निवेश पोर्टफोलियो के निर्माण और कार्यान्वयन के लिए व्यापार मात्रा का उपयोग करें

हालांकि पोर्टफोलियो अनुकूलन आमतौर पर जोखिम और रिटर्न की भविष्यवाणी पर केंद्रित होता है, कार्यान्वयन लागत महत्वपूर्ण है। हालांकि, लेनदेन की लागत की भविष्यवाणी करना चुनौतीपूर्ण है, क्योंकि बड़े पैमाने पर निवेशकों के लिए, सबसे बड़ा घटक मूल्य प्रभाव है, जो लेनदेन के आकार, अन्य व्यापारियों की मात्रा और व्यापारियों की पहचान पर निर्भर करता है, इसलिए एक सामान्य समाधान को बाधित करता है। इस मुद्दे को हल करने के लिए, अगस्त 2024 के अध्ययन में, ट्रेडिंग मात्रा अल्फा-फ्यूजन के लेखकों, रुसियन गोयेनको, ब्रायन केली टोबियास मॉस्कोविट्ज़, यिनान सू और चाओ झांग ने कहा कि लेनदेन की लागत का अनुमान लगाने के लिए लेनदेन की मात्रा एक मूल्यवान स्रोत है, और यह मानते हुए कि लेनदेन का आकार तय है, लेनदेन की लागत में गिरावट आनी चाहिए। और सही धारणा को सत्यापित करने के लिए, उन्होंने एक मशीन सीखने का मॉडल विकसित किया, जो स्टॉक समूह के व्यक्तिगत लेनदेन की मात्रा का अनुमान लगाने के लिए काम करता है। फिर उन्होंने दिखाया कि इस मॉडल का उपयोग कैसे किया जाता है।

वे सबसे पहले बताते हैं कि पहले के अध्ययन (फ्राज़िनी, इज़राइल और मोस्कोविट्ज़, 2018) से पता चलता है कि ट्रेडों का आकार, दैनिक ट्रेडों के आकार के अलावा (जिसे क्वांटिफाइड ट्रेडों के रूप में जाना जाता है, बाजार में भागीदारी) लागत को प्रभावित करने के लिए एक महत्वपूर्ण चालक है, जबकि मूल्य प्रभाव प्रतिभागियों के लिए एक वृद्धिशील फ़ंक्शन है। ट्रेडों की मात्रा कम होने पर, ट्रेडों का मूल्य पर प्रभाव अधिक होता है। इस प्रकार, अन्य समान परिस्थितियों में, ट्रेडों की संख्या अधिक होने पर, ट्रेडर्स अधिक राशि का व्यापार कर सकते हैं, क्योंकि प्रत्येक ट्रेड का मूल्य प्रभाव कम होता है। इसके विपरीत, कम अनुमानों के कारण, ट्रेडों का व्यापार कम तेज़ होता है, और ट्रेडों का आकार शून्य हो सकता है, क्योंकि प्रति डॉलर की कीमत अधिक होती है। इसलिए, उनकी रणनीति यह है कि वे प्रत्येक ट्रेड का अनुमान लगाते हैं, जो कि अपेक्षित ट्रेडों की लागत का प्रतिनिधित्व करता है, और फिर इन अनुमानों का लाभ उठाने के लिए इन निवेशों की लागत का उपयोग करते हैं, जबकि अन्य लोगों के लिए, जो

इसके बाद, लेखकों ने ट्रेडों की मात्रा का पूर्वानुमान करने के लिए उपयोग किए जाने वाले मशीन लर्निंग मॉडल पेश किए; उनका मॉडल पुनरावर्ती तंत्रिका नेटवर्क पर आधारित है; ट्रेडों की मात्रा का पूर्वानुमान करने के लिए, उन्होंने तकनीकी संकेतों का उपयोग किया, जैसे कि लंबित लाभ और लंबित ट्रेडों की मात्रा, और उन कंपनियों की विशेषताएं जो साहित्य में असामान्य लाभ प्राप्त करते हैं; फिर, उन्होंने विभिन्न बाजार-व्यापी या कंपनी-स्तर की घटनाओं के संकेतक जोड़े, जिसमें आगामी और पिछले लाभ रिपोर्ट शामिल हैं, और विभिन्न तंत्रिका नेटवर्क का उपयोग करके रैखिक और गैर-रैखिक भविष्यवाणी के तरीकों का विश्लेषण किया, जो ऑनलाइन नमुने के बाहर की भविष्यवाणी को अधिकतम करने के उद्देश्य से है। अंत में, उन्होंने व्यापारों की मात्रा का पूर्वानुमान करते समय निवेश पोर्टफोलियो के आर्थिक लक्ष्यों को ध्यान में रखने के लिए तंत्रिका नेटवर्क के लक्ष्य / हानि कार्यों का पूर्वानुमान किया।

इसके बाद, लेखकों ने दिखाया कि पोर्टफोलियो बनाने के लिए अपने मॉडल का उपयोग कैसे किया जाए।

व्यापार मात्रा के पूर्वानुमान के आर्थिक अर्थों को मापने के लिए, हमने व्यापार मात्रा के पूर्वानुमान को पोर्टफोलियो तर्कशास्त्र की समस्या में शामिल किया है। हमने एक पोर्टफोलियो फ्रेमवर्क बनाया है, जो पोर्टफोलियो के शुद्ध लागत प्रदर्शन को अधिकतम करने के लिए एक समान-अंतर-प्रभावकारिता फ़ंक्शन का उपयोग करता है, जिसमें लेनदेन की लागत और भागीदारी का एक रैखिक संबंध होता है (साहित्य में सैद्धांतिक और अनुभवजन्य अध्ययन से प्रेरित) । अनुकूलन ने लेनदेन की लागत को गैर-लेनदेन के अवसरों के साथ संतुलित किया है। लागत-ट्रैक लेनदेन की लागत को कम करने और त्रुटि को कम करने के लिए लागत-पूर्व-अंतराष्ट्रिय निवेश पोर्टफोलियो तक पहुंचने के लिए, जिसमें लेनदेन की लागत और ट्रैकिंग त्रुटि अंतर्निहित रूप से नकारात्मक रूप से संबंधित हैं। इस मॉडल में, हम केवल लेनदेन की लागत और ट्रैकिंग त्रुटि की लागत को ध्यान में रखते हुए, लाभ-स्तर और चरण-द्वितीय मैट्रिक्स को एक दिए गए निवेश पोर्टफोलियो के बीच संतुलन के लिए मानते हैं।

इसी तरह, ध्यान दें कि व्यवहार में, जब किसी एक वस्तु का लेन-देन की लागत बहुत अधिक होती है, तो दूसरा विकल्प कुछ और व्यापार करना होता है। उदाहरण के लिए, यदि ए की लेन-देन की लागत बहुत अधिक है, तो लेन-देन की लागत कम करने पर विचार किया जा सकता है। यह गैर-लेन-देन की तुलना में बेहतर हो सकता है, आमतौर पर उनमें से कई समान विशेषताएं हैं, इसलिए अपेक्षित लाभ भी समान है, और फंड को समय-समय पर लेन-देन की आवश्यकता होती है (जैसे, नकदी प्रवाह के कारण) ।

उनके नमूने का समय 2018 से 2022 तक था, यानी 1,258 दिन; क्रॉस-सेक्शन में लगभग 4,700 प्रजातियां शामिल थीं, औसतन 3,500 प्रजातियां प्रति दिन, या कुल 4,400,000 अवलोकन; नीचे उनके कुछ प्रमुख निष्कर्षों का एक सारांश दिया गया हैः

उनके मॉडल विभिन्न प्रकार के लेनदेन की सटीक भविष्यवाणी कर सकते हैं।

• मूल्य प्रभाव लागत (अर्थात लेन-देन का आकार निश्चित है) भागीदारी दर के साथ एक रैखिक संबंध है, लेकिन लेन-देन की मात्रा के साथ एक असंबद्ध संबंध है। बहुत कम लेनदेन का मतलब है कि प्रभाव लागत सूचकांक में उच्च है, जबकि बहुत अधिक लेनदेन का मतलब है कि लागत को नजरअंदाज किया जा सकता है। मशीन सीखने की तकनीक लेनदेन की मात्रा का अनुमान लगाने की क्षमता में काफी सुधार कर सकती है, क्योंकि लेनदेन की मात्रा की असंबद्धता और लेनदेन की लागत के संबंध में बड़ा डेटा लेनदेन की मात्रा का अनुमान लगाने की सटीकता में काफी सुधार करता है।
• बड़ी कंपनियों की भविष्यवाणी की सटीकता छोटी कंपनियों की तुलना में अधिक है। छोटी कंपनियों में न केवल औसत तरलता कम है, बल्कि तरलता की भविष्यवाणी करना भी मुश्किल है, और अस्थिरता अधिक है।
• यदि लेन-देन का आकार स्थिर रहता है, तो लेन-देन की मात्रा शून्य होने के साथ, तरलता की मांग करने वालों के लिए मूल्य प्रभाव लागत लगभग अनंत होती है (ध्यान दें कि तरलता प्रदाताओं के लिए मामला बिल्कुल विपरीत है, यही कारण है कि धैर्य से व्यापार करना महत्वपूर्ण है), जबकि जब लेनदेन की मात्रा बढ़ जाती है, तो प्रभाव लागत लगभग शून्य हो जाती है।
• जब व्यापार की मात्रा कम होती है, तो व्यापार की मात्रा के पूर्वानुमान में परिवर्तन का एक बड़ा आर्थिक प्रभाव होता है, जिससे संख्यात्मक पूर्वानुमान में त्रुटि की असममित लागत होती है। हालांकि, ट्रैकिंग त्रुटि या व्यापार न करने के अवसर की लागत व्यापार की मात्रा से संबंधित नहीं है। इन दोनों प्रभावों का संयोजन इसका मतलब है कि उच्च-मूल्यांकित व्यापार की सजा को अनुकूलित करने के लिए उच्च-मूल्यांकित व्यापार की सजा से अधिक होता है। उच्च-मूल्यांकित व्यापार में बहुत अधिक व्यापार की लागत कम मूल्य के व्यापार की मात्रा से अधिक होती है। कम व्यापार की मात्रा में, लेनदेन की लागत और व्यापार की मात्रा के बीच बहुत कम संबंध होता है, जबकि उच्च व्यापार की मात्रा में, लागत और व्यापार की मात्रा के बीच संबंध समतल होता है।
• लेन-देन की लागत एयूएम की वृद्धि के साथ बढ़ेगी, ट्रैकिंग त्रुटि का सापेक्ष नुकसान एयूएम की वृद्धि के साथ बढ़ेगा और एयूएम की वृद्धि के साथ कम हो जाएगा। लेन-देन की लागत और ट्रैकिंग त्रुटि के बीच का सबसे अच्छा संतुलन पोर्टफोलियो के आकार के साथ बदल जाएगा, और लेन-देन की मात्रा का अनुमानित आर्थिक प्रभाव भी भिन्न होगा। छोटे एयूएम के लिए, ट्रैकिंग त्रुटि का मुख्य विचार लेनदेन की लागत है।
• उच्च लेनदेन वाले कारक (जैसे गति, कम समय में रिवर्स) पोर्टफोलियो अनुकूलन से अधिक लाभान्वित होते हैं, जो लेनदेन के अनुमान के आधार पर अपेक्षित लेनदेन लागत को ध्यान में रखते हुए पोर्टफोलियो का अनुकूलन करता है (चित्र देखें) ।

ग्राफः प्रत्येक कारक पोर्टफोलियो के कार्यान्वयन में औसत रिटर्न में सुधार

A. कारकों के संयोजन को लागू करना B. विषयगत समूहों द्वारा औसत प्रत्येक बिंदु पर एक JKP कारक पोर्टफोलियो लागू किया जाता है; y-अक्ष कार्यान्वयन rnn.econall और ma5 के बाद की लागत के बीच औसत अधिशेष लाभ का अंतर है; x-अक्ष कारक पोर्टफोलियो लक्ष्य के लिए रोटेशन दर है (यानी समीकरण 15); पैनल B शैली समूह द्वारा (जेकेपी से) A में बिंदु 0 को औसत करता है।

परिणाम भविष्य के परिणामों का एक संकेतक नहीं है और न ही किसी भी निवेशक के लिए वास्तविक लाभ का प्रतिनिधित्व करता है। सूचकांक का प्रबंधन नहीं किया जाता है, प्रबंधन या लेनदेन शुल्क को प्रतिबिंबित नहीं करता है, और निवेशक सीधे सूचकांक में निवेश नहीं कर सकते हैं।

• ट्रेड अल्फा बहुत उल्लेखनीय है. ट्रेड अल्फा पोर्टफोलियो में सीमांत सुधार के समान है जो रिटर्न अल्फा के रूप में पाया जाता है. उदाहरण के लिए, एक अरब डॉलर के फंड के लिए, लेनदेन की मात्रा का अनुमान लगाने के बजाय एक पिछड़े लेनदेन के संकेतक का उपयोग करके, लागत-घटाव के बाद पोर्टफोलियो के प्रदर्शन में सुधार की मात्रा अपेक्षित रिटर्न या लेनदेन की लागत के बाद शार्प अनुपात से दोगुनी हो सकती है. प्रचलित उत्पाद मूल्य निर्धारण कारकों में, पिछड़े लेनदेन की गतिशील औसत का उपयोग भविष्य के लेनदेन, लागत-प्रभाव के बाद रिटर्न में सुधार की भविष्यवाणी करने के लिए किया जाता है।

उनके शोध के परिणामों से लेखकों ने निष्कर्ष निकालाः

मनी ट्रेडों की मात्रा बहुत भविष्यवाणी करने में सक्षम है, विशेष रूप से जब मशीन सीखने की तकनीक, बड़े डेटा संकेतों का उपयोग किया जाता है और भविष्यवाणी की जटिलता का लाभ उठाया जाता है। हमने पाया है कि लेनदेन की लागत के बाद सर्वोत्तम औसत मूल्य-अंतर अंतर पोर्टफोलियो को प्राप्त करने के लिए, लेनदेन की मात्रा का अनुमान लगाना आय की भविष्यवाणी के समान मूल्यवान है। हमने पाया है कि उपयोगी भविष्यवाणियों को प्राप्त करने के लिए आर्थिक लक्ष्य फ़ंक्शन को सीधे मनी ट्रेडों में शामिल करना अधिक प्रभावी है। यह सुविधा कई वित्तीय अनुप्रयोगों के लिए लागू हो सकती है, जिसमें, आर्थिक लक्ष्य को सीधे शामिल करने से एक दो-चरण प्रक्रिया का नेतृत्व किया जा सकता है, जो पहले एक सांख्यिकीय लक्ष्य को पूरा करता है और फिर सांख्यिकीय वस्तुओं को आर्थिक ढांचे में शामिल करता है।

सारांश

पेपर ट्रेडिंग वॉल्यूम अल्फा में ट्रेडिंग वॉल्यूम साहित्य में महत्वपूर्ण योगदान है। लेखकों ने मौजूदा साहित्य का स्पष्ट और संक्षिप्त रूप से अवलोकन किया है। उन्होंने एक नया मशीन लर्निंग मॉडल भी पेश किया है जो ट्रेडिंग वॉल्यूम की भविष्यवाणी करने के लिए उपयोग किया जाता है। उनके निष्कर्षों ने क्वांटिफाइड ट्रेडिंग के निर्माण और रणनीति को लागू करने के तरीके को पूरी तरह से बदल दिया है। निष्कर्ष में, लेखकों ने कहाः

भविष्यवाणी करने वाले चर और अधिक सटीक रूप से व्यापारिक मात्रा का अनुमान लगाने वाले मॉडल को अधिक व्यापक रूप से खोजना और यहां दिखाए गए से अधिक आर्थिक लाभ प्राप्त करना संभव है। कुछ आशाजनक अतिरिक्त सुविधाओं और विधि उम्मीदवारों में व्यापार के बीच अग्रणी पिछड़े व्यापारिक मात्रा संबंध, अधिक मौसमी संकेतक, अन्य बाजार सूक्ष्म संरचनात्मक चर और अधिक जटिल nn और rnn मॉडल शामिल हैं।

मूल लिंकःhttps://alphaarchitect.com/2024/11/trading-volume/