مارکیٹ کی درجہ بند حالتوں سے ٹریڈنگ اسٹریٹیجی کے مجموعے بنانا

خلاصہ

یہ دستاویز قیمتوں یا منافع کی براہِ راست پیش گوئی کے بجائے مارکیٹ کی حالتوں کی درجہ بندی کرکے اسٹریٹیجیز بنانے کا طریقہ بیان کرتی ہے۔ لیبلز حالتوں کی وضاحت کرتے ہیں، اور مارکیٹ کی خصوصیات، مثلاً متحرک اوسط، ان لیبلز میں فرق کرنے کی صلاحیت کے مطابق منتخب کی جاتی ہیں۔ ایک علیحدہ نیورل نیٹ ورک خصوصیات سے ہر لیبل کی پیش گوئی کرتا اور خرید یا فروخت کے امکانات دیتا ہے؛ ان سفارشات کو خطی طور پر ملا کر ممکنہ اسٹریٹیجیز بنائی جاتی ہیں۔

مجموعوں کے لیے اسٹریٹیجیز منتخب کرنے کی خاطر مصنفین تاریخی منافع پر مبنی ایک اسکور بناتے ہیں، جس میں کم ٹریڈز یا کم لگائے گئے سرمائے والی اسٹریٹیجیز پر جرمانہ بھی شامل ہے۔ ان کے مطابق، سب سے زیادہ اسکور والی اسٹریٹیجیز کے مجموعے بٹ کوائن پر نمونے سے باہر دونوں، یعنی منافع اور خطرے کے مطابق منافع، میں انفرادی موازنے کے طریقوں سے بہتر رہے۔ انہیں یہ بھی ملا کہ مخصوص تاریخی اسکور کا مستقبل کی کامیابی سے تعلق ہے۔ دستاویز کے مطابق بعض ممکنہ اسٹریٹیجیز گمراہ کن ہو سکتی ہیں، لیکن اس میں نمونے کی تاریخیں، معیارِ موازنہ کی تفصیلات، لاگت کے مفروضے یا عددی نتائج نہیں دیے گئے۔ چونکہ لیبلز مستقبل کا ڈیٹا استعمال کرکے نکالے جاتے ہیں، اس لیے طریقہ اس بات پر منحصر ہے کہ یہ معلومات درجہ بندی کرنے والے ماڈل کے اِن پٹس اور جانچ کے عمل سے باہر رکھی جائیں؛ خلاصہ ان حفاظتی اقدامات کی وضاحت نہیں کرتا۔

اہم خیالات

• یہ طریقہ منافع کی براہِ راست پیش گوئی کے بجائے لیبل شدہ مارکیٹ حالتوں کی درجہ بندی کرتا ہے۔
• خصوصیات کا انتخاب حالتوں کے لیبلز میں فرق کرنے کی صلاحیت کی بنیاد پر کیا جاتا ہے۔
• نیورل نیٹ ورک کے درجہ بندی ماڈل خرید یا فروخت کے امکانات دیتے ہیں، جنہیں ملا کر اسٹریٹیجیز بنائی جاتی ہیں۔
• ایک مخصوص تاریخی اسکور کم ٹریڈنگ سرگرمی اور محدود لگائے گئے سرمائے پر جرمانہ عائد کرتا ہے۔
• رپورٹ کے مطابق، بٹ کوائن کے مجموعوں نے نمونے سے باہر بیان کردہ موازنوں کو پیچھے چھوڑا، تاہم نفاذ کی تفصیلات فراہم نہیں کی گئیں۔

ٹیگز

# Constructing trading strategy ensembles by classifying market states


# Constructing trading strategy ensembles by classifying market states









Rather than directly predicting future prices or returns, we follow a more recent trend in asset management and classify the state of a market based on labels. We use numerous standard labels and even construct our own ones. The labels rely on future data to be calculated, and can be used a target for training a market state classifier using an appropriate set of market features, e.g. moving averages. The construction of those features relies on their label separation power. Only a set of reasonable distinct features can approximate the labels. For each label we use a specific neural network to classify the state using the market features from our feature space. Each classifier gives a probability to buy or to sell and combining all their recommendations (here only done in a linear way) results in what we call a trading strategy. There are many such strategies and some of them are somewhat dubious and misleading. We construct our own metric based on past returns but penalising for a low number of transactions or small capital involvement. Only top score-performance-wise trading strategies end up in final ensembles. Using the Bitcoin market we show that the strategy ensembles outperform both in returns and risk-adjusted returns in the out-of-sample period. Even more so we demonstrate that there is a clear correlation between the success achieved in the past (if measured in our custom metric) and the future.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔