ChaoZhang
ওভারভিউ
এই কৌশলটি একটি মিশ্রিত পরিমাণগত বিশ্লেষণ পদ্ধতি ব্যবহার করে, দুটি বন্টন মডেল এবং রিগ্রেশন বিশ্লেষণের সাথে মিলিত হয়, যাতে বিভিন্ন বাজারের অবস্থা সনাক্ত করা যায়। কৌশলটি প্রথমে সরল চলমান গড় ((এসএমএ) এবং বুলিন ব্যান্ড ((বিবি) সূচকগুলি গণনা করে, তারপরে historicalতিহাসিক রিটার্নের উপর ভিত্তি করে গড় এবং স্ট্যান্ডার্ড ডিফারেনশিয়ালের উপর ভিত্তি করে একটি Z স্কোর গণনা করে। Z স্কোরটি নীচের পয়েন্টের চেয়ে কম এবং দামটি নীচের ট্র্যাকের চেয়ে কম হলে কৌশলটি আরও বেশি পজিশন করে; যখন Z স্কোরটি উচ্চতর পয়েন্টের চেয়ে বেশি এবং দামটি উচ্চতর ট্র্যাকের চেয়ে বেশি হয় তখন কৌশলটি সমতল হয়।
কৌশল নীতি
এই কৌশলটির মূল নীতিটি হল Z স্কোর ব্যবহার করে বর্তমান রিটার্নকে ঐতিহাসিক রিটার্নের বন্টনের সাথে তুলনা করা। Z স্কোরের গণনা সূত্রটি হল: ((বর্তমান রিটার্ন - ঐতিহাসিক রিটার্নের গড়) / ঐতিহাসিক রিটার্নের মানদণ্ডের পার্থক্য। Z স্কোর যত বেশি, বর্তমান রিটার্নটি চরম অতিক্রম করে, তত বেশি ওভারবইয়ের সম্ভাবনা থাকে; Z স্কোর যত কম, বর্তমান রিটার্নটি চরম অতিক্রম করে, তত বেশি ওভারসেলের সম্ভাবনা থাকে।
কৌশলগত সুবিধা
- পরিমাপ বিশ্লেষণঃ এই কৌশলটি সম্পূর্ণরূপে পরিমাপযোগ্য পরিমাপের উপর ভিত্তি করে তৈরি করা হয়েছে, নিয়মগুলি সুস্পষ্ট, বাস্তবায়ন করা সহজ এবং পুনরাবৃত্তিযোগ্য।
- দ্বৈত নিশ্চিতকরণঃ কৌশলটি একই সাথে Z রেটিং এবং ব্রিনের দুটি সূচক ব্যবহার করে, দ্বৈত ফিল্টারিং প্রক্রিয়া তৈরি করে, যা সংকেতের নির্ভুলতা বাড়ায়।
- পরিসংখ্যানগত ভিত্তি: Z স্কোরটি পরিসংখ্যানের সাধারণ বিতরণ তত্ত্ব থেকে উদ্ভূত, একটি দৃঢ় তাত্ত্বিক ভিত্তি রয়েছে যা বর্তমান রিটার্নের চরম মাত্রাটিকে বস্তুনিষ্ঠভাবে পরিমাপ করতে পারে।
- প্যারামিটার নমনীয়তাঃ ব্যবহারকারীরা এসএমএ চক্র, বুলিন বন্ড গুণক, জেড রেটিং থ্রেশহোল্ড ইত্যাদি প্যারামিটারগুলি প্রয়োজন অনুসারে সামঞ্জস্য করতে পারে।
কৌশলগত ঝুঁকি
- প্যারামিটার সংবেদনশীলতাঃ বিভিন্ন প্যারামিটার সেটিং কৌশল কর্মক্ষমতা মধ্যে বড় পার্থক্য হতে পারে, এবং পর্যাপ্ত প্যারামিটার অপ্টিমাইজেশান এবং স্থায়িত্ব পরীক্ষা প্রয়োজন।
- প্রবণতা ঝুঁকিঃ যখন বাজারে একটি শক্তিশালী প্রবণতা দেখা দেয়, তখন Z রেটিং দীর্ঘমেয়াদে চরম অঞ্চলে থাকতে পারে, যার ফলে কৌশলগত সংকেতগুলি বিরল বা সম্পূর্ণ অনুপস্থিত থাকে।
- ওভারফিট হওয়ার ঝুঁকিঃ যদি নীতির প্যারামিটারগুলিকে অতিরিক্ত অপ্টিমাইজ করা হয় তবে এটি ওভারফিট হতে পারে, যা নমুনার বাইরে খারাপভাবে কাজ করে।
- ব্ল্যাক সোয়ান ঝুঁকিঃ চরম পরিস্থিতিতে, ঐতিহাসিক পরিসংখ্যানের নিয়মগুলি ব্যর্থ হতে পারে এবং কৌশলটি প্রত্যাহারের ঝুঁকিতে রয়েছে।
কৌশল অপ্টিমাইজেশনের দিকনির্দেশনা
- ডায়নামিক প্যারামিটারঃ বাজারের অস্থিরতা, প্রবণতা শক্তি এবং অন্যান্য সূচকগুলির উপর ভিত্তি করে ডায়নামিকভাবে Z রেটিং থ্রেশহোল্ড এবং ব্রিনের বেন্ডের গুণককে সামঞ্জস্য করে।
- প্রবণতা ফিল্টার যোগ করুনঃ প্রবণতা বিচারক সূচকগুলি যেমন এমএ ক্রস, ডিএমআই ইত্যাদির উপর বিদ্যমান প্রক্রিয়াগুলিকে আচ্ছাদন করুন, যাতে শক্তিশালী প্রবণতার সময় খুব বেশি অকার্যকর সংকেত দেখা যায় না।
- সমন্বয় অপ্টিমাইজেশানঃ এই কৌশলটি অন্যান্য পরিমাণগত কৌশলগুলির সাথে সমন্বয় করা হয়েছে (যেমন গতিশীলতা, গড় রিগ্রেশন ইত্যাদি) তাদের নিজস্ব সুবিধার জন্য এবং স্থিতিশীলতা বাড়ানোর জন্য।
- স্টপ লস স্টপঃ যুক্তিসঙ্গত স্টপ লস স্টপ ব্যবস্থা চালু করুন, একক লেনদেনের ঝুঁকি হোল্ডার নিয়ন্ত্রণ করুন এবং ঝুঁকি-সংশোধিত আয় বাড়ান।
সারসংক্ষেপ
হাইব্রিড ডাবল জেড স্কোর কোয়ান্টাইজেশন কৌশলটি একটি পরিসংখ্যানগত নীতির উপর ভিত্তি করে একটি কোয়ান্টাইজেশন ট্রেডিং কৌশল যা বর্তমান রিটার্নের সাথে historicalতিহাসিক রিটার্নের বন্টনের তুলনা করে সম্ভাব্য ওভারবয় ওভারসেলের সুযোগগুলি সনাক্ত করে। একই সাথে, কৌশলটি ব্রিনের ব্যান্ডের সূচক ব্যবহার করে, যা সংকেতের নির্ভরযোগ্যতা বাড়ায়। কৌশলটি স্পষ্ট, বাস্তবায়ন এবং অপ্টিমাইজ করা সহজ, তবে একই সাথে প্যারামিটার সংবেদনশীল, প্রবণতা ঝুঁকি, ওভারফিট ঝুঁকির মতো চ্যালেঞ্জগুলির মুখোমুখি। ভবিষ্যতে কৌশলটি গতিশীল প্যারামিটার, প্রবণতা ফিল্টারিং, সমন্বয় অপ্টিমাইজেশন, স্টপ লস এবং স্টপ স্টপ ইত্যাদি থেকে অপ্টিমাইজ করা যেতে পারে, যাতে এটির অভিযোজনযোগ্যতা এবং স্থিতিশীলতা বাড়ানো যায়। সামগ্রিকভাবে, কৌশলটি কোয়ান্টাইজেশন ট্রেডিংয়ের জন্য একটি সহজ এবং কার্যকর চিন্তাধারা সরবরাহ করে যা আরও অনুসন্ধান
/*backtest
start: 2023-05-22 00:00:00
end: 2024-05-27 00:00:00
period: 1d
basePeriod: 1h
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/
//@version=5
strategy("Estratégia Híbrida Quantitativa", overlay=true)
// Definição de parâmetros
sma_length = input.int(20, title="Período da SMA")
threshold_high = input.float(1.5, title="Threshold Alto")
threshold_low = input.float(-1.5, title="Threshold Baixo")
lookback_period = input.int(252, title="Período de Retorno Histórico (dias)")
// Funções auxiliares
f_sma(source, length) =>
ta.sma(source, length)
f_bollinger_band(source, length, mult) =>
basis = ta.sma(source, length)
dev = mult * ta.stdev(source, length)
[basis + dev, basis - dev]
// Cálculo dos indicadores
sma = f_sma(close, sma_length)
[upper_band, lower_band] = f_bollinger_band(close, sma_length, 2)
// Regime de Mercado: Binomial
retornos = ta.change(close, 1)
media_retornos = ta.sma(retornos, lookback_period)
desvio_padrao_retornos = ta.stdev(retornos, lookback_period)
// Indicador de Regime: Z-Score
z_score = (retornos - media_retornos) / desvio_padrao_retornos
// Sinal de Compra e Venda
sinal_compra = z_score < threshold_low and close < lower_band
sinal_venda = z_score > threshold_high and close > upper_band
// Execução de Ordem
if (sinal_compra)
strategy.entry("Long", strategy.long)
if (sinal_venda)
strategy.close("Long")
// Plotagem dos Indicadores
plot(sma, title="SMA", color=color.blue)
plot(upper_band, title="Upper Bollinger Band", color=color.red)
plot(lower_band, title="Lower Bollinger Band", color=color.green)
hline(threshold_high, "Threshold Alto", color=color.red, linestyle=hline.style_dashed)
hline(threshold_low, "Threshold Baixo", color=color.green, linestyle=hline.style_dashed)
plot(z_score, title="Z-Score", color=color.purple)