फ़ज़ी लॉजिक का उपयोग कर फ़ॉरेक्स ट्रेडिंग रोबोट: एक तकनीकी विश्लेषण

1. परिचय

फ़ॉरेक्स बाजार, जो 24 घंटे संचालित होता है, उच्च अस्थिरता और महत्वपूर्ण मूल्य उतार-चढ़ाव प्रस्तुत करता है। व्यापारियों को अक्सर अप्रत्याशित मूल्य परिवर्तनों और हानि के जोखिम के कारण चुनौतियों का सामना करना पड़ता है। यह अध्ययन सामान्य तकनीकी रणनीतियों को बढ़ाने के लिए फ़ज़ी लॉजिक-आधारित ट्रेडिंग रोबोट प्रस्तावित करता है, विशेष रूप से RSI, CCI और स्टोकास्टिक संकेतकों का उपयोग करके, लेन-देन की सटीकता और लाभप्रदता में सुधार करने के लिए।

2. विषय-सूची

• 3. कार्यप्रणाली
  • 3.1 फ़ज़ी मैमदानी प्रणाली डिज़ाइन
  • 3.2 संकेतक फ़ज़ीकरण
  • 3.3 मतदान तंत्र
• 4. प्रायोगिक परिणाम
  • 4.1 लाभप्रदता कारक तुलना
  • 4.2 शुद्ध लाभ और ड्रॉडाउन विश्लेषण
• 5. तकनीकी विवरण
• 6. केस स्टडी: ट्रेडिंग सिग्नल उत्पादन
• 7. भविष्य की दिशाएँ
• 8. मूल विश्लेषण
• 9. संदर्भ

3. कार्यप्रणाली

प्रस्तावित प्रणाली प्रत्येक संकेतक (RSI, CCI, स्टोकास्टिक) के लिए शास्त्रीय संकेतक सीमाओं को फ़ज़ी मैमदानी अनुमान प्रणाली से बदल देती है। आउटपुट को खरीद/बिक्री संकेत उत्पन्न करने के लिए मतदान तंत्र के माध्यम से संयोजित किया जाता है।

3.1 फ़ज़ी मैमदानी प्रणाली डिज़ाइन

प्रत्येक संकेतक को सदस्यता फलनों (जैसे, निम्न, मध्यम, उच्च) का उपयोग करके फ़ज़ीकृत किया जाता है। नियम आधार इन फ़ज़ी सेटों के संयोजनों के आधार पर ट्रेडिंग क्रियाओं को परिभाषित करता है। उदाहरण के लिए, यदि RSI निम्न है और CCI निम्न है, तो संकेत मजबूत खरीद है।

3.2 संकेतक फ़ज़ीकरण

RSI को फ़ज़ी सेटों में मैप किया जाता है: ओवरसोल्ड (0-30), तटस्थ (30-70), ओवरबॉट (70-100)। CCI समान श्रेणियों का उपयोग करता है, जबकि स्टोकास्टिक %K और %D को निम्न, मध्यम और उच्च क्षेत्रों में फ़ज़ीकृत किया जाता है।

3.3 मतदान तंत्र

प्रत्येक फ़ज़ी प्रणाली एक संकेत (खरीदें, बेचें, रोकें) आउटपुट करती है। बहुमत का मत अंतिम कार्रवाई निर्धारित करता है। यह गलत संकेतों को कम करता है और मजबूती में सुधार करता है।

4. प्रायोगिक परिणाम

फ़ज़ी रोबोट का परीक्षण 12 महीने की अवधि में ऐतिहासिक फ़ॉरेक्स डेटा (EUR/USD, GBP/USD) पर किया गया। प्रदर्शन की तुलना तीन शास्त्रीय विधियों से की गई: (1) मानक RSI, (2) मानक CCI, (3) मानक स्टोकास्टिक।

4.1 लाभप्रदता कारक तुलना

फ़ज़ी रोबोट ने 2.45 का लाभप्रदता कारक प्राप्त किया, जबकि 1.78 (RSI), 1.65 (CCI), और 1.92 (स्टोकास्टिक) था। यह सर्वश्रेष्ठ शास्त्रीय विधि की तुलना में 27% सुधार दर्शाता है।

4.2 शुद्ध लाभ और ड्रॉडाउन विश्लेषण

शास्त्रीय विधियों के औसत के सापेक्ष शुद्ध लाभ में 35% की वृद्धि हुई। अधिकतम ड्रॉडाउन घटकर 12% हो गया, जबकि शास्त्रीय RSI के लिए 18% और शास्त्रीय CCI के लिए 22% था।

5. तकनीकी विवरण

फ़ज़ी अनुमान प्रणाली सिग्नल शक्ति $S$ के लिए निम्नलिखित गणितीय सूत्रीकरण का उपयोग करती है:

$S = \frac{\sum_{i=1}^{n} w_i \cdot \mu_i}{\sum_{i=1}^{n} w_i}$

जहाँ $w_i$ नियम भार हैं और $\mu_i$ सदस्यता डिग्री हैं। डीफ़ज़ीकरण के लिए केंद्रक विधि का उपयोग किया जाता है।

6. केस स्टडी: ट्रेडिंग सिग्नल उत्पादन

एक परिदृश्य पर विचार करें जहाँ RSI = 25 (ओवरसोल्ड), CCI = -120 (ओवरसोल्ड), स्टोकास्टिक %K = 15 (निम्न)। फ़ज़ी प्रणाली आउटपुट करती है: RSI फ़ज़ी = मजबूत खरीद, CCI फ़ज़ी = मजबूत खरीद, स्टोकास्टिक फ़ज़ी = खरीद। मतदान एक मजबूत खरीद संकेत उत्पन्न करता है। यह शास्त्रीय विधि के विरोधाभासी संकेतों से बचाता है।

7. भविष्य की दिशाएँ

भविष्य के कार्य में बाजार की अस्थिरता से सीखने वाली अनुकूली फ़ज़ी प्रणालियों को एकीकृत किया जा सकता है, समाचार फ़ीड से भावना विश्लेषण शामिल किया जा सकता है, या नियम भार को अनुकूलित करने के लिए गहन सुदृढीकरण सीखने का उपयोग किया जा सकता है। इस प्रणाली को क्रिप्टोकरेंसी बाजारों तक भी बढ़ाया जा सकता है।

8. मूल विश्लेषण

मुख्य अंतर्दृष्टि: यह पेपर दर्शाता है कि फ़ज़ी लॉजिक बाजार की अनिश्चितता को संभालकर शास्त्रीय तकनीकी संकेतकों को महत्वपूर्ण रूप से बढ़ा सकता है, जिससे लाभप्रदता कारक में 27% सुधार होता है। मतदान तंत्र गलत संकेतों को कम करता है, जो कठोर सीमा-आधारित प्रणालियों में एक सामान्य दोष है।

तार्किक प्रवाह: लेखक बाजार की अस्थिरता की समस्या से शुरू करते हैं, प्रत्येक संकेतक के लिए फ़ज़ी मैमदानी प्रणाली प्रस्तावित करते हैं, मतदान के माध्यम से आउटपुट को संयोजित करते हैं, और शास्त्रीय विधियों के विरुद्ध मान्य करते हैं। प्रवाह तार्किक है लेकिन इसमें कठोर सांख्यिकीय परीक्षण (जैसे, शार्प अनुपात, मोंटे कार्लो सिमुलेशन) का अभाव है।

शक्तियाँ और कमज़ोरियाँ: शक्तियों में स्पष्ट कार्यप्रणाली और व्यावहारिक सुधार शामिल हैं। कमज़ोरियाँ: अध्ययन केवल तीन संकेतकों और एक एकल मुद्रा जोड़ी का उपयोग करता है; ओवरफिटिंग संभव है। पेपर लेन-देन लागत या स्लिपेज पर चर्चा नहीं करता, जो लाभ को कम कर सकता है। जैसा कि गुडफेलो एट अल. (2016) ने डीप लर्निंग में उल्लेख किया है, ऐतिहासिक पैटर्न पर अत्यधिक निर्भरता गैर-स्थिर बाजारों में खराब सामान्यीकरण का कारण बन सकती है।

कार्रवाई योग्य अंतर्दृष्टि: व्यापारियों को प्रवेश संकेतों के लिए हाइब्रिड फ़ज़ी-शास्त्रीय प्रणालियों पर विचार करना चाहिए। हालांकि, उन्हें कई बाजार स्थितियों (ट्रेंडिंग, रेंजिंग, अस्थिर) में बैकटेस्ट करना चाहिए और जोखिम प्रबंधन (जैसे, स्टॉप-लॉस, पोजीशन साइज़िंग) शामिल करना चाहिए। फ़ज़ी दृष्टिकोण आशाजनक है लेकिन कोई जादुई समाधान नहीं है।

9. संदर्भ

1. एम. शबानी, ए. नासिरी, और एच. नफ़र्दी, "फ़ज़ी लॉजिक का उपयोग कर फ़ॉरेक्स ट्रेडिंग रोबोट," 2023.
2. जे. जे. मर्फी, वित्तीय बाजारों का तकनीकी विश्लेषण, न्यूयॉर्क इंस्टीट्यूट ऑफ फाइनेंस, 1999.
3. एल. ए. ज़ादेह, "फ़ज़ी सेट्स," सूचना और नियंत्रण, खंड 8, अंक 3, पृ. 338–353, 1965.
4. आई. गुडफेलो, वाई. बेंजियो, और ए. कौरविले, डीप लर्निंग, एमआईटी प्रेस, 2016.
5. जे. एस. आर. जंग, "ANFIS: अनुकूली-नेटवर्क-आधारित फ़ज़ी अनुमान प्रणाली," आईईईई ट्रांस. सिस्ट., मैन, साइबर्न., खंड 23, अंक 3, पृ. 665–685, 1993.