بات چیت کریں کہ کس طرح کچھ پروگرامنگ ٹرانزیکشن ماڈل کے پیرامیٹرز کو بہتر بنایا جائے

بات چیت کریں کہ کس طرح کچھ پروگرامنگ ٹرانزیکشن ماڈل کے پیرامیٹرز کو بہتر بنایا جائے

• پیرامیٹر ہائی لینڈ اور پیرامیٹر جزیرے

پیرامیٹر کی اصلاح میں ایک اہم اصول یہ ہے کہ پیرامیٹر پلاٹینس کی بجائے پیرامیٹر آئسولیشن کا حصول کیا جائے۔ پیرامیٹر پلاٹینس کا مطلب یہ ہے کہ پیرامیٹر کی ایک وسیع رینج موجود ہے ، جس میں ماڈل اس پیرامیٹر کی حد میں بہتر نتائج حاصل کرسکتا ہے ، عام طور پر پلاٹین کے مرکز کے ساتھ قریب سے باقاعدگی سے تقسیم ہوتا ہے۔ اور پیرامیٹر آئسولیشن کا مطلب یہ ہے کہ ماڈل بہتر کارکردگی کا مظاہرہ کرتا ہے جب پیرامیٹر کی قدر کسی بہت ہی چھوٹی حد میں ہوتی ہے ، اور جب پیرامیٹر اس قدر سے انحراف کرتا ہے تو ماڈل کی ظاہری شکل میں نمایاں تغیر ہوتا ہے۔

• اعداد و شمار کے لئے پلاٹین

  مثال کے طور پر ، اگر کسی تجارتی ماڈل میں دو پیرامیٹرز ، پیرامیٹر 1 اور پیرامیٹر 2 ہیں ، تو ، جب دونوں پیرامیٹرز کو جانچنے کے بعد ، ایک تین جہتی کارکردگی کا نقشہ ملتا ہے۔ اچھی پیرامیٹرز کی تقسیم پیرامیٹرز کے اعلی درجے کی کارکردگی کا مظاہرہ کرنا چاہئے ، یہاں تک کہ اگر پیرامیٹرز کی ترتیب میں کوئی انحراف ہوتا ہے تو ، ماڈل کی منافع بخش کارکردگی کو یقینی بنایا جاسکتا ہے۔ اس طرح کے پیرامیٹرز مستحکم ہونے کی وجہ سے ، ماڈل کو مستقبل کی حقیقی جنگ میں ہر طرح کے معاملات کا سامنا کرنے پر زیادہ ذمہ دار بنایا جاسکتا ہے۔ لیکن اگر پیرامیٹرز کے بعد کارکردگی کے نتائج جیسے پیرامیٹرز کے بعد ، پیرامیٹرز کے چھوٹے انحراف ہوتے ہیں تو ، ماڈل کی منافع بخش کارکردگی میں بڑے پیمانے پر تبدیلی ہوتی ہے ، لہذا پیرامیٹرز کی کارکردگی میں بہت زیادہ تبدیلی ہوتی ہے ، جو مارکیٹ میں عملی طور پر تجارت کرنے کے لئے اکثر مشکل ہوتا ہے۔

  

  عام طور پر ، اگر قریبی پیرامیٹر سسٹم کی کارکردگی زیادہ سے زیادہ پیرامیٹر کی کارکردگی سے بہت مختلف ہے تو ، یہ زیادہ سے زیادہ پیرامیٹر ممکنہ طور پر ایک زیادہ سے زیادہ مجموعی نتیجہ ہوسکتا ہے ، جو ریاضی کے لحاظ سے عجیب حل کے طور پر سمجھا جاسکتا ہے ، نہ کہ انتہائی قدر کا حل جس کی تلاش کی جارہی ہے۔ ریاضی کے لحاظ سے ، عجیب غیر مستحکم ہے ، اور مستقبل میں غیر یقینی صورتحال میں ، ایک بار جب مارکیٹ کی خصوصیات میں تبدیلی آتی ہے تو ، بہترین پیرامیٹر بدترین پیرامیٹر بن سکتا ہے۔

  اوور فٹ ہونے کا تعلق منتخب کردہ نمونہ سے ہے ، اگر منتخب کردہ نمونہ مارکیٹ کی مجموعی خصوصیات کی نمائندگی نہیں کرسکتا ہے تو ، صرف ٹیسٹ کے نتائج کو مثبت متوقع قیمت تک پہنچانے کے لئے پیرامیٹرز کو ایڈجسٹ کرنا ، یہ عمل یقینی طور پر خود دھوکہ دہی ہے ، اور پیرامیٹرز کی قیمتوں کو اوور فٹ ہونے والے غیر فعال پیرامیٹرز کی قیمتوں کے طور پر حاصل کیا جاتا ہے۔ مثال کے طور پر ، پیرامیٹرز کی اوور فٹ ہونے کا تجزیہ کرکے ، تجارتی ماڈل میں بالترتیب قیمتوں میں اضافہ ہوتا ہے ، اگر ماڈل میں 35 اور 63 کے مطابق پیرامیٹرز کا انتخاب کیا جاتا ہے تو ، ماڈل کی آمدنی کامل نظر آتی ہے ، لیکن حقیقت میں یہ ایک عام پیرامیٹر جزیرہ نما اثر ہے۔

  ماڈل کے پیرامیٹرز کو زیادہ سے زیادہ موزوں کرنے اور پیرامیٹرز کو بہتر بنانے کا بنیادی تضاد یہ ہے کہ ماڈل کے پیرامیٹرز کو بہتر بنانے کے لئے بہترین پیرامیٹرز صرف تاریخی اعداد و شمار کے نمونے پر مبنی ہوتے ہیں جو پہلے ہی ہوچکے ہیں ، جبکہ مستقبل کی مارکیٹ متحرک تبدیلی ہے ، جو تاریخی مارکیٹوں کے مقابلے میں مماثلت اور تغیر دونوں رکھتی ہے۔ ماڈل ڈیزائنرز ماڈل کو ماڈل کے لئے بہترین کارکردگی کا مظاہرہ کرنے والے پیرامیٹرز تلاش کرسکتے ہیں ، لیکن یہ پیرامیٹر مستقبل کے ماڈل کے عملی استعمال میں بہترین کارکردگی کا مظاہرہ نہیں کرے گا ، بلکہ ماڈل کی تاریخ میں بہترین کارکردگی کا مظاہرہ کرنے والے پیرامیٹرز کو مستقبل کے ماڈل جنگ میں بہت خراب کارکردگی کا مظاہرہ کرسکتا ہے ، یا اس سے بھی بڑے نقصان کا باعث بن سکتا ہے۔ مثال کے طور پر ، ایک پیرامیٹر کو منتخب کریں جو تاریخ کی بڑی تجارت کی لہر کو پکڑ سکتا ہے ، لیکن اس طرح کی پیرامیٹر کی قیمت کا تعین کرنے کا مطلب یہ نہیں ہے کہ ماڈل مستقبل میں اتنی اچھی کارکردگی کا

  مزید برآں ، پیرامیٹر پلاٹینس اور پیرامیٹر جزائر کا اکثر تجارت کی تعداد سے زیادہ تعلق ہوتا ہے۔ اگر ماڈل کی تجارت کی تعداد کم ہے تو ، اکثر ایک مناسب پیرامیٹر پوائنٹ پایا جاسکتا ہے ، جس سے ماڈل ان تجارتوں میں منافع بخش ہوتا ہے ، اور اس پیرامیٹر کو بہتر بنانے کے بعد ماڈل کے منافع میں زیادہ اتفاق ظاہر ہوتا ہے۔ اگر ماڈل کی تجارت کی تعداد زیادہ ہے تو ، ماڈل کے منافع کی اتفاقیت کم ہوجاتی ہے ، اور اس سے زیادہ منافع کی ناگزیر اور باقاعدگی ظاہر ہوتی ہے ، اور پھر ایک پیرامیٹر پلاٹینس ہوتا ہے۔ اس طرح کی پیرامیٹر کو بہتر بنانے کا مقصد پیرامیٹر کو بہتر بنانا ہے۔

• پیرامیٹرز کو بہتر بنانے کے طریقے

  پیرامیٹر پلاٹینس اور پیرامیٹر آئسولیشن کو سمجھنے کے بعد ، پیرامیٹرز کو بہتر بنانے کا طریقہ بہت ضروری ہے ، خاص طور پر جب ماڈل میں متعدد پیرامیٹرز موجود ہیں (جسے پیرامیٹرز سیٹ کہا جاتا ہے) ، اکثر ایک پیرامیٹر کی قیمت لینے سے دوسرے پیرامیٹر پلاٹینس کے تقسیم پر اثر پڑتا ہے۔ تو ، پیرامیٹرز سیٹ کو کس طرح بہتر بنایا جائے؟

  ایک طریقہ ہے مرحلہ وار کنورجنس کا۔ یعنی پہلے ایک پیرامیٹر کو الگ سے بہتر بنانا، اس کی بہترین قیمت حاصل کرنے کے بعد اسے فکس کرنا، اور پھر دوسری پیرامیٹر کو بہتر بنانا، اس کی بہترین قیمت حاصل کرنے کے بعد اسے فکس کرنا۔ اس طرح کے لپیٹ، جب تک کہ اصلاح کا نتیجہ تبدیل نہ ہو۔ مثال کے طور پر، ایک یکساں کراس ٹریڈنگ ماڈل، جہاں دو آزاد پیرامیٹرز ہیں، یعنی ایک مختصر مدت N1 اور ایک لمبی مدت N2۔ پہلے N2 کو 1 مقرر کیا جاتا ہے، N1 کو 1 سے 100 کی حد میں ٹیسٹ فلٹر کیا جاتا ہے، بہترین پیرامیٹر کی تلاش کی جاتی ہے، جس کے نتیجے میں بہترین پیرامیٹر 8 ہو جاتا ہے اور فکس کیا جاتا ہے؛ اس کے بعد N2 کو 1200 کے درمیان بہتر بنایا جاتا ہے، جس کے نتیجے میں بہترین قیمت 26 حاصل کی جاتی ہے اور فکس کیا جاتا ہے؛ پھر ایک بار پھر N1 کے لئے دوسرا لپیٹ، جس کے نتیجے میں نیا بہترین قیمت 10 حاصل کی جاتی ہے اور فکس کیا جاتا ہے؛ آخر میں N2 کو بہتر بنایا جاتا ہے اور 28 مقرر کیا جاتا

  ایک اور طریقہ یہ ہے کہ طاقتور کمپیوٹنگ کی خصوصیات کے ساتھ پروگرام ساز سافٹ ویئر ڈیزائن پلیٹ فارم کا استعمال کرتے ہوئے ، ہدف کے فنکشن اور پیرامیٹر سیٹ کے مابین براہ راست تقسیم کا حساب لگایا جائے ، پھر کثیر جہتی فرق کی تقسیم کی تلاش کی جائے ، اور ایک فرق کی حد مقرر کی جائے ، جس میں فرق کی مطلق قیمت اس حد سے کم ہے جس میں کثیر جہتی حجم کا سب سے بڑا ، کثیر جہتی اندرونی دائرہ کار کا سب سے بڑا ، سب سے زیادہ مستحکم پیرامیٹر لینے کے لئے منتخب کیا جاتا ہے۔

  پیرامیٹرز کو بہتر بنانے کے علاوہ ، اعداد و شمار کے نمونے کا انتخاب بھی ایک اہم عنصر ہے۔ رجحانات کی پیروی کرنے والے تجارتی خیالات کے ساتھ ماڈل رجحانات کی مارکیٹوں میں بہتر کارکردگی کا مظاہرہ کرتے ہیں ، اور ہائی بیچنے والے کم خریدنے والے تجارتی خیالات کے ساتھ حکمت عملی اتار چڑھاؤ والے بازاروں میں بہتر کارکردگی کا مظاہرہ کرتی ہے۔ لہذا ، پیرامیٹرز کو بہتر بنانے کے لئے ، منافع کو مدنظر رکھتے ہوئے تجارت کے خیالات سے مطابقت رکھنے والے بازاروں کو مناسب طریقے سے ہٹانے کی ضرورت ہے ، اور نقصان کو مدنظر رکھتے ہوئے غیر حکمت عملی کے خیالات کے ساتھ مارکیٹ کے اعداد و شمار کو بڑھانا ہے۔

  اسٹاک فیوچر کی مثال کے طور پر ، اسٹاک فیوچر 2010 کے آغاز میں اور 2014 کے دوسرے نصف حصے میں ، جب ایک انتہائی بھاری بازار کا آغاز ہوا تھا ، اب تک ، اسٹاک فیوچر ایک طرفہ مارکیٹ ہیں۔ اس میں کوئی شک نہیں ہے کہ تمام رجحاناتی ماڈل اچھے نتائج حاصل کرتے ہیں۔ تاہم ، اگر ہم اس انتہائی مارکیٹ کے اعداد و شمار کو بھی نمونے میں ڈالتے ہیں اور پیرامیٹرز کو بہتر بناتے ہیں تو ، موصول ہونے والے ماڈل کی پیرامیٹرز بہترین نہیں ہوسکتی ہیں۔

  مثال کے طور پر ، فرض کریں کہ کسی ماڈل کے دو پیرامیٹرز ہیں ، پیرامیٹر A کے ٹیسٹ کے نتائج ایک طرفہ مارکیٹ کے وقت میں بہت اچھے ہیں ، دوسرے اوقات میں عام طور پر کارکردگی کا مظاہرہ کرتے ہیں۔ دوسرے پیرامیٹر B کے ٹیسٹ کے نتائج ایک طرفہ مارکیٹ کے وقت میں پیرامیٹر A کے مقابلے میں خراب ہیں ، دوسرے اوقات میں پیرامیٹر A سے بہتر کارکردگی کا مظاہرہ کرتے ہیں ، اور ہر وقت کے درمیان تقسیم پیرامیٹر A کے مقابلے میں یکساں ہے۔ یہاں تک کہ اگر پیرامیٹر A پورے نمونہ کے اعداد و شمار کے ٹیسٹ کے جامع اشارے جیسے رسک ریٹرن بی کے مقابلے میں زیادہ ہے ، تو ہم بھی پیرامیٹر B کا انتخاب کرنے کی ترجیح دیتے ہیں ، کیونکہ پیرامیٹر بی نسبتا more زیادہ مستحکم ہے ، اور مخصوص نمونہ پر منحصر نہیں ہے۔

  مجموعی طور پر ، جب آپ پروگرام شدہ تجارتی ماڈل بناتے ہیں تو ، ایک طرف ، آپ ماڈل کو بہتر بنانے کے لئے پیرامیٹرز کو بہتر بناسکتے ہیں ، تاکہ ماڈل قیمت میں اتار چڑھاؤ کے ماڈل کو بہتر طور پر اپنائے اور سرمایہ کاری کی واپسی کو بہتر بنائے۔ دوسری طرف ، آپ کو پیرامیٹرز کو بہتر بنانے کے لئے زیادہ سے زیادہ موافقت کو روکنے کی ضرورت ہے ، جس سے مارکیٹ میں تبدیلی کے ل the ماڈل کی قابل اطلاق میں نمایاں کمی واقع ہوتی ہے۔

پروگرامنگ ٹریڈرز سے نقل کیا گیا