وسائل لوڈ ہو رہے ہیں... لوڈنگ...
  1. مربع
  2. کثیر جہتی ریاضیاتی ماڈل ٹریڈنگ کی حکمت عملی

کثیر جہتی ریاضیاتی ماڈل ٹریڈنگ کی حکمت عملی

مصنف:چاؤ ژانگ، تاریخ: 2024-09-26 17:36:11
ٹیگز:آر او سیای ایم اےایل آرایل پی ایفایس آئی جی

img

جائزہ

یہ حکمت عملی ایک جدید تجارتی نقطہ نظر ہے جو کثیر جہتی ریاضیاتی ماڈلز پر مبنی ہے ، جس میں تجارتی سگنل پیدا کرنے کے لئے متعدد ریاضیاتی افعال اور تکنیکی اشارے استعمال ہوتے ہیں۔ حکمت عملی میں رفتار ، رجحان اور اتار چڑھاؤ کا تجزیہ ملتا ہے ، جس میں زیادہ جامع تجارتی فیصلے کرنے کے لئے متعدد جہتوں سے مارکیٹ کی معلومات کو مربوط کیا جاتا ہے۔

حکمت عملی کے اصول

اس حکمت عملی کا بنیادی اصول متعدد ریاضیاتی ماڈلز اور تکنیکی اشارے کے ذریعے مارکیٹ کے مختلف پہلوؤں کا تجزیہ کرنا ہے:

  1. قیمت کی رفتار اور سمت کا حساب لگانے کے لئے شرح تبدیلی (ROC) اشارے کا استعمال کرنا۔
  2. مختصر مدت کی قیمتوں کے رجحانات کی نشاندہی کرنے کے لئے لکیری رجسٹریشن کا اطلاق.
  3. طویل مدتی رجحانات کو پکڑنے کے لئے ایک کم پاس فلٹر کے طور پر ایکسپونینشل چلتی اوسط (ای ایم اے) کا استعمال کرتے ہوئے.
  4. ایک Sigmoid فنکشن کے ذریعے قیمت کی تبدیلی کی اتار چڑھاؤ کو ایڈجسٹ.

حکمت عملی ان عوامل کو جامع طور پر مدنظر رکھتی ہے ، جب رفتار مثبت ہو ، قلیل مدتی رجحان بڑھ رہا ہو ، طویل مدتی رجحان کی تصدیق ہو ، اور اتار چڑھاؤ اعتدال پسند ہو۔ حالات کا مخالف مجموعہ فروخت سگنل کو متحرک کرتا ہے۔

حکمت عملی کے فوائد

  1. کثیر جہتی تجزیہ: متعدد ریاضیاتی ماڈلز اور اشارے کو جوڑ کر ، حکمت عملی مارکیٹ کو مختلف زاویوں سے تجزیہ کرسکتی ہے ، جس سے فیصلہ سازی کی جامعیت اور درستگی میں بہتری آتی ہے۔
  2. موافقت: اتار چڑھاؤ کو ایڈجسٹ کرنے کے لئے Sigmoid فنکشن کا استعمال کرتے ہوئے حکمت عملی کو مختلف مارکیٹ کے حالات کو اپنانے کی اجازت دیتا ہے.
  3. رجحان کی تصدیق: قلیل مدتی اور طویل مدتی رجحان تجزیہ کو یکجا کرنے سے جھوٹے بریک آؤٹ کے خطرات کو کم کرنے میں مدد ملتی ہے۔
  4. نمائش: حکمت عملی چارٹ پر لکیری رجعت اور کم پاس فلٹر لائنوں کو پلاٹ کرتی ہے ، جس سے تاجروں کو مارکیٹ کے رجحانات کو بدیہی طور پر سمجھنے کی اجازت ملتی ہے۔

حکمت عملی کے خطرات

  1. اوور فٹنگ: متعدد اشارے استعمال کرنے سے حکمت عملی تاریخی اعداد و شمار پر اچھی کارکردگی کا مظاہرہ کرسکتی ہے لیکن اصل تجارت میں خراب ہے۔
  2. تاخیر: ای ایم اے جیسے کچھ اشارے میں فطری تاخیر ہوتی ہے ، جس کے نتیجے میں داخلے یا باہر نکلنے کے وقت میں تاخیر ہوسکتی ہے۔
  3. مارکیٹ کی حالت کی حساسیت: انتہائی اتار چڑھاؤ یا اچانک رجحان کی تبدیلیوں کے ساتھ مارکیٹوں میں حکمت عملی کم کارکردگی کا مظاہرہ کر سکتی ہے.
  4. پیرامیٹر حساسیت: متعدد اشارے کی پیرامیٹر کی ترتیبات حکمت عملی کی کارکردگی کو نمایاں طور پر متاثر کرسکتی ہیں ، جس کے لئے محتاط اصلاح کی ضرورت ہے۔

حکمت عملی کی اصلاح کی ہدایات

  1. متحرک پیرامیٹرز کی ایڈجسٹمنٹ: مختلف مارکیٹ کے ماحول کو اپنانے کے لئے مارکیٹ کی اتار چڑھاؤ پر مبنی اشارے کے پیرامیٹرز کی متحرک ایڈجسٹمنٹ پر غور کریں۔
  2. اضافی فلٹر: غلط سگنل کو کم کرنے کے لئے اضافی فلٹرنگ کے حالات متعارف کروائیں ، جیسے حجم تجزیہ یا مارکیٹ کی چوڑائی کے اشارے۔
  3. باہر نکلنے کی حکمت عملی کو بہتر بنانا: موجودہ حکمت عملی بنیادی طور پر اندراج کے مقامات پر مرکوز ہے۔ زیادہ نفیس باہر نکلنے کے طریقہ کار تیار کرنے سے مجموعی کارکردگی کو بہتر بنایا جاسکتا ہے۔
  4. مشین لرننگ متعارف کروانا: اشارے کے وزن کو بہتر بنانے یا بہترین تجارتی مواقع کی نشاندہی کرنے کے لئے مشین لرننگ الگورتھم استعمال کرنے پر غور کریں۔

خلاصہ

کثیر جہتی ریاضیاتی ماڈل ٹریڈنگ حکمت عملی ایک ٹھوس نظریاتی بنیاد کے ساتھ ایک جامع تجارتی طریقہ ہے۔ متعدد ریاضیاتی ماڈلز اور تکنیکی اشارے کو جوڑ کر ، یہ حکمت عملی مارکیٹ کو متعدد زاویوں سے تجزیہ کرسکتی ہے ، جس سے تجارتی فیصلوں کی درستگی میں بہتری آتی ہے۔ تاہم ، حکمت عملی کی پیچیدگی سے اوور فٹنگ اور پیرامیٹر حساسیت جیسے خطرات بھی پیدا ہوتے ہیں۔ مستقبل میں اصلاح کی سمتوں کو مختلف مارکیٹ کے ماحول میں مستحکم کارکردگی کو برقرار رکھنے کے لئے حکمت عملی کی موافقت اور استحکام کو بہتر بنانے پر توجہ دینی چاہئے۔ مجموعی طور پر ، یہ ایک وعدہ حکمت عملی کا فریم ورک ہے جس میں ، مسلسل اصلاح اور جانچ کے ذریعے ، قابل اعتماد تجارتی آلہ بننے کی صلاحیت ہے۔

/*backtest
start: 2019-12-23 08:00:00
end: 2024-09-24 08:00:00
period: 1d
basePeriod: 1d
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/

//@version=5
strategy("Advanced Math Strategy", overlay=true)

// =======================
// ฟังก์ชันที่ใช้คำนวณเบื้องหลัง
// =======================

// ฟังก์ชันซิกมอยด์
sigmoid(x) =>
    1 / (1 + math.exp(-x))

// ฟังก์ชันหาอัตราการเปลี่ยนแปลง (Derivative)
roc = ta.roc(close, 1)

// ฟังก์ชันการถดถอยเชิงเส้น (Linear Regression)
linReg = ta.linreg(close, 14, 0)

// ฟังก์ชันตัวกรองความถี่ต่ำ (Low-pass filter)
lowPass = ta.ema(close, 50)

// =======================
// การคำนวณสัญญาณ Buy/Sell
// =======================

// การคำนวณอนุพันธ์สำหรับทิศทางการเคลื่อนที่ของราคา
derivativeSignal = roc > 0 ? 1 : -1

// ใช้ Linear Regression และ Low-pass Filter เพื่อช่วยในการหาจุดกลับตัว
trendSignal = linReg > lowPass ? 1 : -1

// ใช้ฟังก์ชันซิกมอยด์เพื่อปรับความผันผวนของราคา
priceChange = close - close[1]
volatilityAdjustment = sigmoid(priceChange)

// สร้างสัญญาณ Buy/Sell โดยผสมผลจากการคำนวณเบื้องหลังทั้งหมด
buySignal = derivativeSignal == 1 and trendSignal == 1 and volatilityAdjustment > 0.5
sellSignal = derivativeSignal == -1 and trendSignal == -1 and volatilityAdjustment < 0.5

// =======================
// การสั่ง Buy/Sell บนกราฟ
// =======================

// ถ้าเกิดสัญญาณ Buy
if (buySignal)
    strategy.entry("Buy", strategy.long)

// ถ้าเกิดสัญญาณ Sell
if (sellSignal)
    strategy.close("Buy")

// =======================
// การแสดงผลบนกราฟ
// =======================

// วาดเส้นถดถอยเชิงเส้นบนกราฟ
plot(linReg, color=color.green, linewidth=2, title="Linear Regression")

// วาดตัวกรองความถี่ต่ำ (Low-pass filter)
plot(lowPass, color=color.purple, linewidth=2, title="Low-Pass Filter")

// วาดจุด Buy/Sell บนกราฟ
plotshape(series=buySignal, title="Buy Signal", location=location.belowbar, color=color.green, style=shape.labelup, text="BUY")
plotshape(series=sellSignal, title="Sell Signal", location=location.abovebar, color=color.red, style=shape.labeldown, text="SELL")
متعلقہ
مزید

2019 FMZ - تمام حقوق محفوظ ہیں