فوریه 2024 – پاندا تریدر

من می خواهم یک استراتژی نوسان گیری روزانه داشته باشم، باید چه کار کنم؟

مارس 1, 2024فوریه 29, 2024 از الکترولب

استراتژی معاملاتی نوسان روزانه: 1. جفت معاملاتی خود را انتخاب کنید: یک جفت ارز دیجیتال را انتخاب کنید که نقدینگی و نوسان کافی برای معاملات نوسانی داشته باشد. به عنوان مثال می توان به BTC/USDT، ETH/USDT و BNB/USDT اشاره کرد. 2. بازه زمانی خود را تنظیم کنید: معاملات نوسان روزانه شامل حفظ موقعیت ها برای … ادامه

چگونه یک استراتژی معاملاتی توسعه دهیم؟

فوریه 29, 2024 از الکترولب

توسعه یک استراتژی تجارت ارز دیجیتال شامل چندین مرحله کلیدی است: 1. اهداف معاملاتی خود را تعریف کنید: اهداف معاملاتی خود را به وضوح مشخص کنید، مانند اینکه آیا می خواهید سود کوتاه مدت ایجاد کنید، ثروت بلندمدت انباشته کنید یا در برابر نوسانات بازار محافظت کنید. 2. تحمل ریسک خود را درک کنید: تمایل … ادامه

رمز ارزهایی که برای نوسان گیری روزانه بهتر است باید چه ویژگی هایی داشته باشد؟

فوریه 29, 2024 از الکترولب

برخی از ویژگی های کلیدی وجود دارد که ارزهای دیجیتال باید برای نوسانات روزانه مناسب تر باشند: – کارمزدهای کم تراکنش – کاربران می خواهند بتوانند تراکنش های کوچک معمولی را بدون پرداخت هزینه های بالا در دارایی هایشان انجام دهند. – تایید سریع تراکنش – انتظار طولانی مدت برای تایید برای استفاده مکرر روزمره … ادامه

بهینه سازی میانگین واریانس مارکویتز با پایتون

فوریه 6, 2024 از الکترولب

import pandas as pd
import numpy as np
from scipy.optimize import minimize

# Read the data from data.csv
data = pd.read_csv('data.csv')

# Extract the expected returns and covariance matrix
returns = data['expected return']
covariance = np.diag(data['expected return'].values)

# Define the objective function to minimize
def objective(weights, covariance):
    return np.dot(weights.T, np.dot(covariance, weights))

# Define the constraint - weights should be non-negative
def constraint(weights):
    return np.sum(weights) - 1

# Define the bounds for the weights
bounds = [(0, None)] * len(returns)

# Define the initial guess for the weights
initial_guess = [1/len(returns)] * len(returns)

# Define the optimization problem
problem = {
    'fun': objective,
    'x0': initial_guess,
    'args': (covariance,),
    'constraints': {'type': 'eq', 'fun': constraint},
    'bounds': bounds
}

# Solve the optimization problem
result = minimize(**problem)

# Extract the optimal weights
optimal_weights = result.x

# Print the optimal weights
for i, stock in enumerate(data['named']):
    print(f"Weight for {stock}: {optimal_weights[i]}")

import pandas as pd

import numpy as np

from scipy.optimize import minimize

# Read the data from data.csv

data = pd.read_csv('data.csv')

# Extract the expected returns and covariance matrix

returns = data['expected return']

covariance = np.diag(data['expected return'].values)

# Define the objective function to minimize

def objective(weights, covariance):

return np.dot(weights.T, np.dot(covariance, weights))

# Define the constraint - weights should be non-negative

def constraint(weights):

return np.sum(weights) - 1

# Define the bounds for the weights

bounds = [(0, None)] * len(returns)

# Define the initial guess for the weights

initial_guess = [1/len(returns)] * len(returns)

# Define the optimization problem

problem = {

'fun': objective,

'x0': initial_guess,

'args': (covariance,),

'constraints': {'type': 'eq', 'fun': constraint},

'bounds': bounds

}

# Solve the optimization problem

result = minimize(**problem)

# Extract the optimal weights

optimal_weights = result.x

# Print the optimal weights

for i, stock in enumerate(data['named']):

print(f"Weight for {stock}: {optimal_weights[i]}")

در اینجا توضیحی در مورد کد آمده است: 1. کتابخانه های لازم را وارد می کند – پانداها برای خواندن CSV، numpy برای ماتریس ها و scipy.optimize برای به حداقل رساندن. 2. داده های CSV با استفاده از پانداها در یک دیتافریم خوانده می شوند. 3. بازده مورد انتظار از ستون ‘بازده مورد انتظار’ … ادامه