اس مضمون میں ، ہم ایک اعلی درجے کی الگورتھم کا استعمال کرتے ہوئے متبادل ڈیٹا سے چلنے والی سرمایہ کاری (ADDI) کی حکمت عملی کے ایک ماڈیول کو بہتر بنانے کے لئے کریں گے ، جو ایک خودکار کثیر فاصلے کی سرمایہ کاری کی حکمت عملی ہے جس کا مقصد مستحکم کارکردگی حاصل کرنا ہے جو مارکیٹ سے الگ ہے اور واپسی کا خطرہ کم ہے۔
ہم نے ایک الگورتھم تیار کیا ہے جو ایک گہری نیورل نیٹ ورک ہے جسے ہم نے اپنی مرضی کے مطابق بنایا ہے تاکہ کثیر خلائی حکمت عملی کے ساتھ منسلک خطرات کو کم کیا جاسکے۔
کے لئےسرمایہ کاروں کی مقدارلیکن ان کی سرمایہ کاری کے سفر کا ایک اہم اور دلچسپ مرحلہ ابھی سامنے ہے ، جس میں بے شمار امکانات کھل رہے ہیں: ہم اس ڈیٹا کو سگنل میں کیسے تبدیل کریں گے؟
ہم اپنے مفروضوں کی جانچ پڑتال کے لئے روایتی شماریاتی طریقوں کا انتخاب کرسکتے ہیں ، اور اعلی درجے کی الگورتھم جیسے مشین لرننگ اور ڈیپ لرننگ کے شعبوں کی بھی تلاش کرسکتے ہیں۔ شاید میکرو اکنامک تھیوریوں کے بارے میں آپ کا جنون آپ کو فاریکس (FX) مارکیٹ میں اس کے اطلاق کے بارے میں تحقیق کرنے کی ترغیب دیتا ہے۔ یا ، شاید ایف ایم زیڈ کو سمجھنے کے شوق سے آپ کو مقداری سرمایہ کاری کی راہ پر گامزن کیا جاسکتا ہے۔ ان میں سے ہر ایک ریسرچ کا راستہ نہ صرف موثر ہے ، بلکہ اس کی تلاش کے قابل ہے۔
ہمارے معاملے میں، تحقیق کی سمت کا انتخاب کرتے وقت صرف ایک رہنما اصول ہے:ہمت پیدا کریں 。
جب کوئی گرجا گھر کے بارے میں سوچتا ہے تو یہ ایک ہی پتھر کا ڈھیر نہیں ہوتا ہے۔ - انتھونی ڈی سینٹ ایکسپری
اس کے پیچھے بنیادی اصول بہت سادہ ہے۔ اگر ہم جدت نہیں کرتے ہیں تو ، ہم نمایاں نہیں ہوں گے اور کامیابی کے امکانات کم ہوجائیں گے۔ لہذا ، چاہے ہم نئی حکمت عملی تیار کرنے کے لئے روایتی اعدادوشمار پر انحصار کرتے ہیں یا کمپنی کے مالی بیانات سے بصیرت حاصل کرنے میں ملوث ہیں ، ہم ہمیشہ اسے جدید طریقوں سے حاصل کرنے کی کوشش کرتے ہیں۔ ہم مخصوص منظرناموں کے لئے مخصوص ٹیسٹ بناتے ہیں ، مالی بیانات میں غیر معمولی صورتحال کا پتہ لگاتے ہیں ، یا مخصوص مسائل کے مطابق اپنے ماڈل کو ایڈجسٹ کرتے ہیں۔
لہذا، نیورل نیٹ ورکس کی لچک اور لچک کی وجہ سے، وہ مخصوص مسائل کو حل کرنے کے لئے خاص طور پر پرکشش ہیں، جس سے ہمیں جدید ٹیکنالوجی تیار کرنے میں مدد ملتی ہے.
جیسا کہ ہم نے دیکھا ہے کہ ان تکنیکوں کو استعمال کرنے کے بہت سے طریقے ہیں۔ تاہم ، ہمیں محتاط رہنا ہوگا ، کیونکہ یہاں کوئی جادوئی فارمولا نہیں ہے۔ کسی بھی کوشش کی طرح ، ہمیں ہمیشہ بنیادی باتوں سے شروع کرنا چاہئے ، اور بعض اوقات ، سادہ لکیری رجعت بہت موثر ثابت ہوسکتی ہے۔
آج کے موضوع پر واپس آتے ہوئے ، ہم گہری اعصابی نیٹ ورک کی طاقتور صلاحیتوں کو استعمال کریں گے ، جو مالی بیانات اور تاریخی قیمتوں کے اعداد و شمار کو ان پٹ کے طور پر استعمال کرتے ہوئے خطرے کی پیشن گوئی کرتے ہیں۔
اس کے ساتھ ، ہم ماڈل کی کارکردگی کا اندازہ اس طرح کے آسان طریقے جیسے تاریخی اتار چڑھاؤ کی شرح سے کرتے ہوئے کریں گے۔
اس سے پہلے کہ ہم اس پر گہری نظر ڈالیں ، فرض کریں کہ ہم نیورل نیٹ ورکس کے بارے میں کچھ اہم تصورات سے واقف ہیں اور ہم ان کا استعمال کس طرح کرتے ہیں تاکہ پیش گوئی کی پیداوار کی تقسیم کا اندازہ لگایا جاسکے۔
مزید برآں ، آج کے مقصد کے لئے ، ہم صرف اپنے معیار میں ہونے والی بہتری اور سرمایہ کاری کی حکمت عملی میں اس کے استعمال کے بعد حاصل ہونے والے نتائج پر توجہ دیں گے۔
لہذا ، وقت کی ترتیب کے اعداد و شمار کی غیر یقینی صورتحال کو ماپنے کے بارے میں مندرجہ ذیل مضامین میں ، ہم مستقبل میں مختلف وقت کی حدوں میں متوقع قیمت کی واپسی کے اشارے کی پیش گوئی کرکے کمپنی کے خطرے کا اندازہ لگانے کی کوشش کریں گے ، جو ہماری مثال میں 5 دن سے 90 دن تک ہے۔
ذیل میں ایک مثال ہے کہ ماڈل کی تربیت کے بعد مستقبل میں مختلف وقت کی حدوں کے بارے میں کس طرح ڈویژن کی پیشن گوئی (نیلے رنگ میں) ظاہر ہوگی۔ پیشن گوئی کی ڈویژنوں کے وقفے کی چوڑائی کے ساتھ ، ہمارا سرمایہ کاری کا خطرہ زیادہ ہے۔ جامنی رنگ میں پیشن گوئی کے بعد واقعتا what کیا ہوا ہے۔
جیسا کہ اوپر بیان کیا گیا ہے، اپنی حکمت عملی میں اپنے ماڈل کا استعمال کرنے سے پہلے ہم اس کی پیش گوئی کا موازنہ ماضی کی اتار چڑھاؤ کی شرح کے سادہ تبادلوں کا استعمال کرتے ہوئے حاصل کردہ پیش گوئی سے کرتے ہیں۔ کیا ماضی کی اتار چڑھاؤ کی سادہ تبدیلی پیچیدہ الگورتھم سے بہتر ہے؟
ہمارے ماڈل اور بینچ مارک کا جائزہ لینے کے لئے ، ہم نے ان کے ڈویژن کی پیش گوئیوں کا مشاہدہ کردہ منافع سے موازنہ کیا۔ مثال کے طور پر ، 0.9 ڈویژن کی تمام پیش گوئیوں میں ، ہم اوسطا expect 90 فیصد امکان کے ساتھ توقع کرتے ہیں کہ قیمت کی واپسی اس ڈویژن کی پیش گوئی سے کم ہوگی۔
یہ وہ چیز ہے جس کا ہم مندرجہ ذیل گراف میں اندازہ لگانے کی کوشش کر رہے ہیں۔ (تمام نتائج ٹیسٹ سیٹ سے ظاہر ہوتے ہیں) ؛ بائیں گراف میں ہم نظریاتی کوریج اور اصل کوریج کا موازنہ کرسکتے ہیں۔ دائیں گراف میں ہم ان کوریج کے مابین فرق دیکھتے ہیں (نظریاتی کوریج - اصل کوریج) جسے ہم کہتے ہیںکوریج کی غلطیمثال کے طور پر ، 0.2 کے لئے ، کوریج کی غلطی 0.4٪ کے قریب ہے ، جس کا مطلب ہے کہ اوسطا ، ہم 20.4٪ اعداد و شمار کو ان اقدار سے کم دیکھتے ہیں ، نہ کہ نظریاتی 20٪۔
ہم نے پروجیکشن ونڈو (5، 10... دن) کے مطابق تمام ڈویژنوں کے لئے کوریج کی غلطیوں کا اوسط کیا اور بیکنگ ٹیسٹ اور اے آئی ماڈل کے نتائج کا موازنہ کیا۔ ذیل میں ہم دیکھ سکتے ہیں ،ہمارے گہری سیکھنے کے ماڈل بہتر کارکردگی کا مظاہرہ کرتے ہیںاس کے علاوہ ، ہم نے اپنے ماڈل کو اپنی حکمت عملی میں شامل کرنے کے لئے تیار کیا ہے (اوسط کوریج کی غلطی کم ہے) ۔
ADDI ایک بیٹا غیر جانبدار لیورج انویسٹمنٹ پورٹ فولیو (بیٹا ویلیو ~ 0.1) ہے جو نیچے جانے اور بڑھتی ہوئی مارکیٹوں کے حالات میں الفا پیدا کرنے کے قابل ہے ، جس میں مارکیٹ کے لئے خالص رسائی محدود ہے اور خطرہ کم ہے۔
اس حکمت عملی کے متعدد حصوں میں اعلی معیار کے اور کم اتار چڑھاؤ کے انحراف کا انتخاب ہوتا ہے۔ لہذا ، انوینٹری کے خطرے کا اندازہ اس عمل میں ایک اہم کام ہے۔ خالی سرے میں ، خطرہ کا اندازہ لگانا بھی ایک اہم حساب ہے کیونکہ یہ حکمت عملی انتہائی زیادہ یا انتہائی کم خطرہ والے منصوبوں سے بچنے کی کوشش کرتی ہے۔
ہم حکمت عملی کے کثیر اور خالی حصوں میں مختلف حساباتی دوروں میں تاریخی اتار چڑھاؤ کی شرح کے ذریعے خطرے کا اندازہ کرسکتے ہیں۔
ADDI کے خطرے کے تجزیے کو بہتر بنانے کے لیے، ہم پہلے دکھائے گئے گہرے نیورل نیٹ ورک کے الگورتھم کو ٹیسٹ کریں گے تاکہ موجودہ خطرے کے حساب کے عمل کو تبدیل کیا جا سکے۔
اسٹینڈرڈ 900 انڈیکس کے اجزاء میں سرمایہ کاری کرنے والے کثیر مقصود اور خالی سر کی حکمت عملی پر نئے گہری سیکھنے کے ماڈل کی جانچ پڑتال کرتے ہوئے ، کارکردگی اور خطرے دونوں کے نتائج میں بہتری دیکھی جاسکتی ہے۔
اس مضمون میں ہم نے ایک اعلی درجے کی الگورتھم ماڈل کی ایک مثال دکھائی ہے جس کا استعمال ٹریڈنگ ملٹی اسپیس کیوٹیفکیشن (ADDI) کی حکمت عملی کو بہتر بنانے کے لئے کیا جاتا ہے۔ ہم نے بتایا کہ کس طرح نیورل نیٹ ورکس کو استعمال کیا جاسکتا ہے تاکہ کوانٹیفیکیشن انویسٹمنٹ پروڈکٹس میں مخصوص کاموں کو بہتر اور زیادہ درست طریقے سے منظم کیا جاسکے ، جس سے اختتامی نتائج کو بہتر بنایا جاسکے۔
لیکن اس ماڈل کی افادیت اس سے کہیں زیادہ ہے ، اور ہم اس الگورتھم کو مختلف دیگر حکمت عملیوں میں بھی استعمال کرسکتے ہیں۔ مثال کے طور پر ، ہم اسے اعلی ترین شارپ تناسب والی کمپنیوں کا انتخاب کرنے کے لئے استعمال کرسکتے ہیں ، یا یہاں تک کہ جوڑے کی تجارت کی حکمت عملی کو نافذ کرنے کے لئے بھی۔ کیا آپ کو دوسری حکمت عملیوں کے بارے میں سوچ سکتا ہے؟
اصل لنک:https://quantdare.com/ai-case-study-long-short-strategy/