کاپی رائٹ کا اعلان: اگر آپ کو اس مضمون کا کوڈ نقل کرنے کی ضرورت ہے تو ، براہ کرم اس کی اصل کی نشاندہی کریں ، اگر یہ تجارتی استعمال ، مقالہ لکھنے کے لئے ہے تو ، براہ کرم نجی ای میل یا مصنف سے رابطہ کریں 940648114@qq.com

ایک، پیش گوئی

مقداری تجارت کے فوائد

مقداری تجارت کا مطلب یہ ہے کہ اعلی درجے کی ریاضیاتی ماڈلز کے بجائے خود مختار فیصلے ، کمپیوٹر ٹکنالوجی کا استعمال کرتے ہوئے ، بہت سارے ممکنہ حادثات کی حکمت عملی تیار کرنے کے لئے جو بہت زیادہ منافع بخش ہوسکتے ہیں ، سرمایہ کاروں کے جذبات کے اتار چڑھاؤ کو بہت کم کرتے ہیں ، اور مارکیٹ میں انتہائی جنون یا بدامنی کی صورت میں غیر معقول سرمایہ کاری کے فیصلوں سے بچتے ہیں۔ ڈیجیٹل کرنسی مارکیٹ سے شروع کرنا واضح طور پر مقدار سازی کے لئے ایک اچھا نقطہ آغاز ہے۔ ڈیجیٹل کرنسی مارکیٹ ابھی تک نابالغ ہے۔ پلیٹ فارم ٹریڈنگ سسٹم کی ناکامی ، کی لائن پلگ اب بھی کبھی کبھار سامنے آتی ہے ، اور مقدار کی تجارت کے لئے ایک خطرہ بھی ہے۔ لیکن مجموعی طور پر ڈیجیٹل کرنسی کے لئے مقدار کی تجارت کے فوائد نقصانات سے کہیں زیادہ ہیں۔ کیونکہ ماڈل کی ریٹیسٹ ٹریننگ اور ٹائم سیریز کی ریٹیسٹ تجزیہ کے ذریعہ ، ہم کم سے کم وقت میں سیکڑوں ماڈلز میں سے بہترین موزوں طریقے آزما سکتے ہیں۔

دو، جی کیو این آر ماڈل کا تعارف

یہ ماڈل گارچ ماڈل پر مبنی ہے، جس میں گھومنے کی شرح کی پیشن گوئی کرنے والے VaR کی قیمتوں کا استعمال کرتے ہوئے غیر لکیری واپسی کا استعمال کرتے ہوئے گھومنے کی شرح کی پیشن گوئی کی جاتی ہے، مثال کے طور پر GA مستقبل کے اگلے دور میں اوپری حد VaR اور نیچے کی حد VaR کی پیشن گوئی کرنے کے لئے مطابقت رکھتا ہے. اس طریقہ کار کو ماڈل میں مختصر طور پر GQNR کہا جاتا ہے۔

1.Garch模块

اس سیکشن میں اسٹریٹجک گارچ کور کے بارے میں تفصیل سے بتایا جائے گا ، جو مالیاتی منڈیوں میں ایک خاص حد تک مقبول ہے اور ڈیجیٹل کرنسیوں پر کچھ پیش گوئی کے اثرات کو حاصل کرسکتا ہے۔

1.1 گارچ کی تعریف

آر ایچ ایچ ماڈل کی اصل یہ ہے کہ بقایا مربع سیریز کا استعمال کرتے ہوئے کیو مرحلے کی متحرک پلگ ان کو موجودہ وقت کے فرق کی تقریب کی قیمتوں کے مطابق بنایا جائے۔ چونکہ متحرک اوسط ماڈل میں خود متعلقہ عوامل کی کیو مرحلے کا اختتام ہوتا ہے ، لہذا آر ایچ ایچ ماڈل دراصل صرف غیر متعلقہ افعال کے لئے مختصر خود متعلقہ عوامل کے لئے موزوں ہے۔ لیکن عملی طور پر ، کچھ باقیات کی سیریز کے مختلف فرق افعال طویل مدتی وابستہ ہوتے ہیں ، اور جب ARCH ماڈل کے مطابق فرق افعال کا استعمال کیا جاتا ہے تو ، اس سے بہت زیادہ اوسط درجے کی تعداد پیدا ہوتی ہے ، جس سے پیرامیٹرز کا تخمینہ لگانے میں دشواری ہوتی ہے اور آخر کار ARCH ماڈل کی مطابقت کی درستگی پر اثر پڑتا ہے۔ اس مسئلے کو درست کرنے کے لئے ، ایک وسیع اصطلاح میں regression condition غیر متغیر ماڈل پیش کیا گیا ہے ، جسے مختصر طور پر GARCH ((p ، q) کہا جاتا ہے۔ GARCH ماڈل حقیقت میں ARCH کی بنیاد پر ہے، جس میں مختلف افعال پر غور کرنے والے p-سطح کی خود اعتمادی میں اضافہ ہوتا ہے، جو طویل مدتی یاد رکھنے والے مختلف افعال کے ساتھ مؤثر طریقے سے فٹ بیٹھتا ہے۔ ARCH ماڈل GARCH ماڈل کا ایک مثال ہے، P = 0 کے لئے GARCH ((p، q) ماڈل) ۔

1.2 ARCH عمل

اس کی وضاحت اس طرح کی ہے کہ اگر اس کی قیمت n ٹرانزیکشن سائیکل پر n ٹرانزیکشن سائیکل پر ہے تو اس کا تخمینہ n ٹرانزیکشن سائیکل پر ہوتا ہے ، اور mu روزانہ کی واپسی ہے ، تو اس کا تخمینہ حالیہ m ٹرانزیکشن سائیکل پر کیا جاسکتا ہے: $$ \sigman^2= \frac{1}{m-1} \sum\ حدود{i=1}^m {({ \mu_{n-i}- \overline{\mu} }) ^2}، $$ مندرجہ ذیل تبدیلیاں کریں: 1 μn-i کو فی صد منافع میں تبدیل کریں؛ 2 m-1 کو m میں تبدیل کریں؛ 3 فرض کریں کہ μ=0۔ اور یہ تبدیلیاں نتائج پر بہت کم اثر ڈالتی ہیں۔ مندرجہ بالا فارمولے کے مطابق ، اتار چڑھاؤ کی شرح کو آسان بنایا جاسکتا ہے: $$ \sigman^2= \frac{1}{m} \sum\ حدود{i=1}^m { \mu_{n-i} ^2}، $$ اس کا مطلب یہ ہے کہ ہر دور کی اتار چڑھاؤ کی چوڑائی کا برابر وزن 1 / m ہے۔ چونکہ موجودہ اتار چڑھاؤ کا اندازہ لگایا گیا ہے ، لہذا قریب کے اعداد و شمار کو زیادہ وزن دینا چاہئے ، لہذا مندرجہ بالا فارمولہ کو تبدیل کیا جاسکتا ہے: $$ \sigman^2= \sum\ حدود{i=1}^m { \alpha_i\mu_{n-i} ^2}، $$ αi تجارت کے چکر i کے لئے منافع کی مربع کا کوفیشنر ہے ، جس کی قدر درست ہوتی ہے اور جتنا کم i ہوتا ہے ، اتنا ہی بڑا ہوتا ہے ، وزن کا مجموعہ 1 ہوتا ہے۔ مزید فروغ دینے کے لئے ، یہ فرض کیا جاتا ہے کہ ایک طویل مدتی فرق VL ہے ، اور اس کا وزن γ ہے ، مندرجہ بالا فارمولے کے مطابق حاصل کیا جاسکتا ہے:

$$ \begin{cases}\sigman^2= \گاما V{L}+\sum\limits_{i=1}^m { \alpha_i\mu_{n-i} ^2}\ &\ \gamma+\sum\limits_{i=1}^m{\alpha_i\mu_{n-i}^2}=1 & \end{cases}، $$ اس طرحω=γVL، فارمولہ ((15) کو تبدیل کیا جا سکتا ہے: $$ \sigman^2= \omega+\sum\limits{i=1}^m { \alpha_i\mu_{n-i} ^2}، $$ مندرجہ بالا فارمولے کے مطابق ہم عام ARCH ((1) عمل حاصل کر سکتے ہیں $$ \sigman^2= \omega+{ \alpha\mu{n-1} ^2}، $$

1.3 گارچ عمل

GARCH ((p ، q) ماڈل ARCH§ اور EWMA ((q) ماڈل کا ایک مجموعہ ہے ، جس کا مطلب یہ ہے کہ اتار چڑھاؤ نہ صرف پچھلے پیریڈ کی آمدنی سے متعلق ہے ، بلکہ اپنے پہلے کی مدت سے بھی متعلق ہے ، جس کا اظہار مندرجہ ذیل ہے: $$ \sigman^2= \omega+\sum\limits{i=1}^m { \alpha_i\mu_{n-i} ^2} + \sum\limits_{i=1}^m { \beta_i\sigma_{n-i} ^2}، $$ مندرجہ بالا فارمولے کے مطابق ہم عام GARCH ((1,1) حاصل کرسکتے ہیں: $$ \begin{cases}\sigman^2= \omega+{ \alpha\mu{n-1} ^2+\beta\sigma_{n-1}^2}\&\ \qquad\alpha+\beta+\gamma=1 & \end{cases}، $$

2 QR ماڈیولز

اس سیکشن میں بنیادی ڈویژن ریگونیشن پر روشنی ڈالی جائے گی اور اسٹریٹجک ڈویژن کی اہمیت کو بیان کیا جائے گا۔

2.1 QR تعریف

ڈویژنل رجعت ایک ماڈلنگ کا طریقہ ہے جس میں ریجنل متغیر X کے سیٹ اور تشریح شدہ متغیر Y کے ڈویژنل کے درمیان لکیری تعلقات کا اندازہ لگایا جاتا ہے۔ پچھلے رجعت کے ماڈل دراصل تشریح شدہ متغیرات کے مطالعہ کی شرائط کی توقعات ہیں۔ اور یہ بھی سمجھنے میں دلچسپی رکھتے ہیں کہ متغیرات کی تشریح شدہ متغیرات کی تقسیم میں درمیانی تعداد ، تقسیم کے ساتھ کس طرح کا تعلق ہے۔ یہ سب سے پہلے کونکر اور باسٹیٹ (1978) نے پیش کیا تھا۔ OLS رجعت کے تخمینے کا حساب کم سے کم بقایا مربع پر مبنی ہے۔ تقسیم شدہ رجعت کے تخمینے کا حساب بھی ایک غیر متوازن شکل میں مطلق بقایا کم سے کم پر مبنی ہے۔ اس میں ، درمیانی تعداد میں واپسی کا استعمال کم سے کم مطلق انحراف تخمینہ (LAD ، کم سے کم مطلق انحراف تخمینہ کار) ہے۔

2.2 OLS سے QR تک

عام طور پر واپسی کا طریقہ کم سے کم دوگنا ہے ، یعنی کم سے کم غلطی کا مربع مجموعہ: $$ min \sum{({y_i- \widehat{y}i }) }^2 $$ اس کے علاوہ، اس کا مقصد یہ ہے کہ مندرجہ بالا فارمولے کی بنیاد پر وزن میں کمی کی غلطی کی مطلق قیمت کو کم سے کم کیا جائے اور: $$ \mathop{\arg\min\beta}\ \sum{[{\tau(y_i-X_i\beta) ^++(1-\tau) }(X_i\beta-y_i) ^+ }]} $$

2.2 کیو آر کی نمائش

اور آپ دیکھ سکتے ہیں کہ تمام نمونے الگ الگ جگہوں میں ریگونیشن لائن کے ذریعہ تقسیم کیے گئے ہیں اور یہ ریگونیشن لائن بھی تقسیم کی لائن بن جاتی ہے۔

3.GARCH-QR واپسی

ہم قدرتی طور پر سوچتے ہیں کہ کیا یہ ممکن ہے کہ مارکیٹ میں غیر معلوم اتار چڑھاؤ سگما اور تقسیم Q یا VaR کے ساتھ واپسی کی جائے تاکہ مستقبل کے امکانات کے تحت اتار چڑھاؤ کی حد کی پیشن گوئی کی جاسکے ، اور یہ شعبہ اس سمت میں ترقی کرے گا۔

3.1 اتار چڑھاؤ کی شرح اور VaR کی واپسی کی شکل کا انتخاب

اس کے علاوہ ، میں نے ایک اور مضمون لکھا ہے جس میں میں نے اس کے بارے میں سوچا تھا کہ اس کے بارے میں کیا سوچنا ہے۔ $$ VaR=\epsilon+W^TE\E=(\zeta,\zeta^2,\zeta^3,\zeta^4) \W=(W_1,W_2,W_3,W_4) $$

3.2 ہدف کی تقریب کا تعین

مندرجہ بالا معلومات کے مطابق، ہم مجموعہ کے بعد حتمی طور پر مطلوبہ مقصد کے افعال حاصل کر سکتے ہیں: $$ \widehat{W}=\mathop{\arg\min_W}\ \sum{[{\alpha(VaR_t-W^TE_t) ^++(1-\alpha) ((W^TE_t-VaR_t) ^+ }]} $$

3.3 مشین لرننگ کا استعمال کرتے ہوئے ہدف افعال کو بہتر بنانا

اس مرحلے میں زیادہ اختیارات ہیں ، روایتی تدریج میں کمی ہے ، اور جینیاتی الگورتھم بھی ہوسکتے ہیں ، اور قارئین اپنی تخلیقی صلاحیتوں کو استعمال کرسکتے ہیں تاکہ وہ تجربہ کرسکیں۔GA الگورتھم ایڈریس کے بارے میں

تیسرا، جی کیو این آر کو مقدار میں کیسے استعمال کیا جائے

1.思路的确定

جی کیو این آر کا مرکز مارکیٹ کی اتار چڑھاؤ پر ہے ، ہر دور کے موجودہ وقت کے نقطہ پر ، اگلے دور کی اتار چڑھاؤ کی پیش گوئی کے لئے گارچ کے ذریعہ پیش گوئی کی جاسکتی ہے ، اور دوسری طرف ، ماضی کے اعداد و شمار کی پیش گوئی کی اتار چڑھاؤ کی ڈویژن کی واپسی کے ذریعہ ، اتار چڑھاؤ کی حد کے اوپری اور نچلی حدود حاصل کرنے کے قابل ہے جو زیادہ تر امکانات میں تجاوز نہیں کریں گے۔ اور یہ دونوں حدود ، مجموعی طور پر مرکز ہیں۔ ایک بار جب اوپر کی حد کو متحرک کیا جاتا ہے تو ، ہم یہ سوچ سکتے ہیں کہ اعلی امکانات کے تحت قلیل مدتی واپسی کا رجحان موجود ہے ، اور ایک بار جب نیچے کی حد کو متحرک کیا جاتا ہے تو ، ہم یہ سوچ سکتے ہیں کہ اعلی امکانات کے تحت قلیل مدتی بڑھتی ہوئی رجحان موجود ہے۔

2.运用的难点

• واپسی کی شکل
• موافقت پذیر الگورتھم کا انتخاب
• مشین سیکھنے کے لئے مناسب پیرامیٹرز
• مارکیٹوں میں غیر یقینی صورتحال

3.解决方案

• حکمت عملی سیکھنے کے لئے وقت کا دورانیہ کم کریں
• طویل مدتی خطرے کو کم کرنے کے لئے ایک ہی سرمایہ کاری کی ضمانت
• دوہری یکساں رجحان کی مشترکہ توثیق میں اضافہ اور دہلیز کی دوسری تصدیق