روایتی تکنیکی تجزیہ کو مشین لرننگ کی ضرورت کیوں ہے؟

کوانٹم ٹریڈنگ کے شعبے میں کئی سالوں تک گھومتے پھرتے ، میں نے ایک دلچسپ رجحان پایا: زیادہ تر تاجروں نے دہائیوں پرانے تکنیکی اشارے استعمال کیے ہیں ، لیکن وہ تیزی سے بدلتے ہوئے بازاروں میں اضافی منافع کی توقع کرتے ہیں۔ یہ کیلکولیٹر کو حساب کتاب کے مسئلے کو حل کرنے کے لئے استعمال کرنے کی طرح ہے۔

آج کی تجزیہ کردہ اعلی درجے کی کے این این (KNN) ٹریڈنگ حکمت عملی ایک اہم سمت کی نمائندگی کرتی ہے جس میں مقدار کی تجارت کی جا رہی ہے:مشین لرننگ الگورتھم کو روایتی تکنیکی تجزیہ کے ساتھ جوڑ کر ٹریڈنگ کے زیادہ ذہین فیصلے کرنے والے نظام کی تعمیر。

کیا ہے KNN الگورتھم اور یہ مالیاتی پیش گوئی کے لیے کیوں موزوں ہے؟

KNN الگورتھم کے بنیادی خیالات انتہائی سادہ اور گہرے ہیں:اسی طرح کے مارکیٹ کے حالات اسی طرح کی قیمتوں میں تبدیلی پیدا کر سکتے ہیںیہ فرض ہے کہ مالیاتی مارکیٹ میں مضبوط نظریاتی بنیاد ہے اور مارکیٹ کے شرکاء کے طرز عمل میں کچھ تکرار اور پیش گوئی ہے۔

اس حکمت عملی کی خاصیت یہ ہے کہ یہ ایک سات جہتی خصوصیت کی جگہ بناتا ہے:

• قیمتوں کی رفتارقیمتوں میں تبدیلی کی رفتار اور سمت کی پیمائش:
• RSI اشارےٹویٹر پر:
• ٹرانسمیشن کی شرحپیسے کے بہاؤ میں تبدیلی کی وضاحت:
• اتار چڑھاؤ کی شرحپیمائش: مارکیٹ کے جذبات میں تبدیلی
• رجحان کی شدتٹرینڈز کی شناخت دوہری یکساں نظام کے ذریعے:
• MACD کی خصوصیاتکیپچر: توانائی کی تبدیلی کے سگنل
• Brin کی جگہقیمتوں کا موازنہ کرنا

کیا آپ کو لگتا ہے کہ آپ کے پاس ایک معیاری پروسیسنگ ہے؟

یہاں ایک اہم تکنیکی تفصیل ہے جس میں مزید گہرائی سے غور کرنے کے قابل ہے:خصوصیت معیاریZ-score معیاری کاری کے طریقہ کار کا استعمال کرتے ہوئے حکمت عملی ، تمام خصوصیات کو ایک ہی عددی حد میں تبدیل کریں۔ یہ قدم بہت اہم ہے کیونکہ:

1. پیمائش کے اثر کو ختم کرناقیمت، ٹرانزیکشن حجم، آر ایس آئی اور دیگر اشارے کے اعداد و شمار میں بہت زیادہ فرق ہے:
2. الگورتھم کی کارکردگی میں اضافہاس کے علاوہ ، اس کے علاوہ ، اس کے علاوہ ، اس کے علاوہ ، اس کے علاوہ ، اس کے علاوہ ، اس کے علاوہ ، اس کے علاوہ ، اس کے علاوہ ، اس کے علاوہ ، اس کے علاوہ ، اس کے علاوہ
3. ماڈل استحکام میں اضافہ: کسی خاصیت سے گریز کریں جس کی تعداد بہت زیادہ ہے اور پوری پیش گوئی کے عمل پر حاوی ہے

            
            
            
normalize(src, length) =>
    mean_val = ta.sma(src, length)
    std_val = ta.stdev(src, length)
    std_val == 0 ? 0.0 : (src - mean_val) / std_val

فاصلے سے وزن میں اضافے کی پیش گوئی: قریبی اور دور دراز کے درمیان کیوں فرق ہے؟

روایتی کے این این الگورتھم عام طور پر سادہ ووٹنگ کے طریقہ کار کا استعمال کرتے ہیں، لیکن اس حکمت عملی میں زیادہ پیچیدہ ہے.فاصلہ وزن کے طریقہ سےاس طرح کے ڈیزائن میں مالیاتی منڈیوں کی ایک اہم خصوصیت کا اظہار کیا گیا ہے:مارکیٹ کی حالت میں مماثلت مسلسل ہے، الگ الگ نہیں。

وزن کے حساب کے لئے فارمولہ:weight = 1.0 / (distance + 0.001)

اس طرح کے وزن میں اضافہ کے طریقہ کار سے:

• تاریخی مماثلتوں کی زیادہ درست عکاسی
• شور کے اعداد و شمار کی مداخلت کو کم کرنا
• پیشن گوئی کے نتائج میں اضافہ

یہ حکمت عملی کس صورت حال میں بہترین کام کرتی ہے؟

مشین لرننگ ٹریڈنگ حکمت عملیوں پر میری تحقیق کے تجربے کی بنیاد پر ، کے این این حکمت عملی عام طور پر مندرجہ ذیل مارکیٹ کے حالات میں بہتر کارکردگی کا مظاہرہ کرتی ہے۔

1. رجحان سازی مارکیٹجب مارکیٹوں میں واضح رجحانات ہوتے ہیں تو ، تاریخی نمونوں کو دوبارہ پیش کرنا آسان ہوتا ہے
2. درمیانی اتار چڑھاو کا ماحولاس کے علاوہ، یہ بھی کہا گیا ہے کہ:
3. بہت زیادہ نقل و حرکت والی اقسام: تکنیکی اشارے کی افادیت اور تجارت کے عمل کو یقینی بنانا

یہ بات قابل ذکر ہے کہ اس حکمت عملی میں زیادہ محتاط خطرے کے انتظام کے پیرامیٹرز طے کیے گئے ہیں: 2٪ اسٹاپ نقصان اور 4٪ اسٹاپ اسٹاپ۔ یہ 1: 2 خطرے سے فائدہ اٹھانے کا تناسب حکمت عملی کے ڈیزائنرز کے خطرے پر قابو پانے کی اہمیت کو ظاہر کرتا ہے۔

حکمت عملی کے نئے نکات اور ممکنہ بہتری

اس حکمت عملی کے کچھ قابل تعریف اختراعات یہ ہیں:

1. کثیر جہتی خصوصیت انضمامایک ہی اشارے پر انحصار نہ کریں ، بلکہ ایک جامع خصوصیت کا نظام بنائیں
2. متحرک تاریخ ونڈو: سلائیڈنگ ونڈو میکانزم کے ذریعے ڈیٹا کی بروقت کارکردگی کو برقرار رکھنا
3. ممکنہ آؤٹ پٹاس کے علاوہ، یہ ایک بہت ہی آسان اور سستا اشارہ ہے.

لیکن میں نے کچھ اصلاحات بھی دیکھی ہیں۔

• خصوصیت کے انتخاب کی اصلاح: خصوصیت کی اہمیت کا اندازہ لگانا ، خصوصیت کے وزن کو متحرک طور پر ایڈجسٹ کرنا
• پیرامیٹرز کو ایڈجسٹ کریں:K اقدار اور قیمتوں کا تعین مارکیٹ کے حالات کی نقل و حرکت کے مطابق ایڈجسٹ کیا جا سکتا ہے
• ملٹی ٹائم فریم انضمام: مختلف دورانیوں کے ساتھ مل کر سگنل پیش گوئی کی درستگی کو بہتر بنا سکتے ہیں

عملی اطلاق میں احتیاطی تدابیر

ریل ڈسک ایپلی کیشنز میں ، مندرجہ ذیل نکات پر خصوصی توجہ دی جانی چاہئے:

1. حساب کی پیچیدگیتاریخی اعداد و شمار میں اضافے کے ساتھ ، کے این این الگورتھم کے حساب کتاب میں اضافہ ہوتا ہے ، جس میں صحت سے متعلق اور کارکردگی کو متوازن کرنے کی ضرورت ہوتی ہے۔
2. اوور فٹ ہونے کا خطرہ: بہت کم K اقدار ممکنہ طور پر زیادہ فٹ ہونے کا سبب بن سکتی ہیں، بہت زیادہ ممکنہ طور پر غیر فٹ ہونے کا سبب بن سکتی ہیں
3. ڈیٹا کا معیارغیر معمولی اعداد و شمار کے نقطہ نظر سے فاصلے کے حساب سے نمایاں طور پر متاثر ہوتا ہے، ڈیٹا کی صفائی کے لئے ایک طریقہ کار کی ضرورت ہوتی ہے.

خلاصہ: مشین لرننگ کوانٹم ٹریڈنگ کا مستقبل

یہ حکمت عملی ایک اہم سمت کی نشاندہی کرتی ہے جس میں کوانٹم ٹرانزیکشن کی ترقی کی جا رہی ہے:سادہ قواعد پر مبنی سے ذہین ڈیٹا پر مبنیاگرچہ مشین لرننگ سب کچھ نہیں ہے ، لیکن یہ ہمیں مارکیٹ کے رویے کو سمجھنے اور پیش گوئی کرنے کا ایک زیادہ سائنسی ، زیادہ منظم طریقہ فراہم کرتا ہے۔

میرے خیال میں ، مستقبل میں مقداری تجارت روایتی مالیاتی نظریات ، جدید اعدادوشمار اور مشین لرننگ ٹکنالوجیوں کا گہرائی سے امتزاج ہوگا۔ یہ کے این این کی حکمت عملی صرف آغاز ہے ، اور مزید بدعات اور پیشرفتیں آنے والی ہیں۔