🧚🏽 🚖 👨‍👩‍👧‍👦 समय श्रृंखला विश्लेषण में मशीन लर्निंग का उपयोग करके एक ट्रेडिंग बॉट बनाना ➕ 👩🏿‍⚖️ 🧑🏾‍🤝‍🧑🏽

यह एक तकनीकी लेख नहीं है; विधियों और सिद्धांत का कोई विस्तृत विश्लेषण नहीं है। यह सिर्फ इतना है कि किसी तरह मैं मशीन लर्निंग से दूर हो गया और कई लोग, जो इस विषय पर नए हैं, मैंने ट्रेडिंग बॉट बनाने का फैसला किया। हालांकि, यह सिर्फ एक प्रशिक्षण परियोजना से अधिक में विकसित हुआ है। यही मैं इस सब के बारे में बताना चाहता हूं।

मशीन लर्निंग के बारे में एक छोटी सी

मशीन लर्निंग (मशीन लर्निंग; इसके बाद एमओ के रूप में संदर्भित), एक तरह से या किसी अन्य, आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता; इसके बाद एआई), विज्ञान और प्रौद्योगिकी के उद्योग का एक अभिन्न अंग है, जो मानव व्यवहार को अनुकरण करने के लिए "बुद्धिमान" कंप्यूटर सिस्टम की अनुमति देता है। इस उद्योग में डीप लर्निंग की अवधारणा भी शामिल है, जो तंत्रिका नेटवर्क और मानव सोच की नकल को प्रभावित करती है।

एआई के शैक्षणिक अनुशासन का अध्ययन एक मशीन के रूप में किया जाता है, अर्थात। कंप्यूटर, उन समस्याओं को हल करता है जो केवल मानव मन के अधीन हैं। यह एक कार्य हो सकता है जैसे कि पाठ को पढ़ना, या चेकर्स के खेल में चालों को निर्धारित करना, या एक पहेली को हल करना। एमओ एल्गोरिदम विकसित करना है जो कंप्यूटर को प्राप्त जानकारी के आधार पर निष्कर्ष निकालने में मदद करता है। इस मामले में सब कुछ ईंधन डेटा है।

(c) ओरेकल

सूचना युग में, सूचना और डेटा सबसे मूल्यवान हैं। हम जो कुछ भी करते हैं, ऑफ़लाइन या ऑनलाइन, नया डेटा उत्पन्न करते हैं: चाहे वह पाठ, ऑडियो, वीडियो डेटा, संवेदी माप, "स्मार्ट" गैजेट और उनके बीच डेटा का आदान-प्रदान हो। हार्डवेयर उपकरणों की उपलब्धता, क्लाउड इन्फ्रास्ट्रक्चर के विकास और इन प्रौद्योगिकियों के बड़े पैमाने पर उपयोग के कारण, उनकी लागत में गिरावट के कारण बड़े और नए डेटा एकत्र करने के अवसर तेजी से बढ़ रहे हैं। ज्ञान, या जानकारी, शक्ति है - स्वयंसिद्ध सत्य है लेकिन एक "लेकिन" है।

जानकारी के विशाल मात्रा के कब्जे से इसके धारक को अभी तक लाभ नहीं हुआ है। लेकिन यह एमओ के एल्गोरिदम और तरीकों के माध्यम से है कि बिग डेटा समझदारी और लाभ के लिए शुरू होता है। अधिक विशेष रूप से, एमओ सिस्टम पैटर्न को नोटिस करते हैं और इसके लिए प्रोग्राम किए बिना डेटा सिस्टम में कई कारकों के आधार पर निष्कर्ष बनाते हैं।

एमओ के मुख्य अनुप्रयोग आज वस्तु पहचान, कंप्यूटर दृष्टि, डेटा विश्लेषण, गुणवत्ता नियंत्रण (निगरानी) और भविष्य कहनेवाला विश्लेषण हैं।

तो, हम जानते हैं कि मशीन लर्निंग डेटा प्रोसेसिंग एल्गोरिदम और डेटा पर ही निर्भर करता है। MO तरीकों के बारे में, आप लेखों की एक अलग श्रृंखला में तल्लीन कर सकते हैं। उनका वर्णन करना वेब विकास में संभावित प्रौद्योगिकियों और उनके अनुप्रयोग को सूचीबद्ध करने के लिए तुलनीय होगा यदि इनमें से प्रत्येक तकनीक के अपने फायदे और नुकसान हैं।

यह केवल ध्यान दिया जाना चाहिए कि समय के साथ, डेटा प्रोसेसिंग के एल्गोरिदम और तरीकों में सुधार होता है, और डेटा अधिक से अधिक हो जाता है, जिससे डेटा प्रोसेसिंग की गुणवत्ता बेहतर हो जाती है।

डेटा प्रकारों में से, मैं एक व्यक्तिगत परियोजना के उदाहरण पर समय श्रृंखला पर ध्यान देना चाहूंगा - स्वचालित क्रिप्टोक्यूरेंसी ट्रेडिंग।

समय श्रृंखला विश्लेषण

एक समय श्रृंखला एक प्रकार का डेटा है जिसे गैर-आयामी समय के उदाहरणों में आदेशित माप के अनुक्रमों के रूप में दर्शाया जा सकता है।

समय श्रृंखला विश्लेषण के दो मुख्य लक्ष्य हैं:
एक श्रृंखला की प्रकृति का निर्धारण और पूर्वानुमान (वर्तमान और पिछले मूल्यों से एक समय श्रृंखला के भविष्य के मूल्यों की भविष्यवाणी करना)। इसमें श्रृंखला मॉडल और डेटा व्याख्या की पहचान और विवरण शामिल है, जो हमें श्रृंखला के भविष्य के मूल्य को प्राप्त करने की अनुमति देता है।

इस तरह के डेटा के लिए एमओ विधियों का उपयोग करके, हम डेटा में गहरे पैटर्न खोजने में सक्षम हैं। नतीजतन, हमें भविष्य के मूल्यों का अधिक "बुद्धिमान" पूर्वानुमान मिलता है।

यादृच्छिक डेटा नमूनों के विश्लेषण के विपरीत, समय श्रृंखला का विश्लेषण इस धारणा पर आधारित है कि डेटा फ़ाइल में अनुक्रमिक मान नियमित अंतराल पर देखे जाते हैं। अन्य तरीकों में, हम महत्वपूर्ण नहीं हैं और अक्सर टिप्पणियों को समय से जोड़ने में रुचि नहीं रखते हैं।

दूसरे शब्दों में, विश्लेषण के लिए यह महत्वपूर्ण है कि घटना X समय Y पर हुई। उदाहरण के लिए, विनिमय दर, हम चयन में महत्वपूर्ण हैं, जहां मूल्य समय में एक विशिष्ट बिंदु से बंधा होता है। यदि आप तारीख-मूल्य की श्रृंखला में तारीखों के क्रम को बाधित करते हैं, तो यह अर्थहीन हो जाएगा।

उदाहरण के लिए, वित्तीय समय श्रृंखला का उपयोग करते हुए, MO एल्गोरिथ्म लाभप्रदता में वृद्धि या गिरावट के बारे में पूर्वानुमान लगा सकता है। ऑडियो फ़ाइलों को संसाधित करते समय, जहां समय श्रृंखला को समय के संबंध में टोन में परिवर्तन द्वारा व्यक्त किया जाएगा, आप भाषण के अर्थ का विश्लेषण कर सकते हैं। मौसम संबंधी आंकड़ों को देखते हुए, जटिल मौसम पूर्वानुमान को एमओ और समय श्रृंखला के माध्यम से प्राप्त किया जा सकता है।

यदि MO के एल्गोरिदम, सील्स की छवियों का विश्लेषण, कहते हैं, तो हम समय के बारे में परवाह नहीं करते हैं, या यहां तक कि जिस क्रम में चित्र आते हैं।

एक उदाहरण के रूप में क्रिप्टोकरेंसी का उपयोग करना

मेरी परियोजना में, मैंने इस सवाल का जवाब देने की कोशिश की कि क्या मशीन सीखने के तरीकों के आधार पर पूरी तरह से स्वचालित ट्रेडिंग सिस्टम का निर्माण संभव है। ऐसा करने के लिए, मैंने बिटकॉइन की कीमतों, लेन-देन के संस्करणों पर ऐतिहासिक डेटा पाया और एकत्र किया, साथ ही साथ ऑर्डर वापस ले लिए।

कुछ समय बाद, परीक्षण और त्रुटि के माध्यम से, मुझे एक निश्चित समझ में आया कि इस डेटा की व्याख्या कैसे की जानी चाहिए, किस तंत्रिका नेटवर्क वास्तुकला का उपयोग करना है, कैसे डेटा लेबल करना है, आदि। विशेष रूप से, प्रशिक्षण 10 सेकंड की ग्रैन्युलैरिटी के साथ आयोजित किया जाता है, और भविष्य में मूल्य को परिणामस्वरूप मूल्य के रूप में उपयोग किया जाता है।

अब एल्गोरिथ्म अलग-अलग समय पर प्रशिक्षित कई मॉडलों का उपयोग करता है, क्योंकि मैंने सीखने के एल्गोरिथ्म में लगातार सुधार किया और इसमें नए एकत्र किए गए डेटा को जोड़ा। कार्यान्वयन के लिए, पायथन प्रोग्रामिंग भाषा का उपयोग पुस्तकालयों केरस, स्किपी, पंडों के साथ किया गया था।

ट्रेडिंग ऑपरेशंस को निष्पादित करने के लिए स्क्रिप्ट घड़ी के आसपास बिटमेक्स ट्रेडिंग प्लेटफॉर्म पर ऑर्डर करती है। जब कोई संकेत किसी स्थिति को खोलने और संबंधित लेनदेन को पूरा करने के लिए प्रकट होता है, तो स्क्रिप्ट प्रतीक्षा करेगी जब तक कि मूल्य टेक प्रॉफिट या स्टॉप लॉस के स्तर तक नहीं पहुंचता है, या जब तक लेनदेन समाप्त नहीं हो जाता है (टाइम टू लाइव)।

मुख्य लॉग फ़ाइल जो वास्तविक समय डेटा प्रसंस्करण को प्रदर्शित करती है

डेटा प्रोसेसिंग एल्गोरिथ्म तकनीकी डेटा विश्लेषण, ट्रेडिंग इतिहास, पिछले आदेशों, आदेशों और क्रिप्टोक्यूरेंसी (प्राकृतिक भाषा प्रसंस्करण, या प्राकृतिक भाषा प्रसंस्करण - एनएलपी के माध्यम से) से संबंधित समाचारों पर निर्भर करता है।

मुख्य सफलता मीट्रिक कुल आदेशों के संबंध में टेक प्रॉफिट ऑर्डर की संख्या के आधार पर सटीकता है। कुल मिलाकर, पूर्वानुमान को सफल माना जाता है जब टेक प्रॉफिट ऑर्डर पहुंच जाता है, जबकि स्टॉप लॉस एंड टाइम टू लाइव को मॉडल द्वारा असफल के रूप में मान्यता दी जाती है।

सटीकता = (प्रकार के आदेशों की संख्या लाभ लें) / (आदेशों की कुल संख्या)

67% की सटीकता प्राप्त होने पर सौदेबाजी को लाभदायक माना जाता है।

महीना	शुद्धता
जनवरी 2020	72%
फरवरी 2020	70%
मार्च 2020	60%
अप्रैल 2020	70%

नीचे ऐसे सॉफ़्टवेयर समाधान का उपयोग करते हुए नेत्रहीन प्रस्तुत लेनदेन किए गए हैं।

ग्रीन त्रिकोण सफल लेनदेन हैं (लाभ प्राप्त करें), लाल त्रिकोण असफल हैं (स्टॉप लॉस, टाइम टू लाइव)। त्रिकोण देख सौदे खरीद रहे हैं, नीचे देख त्रिकोण सौदे बेच रहे हैं।

हिरासत में

स्वचालित ट्रेडिंग समय श्रृंखला विश्लेषण के सबसे स्पष्ट संभावित अनुप्रयोगों में से एक है। यदि हम व्यवसाय के बारे में बात करते हैं, तो एकत्र किए गए डेटा के आधार पर विभिन्न संकेतकों का पूर्वानुमान करना महत्वपूर्ण रूप से महत्वपूर्ण हो सकता है। ऐसे पूर्वानुमानों के आधार पर, महत्वपूर्ण व्यावसायिक निर्णय अब किए जा सकते हैं, और भविष्य में स्वचालित रूप से किए गए निर्णयों की मात्रा केवल बढ़ेगी।

इस तरह की गणना करना एक काफी संसाधन-गहन प्रक्रिया है। सौभाग्य से, कंप्यूटर सिस्टम की कंप्यूटिंग शक्ति लगातार बढ़ रही है। इसके अलावा, एआई का अध्ययन करने वाले कंप्यूटर विज्ञान की आधुनिक शाखा एल्गोरिदम बनाने के उद्देश्य से है जो संचित डेटा में पैटर्न की पहचान करने के लिए सबसे प्रभावी रूप से उपलब्ध कंप्यूटिंग संसाधनों का उपयोग करते हैं।

समय श्रृंखला के उपयोग के बिना पूर्वानुमानों का व्युत्पत्ति और निर्माण असंभव है। यह इस प्रकार का डेटा है जो पूर्वानुमानों को रेखांकित करता है जो अधिकारियों को निर्णय लेने में मदद करते हैं जो व्यवसाय के लिए महत्वपूर्ण हैं। निस्संदेह, एमओ एल्गोरिदम द्वारा समय श्रृंखला और उनके प्रसंस्करण का विश्लेषण भविष्य की व्यावसायिक प्रक्रियाओं का एक अभिन्न अंग है।

समय श्रृंखला विश्लेषण में मशीन लर्निंग का उपयोग करके एक ट्रेडिंग बॉट बनाना

मशीन लर्निंग के बारे में एक छोटी सी

समय श्रृंखला विश्लेषण

एक उदाहरण के रूप में क्रिप्टोकरेंसी का उपयोग करना

हिरासत में

More articles: