kNN کی بنیاد پر مندرجہ ذیل حکمت عملی کا رجحان

Cryptocurrency

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

Last modified: 3 years ago

Copy: 8

ChaoZhang

1779

Followers

جائزہ

یہ حکمت عملی مارکیٹ کے رجحانات کی پیش گوئی کرنے کے لئے k قریبی ((kNN) مشین لرننگ الگورتھم کا استعمال کرتی ہے ، اور پیش گوئی کے نتائج کے مطابق طویل پوزیشن اور خالی پوزیشن سگنل پیدا کرتی ہے۔ اس حکمت عملی میں تاریخی اعداد و شمار ، تکنیکی اشارے اور دیگر متعدد عوامل پر جامع غور کیا گیا ہے۔ مارکیٹ کی خصوصیات کو حاصل کرنے کے لئے kNN ماڈل کی متحرک تربیت کے ذریعے ، رجحانات کی پیروی کرنے والے تجارت کو خودکار بنانے کے لئے۔

حکمت عملی کا اصول

ٹریننگ ڈیٹا اکٹھا کریں: تاریخی اختتامی قیمتوں ، ٹرانزیکشن حجم ، اور تکنیکی اشارے جیسے آر ایس آئی ، سی سی آئی وغیرہ کی ٹائم سیریز اکٹھا کریں۔
اعداد و شمار کی پری پروسیسنگ: انڈیکیٹر کی قیمتوں کو 0-100 کی حد تک یکساں کریں۔
ٹریننگ کے این این ماڈل: موجودہ کے این این ماڈل میں دو خصوصیات داخل کریں ، ان خصوصیات کے ویکٹر اور تاریخی خصوصیات کے ویکٹر کے مابین یوروپی فاصلے کا حساب لگائیں ، قریب ترین کے تاریخی نمونے کا انتخاب کریں ، اور اس کے نمونے کے لیبل ((کثیر سر یا خالی سر) کی تقسیم کے بارے میں اعدادوشمار کریں۔
پیشن گوئی حاصل کریں: موجودہ مارکیٹ کی پیش گوئی کی گئی ہے جو k قریب ترین ہمسایہ نمونے کے لیبل پر مبنی ہے۔ اگر پیش گوئی کثیر سر ہے تو ، ایک طویل پوزیشن کا اشارہ پیدا کریں۔ اگر پیش گوئی خالی سر ہے تو ، خالی پوزیشن کا اشارہ پیدا کریں۔
اسٹاپ نقصان ، پوزیشن کنٹرول ، اور منتقل اوسط جیسے فلٹرز کے ساتھ تجارت کریں۔

اسٹریٹجک فوائد

مشین لرننگ الگورتھم کا استعمال کرتے ہوئے ، تکنیکی شکلوں کی خودکار شناخت ، بغیر کسی انسانی مداخلت کی ضرورت ہے۔
ماڈل کی خصوصیات کے طور پر مختلف تکنیکی اشارے کے لچکدار انتخاب ، اور حقیقی وقت کی اصلاح کی حکمت عملی۔
اسٹاپ نقصان اور پوزیشن مینجمنٹ جیسے سخت رسک کنٹرول میکانزم کو مربوط کرنا۔
واضح اور بدیہی طور پر دکھائے جانے والے اسٹاپ نقصان کی لائن۔

خطرات اور حل

مشین لرننگ کی پیش گوئی میں ممکنہ طور پر غلط اطلاعات ہوسکتی ہیں۔ آپ کو مناسب کے ویلیو ، خصوصیت ویکٹر ، نمونہ وقت کی حد وغیرہ کے لئے ایک بہتر ماڈل منتخب کرنے کی ضرورت ہے۔
ایک طرفہ تجارت میں ممکنہ خطرہ ہے۔ کوڈ میں باہمی تجارت شامل کرنے سے ممکنہ طور پر کیڑے دور ہوسکتے ہیں۔
پیرامیٹرز کی غلط ترتیب سے ضرورت سے زیادہ تجارت ہوسکتی ہے۔ پوزیشن کے سائز ، تجارت کی فریکوئنسی اور دیگر پیرامیٹرز کو مناسب طریقے سے ایڈجسٹ کیا جانا چاہئے۔

اصلاح کی سمت

مختلف قسم کے تکنیکی اشارے کی جانچ کرنا بطور kNN ان پٹ کی خصوصیت <unk>
فاصلے کی پیمائش کے دیگر طریقوں کو آزمائیں، جیسے کہ مین ہیٹن فاصلہ۔
نمونہ فاصلے یا درجہ بندی کے معیار کا استعمال کرتے ہوئے پوزیشن سائز کو ایڈجسٹ کریں.
ماڈل ٹریننگ سیٹ شامل کریں ، ٹیسٹ سیٹ تقسیم کریں ، رولنگ کی اصلاح کریں۔

خلاصہ کریں۔

اس حکمت عملی میں کلاسیکی کے این این الگورتھم کا استعمال کیا گیا ہے تاکہ مارکیٹ کے رجحانات کی پیش گوئی کی جاسکے اور پیش گوئی کے اشارے کے مطابق رجحانات کی پیروی کی جاسکے۔ اس حکمت عملی میں پیرامیٹرز ایڈجسٹ اور رسک کنٹرول کی خصوصیات ہیں ، جو صارفین کو موثر خودکار تجارتی پروگرام مہیا کرسکتی ہیں۔ صارف تکنیکی اشارے کے مجموعے کو ایڈجسٹ کرکے ، ماڈل کے پیرامیٹرز کو بہتر بنانے اور اسی طرح کی حکمت عملی کی کارکردگی کو مستقل طور پر بڑھا سکتا ہے۔

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