কেন ঐতিহ্যবাহী প্রযুক্তিগত বিশ্লেষণ জটিল বাজারে ব্যর্থ হয়েছে?

কোয়ান্টাম ট্রেডিংয়ের ক্ষেত্রে, আমরা প্রায়শই এই বিভ্রান্তির মুখোমুখি হইঃ কেন সরল মুভিং এভারেজ বা আরএসআই ভিত্তিক কৌশলগুলি কিছু বাজারের পরিস্থিতিতে দুর্দান্ত পারফরম্যান্স করে এবং অন্য সময়ে প্রায়শই ব্যর্থ হয়? উত্তরটি আর্থিক সময়সীমার জটিলতার মধ্যে রয়েছে। কারণ এগুলি কেবল স্ব-সম্পর্কিত নয়, সময়ের সাথে সাথে অস্থিরতার বৈশিষ্ট্যও রয়েছে।

আজকে আমরা যে কৌশলটি বিশ্লেষণ করতে যাচ্ছি তা হল AR(2) স্ব-রিগ্রেশন মডেল এবং GARCH(1,1) কন্ডিশনাল ডিফারেনশিয়াল মডেলের একটি চতুর সংমিশ্রণ যা এই সমস্যাটি পরিসংখ্যানগতভাবে সমাধান করার চেষ্টা করে। এটি কেবলমাত্র প্রযুক্তিগত সূচকগুলির উপর ভিত্তি করে নয়, বরং আর্থিক সময়সীমার মৌলিক বৈশিষ্ট্যগুলির গভীর খনন করে।

AR: (২) মডেলটি কিভাবে দামের স্মৃতি প্রভাবকে ক্যাপচার করে?

কৌশলটির মূল বিষয় হল AR ((২) স্ব-রিটার্ন মডেলের প্রয়োগ। স্ব-রিটার্ন কি? সহজভাবে বলতে গেলে, এটি অতীতের নিজের ভবিষ্যতের ভবিষ্যদ্বাণী করার জন্য ব্যবহৃত হয়। AR ((২) মডেলটি অনুমান করে যে বর্তমান রিটার্নের হারটি পূর্ববর্তী দুইটি সময়ের রিটার্নের হার দ্বারা রৈখিকভাবে উপস্থাপিত হতে পারেঃ

            
            
            
r_t = φ₁ × r_{t-1} + φ₂ × r_{t-2} + ε_t

কোডটি ইউল-ওয়ালকার সমীকরণ দ্বারাφ1 এবংφ2 এর কোয়ালিটি সমাধান করেঃ

            pinescript
            
            
c0 = calcAutoCovariance(returns, 0, lengthReg) // 滞后0期自协方差
c1 = calcAutoCovariance(returns, 1, lengthReg) // 滞后1期自协方差  
c2 = calcAutoCovariance(returns, 2, lengthReg) // 滞后2期自协方差
phi1 = (c1 * c0 - c2 * c1) / denominator // 第一个自回归系数
phi2 = (c2 * c0 - c1 * c1) / denominator // 第二个自回归系数

এই পদ্ধতির সুবিধা হল, এটি মূল্যায়নের উপর নির্ভর করে না, বরং তথ্য নিজেই "বলে" দেয় এবং মূল্যের ধারাবাহিকতার মধ্যে অন্তর্নিহিত নিয়মাবলী খুঁজে বের করে।

কেন GARCH মডেল বাজার ঝুঁকিকে আরও ভালভাবে চিত্রিত করে?

এআর মডেলগুলি যথেষ্ট নয়, কারণ আর্থিক বাজারের অস্থিরতা ধ্রুবক নয়। আমরা সবাই জানি যে "অস্থিরতা জমায়েত" ঘটনাটি বড় ধরনের অস্থিরতার সাথে বড় ধরনের অস্থিরতা এবং দীর্ঘস্থায়ী শান্ত সময়কালের সাথে জড়িত।

GARCH ((১,১) মডেলটি এই বৈশিষ্ট্যটি চিত্রিত করার জন্য তৈরি করা হয়েছেঃ

            
            
            
σ²_t = ω + α × ε²_{t-1} + β × σ²_{t-1}

কোডের বাস্তবায়ন লজিক এই বিষয়টিকে স্পষ্ট করে তুলেছেঃ

            pinescript
            
            
omega = (1 - adjustedAlpha - adjustedBeta) * longTermVar
garchVariance := omega + adjustedAlpha * math.pow(arResidual[1], 2) + adjustedBeta * garchVariance[1]

এখানে একটি গুরুত্বপূর্ণ অন্তর্দৃষ্টি হলঃ বর্তমান শর্তাদির প্রান্তিকতা কেবলমাত্র পূর্ববর্তী সময়ের অবশিষ্ট বর্গক্ষেত্রের উপর নির্ভর করে না (স্বল্পমেয়াদী ধাক্কা) তবে পূর্ববর্তী সময়ের শর্তাদির প্রান্তিকতার উপরও নির্ভর করে (দীর্ঘমেয়াদী ধারাবাহিকতা) । প্যারামিটার α স্বল্পমেয়াদী ধাক্কা প্রভাব নিয়ন্ত্রণ করে, β অস্থিরতার ধারাবাহিকতা নিয়ন্ত্রণ করে।

এই কৌশলটির ট্রেডিং লজিক কীভাবে ঝুঁকি-লাভের ভারসাম্য বজায় রাখে?

এআর পূর্বাভাস এবং গার্চ ওঠানামা অনুমানের সাথে, কৌশলটি একটি গতিশীল বিশ্বাসের ব্যাপ্তি তৈরি করেঃ

            pinescript
            
            
upperReturnBand = arReturnPredict + stdevFactor * garchStd
lowerReturnBand = arReturnPredict - stdevFactor * garchStd

ট্রেডিং সিগন্যালের প্রজন্মের লজিক গড় মান প্রত্যাবর্তনের ধারণাকে প্রতিফলিত করেঃ

• যখন দাম নিম্নগামী হয় তখন আরও বেশি করুন longSignal = rawPrice < lowerPriceBand)
• ShortSignal = rawPrice > upperPriceBand যখন দাম উর্ধ্বগামী হয় তখন ফাঁকা থাকে

এই নকশার একটি চতুরতা হলঃ বিশ্বাসের ব্যাপ্তির প্রস্থ বাজারের অস্থিরতার গতিশীলতার সাথে সামঞ্জস্যপূর্ণ। উচ্চ অস্থিরতার সময়, ব্যাপ্তি প্রশস্ত হয়, ট্রেডিং ফ্রিকোয়েন্সি হ্রাস করে; কম অস্থিরতার সময়, ব্যাপ্তি সংকীর্ণ হয়, ট্রেডিং সুযোগ বৃদ্ধি করে।

কিন্তু বাস্তবে কোন কোন গুরুত্বপূর্ণ বিষয়ের দিকে নজর দিতে হবে?

1. মডেল স্থায়িত্ব পরীক্ষা
কোডটিতে গুরুত্বপূর্ণ স্থায়িত্ব পরীক্ষা রয়েছেঃ

            pinescript
            
            
if stabilityCheck >= 0.99 or math.abs(phi2) >= 0.99
    scaleFactor = 0.95 / math.max(stabilityCheck, math.abs(phi2) + 0.01)

এটি এআর মডেলের স্থিতিশীলতা নিশ্চিত করে এবং বিচ্ছিন্ন পূর্বাভাস এড়ায়।

২. প্যারামিটার ঘনত্বের সীমাবদ্ধতা
GARCH মডেলটি দীর্ঘমেয়াদী বৈষম্যের অস্তিত্ব নিশ্চিত করার জন্য α + β < 1 প্রয়োজনঃ

            pinescript
            
            
if sumParam >= 0.999
    scale = 0.99 / sumParam

৩. ফিল্টারিংয়ের প্রয়োজনীয়তা
কৌশলটি আরএসআই ফিল্টারিং বিকল্প সরবরাহ করে, যা বাস্তবিক প্রয়োগে গুরুত্বপূর্ণ। খাঁটি পরিসংখ্যানগত মডেলগুলি বাজারের প্রবণতার বৈশিষ্ট্যগুলিকে উপেক্ষা করতে পারে, প্রযুক্তিগত সূচকগুলির অন্তর্ভুক্তি অতিরিক্ত নিশ্চিতকরণ সংকেত সরবরাহ করতে পারে।

কৌশলগত সীমাবদ্ধতা এবং উন্নতির পথ

যদিও এই কৌশলটি তত্ত্বগতভাবে মার্জিত, বাস্তবে এটি বিবেচনা করা দরকারঃ

ডাটা ফ্রিকোয়েন্সি নির্বাচন করুন:AR-GARCH মডেলের পারফরম্যান্স বিভিন্ন সময়কালের মধ্যে ব্যাপকভাবে পরিবর্তিত হয়। উচ্চ-ফ্রিকোয়েন্সি ডেটা আরও তথ্য সরবরাহ করে, তবে আরও বেশি শব্দও প্রবর্তন করে।

প্যারামিটার সময় পরিবর্তনশীলতা: বর্তমান বাস্তবায়ন অনুমান AR এবং GARCH প্যারামিটারগুলি অনুমান উইন্ডোতে ধ্রুবক, তবে প্রকৃত বাজার কাঠামো পরিবর্তিত হতে পারে।

লেনদেনের খরচ প্রভাবপরিসংখ্যানগতভাবে, অ্যারেজিং কৌশলগুলি সাধারণত উচ্চতর লেনদেনের প্রয়োজন হয়, যার জন্য কমিশন এবং স্লাইড পয়েন্টের খরচগুলি উপেক্ষা করা যায় না।

উপসংহারঃ পরিসংখ্যানগত মডেলিং এর মূল্য

এই AR-GARCH কৌশলটি আর্থিক মডেলিংয়ের ক্ষেত্রে আধুনিক পরিসংখ্যানের শক্তিশালী শক্তি প্রদর্শন করে। এটি কেবলমাত্র প্রযুক্তিগত সূচকগুলির সমন্বয় নয়, বরং আর্থিক সময়সীমার পরিসংখ্যানগত বৈশিষ্ট্যগুলির গভীর খনন।

কোয়ান্টাম ট্রেডারদের জন্য, এই ধরণের কৌশলগুলি বোঝার মূল্য কেবল সরাসরি প্রয়োগের মধ্যে নয়, বরং পরিসংখ্যানগতভাবে বাজার বিশ্লেষণের দক্ষতা বিকাশের মধ্যে রয়েছে। আজ, যখন এআই এবং মেশিন লার্নিং ব্যাপকভাবে ব্যবহৃত হয়, এই ক্লাসিক পরিসংখ্যানগত মডেলগুলি এখনও আমাদের বাজার বোঝার এবং কৌশল তৈরির একটি গুরুত্বপূর্ণ ভিত্তি।