خلاصہ

یہ حکمت عملی k قریب ترین پڑوسی (kNN) مشین لرننگ الگورتھم کا استعمال کرتے ہوئے مارکیٹ کے رجحان کی پیش گوئی کرتی ہے اور پیش گوئی کے نتائج کی بنیاد پر لمبی اور چھوٹی پوزیشنوں کے سگنل تیار کرتی ہے۔ یہ حکمت عملی تاریخی اعداد و شمار، تکنیکی اشارے وغیرہ جیسے متعدد عوامل پر غور کرتی ہے اور kNN ماڈل کو تربیت دے کر مارکیٹ کی خصوصیات کو متحرک طور پر حاصل کرتی ہے، جس سے خودکار رجحان کی پیروی کرنے والی تجارت ممکن ہوتی ہے۔

حکمت عملی کا اصول

1. تربیتی ڈیٹا جمع کرنا: تاریخی بند ہونے والی قیمتوں، تجارتی حجم وغیرہ کے ٹائم سیریز کے ساتھ ساتھ RSI، CCI جیسے تکنیکی اشارے جمع کریں۔

2. ڈیٹا کی پیشگی پروسیسنگ: اشارے کی قدروں کو 0-100 کی حد میں معمول پر لائیں۔

3. kNN ماڈل کی تربیت: موجودہ kNN ماڈل میں دو خصوصیات داخل کریں، ان خصوصیات کے ویکٹرز اور تاریخی خصوصیات کے ویکٹرز کے درمیان یوکلیڈین فاصلے کا حساب لگائیں، قریب ترین k تاریخی نمونوں کا انتخاب کریں، اور ان k نمونوں کے لیبلز (لمبی یا چھوٹی) کی تقسیم کا شمار کریں۔

4. پیش گوئی حاصل کرنا: k قریب ترین پڑوسی نمونوں کے لیبلز کی بنیاد پر موجودہ مارکیٹ کی رفتار کی پیش گوئی کریں۔ اگر پیش گوئی لمبی ہے تو لمبی پوزیشن کا سگنل، اور اگر پیش گوئی چھوٹی ہے تو چھوٹی پوزیشن کا سگنل تیار کریں۔

5. نقصان روکنے، پوزیشن کے سائز کے کنٹرول، متحرک اوسط وغیرہ جیسے فلٹرز کے ساتھ تجارت کریں۔

حکمت عملی کے فوائد

1. مشین لرننگ الگورتھم کا استعمال کرتے ہوئے خود بخود تکنیکی نمونوں کی شناخت، جس میں انسانی مداخلت کی ضرورت نہیں۔

2. ماڈل کی خصوصیات کے طور پر مختلف تکنیکی اشارے کا انتخاب لچکدار طریقے سے کیا جا سکتا ہے، حکمت عملی کو حقیقی وقت میں بہتر بنایا جا سکتا ہے۔

3. نقصان روکنے، پوزیشن مینجمنٹ وغیرہ کے سخت رسک کنٹرول میکانزم کا انضمام۔

4. نقصان روکنے کی لکیر کو بصری طور پر پیش کرنا، واضح اور بدیہی۔

خطرات اور حل

1. مشین لرننگ کی پیش گوئی میں غلط الرٹ ہو سکتے ہیں۔ مناسب k قدر، خصوصیات کے ویکٹرز، نمونے کے وقت کی حد وغیرہ کا انتخاب کرکے ماڈل کو بہتر بنایا جا سکتا ہے۔

2. یک طرفہ تجارت میں ممکنہ خطرہ موجود ہے۔ کوڈ میں دو طرفہ تجارت کی اجازت دے کر بگ کو ختم کیا جا سکتا ہے۔

3. پیرامیٹرز کی غلط ترتیب زیادہ تجارت کا سبب بن سکتی ہے۔ پوزیشن کے سائز، تجارتی تعدد وغیرہ کو مناسب طریقے سے ایڈجسٹ کیا جانا چاہیے۔

بہتری کی سمتیں

1. مختلف اقسام کے تکنیکی اشارے کو kNN ان پٹ خصوصیات کے طور پر آزمائیں۔

2. فاصلے کی پیمائش کے دیگر طریقے آزمائیں، جیسے مین ہٹن فاصلہ۔

3. نمونے کے فاصلے یا درجہ بندی کے معیار کی بنیاد پر پوزیشن کے سائز کو ایڈجسٹ کریں۔

4. ماڈل کے تربیتی سیٹ اور ٹیسٹ سیٹ کی تقسیم شامل کریں تاکہ رولنگ آپٹیمائزیشن حاصل ہو سکے۔

خلاصہ

یہ حکمت عملی کلاسک kNN الگورتھم کا استعمال کرتے ہوئے مارکیٹ کے رجحان کی پیش گوئی کرتی ہے اور پیش گوئی کے سگنل کی بنیاد پر رجحان کی پیروی کرنے والی تجارت کرتی ہے۔ اس حکمت عملی میں پیرامیٹرز کو ایڈجسٹ کیا جا سکتا ہے اور خطرے کو کنٹرول کیا جا سکتا ہے، جو صارفین کو ایک مؤثر خودکار تجارتی حل فراہم کرتی ہے۔ صارفین تکنیکی اشاریوں کے امتزاج کو ایڈجسٹ کرکے، ماڈل کے ہائپر پیرامیٹرز کو بہتر بنا کر وغیرہ حکمت عملی کی کارکردگی کو مسلسل بہتر بنا سکتے ہیں۔