কপিরাইট বিবৃতিঃ যদি এই নিবন্ধের কোডটি অনুলিপি করার প্রয়োজন হয় তবে দয়া করে উল্লেখ করুন, যদি বাণিজ্যিক ব্যবহারের জন্য, নিবন্ধ লেখার জন্য ব্যক্তিগতভাবে বা লেখকের সাথে যোগাযোগ করুন 940648114@qq.com

১, প্রথম বাক্য

পরিমাণগত লেনদেনের সুবিধা

কোয়ালিটি ট্রেডিং হ'ল উন্নত গাণিতিক মডেলের পরিবর্তে স্বতন্ত্র বিচার, কম্পিউটার প্রযুক্তি ব্যবহার করে বিপুল historicalতিহাসিক ডেটা থেকে অপ্রত্যাশিত উপার্জনের জন্য কৌশল তৈরি করা যা বিনিয়োগকারীদের আবেগের ওঠানামাকে ব্যাপকভাবে হ্রাস করে এবং বাজারের উচ্ছ্বসিত বা হতাশার পরিস্থিতিতে অযৌক্তিক বিনিয়োগের সিদ্ধান্ত এড়াতে পারে। ডিজিটাল মুদ্রা বাজারে শুরু করা স্পষ্টতই পরিমাণের জন্য একটি ভাল শুরু। বর্তমানে ডিজিটাল মুদ্রা বাজার এখনও অপরিপক্ক। প্ল্যাটফর্মের ট্রেডিং সিস্টেমের ঝাঁকুনি, কে-লাইন প্লাগগুলি এখনও মাঝে মাঝে উপস্থিত হয় এবং পরিমাণযুক্ত লেনদেনের জন্য ঝুঁকিপূর্ণ। তবে ডিজিটাল মুদ্রার জন্য সামগ্রিকভাবে পরিমাণযুক্ত লেনদেনের সুবিধা এখনও অসুবিধার চেয়ে বেশি। কারণ মডেলের পুনরায় পরীক্ষার প্রশিক্ষণ এবং সময় সিরিজের পুনরায় পরীক্ষার বিশ্লেষণের মাধ্যমে, আমরা দ্রুততম সময়ে শত শত মডেলের মধ্যে সবচেয়ে উপযুক্ত উপায়টি চেষ্টা করতে পারি।

২। জিকিউএনআর মডেলের বিবরণ

এই মডেলটি গার্চ মডেলের উপর ভিত্তি করে উদ্বায়ীতা পূর্বাভাস দেয়, যা বিভাজক রিগ্রেশন দ্বারা উদ্বায়ীতা পূর্বাভাসের VaR মান ব্যবহার করে এবং তারপর অ-রৈখিক রিগ্রেশন ব্যবহার করে, যেমন GA ভবিষ্যতে পরবর্তী চক্রের জন্য উপরের সীমা VaR এবং নিম্ন সীমা VaR পূর্বাভাস দেওয়ার জন্য ফিট করে।

1.Garch模块

এই বিভাগে কৌশলগত গার্চের মূল সূচনার বিশদ বিবরণ দেওয়া হবে, যা আর্থিক বাজারে একটি নির্দিষ্ট প্রযোজ্যতা রয়েছে এবং ডিজিটাল মুদ্রায় একটি নির্দিষ্ট পূর্বাভাস কার্যকারিতা অর্জন করতে পারে।

১.১ গার্চ সংজ্ঞা

ARCH মডেলের মূল বিষয় হল, একটি q-স্তরের গতিশীল প্লাগিনেশন যা একটি অবশিষ্ট বর্গক্ষেত্রের ক্রম ব্যবহার করে বর্তমান সময় বিপরীত ফাংশনের মানগুলিকে ফিট করে। যেহেতু চলমান গড় মডেলটি স্ব-প্রাসঙ্গিক কোয়ালিটিগুলির q-স্তরের সমাপ্তি রয়েছে, তাই ARCH মডেলটি কার্যত শুধুমাত্র স্ব-প্রাসঙ্গিক কোয়ালিটিগুলির জন্য স্বল্প-প্রাসঙ্গিক কোয়ালিটিগুলির জন্য কার্যকর। কিন্তু বাস্তবে, কিছু অবশিষ্ট ক্রমের বিপরীতমুখী ফাংশন দীর্ঘমেয়াদী স্বনির্দিষ্ট হয়, যখন একটি ARCH মডেলের সাথে বিপরীতমুখী ফাংশন ফিট করা হয়, তখন একটি উচ্চ গতিশীল গড় স্টেজ সংখ্যা তৈরি হয়, যা পরামিতি অনুমানের অসুবিধা বৃদ্ধি করে এবং শেষ পর্যন্ত ARCH মডেলের ফিটিংয়ের নির্ভুলতাকে প্রভাবিত করে। একটি সমস্যা সংশোধন করার জন্য, একটি বিস্তৃত স্ব-প্রতিক্রিয়াশীল বিপরীতমুখী মডেল দেওয়া হয়েছে, যা GARCH ((p,q) নামে সংক্ষিপ্ত। গার্চ মডেলটি আসলে গার্চ মডেলের উপর ভিত্তি করে তৈরি করা হয়েছে, যা দীর্ঘমেয়াদী স্মরণীয়তা সম্পন্ন গার্চ ফাংশনগুলির সাথে কার্যকরভাবে ফিট করতে পারে।

১.২ ARCH প্রক্রিয়া

সংজ্ঞায়িত σn হল n-তম ট্রেডিং চক্রের জন্য সম্পদটির আনুমানিক অস্থিরতার হার n-তম ট্রেডিং চক্রের জন্য, mu হল দৈনিক আয়, তাহলে এটি সর্বশেষ mটি ট্রেডিং চক্রের আয় অনুযায়ী নিরপেক্ষভাবে অনুমান করা যেতে পারেঃ $$ সিগমাn^2= \frac{1}{m-1} \sum\limit{i=1}^m {({ \mu_{n-i}- \overline{\mu} }) ^2}, $$ নিম্নলিখিত পরিবর্তনগুলি করুনঃ 1 μn-i কে শতাংশ উপার্জন হিসাবে রূপান্তর করুন; 2 m-1 কে m হিসাবে রূপান্তর করুন; 3 অনুমান করুন যে μ = 0, এবং এই পরিবর্তনগুলি ফলাফলের উপর খুব বেশি প্রভাব ফেলবে না। $$ সিগমাn^2= \frac{1}{m} \sum\limit{i=1}^m { \mu_{n-i} ^2}, $$ অর্থাৎ, প্রতিটি চক্রের উদ্বায়ী হারের বর্গক্ষেত্রের সমান ওজনের 1/m আছে, কারণ বর্তমান উদ্বায়ী হারের অনুমান করা হচ্ছে, নিকটবর্তী ডেটা উচ্চতর ওজনের দেওয়া উচিত, উপরের সূত্রটি পরিবর্তন করা যেতে পারেঃ $$ সিগমাn^2= \sum\limit{i=1}^m { \alpha_i\mu_{n-i} ^2}, $$ αi হল প্রথম লেনদেনের চক্রের আয়তনের বর্গফলের গুণক, যা সংশোধন করা হয় এবং i এর ছোট মানটি বৃহত্তর হয়, ওজন যোগফল 1 হয়। আরও প্রসারিত, একটি দীর্ঘমেয়াদী বিভাজক VL আছে বলে অনুমান করা হয়, এবং সংশ্লিষ্ট ওজন γ, উপরের সূত্র অনুযায়ী পাওয়া যায়ঃ

$$ \begin{case}\sigman^2= \গামা V{L}+\sum\limits_{i=1}^m { \alpha_i\mu_{n-i} ^2}\ &\ \gamma+\sum\limits_{i=1}^m{\alpha_i\mu_{n-i}^2}=1 & \end{cases}, $$ সুতরাং, =γVL, এবং ফর্মুলা ((১৫) কে এভাবে লেখা যায়ঃ $$ সিগমাn^2= \omega+\sum\limit{i=1}^m { \alpha_i\mu_{n-i} ^2}, $$ উপরের ফর্মুলার উপর ভিত্তি করে আমরা সাধারণ ARCH ((1) প্রক্রিয়া পেতে পারি $$ সিগমাn^2= \omega+{ \alpha\mu{n-1} ^2}, $$

১.৩ গার্চ প্রক্রিয়া

GARCH ((p,q) মডেলটি ARCH§ এবং EWMA ((q) মডেলের সংমিশ্রণ, যার অর্থ হ'ল উদ্বায়ী হারটি কেবল পূর্ববর্তী পি-পরিসরের লাভের সাথে সম্পর্কিত নয়, তবে পূর্ববর্তী q-পরিসরের সাথেও সম্পর্কিত, যা নিম্নরূপ প্রকাশিত হয়ঃ $$ সিগমাn^2= \omega+\sum\limit{i=1}^m { \alpha_i\mu_{n-i} ^2}+\sum\limits_{i=1}^m { \beta_i\sigma_{n-i} ^2}, $$ উপরের ফর্মুলার উপর ভিত্তি করে আমরা সাধারণ গার্চ ((1,1) পেতে পারিঃ $$ \begin{cases}\sigman^2= \omega+{ \alpha\mu{n-1} ^2+\beta\sigma_{n-1}^2}\&\ \qquad\alpha+\beta+\gamma=1 & \end{cases}, $$

২টি কিউআর মডিউল

এই সেক্টরটি মৌলিক বিভাজক রিগ্রেশন ব্যাখ্যা করবে এবং কৌশলগত বিভাজকের গুরুত্ব বর্ণনা করবে।

২.১ কিউআর সংজ্ঞা

বিভাজক রেগ্রিসন হল একটি রেগ্রিসন ভেরিয়েবল X এবং ব্যাখ্যা করা ভেরিয়েবল Y এর বিভাজকের মধ্যে একটি লিনিয়ার সম্পর্ক অনুমান করার একটি মডেলিং পদ্ধতি। পূর্ববর্তী রিগ্রেশন মডেলগুলি আসলে ব্যাখ্যা করা ভেরিয়েবলগুলির গবেষণার শর্তাদির প্রত্যাশা। এবং এটি ব্যাখ্যা করা ভেরিয়েবলগুলির বিতরণের মধ্যস্থতাগুলির সাথে ভেরিয়েবলগুলির বিভাজকের সম্পর্ক ব্যাখ্যা করার বিষয়েও উদ্বিগ্ন। এটি প্রথম কোয়েনকার এবং বাসেট (1978) দ্বারা উত্থাপিত হয়েছিল। OLS রিগ্রেশন অনুমানের গণনাটি সর্বনিম্ন অবশিষ্ট বর্গক্ষেত্রের উপর ভিত্তি করে। বিভাজক রিগ্রেশন অনুমানের গণনাটি একটি অ-সমতুল্য ফর্মের উপর ভিত্তি করে। এর মধ্যে, মধ্যস্থতাগুলির রিগ্রেশনটি সর্বনিম্ন পরম মানের পার্থক্য অনুমানকারী (LAD, least absolute deviations estimator) দ্বারা ব্যবহৃত হয়।

২.২ ওএলএস থেকে কিউআর

সাধারণ প্রত্যাবর্তন পদ্ধতি হল সর্বনিম্ন দ্বিগুণ, অর্থাৎ সর্বনিম্ন ত্রুটির বর্গফলের যোগফলঃ $$ min \sum{({y_i- \widehat{y}i }) }^2 $$ বিভাজকের লক্ষ্য হ'ল উপরের সূত্রের উপর ভিত্তি করে ওজনযুক্ত ভুলের নিখুঁত মান এবংঃ $$ \mathop{\arg\min\beta}\ \sum{[{\tau(y_i-X_i\beta) ^++(1-\tau) \(X_i\beta-y_i) ^+ }]} $$

২.২ কিউআর ভিজ্যুয়ালাইজেশন

আপনি দেখতে পাচ্ছেন যে সমস্ত নমুনাগুলিকে বিভিন্ন স্পেসে বিভাজিত করা হয়েছে, এবং এই বিভাজক লাইনটিও বিভাজক লাইন।

৩. গার্চ-কিউআর ফিরে এসেছে

আমরা স্বাভাবিকভাবেই ভাবতে শুরু করি যে, ভবিষ্যতে সম্ভাব্য সম্ভাব্যতার ক্ষেত্রে উদ্বায়ী প্রান্তিককরণের পূর্বাভাস দেওয়ার জন্য বাজারের অজানা উদ্বায়ী সিগমা এবং বিভাজক Q বা VaR এর সাথে পুনর্নির্দেশ করা সম্ভব কিনা।

৩.১ বেছে নেওয়া ওয়ারেন্টি এবং VaR-এর রিগ্রেশন ফর্ম

আমি একটি ফর্মুলা ব্যবহার করি, কারণ এখানে কৌশলগত মূল বিষয়ের সাথে জড়িত। $$ VaR=\epsilon+W^TE\E=(\zeta,\zeta^2,\zeta^3,\zeta^4) \W=(W_1,W_2,W_3,W_4) $$

৩.২ লক্ষ্য ফাংশন নির্ধারণ

উপরের তথ্যের উপর ভিত্তি করে, আমরা সংমিশ্রণের পরে চূড়ান্ত অপ্টিমাইজ করার জন্য লক্ষ্য ফাংশন পেতে পারিঃ $$ \widehat{W}=\mathop{\arg\min_W} \ \sum{[{\alpha(VaR_t-W^TE_t) ^++(1-\alpha) ((W^TE_t-VaR_t) ^+ }]} $$

3.3 মেশিন লার্নিং ব্যবহার করে লক্ষ্য ফাংশন অপ্টিমাইজেশন

এই ধাপটি তুলনামূলকভাবে বেশি পছন্দসই, ঐতিহ্যবাহী গ্রেডিয়েন্ট হ্রাস, এবং জেনেটিক অ্যালগরিদম, যা পাঠকরা তাদের নিজস্ব সৃজনশীলতা ব্যবহার করে পরীক্ষা করতে পারেন। এখানে একটি অনুকূলিত জিএ অ্যালগরিদম গ্রহণ করা হয়েছে, যা অন্য একটি ব্লগে বিস্তারিতভাবে বর্ণনা করা হয়েছে, এটি আর চালু হবে না।GA অ্যালগরিদমের ঠিকানা সম্পর্কে কিছু

তৃতীয়ত, কিভাবে GQNR কে পরিমাণে ব্যবহার করা যায়।

1.思路的确定

জিকিউএনআর-এর কেন্দ্রবিন্দুতে রয়েছে বাজারের অস্থিরতা, যেহেতু প্রতিটি সময়সীমার বর্তমান সময় পয়েন্টে, গার্চ-এর মাধ্যমে পরবর্তী সময়সীমার অস্থিরতার পূর্বাভাস দেওয়া যায়, অন্যদিকে, অতীতের ডেটা পূর্বাভাসের অস্থিরতার বিভাগীয় প্রত্যাবর্তনের মাধ্যমে, উচ্চতর ও নিম্নতর সীমার উপর নির্ভর করে, যা উচ্চতর সম্ভাব্যতার ক্ষেত্রে অতিক্রম করা হবে না। এবং এই দুটি সীমানা হ'ল সামগ্রীর কেন্দ্রবিন্দু। একবার উচ্চতর সীমানা ট্রিগার করা হলে, আমরা উচ্চতর সম্ভাব্যতার অধীনে স্বল্পমেয়াদী রিটার্ন প্রবণতা বিবেচনা করতে পারি, একবার নিম্নসীমা ট্রিগার করা হলে, আমরা উচ্চতর সম্ভাব্যতার অধীনে স্বল্পমেয়াদী উত্তোলন প্রবণতা বিবেচনা করতে পারি।

2.运用的难点

• প্রত্যাবর্তনের রূপ
• অভিযোজিত অ্যালগরিদম নির্বাচন
• মেশিন লার্নিং এর জন্য উপযুক্ত প্যারামিটার
• বাজারের অনিশ্চয়তা

3.解决方案

• কৌশলগত শেখার সময়সীমা কমানো
• দীর্ঘমেয়াদী ঝুঁকি হ্রাস করার জন্য একক আমানত গ্যারান্টি
• দ্বি-সমতল প্রবণতা যৌথ বৈধতা এবং দ্বিতীয় স্তর নিশ্চিতকরণ বৃদ্ধি