وسائل لوڈ ہو رہے ہیں... لوڈنگ...
  1. مربع
  2. اے این این پر مبنی مقداری تجارتی حکمت عملی

اے این این پر مبنی مقداری تجارتی حکمت عملی

مصنف:چاؤ ژانگ، تاریخ: 2023-11-14 11:22:28
ٹیگز:

img

جائزہ

یہ حکمت عملی مستقبل کی قیمتوں میں ہونے والی تبدیلیوں کی پیش گوئی کرنے کے لئے مصنوعی اعصابی نیٹ ورک (اے این این) کا استعمال کرتی ہے اور پیش گوئیوں کی بنیاد پر تجارتی سگنل تیار کرتی ہے۔ یہ رجحان کی پیروی کرنے والی حکمت عملی سے تعلق رکھتی ہے۔ اس کا فائدہ یہ ہے کہ یہ پیچیدہ غیر لکیری رجحانات کی نشاندہی کرسکتا ہے اور درمیانی سے طویل مدتی تجارت کے لئے موزوں ہے۔ تاہم ، اس میں بیک ٹیسٹ کے اعداد و شمار کو زیادہ فٹ ہونے اور براہ راست تجارت میں کم کارکردگی کا خطرہ بھی ہے۔

حکمت عملی منطق

حکمت عملی اگلے تجارتی دن کی فیصد تبدیلی کی پیشن گوئی کرنے کے لئے اے این این ماڈل کا استعمال کرتی ہے۔

ان پٹ پرت میں صرف ایک نوڈ ہے، جو پچھلے دن کی فیصد تبدیلی ہے.

پوشیدہ پرت میں 2 پرتیں ہیں ، پہلی میں 5 نوڈس ہیں ، اور دوسری میں 33 نوڈس ہیں۔ دونوں ہی ایکٹیویشن فنکشن کے طور پر ہائپر بولک ٹینجنٹ (ٹین) استعمال کرتے ہیں۔

آؤٹ پٹ پرت میں ایک نوڈ ہوتا ہے، جو حتمی پیش گوئی پیدا کرنے کے لئے لکیری چالو کرنے کے فنکشن سے گزرتا ہے۔

اگر پیشن گوئی حد کے پیرامیٹر سے زیادہ ہے تو ، ایک لمبا سگنل تیار کیا جاتا ہے۔ اگر حد کے منفی سے کم ہے تو ، ایک مختصر سگنل تیار کیا جاتا ہے۔

فوائد

  • اے این این ڈیٹا میں پیچیدہ غیر لکیری تعلقات کا ماڈل بنا سکتا ہے
  • صرف ان پٹ کے طور پر پچھلے دن کے اعداد و شمار کی ضرورت ہے
  • لمبے عرصے کے رجحانات کی نشاندہی کرسکتا ہے
  • کئی پوشیدہ تہوں ماڈلنگ کی صلاحیت میں اضافہ
  • اچھی کارکردگی کے لئے بہتر فعال افعال اور پیرامیٹرز

خطرات

  • اوور فٹنگ کا خطرہ - زندہ کارکردگی بیک ٹسٹ سے مختلف ہوسکتی ہے
  • تربیت کے لئے طویل تاریخی اعداد و شمار کی ضرورت ہے
  • پیرامیٹرز اور ساخت کو بہتر بنانے کی ضرورت ہے، نتائج مختلف ہوسکتے ہیں
  • صرف اگلے دن کی پیش گوئی کرتا ہے، طویل مدتی رجحانات کا تعین کرنے کے قابل نہیں ہے
  • مختلف بازاروں کے دوران کارکردگی میں کمی آسکتی ہے

بہتری کی ہدایات

  • زیادہ ان پٹ متغیرات جیسے حجم وغیرہ شامل کریں
  • مختلف اے این این فن تعمیرات اور چالو کرنے کے افعال کی کوشش کریں
  • بہتر فٹ کے لئے نیٹ ورک پیرامیٹرز کو بہتر بنائیں
  • تربیت کے اعداد و شمار کے نمونے کا سائز بڑھانا تاکہ زیادہ فٹنس کو کم کیا جاسکے
  • رجحانات کی بہتر شناخت کے لئے متعدد وقت کے افقوں پر پیش گوئی کریں
  • دوسرے ماڈلز کے ساتھ مل کر
  • خطرے کے بہتر کنٹرول کے لئے اتار چڑھاؤ کے اقدامات وغیرہ کا استعمال کریں

نتیجہ

یہ اے این این پر مبنی حکمت عملی پیچیدہ غیر لکیری رجحانات کی نشاندہی کرسکتی ہے اور درمیانی سے طویل مدتی تجارت کے لئے موزوں ہے۔ تاہم ، اے این این ماڈلز کی بلیک باکس نوعیت بھی براہ راست تجارت کے لئے اہم چیلنجوں کا باعث بنتی ہے۔ ہمیں مضبوط حقیقی دنیا کی کارکردگی کے ل traditional روایتی تکنیکی تجزیہ کے ساتھ مل کر ان پٹ کی خصوصیات ، ماڈل فن تعمیر ، پیرامیٹر ٹیوننگ ، مجموعی سیکھنے وغیرہ میں اصلاح کرنے کی ضرورت ہے۔ اے آئی کی حکمت عملیوں کو اب بھی کارکردگی کو زیادہ سے زیادہ کرنے کے لئے روایتی تکنیکوں کے ساتھ ملنے کی ضرورت ہے۔

/*backtest
start: 2023-10-14 00:00:00
end: 2023-11-13 00:00:00
period: 1h
basePeriod: 15m
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/

//@version=2
strategy("ANN Strategy v2")

threshold = input(title="Threshold", type=float, defval=0.0000, step=0.0001)
timeframe = input(title="Timeframe",  defval='1D' )

getDiff() =>
    yesterday=request.security(syminfo.tickerid, timeframe, ohlc4[1])
    today=ohlc4
    delta=today-yesterday
    percentage=delta/yesterday

PineActivationFunctionLinear(v) => v
PineActivationFunctionTanh(v) => (exp(v) - exp(-v))/(exp(v) + exp(-v))


l0_0 = PineActivationFunctionLinear(getDiff())

l1_0 = PineActivationFunctionTanh(l0_0*0.8446488687)
l1_1 = PineActivationFunctionTanh(l0_0*-0.5674069006)
l1_2 = PineActivationFunctionTanh(l0_0*0.8676766445)
l1_3 = PineActivationFunctionTanh(l0_0*0.5200611473)
l1_4 = PineActivationFunctionTanh(l0_0*-0.2215499554)

l2_0 = PineActivationFunctionTanh(l1_0*0.3341657935 + l1_1*-2.0060003664 + l1_2*0.8606354375 + l1_3*0.9184846912 + l1_4*-0.8531172267)
l2_1 = PineActivationFunctionTanh(l1_0*-0.0394076437 + l1_1*-0.4720374911 + l1_2*0.2900968524 + l1_3*1.0653326022 + l1_4*0.3000188806)
l2_2 = PineActivationFunctionTanh(l1_0*-0.559307785 + l1_1*-0.9353655177 + l1_2*1.2133832962 + l1_3*0.1952686024 + l1_4*0.8552068166)
l2_3 = PineActivationFunctionTanh(l1_0*-0.4293220754 + l1_1*0.8484259409 + l1_2*-0.7154087313 + l1_3*0.1102971055 + l1_4*0.2279392724)
l2_4 = PineActivationFunctionTanh(l1_0*0.9111779155 + l1_1*0.2801691115 + l1_2*0.0039982713 + l1_3*-0.5648257117 + l1_4*0.3281705155)
l2_5 = PineActivationFunctionTanh(l1_0*-0.2963954503 + l1_1*0.4046532178 + l1_2*0.2460580977 + l1_3*0.6608675819 + l1_4*-0.8732022547)
l2_6 = PineActivationFunctionTanh(l1_0*0.8810811932 + l1_1*0.6903706878 + l1_2*-0.5953059103 + l1_3*-0.3084040686 + l1_4*-0.4038498853)
l2_7 = PineActivationFunctionTanh(l1_0*-0.5687101164 + l1_1*0.2736758588 + l1_2*-0.2217360382 + l1_3*0.8742950972 + l1_4*0.2997583987)
l2_8 = PineActivationFunctionTanh(l1_0*0.0708459913 + l1_1*0.8221730616 + l1_2*-0.7213265567 + l1_3*-0.3810462836 + l1_4*0.0503867753)
l2_9 = PineActivationFunctionTanh(l1_0*0.4880140595 + l1_1*0.9466627196 + l1_2*1.0163097961 + l1_3*-0.9500386514 + l1_4*-0.6341709382)
l2_10 = PineActivationFunctionTanh(l1_0*1.3402207103 + l1_1*0.0013395288 + l1_2*3.4813009133 + l1_3*-0.8636814677 + l1_4*41.3171047132)
l2_11 = PineActivationFunctionTanh(l1_0*1.2388217292 + l1_1*-0.6520886912 + l1_2*0.3508321737 + l1_3*0.6640560714 + l1_4*1.5936220597)
l2_12 = PineActivationFunctionTanh(l1_0*-0.1800525171 + l1_1*-0.2620989752 + l1_2*0.056675277 + l1_3*-0.5045395315 + l1_4*0.2732553554)
l2_13 = PineActivationFunctionTanh(l1_0*-0.7776331454 + l1_1*0.1895231137 + l1_2*0.5384918862 + l1_3*0.093711904 + l1_4*-0.3725627758)
l2_14 = PineActivationFunctionTanh(l1_0*-0.3181583022 + l1_1*0.2467979854 + l1_2*0.4341718676 + l1_3*-0.7277619935 + l1_4*0.1799381758)
l2_15 = PineActivationFunctionTanh(l1_0*-0.5558227731 + l1_1*0.3666152536 + l1_2*0.1538243225 + l1_3*-0.8915928174 + l1_4*-0.7659355684)
l2_16 = PineActivationFunctionTanh(l1_0*0.6111516061 + l1_1*-0.5459495224 + l1_2*-0.5724238425 + l1_3*-0.8553500765 + l1_4*-0.8696190472)
l2_17 = PineActivationFunctionTanh(l1_0*0.6843667454 + l1_1*0.408652181 + l1_2*-0.8830470112 + l1_3*-0.8602324935 + l1_4*0.1135462621)
l2_18 = PineActivationFunctionTanh(l1_0*-0.1569048216 + l1_1*-1.4643247888 + l1_2*0.5557152813 + l1_3*1.0482791924 + l1_4*1.4523116833)
l2_19 = PineActivationFunctionTanh(l1_0*0.5207514017 + l1_1*-0.2734444192 + l1_2*-0.3328660936 + l1_3*-0.7941515963 + l1_4*-0.3536051491)
l2_20 = PineActivationFunctionTanh(l1_0*-0.4097807954 + l1_1*0.3198619826 + l1_2*0.461681627 + l1_3*-0.1135575498 + l1_4*0.7103339851)
l2_21 = PineActivationFunctionTanh(l1_0*-0.8725014237 + l1_1*-1.0312091401 + l1_2*0.2267643037 + l1_3*-0.6814258121 + l1_4*0.7524828703)
l2_22 = PineActivationFunctionTanh(l1_0*-0.3986855003 + l1_1*0.4962556631 + l1_2*-0.7330224516 + l1_3*0.7355772164 + l1_4*0.3180141739)
l2_23 = PineActivationFunctionTanh(l1_0*-1.083080442 + l1_1*1.8752543187 + l1_2*0.3623326265 + l1_3*-0.348145191 + l1_4*0.1977935038)
l2_24 = PineActivationFunctionTanh(l1_0*-0.0291290625 + l1_1*0.0612906199 + l1_2*0.1219696687 + l1_3*-1.0273685429 + l1_4*0.0872219768)
l2_25 = PineActivationFunctionTanh(l1_0*0.931791094 + l1_1*-0.313753684 + l1_2*-0.3028724837 + l1_3*0.7387076712 + l1_4*0.3806140391)
l2_26 = PineActivationFunctionTanh(l1_0*0.2630619402 + l1_1*-1.9827996702 + l1_2*-0.7741413496 + l1_3*0.1262957444 + l1_4*0.2248777886)
l2_27 = PineActivationFunctionTanh(l1_0*-0.2666322362 + l1_1*-1.124654664 + l1_2*0.7288282621 + l1_3*-0.1384289204 + l1_4*0.2395966188)
l2_28 = PineActivationFunctionTanh(l1_0*0.6611845175 + l1_1*0.0466048937 + l1_2*-0.1980999993 + l1_3*0.8152350927 + l1_4*0.0032723211)
l2_29 = PineActivationFunctionTanh(l1_0*-0.3150344751 + l1_1*0.1391754608 + l1_2*0.5462816249 + l1_3*-0.7952302364 + l1_4*-0.7520712378)
l2_30 = PineActivationFunctionTanh(l1_0*-0.0576916066 + l1_1*0.3678415302 + l1_2*0.6802537378 + l1_3*1.1437036331 + l1_4*-0.8637405666)
l2_31 = PineActivationFunctionTanh(l1_0*0.7016273068 + l1_1*0.3978601709 + l1_2*0.3157049654 + l1_3*-0.2528455662 + l1_4*-0.8614146703)
l2_32 = PineActivationFunctionTanh(l1_0*1.1741126834 + l1_1*-1.4046408959 + l1_2*1.2914477803 + l1_3*0.9904052964 + l1_4*-0.6980155826)

l3_0 = PineActivationFunctionTanh(l2_0*-0.1366382003 + l2_1*0.8161960822 + l2_2*-0.9458773183 + l2_3*0.4692969576 + l2_4*0.0126710629 + l2_5*-0.0403001012 + l2_6*-0.0116244898 + l2_7*-0.4874816289 + l2_8*-0.6392241448 + l2_9*-0.410338398 + l2_10*-0.1181027081 + l2_11*0.1075562037 + l2_12*-0.5948728252 + l2_13*0.5593677345 + l2_14*-0.3642935247 + l2_15*-0.2867603217 + l2_16*0.142250271 + l2_17*-0.0535698019 + l2_18*-0.034007685 + l2_19*-0.3594532426 + l2_20*0.2551095195 + l2_21*0.4214344983 + l2_22*0.8941621336 + l2_23*0.6283377368 + l2_24*-0.7138020667 + l2_25*-0.1426738249 + l2_26*0.172671223 + l2_27*0.0714824385 + l2_28*-0.3268182144 + l2_29*-0.0078989755 + l2_30*-0.2032828145 + l2_31*-0.0260631534 + l2_32*0.4918037012)

buying = l3_0 > 0 ? true : l3_0 < -0 ? false : buying[1]

hline(0, title="base line")
//bgcolor(l3_0 > 0.0014 ? green : l3_0 < -0.0014 ? red : gray, transp=20)
bgcolor(buying ? green : red, transp=20)
plot(l3_0, color=silver, style=area, transp=75)
plot(l3_0, color=aqua, title="prediction")

longCondition = buying
if (longCondition)
    strategy.entry("Long", strategy.long)

shortCondition = buying != true
if (shortCondition)
    strategy.entry("Short", strategy.short)
مزید

2019 FMZ - تمام حقوق محفوظ ہیں