کلمان فلٹرنگ اور مطلب رجعت پر مبنی مقداری تجارتی حکمت عملی
ChaoZhang
جائزہ
اس حکمت عملی میں کارمین لہر اور اوسط قیمت کی واپسی کا نظریہ استعمال کیا گیا ہے ، جس میں اسٹاک کی قیمتوں میں مختصر مدت کے غیر معمولی اتار چڑھاؤ کو پکڑنے کے لئے ، اسٹاک پر براہ راست تجارت کی اجازت دی گئی ہے۔ حکمت عملی پہلے اسٹاک اور مارکیٹ انڈیکس کے لئے قیمت تناسب ماڈل بناتی ہے ، اور پھر کارمین لہر کی تکنیک کا استعمال کرتے ہوئے تناسب کی پیش گوئی اور لہر لگاتی ہے۔ جب تناسب معمول کی سطح سے ہٹ جاتا ہے تو تجارت پیدا ہوتی ہے۔ سگنل۔ اس کے علاوہ ، حکمت عملی میں غلط تجارت سے بچنے کے لئے حجم فلٹرنگ بھی شامل ہے۔
حکمت عملی کا اصول
اس حکمت عملی کا بنیادی خیال یہ ہے کہ اسٹاک کی اپنی قیمت اور مارکیٹ انڈیکس کی قیمت کا تناسب ماڈل بنایا جائے۔ یہ تناسب مجموعی طور پر مارکیٹ کی قیمت کی سطح کے مقابلے میں انفرادی اسٹاک کی عکاسی کرسکتا ہے۔ جب تناسب زیادہ ہوتا ہے تو ، اسٹاک کو زیادہ قیمت پر سمجھا جاتا ہے ، جس سے فروخت کا اشارہ ملتا ہے۔ جب تناسب کم ہوتا ہے تو ، اسٹاک کو کم قیمت پر سمجھا جاتا ہے ، جس سے خریداری کا اشارہ ملتا ہے۔
تناسب سگنل کو ہموار کرنے کے لئے ، حکمت عملی میں کارمین لہر الگورتھم کا استعمال کیا گیا ہے۔ کارمین لہر تناسب کی اصل مشاہداتی قیمت کو پیش گوئی کی قیمت کے ساتھ وزن دیتی ہے ، تناسب کی پیش گوئی کو حقیقی وقت میں اپ ڈیٹ کرتی ہے۔ اور ایک ہموار کارمین لہر کی قیمت کا حساب لگاتا ہے۔ جب لہر کی قیمت معمول سے 2 معیاری فرق سے زیادہ یا معمول سے 2 معیاری فرق سے کم ہوتی ہے تو ، تجارتی سگنل پیدا ہوتا ہے۔
اس کے علاوہ ، حکمت عملی میں حجم کے عوامل کو بھی مدنظر رکھا گیا ہے۔ حقیقی تجارتی سگنل صرف اس وقت پیدا ہوتے ہیں جب حجم زیادہ ہوتا ہے ، جس سے کچھ غلط تجارتوں سے بچا جاسکتا ہے۔
حکمت عملی کا تجزیہ
اس حکمت عملی کا سب سے بڑا فائدہ یہ ہے کہ اس نے کرمان سرپلس الگورتھم کا استعمال کرتے ہوئے قیمت کے تناسب کو مؤثر طریقے سے ہموار اور پیش گوئی کی ہے۔ سادہ اوسط سے واپسی کے ماڈل کے مقابلے میں ، کرمان سرپلس قیمتوں میں متحرک تبدیلیوں کی بہتر عکاسی کرسکتا ہے ، خاص طور پر جب قیمتوں میں شدید اتار چڑھاؤ ہوتا ہے۔ اس سے حکمت عملی کو وقت پر قیمت کی غیر معمولی حالت کا پتہ لگانے اور درست تجارتی سگنل پیدا کرنے کی اجازت ملتی ہے۔
دوسری بات یہ ہے کہ ٹرانزیکشنز کی تعداد کو ملا کر حکمت عملی کو عملی طور پر لاگو کیا جاسکتا ہے۔ ٹرانزیکشنز کی تعداد کو مناسب طریقے سے فلٹر کرنے سے غلط سگنل سے بچنے اور غیر ضروری ٹرانزیکشن لاگت کو کم کرنے میں مدد ملتی ہے۔
مجموعی طور پر ، اس حکمت عملی نے کرمن لہر ، اوسط واپسی اور حجم تجزیہ جیسے متعدد تکنیکوں کو کامیابی کے ساتھ جوڑ کر ایک نسبتا strong مضبوط مقداری تجارت کی حکمت عملی تشکیل دی ہے۔
حکمت عملی کے خطرے کا تجزیہ
اگرچہ یہ حکمت عملی نظریاتی اور تکنیکی طور پر اچھی ہے ، لیکن عملی طور پر اس کے استعمال میں کچھ ممکنہ خطرات موجود ہیں جن پر توجہ دینے کی ضرورت ہے۔
سب سے پہلے ماڈل کا خطرہ ہے۔ کرمن فلٹر ماڈل میں کچھ اہم پیرامیٹرز ، جیسے پروسیسنگ شور فرق ، مشاہداتی شور فرق ، وغیرہ ، کو تاریخی اعداد و شمار پر مبنی تخمینہ لگانے کی ضرورت ہے۔ اگر اندازہ غلط ہے یا مارکیٹ کے حالات میں اہم تبدیلی واقع ہوئی ہے تو ، ماڈل کی پیش گوئی میں انحراف کا سبب بنے گا۔
اس کے بعد اسکیلپنگ لاگت کا خطرہ ہے۔ زیادہ بار بار تجارت سے زیادہ اسکیلپنگ لاگت آتی ہے ، جس سے حکمت عملی کے فوائد ضائع ہوجاتے ہیں۔ پیرامیٹر کی اصلاح اور تجارت کے حجم کے فلٹرنگ سے غیر ضروری تجارت کو کسی حد تک کم کیا جاسکتا ہے۔
آخر میں ، مارکیٹ انڈیکس کو بطور بیس کے ساتھ مارکیٹ کے کچھ سسٹم کا خطرہ ہے۔ جب پوری مارکیٹ میں شدید اتار چڑھاؤ ہوتا ہے تو ، انفرادی حصص اور مارکیٹ کی قیمتوں کا تناسب بھی غیر معمولی ہوتا ہے۔ اس وقت حکمت عملی غلط سگنل دیتی ہے۔ ہم ایک زیادہ مستحکم انڈیکس کو بطور بیس منتخب کرنے پر غور کرسکتے ہیں۔
حکمت عملی کی اصلاح کی سمت
اس حکمت عملی میں مزید اصلاحات کی گنجائش موجود ہے:
قیمتوں کے تناسب کو فٹ کرنے اور پیش گوئی کرنے کے لئے زیادہ پیچیدہ گہری سیکھنے کے ماڈل کا استعمال کریں۔ اس سے ماڈل کی درستگی اور استحکام میں اضافہ ہوسکتا ہے۔
زیادہ متحرک اور ذہین ٹریڈ حجم کی حد کی ترتیب کے لئے حجم فلٹرنگ قواعد کو بہتر بنائیں۔ اس سے غلط تجارت کا امکان کم ہوسکتا ہے۔
مختلف مارکیٹ انڈیکس کو حکمت عملی کے معیار کے طور پر جانچیں ، اور کم اتار چڑھاؤ والے ، زیادہ مستحکم انڈیکس کا انتخاب کریں۔ اس سے مارکیٹ کے سسٹم کے خطرے کے اثرات کو کم کیا جاسکتا ہے۔
اسٹاک کے بنیادی تجزیہ کے ساتھ مل کر ، بنیادی طور پر نمایاں طور پر خراب ہونے والے حصص کی تجارت سے گریز کریں۔ اس سے بہتر معیار کی تجارت کی نشاندہی کی جاسکتی ہے۔
اعلی تعدد انٹراڈے ڈیٹا کا استعمال کرتے ہوئے حکمت عملی کی نگرانی اور اصلاح کریں ، جس سے حکمت عملی کی عملی کارکردگی کو بہتر بنایا جاسکے۔
خلاصہ کریں۔
اس حکمت عملی نے کارمین سرپل ماڈل کا استعمال کرتے ہوئے اسٹاک کی قیمتوں میں قلیل مدتی غیر معمولی اتار چڑھاؤ کو کامیابی سے پکڑ لیا ہے۔ اس کے ساتھ ہی ، حجم سگنل کی تعارف نے حکمت عملی کی عملی کو بڑھاوا دیا ہے۔ اگرچہ ماڈل کے کچھ خطرات اور مارکیٹ کے خطرات باقی ہیں ، لیکن یہ ایک بہت ہی امید افزا مقدار میں تجارت کی حکمت عملی ہے۔ ماڈل اور تجارتی سگنل کی اصلاح کے لحاظ سے مستقبل میں بہتری کی گنجائش اور اطلاق کی صلاحیت ہے۔
/*backtest
start: 2023-12-21 00:00:00
end: 2023-12-28 00:00:00
period: 1m
basePeriod: 1m
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/
// © xXM3GAXx
//@version=5
strategy("My strategy", overlay=true)
//SPY or QQQ
context = request.security("BTC_USDT:swap", timeframe.period, input(close))
//our stock
particular = input(close)
//ratio
src = ta.roc(particular, 1) / math.abs(ta.roc(context, 1))
//kalman calculation
Sharpness = input.float(1.0)
K = input.float(1.0)
greencolor = color.lime
redcolor = color.red
velocity = 0.0
kfilt = 0.0
Distance = src - nz(kfilt[1], src)
Error = nz(kfilt[1], src) + Distance * math.sqrt(Sharpness*K/ 100)
velocity := nz(velocity[1], 0) + Distance*K / 100
kfilt := Error + velocity
//2 std devs up and down
upper = kfilt[1] + 2 * ta.stdev(kfilt, input(20))
lower = kfilt[1] - 2 * ta.stdev(kfilt, input(20))
//plotting for visuals
plot(kfilt, color=velocity > 0 ? greencolor : redcolor, linewidth = 2)
plot(upper)
plot(lower)
//plot(ta.ema(ta.roc(particular, 1)/ta.roc(context, 1), 5), color = #00ffff, linewidth=2)
//volume data
vol = volume
volema = ta.ema(volume, 10)
//buy when ratio too low
longCondition = kfilt<=lower and vol>=volema
if (longCondition)
strategy.entry("My Long Entry Id", strategy.long)
//sell when ratio too high
shortCondition = kfilt>=upper and vol>=volema
if (shortCondition)
strategy.entry("My Short Entry Id", strategy.short)