ڈیجیٹل کرنسیوں کے جوڑے کی تجارت کی حکمت عملی

ڈیجیٹل کرنسیوں کے جوڑے کی تجارت کی حکمت عملی

پیش لفظ

حال ہی میں ، بائیو کے کوانٹیٹیٹڈ ڈائری میں کہا گیا ہے کہ منفی متعلقہ کرنسیوں کا استعمال کرکے کرنسیوں کا کاروبار کیا جاسکتا ہے ، اور قیمت کے فرق کے مطابق منافع حاصل کیا جاسکتا ہے۔ ڈیجیٹل کرنسیوں میں بنیادی طور پر مثبت وابستگی ہوتی ہے ، منفی وابستگی چند کرنسیوں میں ہوتی ہے ، اکثر خصوصی مارکیٹ ہوتی ہے ، جیسے کچھ عرصے پہلے MEME کرنسیوں کا آزاد بازار ، بڑے ڈسک کے رجحانات کی پیروی نہیں کرتا ہے ، ان کرنسیوں کو منتخب کرتا ہے ، اور توڑنے کے بعد زیادہ کرتا ہے ، یہ طریقہ مخصوص حالات میں منافع بخش ہوسکتا ہے۔ لیکن کوانٹیٹیٹڈ ٹریڈنگ کے شعبے میں سب سے زیادہ عام وابستگی کا استعمال یا تو مثبت تجارت کرنے کے لئے تجارت کرنا ہے ، اس مضمون میں اس حکمت عملی کا خلاصہ کیا جائے گا۔

ڈیجیٹل کرنسی کے جوڑے تجارت ایک تجارتی حکمت عملی ہے جو اعداد و شمار پر مبنی منافع پر مبنی ہے ، جس میں قیمت میں انحراف سے منافع حاصل کرنے کے لئے دو انتہائی متعلقہ ڈیجیٹل کرنسی کے مستقل معاہدوں کو بیک وقت خریدنے اور فروخت کرنے کی کوشش کی جاتی ہے۔ اس مضمون میں اس حکمت عملی کے اصول ، منافع بخش میکانزم ، سکوں کی قسم کو فلٹر کرنے کے طریقوں ، ممکنہ خطرات اور ان کو بہتر بنانے کے طریقوں کے بارے میں تفصیل سے بتایا گیا ہے ، اور کچھ عملی پیتھون کوڈ کی مثالیں فراہم کی گئیں۔

حکمت عملی کے اصول

جوڑی ٹریڈنگ کی حکمت عملی دو ڈیجیٹل کرنسیوں کی قیمتوں کے مابین تاریخی وابستگی پر منحصر ہے۔ جب دو کرنسیوں کی قیمتیں مضبوط وابستگی کا مظاہرہ کرتی ہیں تو ، ان کی قیمتوں میں زیادہ تر ہم آہنگی ہوتی ہے۔ اگر کسی وقت ان دونوں کی قیمتوں کے تناسب میں نمایاں انحراف ہوتا ہے تو ، اسے عارضی طور پر غیر معمولی سمجھا جاسکتا ہے ، اور قیمتیں معمول کی سطح پر واپس آنے کا رجحان رکھتی ہیں۔ ڈیجیٹل کرنسیوں کی مارکیٹوں میں بہت زیادہ وابستگی ہوتی ہے ، جب ایک اہم ڈیجیٹل کرنسی جیسے بٹ کوائن میں بڑی اتار چڑھاؤ ہوتی ہے تو ، عام طور پر دوسری ڈیجیٹل کرنسیوں کے مابین وابستگی کا رد عمل پیدا ہوتا ہے۔ کچھ کرنسیوں میں ایک ہی سرمایہ کاری کی تنظیم ، ایک ہی مارکیٹر ، ایک ہی مقابلہ کی وجہ سے بہت واضح سیدھی وابستگی ہوسکتی ہے ، اور یہ مستقل رہ سکتی ہے۔ کچھ منفی وابستگی ہوتی ہے ، لیکن منفی وابستگی کم ہوتی ہے ، اور بہت ساری صورتوں میں حالات کا رخ ہوتا ہے ، کیونکہ دونوں بڑے بازاروں سے متاثر ہوتے ہیں۔

فرض کریں کہ کرنسی A اور کرنسی B میں قیمتوں میں زیادہ وابستگی ہے۔ کسی وقت ، A / B قیمت کے تناسب کی اوسط قیمت 1 ہے۔ اگر کسی وقت ، A / B قیمت کے تناسب میں اضافہ 0.001 سے زیادہ ، یعنی 1.001 سے زیادہ سے زیادہ ہو جاتا ہے تو ، اس وقت مندرجہ ذیل طریقوں سے تجارت کی جاسکتی ہے۔

منافع کی کلید قیمتوں میں انحراف کی واپسی پر فرق کی آمدنی ہے۔ چونکہ قیمتوں میں انحراف عام طور پر مختصر ہوتا ہے ، لہذا تاجروں کو قیمتوں میں واپسی پر فائدہ اٹھانے کے ل the منافع بخش ہونے کے ل.

اعداد و شمار تیار

لائبریری متعارف کروائیں

یہ کوڈ براہ راست استعمال کیا جاسکتا ہے ، بہتر یہ ہے کہ انانکوڈا ڈاؤن لوڈ کریں اور جپیر نوٹ بک میں ڈیبگ کریں۔ براہ راست عام طور پر استعمال ہونے والے ڈیٹا تجزیہ کے پیکیج پر مشتمل ہے۔

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

تمام ٹریڈنگ کے جوڑے حاصل کریں

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 لائن کو ڈاؤن لوڈ کرنے کا فنکشن

گیٹ کلینز کا بنیادی فنکشن یہ ہے کہ وہ بِی این اے ایکسچینج سے مخصوص ٹرانزیکشنز کے لئے مستقل معاہدوں کے لئے تاریخی K لائن ڈیٹا حاصل کرے اور اس ڈیٹا کو پانڈا ڈیٹا فریم میں محفوظ کرے۔ K لائن ڈیٹا میں اوپن قیمت ، زیادہ سے زیادہ قیمت ، کم سے کم قیمت ، بند ہونے کی قیمت ، تجارت کی مقدار وغیرہ شامل ہیں۔ اس بار ہم بنیادی طور پر بند ہونے کی قیمت کے اعداد و شمار کا استعمال کرتے ہیں۔

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

ڈیٹا ڈاؤن لوڈ کریں

اعداد و شمار کی مقدار بہت بڑی ہے، اور تیزی سے ڈاؤن لوڈ کرنے کے لئے، صرف حالیہ 3 ماہ کے لئے گھنٹے کے لئے K لائن ڈیٹا حاصل کیا جاتا ہے۔df_close تمام کرنسیوں کے لئے اختتامی قیمت کے اعداد و شمار پر مشتمل ہے.

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')

ری میٹر انجن

ایک تبادلے کا اعتراض کی وضاحت کریں جو اگلے ٹیسٹ کے لئے استعمال کیا جاتا ہے

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)

متعلقہ تجزیہ کرنسیوں کی چھان بین

ربط کا حساب لگانا (انگریزی: correlational calculation) شماریات میں دو متغیرات کے مابین لکیری تعلقات کی پیمائش کرنے کا ایک طریقہ ہے۔ سب سے زیادہ استعمال ہونے والا ربط کا حساب لگانے کا طریقہ پیلرسن کے ربط کا حساب لگانا ہے۔ ذیل میں ربط کا حساب لگانے کے اصول ، فارمولے اور طریقہ کار ہیں۔ پیلرسن کے ربط کا حساب لگانا دو متغیرات کے مابین لکیری تعلقات کی پیمائش کرنے کے لئے استعمال ہوتا ہے ، جس کی قیمت 1 سے 1 کے درمیان ہوتی ہے۔

• 1ظاہر کرتا ہے کہ دونوں متغیرات ہمیشہ متوازی طور پر تبدیل ہوتے ہیں۔ جب ایک متغیر بڑھتا ہے تو دوسرا متغیر بھی تناسب کے ساتھ بڑھتا ہے۔ 1 کے قریب ہونے کی نمائندگی کرتا ہے تو ، وابستگی زیادہ مضبوط ہوتی ہے۔
• -1مکمل طور پر منفی تعلق ظاہر کرتا ہے، دو متغیرات ہمیشہ الٹ تبدیلیاں ہیں۔ جتنا قریب -1 ہے منفی تعلق زیادہ مضبوط ہے۔
• 0اس کا مطلب یہ ہے کہ دونوں متغیرات کے درمیان کوئی لکیری تعلق نہیں ہے۔

پیرسن کے متعلقہ گٹھ جوڑ کو دو متغیرات کے مابین مطابقت اور معیاری فرق کا حساب لگانے کے ذریعہ ان کے مابین تعلق کا تعین کیا جاتا ہے۔

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

ان میں شامل ہیں:

• ( \rho_{X,Y}) متغیر (X) اور (Y) کے پیئرسن کے متعلقہ عوامل ہیں۔
• (\text{cov}(X,Y)) X اور Y کے درمیان فرق ہے۔
• (\sigma_X) اور (\sigma_Y) X اور (Y) کے معیاری فرق ہیں۔

ظاہر ہے، اس بات کی کوئی پرواہ نہیں ہے کہ یہ کس طرح شمار کیا جاتا ہے، پیڈون 1 لائن کوڈ کا استعمال کرتے ہوئے تمام کرنسیوں کے لئے متعلقہ حساب لگایا جا سکتا ہے۔ جیسا کہ اس طرح کے تعلق کی گرمی چارٹ دکھایا گیا ہے، سرخ نمائندہ مثبت متعلقہ ہے، نیلے نمائندہ منفی متعلقہ ہے، رنگ زیادہ گہرا ہے. آپ دیکھ سکتے ہیں کہ بڑے ٹکڑے گہرے سرخ ہیں، لہذا یہ کہا جاتا ہے کہ ڈیجیٹل کرنسیوں کی مثبت متعلقہ مضبوط ہے.

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);

سب سے زیادہ متعلقہ 20 کرنسی کے جوڑے متعلقہ کے لحاظ سے منتخب کیے گئے ہیں۔ نتائج مندرجہ ذیل ہیں۔ ان کی متعلقہ بہت مضبوط ہے ، سب 0.99 سے زیادہ ہیں۔

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

اس کا کوڈ مندرجہ ذیل ہے:

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)

دوبارہ چیک کریں

مخصوص ریورس کوڈ درج ذیل ہیں۔ ڈیمو سٹریٹجی کا بنیادی مشاہدہ دو کریپٹو کرنسیوں (IOTA اور ZIL) کی قیمت کا تناسب ہے اور اس تناسب میں ہونے والی تبدیلیوں کے مطابق تجارت کی جاتی ہے۔ مخصوص اقدامات درج ذیل ہیں۔

1. ابتدائیہ：

   • ڈیفینیشن ٹرانزیکشن جوڑی ((pair_a = IOTA, pair_b = ZIL) ).
   • ایک ایکسچینج آبجیکٹ بنائیںeاس کے علاوہ ، آپ کے اکاؤنٹ میں ایک نیا اکاؤنٹ ہے ، جس میں آپ کے اکاؤنٹ میں ایک نیا اکاؤنٹ بھی ہے۔
   • ابتدائی اوسط قیمت تناسب کا حساب لگائیںavg。
   • ایک ابتدائی لین دین کی قیمت مقرر کریںvalue = 1000。

2. قیمتوں کے اعداد و شمار کو بار بار پروسیس کرنا：

   • ہر وقت کی قیمتوں کا ڈیٹاdf_close。
   • موجودہ قیمتوں کے تناسب کی اوسط سے انحراف کا حساب لگائیںdiff。
   • ہدف کی قیمت کا حساب لگانے کے لئےaim_value، ہر 0.01 انحراف کے لئے، ایک قدر کی تجارت کرتا ہے۔ اور موجودہ اکاؤنٹ ہولڈنگ اور قیمت کی صورتحال پر مبنی خرید و فروخت کی کارروائی کا فیصلہ کرتا ہے۔
   • اگر یہ بہت بڑا ہے تو، فروخت کریں.pair_aاور خریدنےpair_bآپریشن۔
   • اگر انحراف بہت چھوٹا ہے تو خریدیںpair_aاور فروختpair_bآپریشن۔

3. اوسط کو درست کریں：

   • اوسط قیمت کا تناسب اپ ڈیٹ کریںavgاس کے علاوہ ، آپ کو اپنی مرضی کے مطابق قیمتوں کا تعین کرنے کی ضرورت ہے۔

4. اکاؤنٹس اور ریکارڈز کو اپ ڈیٹ کریں：

   • ایکسچینج اکاؤنٹس کے ذخائر اور بیلنس کی معلومات کو اپ ڈیٹ کریں۔
   • ہر مرحلے کے لئے اکاؤنٹ کی حالت (کل اثاثے، ہولڈنگ اثاثے، ٹرانزیکشن فیس، کثیر اور خالی پوزیشن) کو ریکارڈ کریںres_list。

5. نتائج کی پیداوار：

   • ہو جائے گاres_listڈیٹا فریم میں تبدیل کریںresاس کے علاوہ ، ہم نے اس کے بارے میں مزید تجزیہ اور نمائش کے لئے ایک ویڈیو شیئر کی ہے۔

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);

مجموعی طور پر چار کرنسیوں کے گروپوں کا دوبارہ ٹیسٹ کیا گیا ، نتیجہ نسبتا ideal مثالی تھا۔ موجودہ وابستگی کا حساب مستقبل کے اعداد و شمار کا استعمال کرتے ہوئے کیا جاتا ہے ، لہذا یہ بہت درست نہیں ہے۔ اس مضمون میں بھی اعداد و شمار کو دو حصوں میں تقسیم کیا گیا ہے ، اس کے مطابق پچھلے حساب سے وابستگی ، پچھلے دوبارہ ٹیسٹ ٹرانزیکشن کا نتیجہ۔ کچھ خراب لیکن اچھا ہے۔ صارف کو اپنی مشق کی توثیق کرنے دیں۔

ممکنہ خطرات اور اصلاحات

اگرچہ جوڑی ٹریڈنگ کی حکمت عملی نظریاتی طور پر منافع بخش ہوسکتی ہے ، لیکن عملی طور پر کام کرنے میں کچھ خطرات موجود ہیں: کرنسیوں کے مابین وابستگی وقت کے ساتھ تبدیل ہوسکتی ہے ، جس کی وجہ سے حکمت عملی ناکام ہوجاتی ہے۔ انتہائی مارکیٹ کے حالات میں ، قیمتوں میں انحراف بڑھ سکتا ہے ، جس سے بڑے نقصانات ہوتے ہیں۔ کچھ کرنسیوں کی کم لچک ، جس کی وجہ سے تجارت کو انجام دینا مشکل یا لاگت میں اضافہ ہوسکتا ہے۔ کثرت سے تجارت سے پیدا ہونے والی انتظامی فیس منافع کو ختم کرسکتی ہے۔

خطرے کو کم کرنے اور حکمت عملی کے استحکام کو بڑھانے کے لئے ، مندرجہ ذیل اصلاحات پر غور کیا جاسکتا ہے: کرنسیوں کے مابین تعلقات کو باقاعدگی سے دوبارہ گننا ، بروقت تجارت کے جوڑے کو ایڈجسٹ کرنا۔ اسٹاپ نقصان اور اسٹاپ ٹارچ پوائنٹس مرتب کرنا ، جس سے ایک ہی تجارت میں زیادہ سے زیادہ نقصان کو کنٹرول کیا جاسکے۔ ایک ہی وقت میں متعدد کرنسیوں کے جوڑوں کی تجارت کرنا ، خطرے کو پھیلانا۔

اختتام

ڈیجیٹل کرنسی کے جوڑے کی تجارت کی حکمت عملی منافع بخش ہونے کے لئے قیمتوں میں انحراف کے دوران سودے کی کارروائی کرنے کے لئے کرنسیوں کی قیمتوں کی وابستگی کا فائدہ اٹھاتی ہے۔ اس حکمت عملی کی نظریاتی صلاحیت زیادہ ہے۔ اس کے بعد اس حکمت عملی پر مبنی ایک سادہ ریئل اسٹیٹ حکمت عملی کا منبع کوڈ جاری کیا جائے گا۔ اگر مزید سوالات ہیں یا مزید گفتگو کی ضرورت ہے تو ، کسی بھی وقت بات چیت کا خیرمقدم کریں۔