جائزہ

یہ حکمت عملی ایک تجرباتی مقداری تجارتی حکمت عملی ہے جو حرکت پذیری اوسط اشاریوں اور مشین لرننگ کے kNN الگورتھم کو ملا کر تجارتی سگنل تیار کرتی ہے۔ یہ حکمت عملی مختلف ادوار کی دو VWMA اوسطوں کے کراس اوور کا استعمال رجحان کی سمت کا تعین کرنے کے لیے کرتی ہے اور MFI اور ADX دو اشاریوں کو kNN الگورتھم کے ذریعے سگنلز کو فلٹر کرنے کے لیے استعمال کرتی ہے تاکہ سگنلز کی قابل اعتمادی بہتر ہو سکے۔

حکمت عملی کا اصول

اس حکمت عملی کا بنیادی اشارہ مختلف پیرامیٹرز کی دو VWMA اوسطیں ہیں، جو تیز رفتار لائن اور سست رفتار لائن کہلاتی ہیں۔ جب تیز رفتار لائن سست رفتار لائن کو اوپر سے کراس کرتی ہے تو خریداری کا سگنل پیدا ہوتا ہے، اور جب تیز رفتار لائن سست رفتار لائن کو نیچے سے کراس کرتی ہے تو فروخت کا سگنل پیدا ہوتا ہے۔ اس کے علاوہ، حکمت عملی MFI اور ADX دو معاون اشاریوں کو متعارف کراتی ہے، اور kNN درجہ بندی الگورتھم کے ذریعے موجودہ مارکیٹ کی صورتحال میں اس سگنل کی قابل اعتمادی کا تعین کرتی ہے۔

kNN الگورتھم کا تصور نئے ڈیٹا کا تاریخی ڈیٹا سے موازنہ کرنا ہے تاکہ سب سے زیادہ مشابہ k تاریخی ڈیٹا کے نتائج کا تعین کیا جا سکے، اور پھر ان k تاریخی نتائج کی بنیاد پر اکثریتی ووٹ کے ذریعے درجہ بندی کی جائے۔ یہ حکمت عملی MFI اور ADX کو kNN الگورتھم کے دو ان پٹ پیرامیٹرز کے طور پر استعمال کرتی ہے تاکہ ان اشاریوں کے مجموعے پر تاریخی قیمت کی حرکت (اضافہ یا کمی) کا اندازہ لگایا جا سکے، اس طرح موجودہ سگنل کو فلٹر کر کے سگنل کے معیار کو بہتر بنایا جا سکے۔

حکمت عملی کے فوائد

• VWMA کی رجحان کی پیروی کرنے کی صلاحیت کا استعمال کرتے ہوئے اوسطوں کے کراس اوور سے خرید و فروخت کے مقامات پیدا کرنا
• MFI اور ADX اشاریوں کا استعمال کرتے ہوئے کثیر جہتی خصوصیات نکالنا اور رجحان کی سمت کا تعین کرنے میں مدد لینا
• kNN مشین لرننگ الگورتھم کی مدد سے تجارتی سگنلز کو متحرک طور پر بہتر اور فلٹر کرنا
• تجرباتی حکمت عملی جس میں ترقی کی گنجائش ہے، مزید ڈیٹا کے ذریعے تصدیق اور اصلاح کی ضرورت ہے

خطرات اور ان کا مقابلہ

• VWMA اوسطیں تاخیر کا شکار ہو سکتی ہیں
• MFI اور ADX میں کچھ تاخیر ہوتی ہے، جو مارکیٹ کی صورتحال کو غلط سمجھ سکتی ہے
• kNN الگورتھم کے پیرامیٹرز (جیسے k کی قدر کا انتخاب) کے نتائج پر بڑا اثر پڑتا ہے
• تجرباتی نوعیت کی حکمت عملی، حقیقی تجارت میں اچھی کارکردگی نہ دکھا سکتی ہے

مقابلے کے اقدامات:

• اوسطوں کے پیرامیٹرز کو ایڈجسٹ کر کے تاخیر کی سطح کم کرنا
• اشاریوں کے الگورتھم کو بہتر بنا کر رجحان کے تعین کی درستگی بڑھانا
• kNN الگورتھم کے پیرامیٹرز کو بہتر بنا کر فٹنگ کے نتائج بہتر کرنا
• بیک ٹیسٹنگ اور نقلی حقیقی تجارت کے ذریعے حکمت عملی کی تصدیق کرنا

بہتری کی سمتیں

اس حکمت عملی میں بہتری کی بہت گنجائش ہے:

• مزید حرکت پذیری اوسط اشاریوں کو شامل کر کے اوسطوں کا مجموعہ بنانا
• مختلف معاون اشاریے آزمائے جائیں جیسے MACD, KDJ وغیرہ
• kNN الگورتھم کو بہتر بنایا جائے، جیسے مختلف فاصلوں کی پیمائش کے طریقے استعمال کرنا
• دیگر مشین لرننگ الگورتھم آزمائے جائیں جیسے SVM, رینڈم فاریسٹ وغیرہ
• پیرامیٹر کی اصلاح کی جائے تاکہ بہترین پیرامیٹر کا مجموعہ تلاش کیا جا سکے

مزید اشاریوں اور مشین لرننگ الگورتھم کو شامل کر کے حکمت عملی کے استحکام اور منافع کی شرح کو مزید بہتر کرنے کی امید کی جا سکتی ہے۔

خلاصہ

یہ حکمت عملی VWMA حرکت پذیری اوسط اشاریوں اور kNN مشین لرننگ الگورتھم پر مبنی ایک تجرباتی مقداری تجارتی حکمت عملی ہے۔ اس میں رجحان کی پیروی کرنے کی صلاحیت نسبتاً مضبوط ہے، اور ساتھ ہی مشین لرننگ کے ذریعے سگنل فلٹرنگ کی خصوصیت بھی ہے۔ اس حکمت عملی میں بڑی گنجائش ہے، اور مزید خصوصیات اور اصلاحی الگورتھم متعارف کروا کر بہتر نتائج پیدا کرنے کی امید کی جا سکتی ہے۔ لیکن ایک نئی حکمت عملی ہونے کی وجہ سے اس میں کچھ خطرات بھی ہیں، جن کی مزید تصدیق اور بہتری کی ضرورت ہے۔ مجموعی طور پر، یہ حکمت عملی بڑی اختراعی صلاحیت رکھتی ہے۔