপ্টোকারেন্সি (IOTA এবং ZIL) এর দামের অনুপাত এবং এই অনুপাতের পরিবর্তনের উপর ভিত্তি করে লেনদেন করা হয়। নির্দিষ্ট পদক্ষেপগুলি নিম্নরূপঃ

1. প্রাথমিকীকরণ：

   • সংজ্ঞা লেনদেনের জোড়া ((pair_a = IOTA, pair_b = ZIL) ।)
   • একটি এক্সচেঞ্জ অবজেক্ট তৈরি করুনeপ্রথম ব্যালেন্স ১০,০০০ ডলার এবং ০.০২% লেনদেনের ফি।
   • প্রাথমিক গড় মূল্য অনুপাত গণনাavg。
   • একটি প্রাথমিক লেনদেন মান সেট করুনvalue = 1000。

2. দামের তথ্য পুনরাবৃত্তি：

   • প্রতিটি সময় পয়েন্ট জুড়ে দামের তথ্যdf_close。
   • গড়ের তুলনায় বর্তমান মূল্যের অনুপাতের বিচ্যুতি গণনা করুনdiff。
   • বিচ্যুতির ভিত্তিতে লক্ষ্যবস্তু লেনদেনের মূল্য গণনাaim_value০.০১-এর প্রতিটি বিচ্যুতির জন্য, একটি মানের লেনদেন করা হয়। এবং বর্তমান অ্যাকাউন্ট হোল্ডিং এবং মূল্যের অবস্থার উপর ভিত্তি করে কেনা বেচা অপারেশন সিদ্ধান্ত নেওয়া হয়।
   • আপনি যদি খুব বেশি বিচ্যুতি দেখেন, তাহলে বিক্রি করুন।pair_aএবং কিনতেpair_bঅপারেশন ।
   • যদি এই বিচ্যুতি খুব ছোট হয়, তাহলে ক্রয় করুন।pair_aএবং বিক্রিpair_bঅপারেশন ।

3. গড় সংশোধন：

   • আপডেট গড় মূল্যের অনুপাতavgতবে, এই ছবিতে দেখা যাচ্ছে যে, এই ছবিতে দেখা যাচ্ছে যে, এই ছবিতে দেখা যাচ্ছে যে, এই ছবিতে দেখা যাচ্ছে যে, এই ছবিতে দেখা যাচ্ছে যে, এই ছবিতে দেখা যাচ্ছে।

4. অ্যাকাউন্ট এবং রেকর্ড আপডেট করুন：

   • এক্সচেঞ্জ অ্যাকাউন্টের হোল্ডিং এবং ব্যালেন্স আপডেট করুন।
   • প্রতিটি পদক্ষেপের অ্যাকাউন্টের অবস্থা (মোট সম্পদ, আটককৃত সম্পদ, লেনদেনের খরচ, মাল্টি হেড এবং খালি হেড পজিশন) রেকর্ড করুনres_list。

5. ফলাফল আউটপুট：

   • হবেres_listডেটাফ্রেমে রূপান্তরresএই ভিডিওটি আরও বিশ্লেষণ ও প্রদর্শনের জন্য।

pair_a = 'IOTA'
pair_b = "ZIL"
e = Exchange([pair_a,pair_b], fee=0.0002, initial_balance=10000) #Exchange定义放在评论区
res_list = []
index_list = []
avg = df_close[pair_a][0] / df_close[pair_b][0]
value = 1000
for idx, row in df_close.iterrows():
    diff = (row[pair_a] / row[pair_b] - avg)/avg
    aim_value = -value * diff / 0.01
    if -aim_value + e.account[pair_a]['amount']*row[pair_a] > 0.5*value:
        e.Sell(pair_a,row[pair_a],(-aim_value + e.account[pair_a]['amount']*row[pair_a])/row[pair_a])
        e.Buy(pair_b,row[pair_b],(-aim_value - e.account[pair_b]['amount']*row[pair_b])/row[pair_b])
    if -aim_value + e.account[pair_a]['amount']*row[pair_a]  < -0.5*value:
        e.Buy(pair_a, row[pair_a],(aim_value - e.account[pair_a]['amount']*row[pair_a])/row[pair_a])
        e.Sell(pair_b, row[pair_b],(aim_value + e.account[pair_b]['amount']*row[pair_b])/row[pair_b])
    avg = 0.99*avg + 0.01*row[pair_a] / row[pair_b]
    index_list.append(idx)
    e.Update(row)
    res_list.append([e.account['USDT']['total'],e.account['USDT']['hold'],
                         e.account['USDT']['fee'],e.account['USDT']['long'],e.account['USDT']['short']])
res = pd.DataFrame(data=res_list, columns=['total','hold', 'fee', 'long', 'short'],index = index_list)
res['total'].plot(grid=True);

মোট ৪টি মুদ্রা গোষ্ঠী পুনরায় পরীক্ষা করা হয়েছে, ফলাফল তুলনামূলকভাবে আদর্শ। বর্তমান সংশ্লিষ্টতার গণনা ভবিষ্যতের ডেটা ব্যবহার করে করা হয়েছে, তাই এটি খুব নির্ভুল নয়। এই নিবন্ধটিও ডেটাকে দুটি অংশে বিভক্ত করেছে, পূর্ববর্তী গণনার সংশ্লিষ্টতার ভিত্তিতে, পরবর্তী পুনরায় পরীক্ষা করা হয়েছে। লেনদেনের ফলাফল কিছুটা খারাপ কিন্তু ভাল। ব্যবহারকারীদের নিজের অনুশীলন যাচাইয়ের জন্য ছেড়ে দিন।

সম্ভাব্য ঝুঁকি এবং উন্নতির উপায়

যদিও জুটিবদ্ধ ট্রেডিং কৌশলগুলি তত্ত্বগতভাবে লাভজনক, তবে বাস্তব অপারেশনে কিছু ঝুঁকি রয়েছেঃ মুদ্রার মধ্যে সম্পর্কগুলি সময়ের সাথে পরিবর্তিত হতে পারে, যার ফলে কৌশলটি ব্যর্থ হয়; চরম বাজারের অবস্থার অধীনে, দামের বিচ্যুতি বাড়তে পারে, যার ফলে বৃহত্তর ক্ষতি হতে পারে; কিছু মুদ্রার তরলতা কম, যার ফলে ট্রেডগুলি কার্যকর করা কঠিন বা ব্যয় বাড়তে পারে; ঘন ঘন ট্রেডিংয়ের ফলে প্রসেসিং ফি মুনাফা হ্রাস করতে পারে।

ঝুঁকি কমাতে এবং কৌশল স্থিতিশীলতা উন্নত করার জন্য, নিম্নলিখিত উন্নতিগুলি বিবেচনা করা যেতে পারেঃ নিয়মিতভাবে মুদ্রা জুড়ে সম্পর্ক পুনরায় গণনা করা, সময়মত লেনদেনের জোড়া সামঞ্জস্য করা; একক লেনদেনের সর্বাধিক ক্ষতি নিয়ন্ত্রণ করার জন্য স্টপ লস এবং স্টপ টার্গেট সেট করা; একই সাথে একাধিক মুদ্রা জোড়া ট্রেড করা, ঝুঁকি বিচ্ছিন্ন করা।

উপসংহার

ডিজিটাল মুদ্রা জোড়া ট্রেডিং কৌশলটি মুদ্রার দামের সম্পর্ককে কাজে লাগিয়ে, দামের বিচ্যুতির সময় সুবিধাপ্রাপ্ত অপারেশন করে লাভ অর্জন করে। কৌশলটি উচ্চতর তাত্ত্বিক কার্যকারিতা রয়েছে। পরে এই কৌশলটির উপর ভিত্তি করে একটি সহজ বাস্তব কৌশল উত্স কোড প্রকাশ করা হবে। যদি আরও প্রশ্ন থাকে বা আরও আলোচনার প্রয়োজন হয় তবে স্বাগতম।