कृत्रिम तंत्रिका नेटवर्क पर आधारित मात्रात्मक व्यापार रणनीति

Common strategy

Created: 2023-11-14 11:22:28

Last modified: 3 years ago

Copy: 4

ChaoZhang

1797

Followers

सिंहावलोकन

यह रणनीति एक कृत्रिम तंत्रिका नेटवर्क (ANN) का उपयोग करके भविष्य के मूल्य परिवर्तनों का पूर्वानुमान लगाती है और पूर्वानुमान के परिणामों के आधार पर ट्रेडिंग सिग्नल उत्पन्न करती है, जो एक प्रवृत्ति-अनुसरण रणनीति है। इस रणनीति का लाभ यह है कि यह जटिल अरैखिक प्रवृत्तियों को पहचान सकती है और मध्यम से दीर्घकालिक ट्रेडिंग के लिए उपयुक्त है। हालाँकि, इसमें यह जोखिम भी है कि बैकटेस्टिंग में अच्छे परिणाम मिल सकते हैं, लेकिन लाइव ट्रेडिंग में प्रदर्शन खराब हो सकता है।

रणनीति का सिद्धांत

यह रणनीति भविष्य के एक दिन के मूल्य परिवर्तन प्रतिशत का पूर्वानुमान लगाने के लिए एक कृत्रिम तंत्रिका नेटवर्क (ANN) का उपयोग करती है।

इनपुट परत में केवल एक इनपुट नोड है, जो पिछले एक दिन का मूल्य परिवर्तन प्रतिशत है।

हिडन लेयर में 2 परतें हैं: पहली परत में 5 नोड हैं, दूसरी परत में 33 नोड हैं, और दोनों हाइपरबोलिक टैन्जेंट (tanh) को एक्टिवेशन फंक्शन के रूप में उपयोग करती हैं।

आउटपुट परत में केवल एक आउटपुट नोड है, जो एक रैखिक एक्टिवेशन फंक्शन के बाद सीधे अंतिम पूर्वानुमान परिणाम के रूप में कार्य करता है।

यदि पूर्वानुमान का परिणाम threshold पैरामीटर के मान से अधिक है, तो एक खरीद सिग्नल उत्पन्न होता है; यदि यह नकारात्मक threshold पैरामीटर के मान से कम है, तो एक बिक्री सिग्नल उत्पन्न होता है।

रणनीति के लाभ

ANN मॉडल का उपयोग करके पूर्वानुमान लगाया जाता है, जो जटिल अरैखिक प्रवृत्तियों को फिट कर सकता है।
इनपुट में केवल एक दिन का डेटा उपयोग किया जाता है, बड़ी मात्रा में ऐतिहासिक डेटा की आवश्यकता नहीं होती।
लंबे समय के पैमाने पर प्रवृत्तियों को पहचान सकता है।
कई हिडन लेयर का उपयोग करता है, जिससे फिटिंग क्षमता मजबूत होती है।
एक्टिवेशन फंक्शन और पैरामीटर अनुकूलित होते हैं, जिससे पूर्वानुमान प्रभाव अच्छा होता है।

रणनीति के जोखिम

ANN एल्गोरिदम में ओवरफिटिंग का जोखिम होता है, लाइव ट्रेडिंग में प्रदर्शन बैकटेस्टिंग जितना अच्छा नहीं हो सकता।
प्रशिक्षण के लिए लंबे ऐतिहासिक डेटा की आवश्यकता होती है, जो हाल ही में लिस्टेड शेयरों के लिए उपयुक्त नहीं है।
पैरामीटर और संरचना को बार-बार अनुकूलित करने की आवश्यकता होती है, प्रभाव अस्थिर हो सकता है।
केवल एक दिन के उतार-चढ़ाव का पूर्वानुमान लगाता है, दीर्घकालिक प्रवृत्ति का निर्धारण नहीं कर सकता।
जब बाजार साइडवे या अस्थिर अवधि में प्रवेश करता है, तो प्रभाव खराब हो सकता है।

अनुकूलन दिशाएँ

इनपुट चर बढ़ाएँ, जैसे कि वॉल्यूम जैसी जानकारी।
विभिन्न ANN संरचनाओं और एक्टिवेशन फंक्शन का प्रयास करें।
ANN के पैरामीटर को अनुकूलित करें, फिटिंग सटीकता में सुधार करें।
प्रशिक्षण सेट का नमूना आकार बढ़ाएँ, ओवरफिटिंग से बचें।
कई समय पैमानों का पूर्वानुमान लगाएँ, अल्पकालिक और दीर्घकालिक प्रवृत्तियों का निर्धारण करें।
अन्य मॉडलों के साथ संयोजन करें, एन्सेम्बल लर्निंग।
जोखिम नियंत्रण को मजबूत करने के लिए वोलैटिलिटी जैसे संकेतकों का उपयोग करें।

सारांश

यह रणनीति ANN मॉडल का उपयोग करके मूल्य परिवर्तनों का पूर्वानुमान लगाती है, जो जटिल अरैखिक प्रवृत्तियों को पहचान सकती है और मध्यम से दीर्घकालिक ट्रेडिंग के लिए उपयुक्त है। हालाँकि, ANN मॉडल की ब्लैक-बॉक्स प्रकृति लाइव ट्रेडिंग में बड़ी चुनौतियाँ पेश करती है। हमें इनपुट फीचर्स, मॉडल संरचना, पैरामीटर अनुकूलन, एन्सेम्बल लर्निंग आदि पहलुओं से अनुकूलन करने की आवश्यकता है, साथ ही परिचालन प्रभाव को बढ़ाने और लाइव ट्रेडिंग जोखिम को कम करने के लिए पारंपरिक तकनीकी विश्लेषण संकेतकों के साथ सहायता प्रदान करनी चाहिए। कृत्रिम बुद्धिमत्ता आधारित रणनीतियों को पारंपरिक रणनीतियों के साथ पूरी तरह से एकीकृत करने की आवश्यकता है ताकि अधिकतम प्रभाव प्राप्त किया जा सके।

Source

Pine

/*backtest
start: 2023-10-14 00:00:00
end: 2023-11-13 00:00:00
period: 1h
basePeriod: 15m
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/

//@version=2
strategy("ANN Strategy v2")

threshold = input(title="Threshold", type=float, defval=0.0000, step=0.0001)

Strategy parameters