آموزش گام به گام صرافی کوکوین

در اینجا، مروری بر عملکرد و مقایسه آماری بین صندوق DFO و سه معیار به عنوان مثال ارائه می کنیم. شاخص هج طلا، بیت کوین و بارکلیز.

بررسی اجمالی عملکرد

هدفمند

سلب مسئولیت عملکرد گزارش شده در این ارقام شامل نتایج آزمون برگشتی و همچنین تست رو به جلو سیستم است. این به دلیل این واقعیت است که چندین معیار، یعنی نسبت شارپ، تنها با مقدار معینی از داده های تاریخی معنادار هستند. نتایج گزارش شده قبل از ژوئیه 2021 به صورت بک تست است، پس از آن نتایج با پلتفرم کامل ویژه ما تولید می شوند.

خط لوله مدیریت دارایی

هوش مصنوعی در اینجا تصمیمات سرمایه گذاری را می گیرد. سرمایه گذاری مبتنی بر قانون سریع، کمی، قابل اعتماد و ارزان

DFO به عنوان یک ارائه دهنده داده های الگوریتمی از هوش مصنوعی و تجزیه و تحلیل داده ها برای ایجاد استراتژی هایی برای تجارت در بازار ارزهای دیجیتال استفاده می کند. این استراتژی ها به طور مداوم بهینه می شوند و هدف آنها کسب بازدهی بالا در مقایسه با ریسک است.

خط لوله ارز دیجیتال DFO در چهار مرحله پیاده سازی می شود. هر یک از این مراحل از تکنولوژی منحصر به فرد خود استفاده می کند.

• تولید سفارش
• استراتژی خروج
• اندازه شرط بندی
• اجرای دستور

تمام مدل های DFO در بازار نقدی فعال هستند و تمام مراحل مدل های اجرای سفارش DFO به صورت خودکار در حساب های مشتریان انجام می شود.

1. تولید سفارش

مهمترین بخش هر مدل، تولید سفارش است که شامل انتخاب سکه و زمان ورود است. این بخش از رمزنگاری DFO از دو مرحله تشکیل شده است:

انتخاب سکه:

ابتدا 65 سکه به مدل انتخاب سکه از نظر بزرگ ترین اندازه بازار داده می شود. هر 12 ساعت، مدل بر اساس حرکت/روند اخیر و نوسانات، سکه های کاندید مناسب را برای معامله در 12 ساعت آینده انتخاب می کند.

باز کردن یک موقعیت:

برای ایجاد سفارش روی سکه های انتخابی، مدل Al وضعیت گذشته سکه و وضعیت بازار را بررسی می کند. اگر حرکت سکه آستانه ریسک بازگشت را ایجاد کند، سفارش به بخش باز کردن سفارش ارسال می شود.

هر 1 ساعت، مدل بیش از 500 پارامتر روی سکه های انتخاب شده را بررسی می کند و تصمیم می گیرد که آیا وارد بازار شود یا خیر. با توجه به وضعیت سکه، نقطه ورود مناسب برای باز کردن موقعیت تعیین می شود.

فناوری های هوش مصنوعی:

از آنجا که استراتژی های ما کاملاً سیستماتیک است ، ما بیشتر فن آوری های سرمایه گذاری خود را در خانه توسعه داده ایم. این امر امکان کنترل کیفیت اجرای و برآورده کردن الگوریتم های معاملاتی ما را فراهم می آورد. این ابزارهای داخلی داخلی به تیم تحقیقاتی کمی ما کمک می کنند تا سریع و به طور مؤثر منابع جدید روند در مجموعه داده های بزرگ را شناسایی کنند.

داده کاوی

اولین قدم برای استقرار یک استراتژی سرمایه گذاری کمی جدید ، دستیابی به داده ها است. امروزه ، پیشرفت در فناوری و کاهش هزینه های ذخیره سازی ، میزان داده های ذخیره شده توسط سازمان ها در تمام صنایع را به طرز چشمگیری افزایش داده است. برای پشتیبانی از مدل AL ما برای یافتن سطح قیمت مناسب برای تولید سفارش ، ما از داده های بزرگ استفاده می کنیم و چندین مجموعه داده را از مناطق مختلف مرور می کنیم. آنها شامل داده هایی مانند داده های قیمت تاریخی ، شاخص ها ، الگوهای عمل قیمت و مجموعه داده های جایگزین پیچیده تر هستند. ما 500 عامل را به عنوان ورودی به مدل AL ارائه می دهیم.

تمیز کردن داده ها

از آنجا که ما از منابع مختلفی از داده ها ، مانند کتاب های سفارش ، اخبار ، شاخص ها و داده های فنی و اساسی استفاده می کنیم ، ممکن است با فرمت بدون ساختار که برای مدل های AL مناسب نیست ، به پایان برسیم ، بنابراین داده ها باید اعتبارسنجی و تمیز شوند. تیم داده ما ابزارهای مختلف خودکار را برای پشتیبانی از داده های بزرگ که باید تمیز و برای خطاهای احتمالی بررسی شوند ، پیاده سازی کرده اند. این ابزارها به مدلهای ما کمک می کنند تا ظاهر داده های نادرست را که می تواند منجر به آزمایش مغرضانه بر روی داده های تاریخی و نتیجه گیری های نادرست شود ، تجزیه و تحلیل و کاهش دهد.

کربن: ابزار DFO ML

پس از تمیز کردن داده ها ، مدل AL ما به عنوان کربن شروع به کشف داده ها می کند. کربن دارای شش مدل فرعی شامل دو شبکه عصبی عمیق و چهار الگوریتم یادگیری ماشین کلاسیک است. کربن به منظور بهبود صحت و تقویت بازده ، یک چارچوب یادگیری گروه ایجاد می کند. در نتیجه ، کربن در هر سکه ، خرید ، فروش و نگه داشتن سیگنال ها را تولید می کند.

فناوری پشتی

محققان ما پس از کشف منابع جدید سیگنال آلفا ، پشتی را انجام می دهند که داده های تاریخی طولانی را برای افزایش احتمال یافتن سیگنال های قابل اعتماد افزایش می دهد. مرحله آزمایش به دلیل مقدار زیادی از داده های تاریخی که می توان این استراتژی را اجرا کرد ، زمان زیادی را می طلبد و برای جلوگیری از بیش از حد به یک طراحی هوشمند نیاز دارد. مدل پشتی کمی ما به الگوریتم های پیشرفته و قدرت پردازش کافی نیاز دارد تا آزمایشات خود را در اسرع وقت انجام دهد.

2. استراتژی خروج

یکی از مهمترین عوامل در کسب سود از یک استراتژی ، انتخاب عاقلانه نقطه خروج است. خروج از اوایل یا دیر هنگام می تواند تمام سود بالقوه یک موقعیت را از بین ببرد.

SL & TP سخت

با توجه به تاریخچه سکه ، سطح نوسانات هر سکه و حداکثر میزان ریسک قابل قبول ، ضرر متوقف و سودآوری تعیین می شود.(احتمال بیش از حد در تعیین این پارامترها زیاد است و فرآیند بهینه سازی نیاز به توجه بیشتر دارد)

ایجاد موقعیت بدون ریسک

اگر ضرر توقف فعال شود ، کل موقعیت بسته می شود ، در حالی که اگر سطح سود را لمس کند ، 50 ٪ از موقعیت بسته می شود و ضرر توقف به نقطه ورود (Breakeven) منتقل می شود.

از دست دادن توقف

در DFO ، ما یک مدل هوش مصنوعی داریم که بر اساس روند سکه و بازار ، از دست دادن متوقف می شود. در روندهای اصلی ، توقف دنباله دار با بازار حرکت می کند و مانع از خروج زودهنگام از موقعیت می شود. سرانجام ، هنگامی که این از دست دادن توقف فعال می شود ، 50 ٪ باقی مانده از موقعیت فروخته می شود و موقعیت بسته می شود.