ایکویٹی آپشنز کی ٹریڈنگ کے لیے اینڈ ٹو اینڈ ڈیپ لرننگ
خلاصہ
یہ دستاویز مشین لرننگ کے ایسے اینڈ ٹو اینڈ طریقے کو بیان کرتی ہے جو آپشنز کے مارکیٹ ڈیٹا کو براہِ راست ٹریڈنگ سگنلز میں تبدیل کرتا ہے۔ مارکیٹ کی حرکیات متعین کرنے یا آپشن کی قیمت کے ماڈل پر انحصار کرنے والے طریقوں کے برعکس، اس میں ماڈلز کو مشاہدہ شدہ ڈیٹا اور ٹریڈنگ فیصلوں کے درمیان تعلق سیکھنے کی تربیت دی جاتی ہے۔ ٹریڈنگ کی سرگرمی اور اس کے اخراجات کا حساب رکھنے کے لیے اس میں ٹرن اوور ریگولرائزیشن بھی شامل ہے۔
رپورٹ کردہ بیک ٹیسٹ S&P 100 کے اجزا کے ایکویٹی آپشنز کے دس سال سے زیادہ کے عرصے پر محیط ہے۔ مصنفین قواعد پر مبنی حکمتِ عملیوں کے مقابلے میں خطرے کے مطابق بہتر کارکردگی اور بہت زیادہ لین دین کے اخراجات کے تحت ٹرن اوور ریگولرائزیشن سے مزید فوائد رپورٹ کرتے ہیں۔ خلاصے میں ماڈل کی تفصیلات، کارکردگی کے اعداد یا توثیق کے ڈیزائن کی معلومات نہیں ہیں، اس لیے صرف اس وضاحت سے نتائج کی مضبوطی اور عملی عمومیت کا اندازہ نہیں لگایا جا سکتا۔
اہم خیالات
- یہ طریقہ مارکیٹ کی حرکیات یا آپشن کی قیمت کا ماڈل متعین کیے بغیر آپشنز کے مارکیٹ ڈیٹا سے براہِ راست ٹریڈنگ سگنلز سیکھتا ہے۔
- یہ مشاہدات کو ٹریڈنگ فیصلوں میں بدلنے کے لیے اینڈ ٹو اینڈ ڈیپ لرننگ ماڈل استعمال کرتا ہے۔
- ٹریڈنگ کی سرگرمی اور لین دین کے اخراجات کا حساب رکھنے کے لیے ٹرن اوور ریگولرائزیشن شامل ہے۔
- رپورٹ کردہ بیک ٹیسٹ S&P 100 ایکویٹیز کے آپشنز کے دس سال سے زیادہ کے ڈیٹا پر مشتمل ہے۔
- مصنفین قواعد پر مبنی حکمتِ عملیوں کے مقابلے میں خطرے کے مطابق بہتر کارکردگی رپورٹ کرتے ہیں۔
ٹیگز
مکمل متن
# Deep Learning for Options Trading: An End-To-End Approach # Deep Learning for Options Trading: An End-To-End Approach We introduce a novel approach to options trading strategies using a highly scalable and data-driven machine learning algorithm. In contrast to traditional approaches that often require specifications of underlying market dynamics or assumptions on an option pricing model, our models depart fundamentally from the need for these prerequisites, directly learning non-trivial mappings from market data to optimal trading signals. Backtesting on more than a decade of option contracts for equities listed on the S&P 100, we demonstrate that deep learning models trained according to our end-to-end approach exhibit significant improvements in risk-adjusted performance over existing rules-based trading strategies. We find that incorporating turnover regularization into the models leads to further performance enhancements at prohibitively high levels of transaction costs.
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۔