kNN-ভিত্তিক ট্রেন্ড অনুসরণ কৌশল

Common strategy

Created: 2023-12-08 11:33:31

Last modified: 3 years ago

Copy: 8

ChaoZhang

1802

Followers

সারসংক্ষেপ

এই কৌশলটি বাজারের প্রবণতা পূর্বাভাস দিতে কে-নিয়ারেস্ট নেবার (kNN) মেশিন লার্নিং অ্যালগরিদম ব্যবহার করে এবং পূর্বাভাসের ফলাফলের উপর ভিত্তি করে লং এবং শর্ট পজিশনের সিগন্যাল তৈরি করে। কৌশলটি ঐতিহাসিক তথ্য, প্রযুক্তিগত সূচক ইত্যাদি একাধিক বিষয় বিবেচনা করে, kNN মডেলকে প্রশিক্ষণ দিয়ে বাজারের বৈশিষ্ট্য গতিশীলভাবে অর্জন করে এবং স্বয়ংক্রিয় ট্রেন্ড ফলোয়িং ট্রেডিং বাস্তবায়ন করে।

কৌশলের মূলনীতি

প্রশিক্ষণ তথ্য সংগ্রহ: ঐতিহাসিক ক্লোজিং প্রাইস, ট্রেডিং ভলিউম ইত্যাদি টাইম সিরিজ, সেইসাথে আরএসআই, সিসিআই ইত্যাদি প্রযুক্তিগত সূচক সংগ্রহ করা।
তথ্য প্রিপ্রসেসিং: সূচক মানগুলোকে 0-100 পরিসরে নর্মালাইজ করা।
kNN মডেল প্রশিক্ষণ: বর্তমান kNN মডেলের দুটি বৈশিষ্ট্য ইনপুট করে, এই বৈশিষ্ট্য ভেক্টরগুলোর সাথে ঐতিহাসিক বৈশিষ্ট্য ভেক্টরগুলোর মধ্যে ইউক্লিডীয় দূরত্ব গণনা করা, এবং সবচেয়ে কাছের kটি ঐতিহাসিক নমুনা নির্বাচন করে, এই kটি নমুনার লেবেল (লং বা শর্ট) বিতরণ পরিসংখ্যান করা।
পূর্বাভাস প্রাপ্তি: kটি নিকটতম প্রতিবেশী নমুনার লেবেলের ভিত্তিতে বর্তমান বাজারের গতিপ্রকৃতি পূর্বাভাস করা। যদি পূর্বাভাস লং হয়, তাহলে লং পজিশন সিগন্যাল তৈরি; যদি পূর্বাভাস শর্ট হয়, তাহলে শর্ট পজিশন সিগন্যাল তৈরি।
স্টপ লস, পজিশন কন্ট্রোল, মুভিং এভারেজ ইত্যাদি ফিল্টারের সাথে একত্রে ট্রেডিং করা।

কৌশলের সুবিধা

মেশিন লার্নিং অ্যালগরিদম ব্যবহার করে স্বয়ংক্রিয়ভাবে প্রযুক্তিগত প্যাটার্ন চিহ্নিত করা যায়, কোনো মানুষের হস্তক্ষেপের প্রয়োজন হয় না।
মডেল বৈশিষ্ট্য হিসেবে বিভিন্ন প্রযুক্তিগত সূচক নমনীয়ভাবে নির্বাচন করা যায় এবং রিয়েল-টাইমে কৌশল অপ্টিমাইজ করা যায়।
স্টপ লস, পজিশন ম্যানেজমেন্ট ইত্যাদি কঠোর ঝুঁকি নিয়ন্ত্রণ ব্যবস্থা একীভূত করা।
স্টপ লস লাইন দৃশ্যমানভাবে উপস্থাপন করা, যা স্পষ্ট এবং সহজবোধ্য।

ঝুঁকি ও সমাধান

মেশিন লার্নিং পূর্বাভাসে ভুল সংকেত আসতে পারে। উপযুক্ত k মান, বৈশিষ্ট্য ভেক্টর, নমুনা সময়সীমা ইত্যাদি নির্বাচন করে মডেল অপ্টিমাইজ করা যেতে পারে।
একক দিকে ট্রেডিংয়ের সম্ভাব্য ঝুঁকি রয়েছে। বাগ দূর করতে কোডে দ্বিমুখী ট্রেডিং অনুমতি যোগ করা যেতে পারে।
প্যারামিটার ভুল সেটিং অতিরিক্ত ট্রেডিংয়ের কারণ হতে পারে। পজিশনের আকার, ট্রেডিং ফ্রিকোয়েন্সি ইত্যাদি প্যারামিটার যথাযথভাবে সামঞ্জস্য করা উচিত।

অপ্টিমাইজেশনের দিকনির্দেশনা

kNN ইনপুট বৈশিষ্ট্য হিসেবে বিভিন্ন ধরনের প্রযুক্তিগত সূচক পরীক্ষা করা।
ম্যানহাটন দূরত্বের মতো অন্যান্য দূরত্ব মাপার পদ্ধতি চেষ্টা করা।
নমুনার দূরত্ব বা শ্রেণিবিন্যাসের গুণমান ব্যবহার করে পজিশনের আকার সামঞ্জস্য করা।
মডেল প্রশিক্ষণ সেট এবং পরীক্ষা সেট বিভাজন যোগ করে রোলিং অপ্টিমাইজেশন বাস্তবায়ন করা।

সারসংক্ষেপ

এই কৌশলটি ক্লাসিক kNN অ্যালগরিদম ব্যবহার করে বাজারের প্রবণতা পূর্বাভাস দেয় এবং পূর্বাভাস সংকেত অনুযায়ী ট্রেন্ড ফলোয়িং ট্রেডিং পরিচালনা করে। কৌশলটির প্যারামিটার সামঞ্জস্যযোগ্য এবং ঝুঁকি নিয়ন্ত্রণযোগ্য বৈশিষ্ট্য রয়েছে, যা ব্যবহারকারীদের কার্যকর স্বয়ংক্রিয় ট্রেডিং সমাধান প্রদান করতে পারে। ব্যবহারকারীরা প্রযুক্তিগত সূচকের সংমিশ্রণ পরিবর্তন, মডেল হাইপারপ্যারামিটার অপ্টিমাইজ করা ইত্যাদি উপায়ে কৌশলের কর্মক্ষমতা ক্রমাগত উন্নত করতে পারেন।

Source

Pine

/*backtest
start: 2023-11-07 00:00:00
end: 2023-12-07 00:00:00
period: 1h
basePeriod: 15m
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/

// This source code is subject to the terms of the Mozilla Public License 2.0 at https://mozilla.org/MPL/2.0/
// © sosacur01

//@version=5

Strategy parameters

Backtest Time Period

Filter Date Range of Backtest

Start Date

End Date

Long & Short Position

On/Off Long Postion

On/Off Short Postion

kNN-based Inputs

Start Date

Stop Date

Indicator