সংক্ষিপ্ত বিবরণ

এই কৌশলটি কৃত্রিম স্নায়ু নেটওয়ার্ক ব্যবহার করে ভবিষ্যতের মূল্য পরিবর্তনের পূর্বাভাস দেয় এবং পূর্বাভাসের ফলাফলের ভিত্তিতে ট্রেডিং সংকেত তৈরি করে। এটি একটি ট্রেন্ড অনুসরণকারী কৌশল। কৌশলটির সুবিধা হলো এটি জটিল অ-রৈখিক ট্রেন্ড শনাক্ত করতে পারে এবং মধ্যম থেকে দীর্ঘমেয়াদী ট্রেডিংয়ের জন্য উপযুক্ত। তবে ব্যাকটেস্টে ভালো ফলাফল পাওয়া গেলেও লাইভ ট্রেডিংয়ে খারাপ ফলাফল আসার ঝুঁকি রয়েছে।

কৌশলের নীতি

এই কৌশলটি কৃত্রিম স্নায়ু নেটওয়ার্ক (ANN) ব্যবহার করে পরবর্তী একদিনের মূল্য পরিবর্তনের শতাংশ পূর্বাভাস দেয়।

ইনপুট স্তরে কেবল একটি ইনপুট নোড রয়েছে, যা আগের একদিনের মূল্য পরিবর্তনের শতাংশ।

লুকানো স্তরে ২টি স্তর রয়েছে: প্রথম স্তরে ৫টি নোড এবং দ্বিতীয় স্তরে ৩৩টি নোড, উভয়েই হাইপারবোলিক ট্যানজেন্ট (tanh) অ্যাক্টিভেশন ফাংশন ব্যবহার করে।

আউটপুট স্তরে কেবল একটি আউটপুট নোড রয়েছে, যা লিনিয়ার অ্যাক্টিভেশন ফাংশনের মাধ্যমে সরাসরি চূড়ান্ত পূর্বাভাস ফলাফল হিসেবে প্রদান করা হয়।

পূর্বাভাসের ফলাফল threshold প্যারামিটারের মানের চেয়ে বেশি হলে ক্রয় সংকেত তৈরি হয়; যদি threshold প্যারামিটারের ঋণাত্মক মানের চেয়ে কম হয়, তাহলে বিক্রয় সংকেত তৈরি হয়।

কৌশলের সুবিধা

• ANN মডেল ব্যবহার করে পূর্বাভাস দেওয়ার ফলে জটিল অ-রৈখিক ট্রেন্ড ফিট করা যায়
• কেবল একদিনের ডেটা ব্যবহার করা হয়, প্রচুর ঐতিহাসিক ডেটার প্রয়োজন হয় না
• দীর্ঘ সময়ের স্কেলে ট্রেন্ড শনাক্ত করতে পারে
• একাধিক লুকানো স্তর ব্যবহার করে, ফিটিং ক্ষমতা বেশি
• অ্যাক্টিভেশন ফাংশন এবং প্যারামিটার অপ্টিমাইজ করা হয়েছে, পূর্বাভাসের কার্যকারিতা ভালো

কৌশলের ঝুঁকি

• ANN অ্যালগরিদমে ওভারফিটিংয়ের ঝুঁকি রয়েছে, লাইভ ট্রেডিংয়ের ফলাফল ব্যাকটেস্টের মতো নাও হতে পারে
• প্রশিক্ষণের জন্য দীর্ঘ ঐতিহাসিক ডেটার প্রয়োজন, সম্প্রতি তালিকাভুক্ত শেয়ারের জন্য উপযুক্ত নয়
• প্যারামিটার এবং গঠন বারবার অপ্টিমাইজ করতে হয়, কার্যকারিতা অস্থির
• কেবল একদিনের মূল্য পরিবর্তনের পূর্বাভাস দেয়, দীর্ঘমেয়াদী ট্রেন্ড বিচার করতে পারে না
• বাজার যখন দোদুল্যমান পর্যায়ে প্রবেশ করে, তখন কার্যকারিতা খারাপ হতে পারে

অপ্টিমাইজেশনের দিকনির্দেশনা

• ইনপুট ভেরিয়েবল বাড়ানো, যেমন ট্রেডিং ভলিউম ইত্যাদি তথ্য
• বিভিন্ন ANN গঠন এবং অ্যাক্টিভেশন ফাংশন পরীক্ষা করা
• ANN এর প্যারামিটার অপ্টিমাইজ করে ফিটিং নির্ভুলতা উন্নত করা
• প্রশিক্ষণ সেটের নমুনার পরিমাণ বাড়িয়ে ওভারফিটিং এড়ানো
• একাধিক সময় স্কেলের পূর্বাভাস দিয়ে স্বল্প ও দীর্ঘমেয়াদী ট্রেন্ড বিচার করা
• অন্যান্য মডেলের সাথে একত্রিত করে এনসেম্বল লার্নিং করা
• ভলাটিলিটির মতো সূচক ব্যবহার করে ঝুঁকি নিয়ন্ত্রণ জোরদার করা

সারসংক্ষেপ

এই কৌশলটি ANN মডেল ব্যবহার করে মূল্য পরিবর্তনের পূর্বাভাস দেয়, যা জটিল অ-রৈখিক ট্রেন্ড শনাক্ত করতে পারে এবং মধ্যম থেকে দীর্ঘমেয়াদী ট্রেডিংয়ের জন্য উপযুক্ত। তবে ANN মডেলের ব্ল্যাক বক্স বৈশিষ্ট্য লাইভ ট্রেডিংয়ের জন্য বড় চ্যালেঞ্জ তৈরি করে। আমাদের ইনপুট ফিচার, মডেল গঠন, প্যারামিটার অপ্টিমাইজেশন, এনসেম্বল লার্নিং ইত্যাদি দিক থেকে অপ্টিমাইজ করতে হবে, পাশাপাশি প্রচলিত টেকনিক্যাল অ্যানালাইসিস সূচক ব্যবহার করে অপারেশন কার্যকারিতা বাড়াতে হবে এবং লাইভ ট্রেডিংয়ের ঝুঁকি কমাতে হবে। কৃত্রিম বুদ্ধিমত্তার কৌশলগুলিকে এখনও ঐতিহ্যগত কৌশলের সাথে নিখুঁতভাবে একত্রিত করলেই সর্বোচ্চ ফলাফল পাওয়া সম্ভব।