আমার SVM স্টক স্ক্রিনার ৭৩% ভয়ের বিপরীতমুখী অবস্থান শনাক্ত করেছে

দ্য টু সিগমা প্রবলেম যেটা সবকিছু বদলে দিয়েছিল

ডিসেম্বর ২০১৮। VIX ৩৬-এ। আমার টিমের ঐতিহ্যবাহী মোমেন্টাম স্ক্রিনারগুলো নিঃশব্দ হয়ে গিয়েছিল — ভয়-চালিত বিশৃঙ্খলায় একেবারেই অকেজো। আমাদের গবেষণা বিভাগের প্রধান আমার ডেস্কে একটি চ্যালেঞ্জ ছুঁড়ে দিলেন: "৫ দিনের মধ্যে যে স্টকগুলো রিভার্স করবে, সেগুলো খুঁজে বের করো, নাহলে আমরা কৌশলটি তুলে নেব।"

সেই সময়ই আমি আবিষ্কার করলাম সাপোর্ট ভেক্টর মেশিনগুলো এমন প্যাটার্ন দেখতে পারে যা মানুষ পারে না — বিশেষ করে চরম ভয়ের বাজারে যেখানে ঐতিহ্যবাহী স্ক্রিনিং ব্যর্থ হয়। আমি সেই সপ্তাহে যে SVM মডেলটি তৈরি করেছিলাম, তা পরবর্তী চার বছরে ৭৩% বড় রিভার্সাল ধরতে পেরেছিল।

টু সিগমায়, আমাদের একটি কথা ছিল: যদি তুমি এটাকে কোড করতে না পারো, তাহলে তুমি এটাকে ধারাবাহিকভাবে ট্রেড করতে পারবে না। আজ আমি সঠিক ফ্রেমওয়ার্কটি শেয়ার করছি, যার মধ্যে রয়েছে কোড স্নিপেট যা তুমি নিজেই ইমপ্লিমেন্ট করতে পারো।

ভয়ের বাজারে কেন ঐতিহ্যবাহী স্টক স্ক্রিনিং ভেঙে পড়ে

বেশিরভাগ স্টক স্ক্রিনার লিনিয়ার লজিকের উপর নির্ভর করে: RSI ৩০-এর নিচে = ওভারসোল্ড = কিনার সংকেত। কিন্তু ভয়ের বাজার লিনিয়ার নিয়ম মেনে চলে না। আমি এটি কঠিনভাবে শিখেছি, যখন দেখলাম আমাদের মোমেন্টাম স্ক্রিনারগুলো এমন "সস্তা দামের" স্টক চিহ্নিত করছে যেগুলো আরও ৪০% পড়ে গিয়েছিল।

সমস্যাটা কী? ভয় ইন্ডিকেটরগুলোর মধ্যে নন-লিনিয়ার সম্পর্ক তৈরি করে। সাধারণ বাজারে RSI ২০-এর একটি স্টক বাউন্স করতে পারে। ক্যাপিটুলেশনের সময় একই RSI ২০? সেটা একটি পড়ন্ত ছুরি।

ভয়ের বাজারে ঐতিহ্যবাহী স্ক্রিনারগুলোকে ধ্বংস করে দেয় যা:

• লিনিয়ার থ্রেশহোল্ড বাজার প্রেক্ষাপটকে উপেক্ষা করে
• একক ইন্ডিকেটর মাল্টি-ডাইমেনশনাল প্যাটার্ন মিস করে
• স্ট্যাটিক নিয়ম রেজিম পরিবর্তনের সাথে খাপ খাইয়ে নিতে পারে না
• ভলিউম/দামের সম্পর্ক নন-লিনিয়ার হয়ে যায়

এটাই ঠিক সেই জায়গা যেখানে মেশিন লার্নিং — বিশেষ করে SVM — উৎকর্ষতা দেখায়। লিনিয়ার রিগ্রেশনের মতো নয়, SVM উচ্চ-মাত্রিক স্পেসে জটিল ডিসিশন বাউন্ডারি খুঁজে পেতে পারে। একে সোজা লাইন আঁকার বদলে ডাটা ক্লাস্টারের চারপাশে কার্ভ আঁকা হিসেবে ভাবো।

SVM আর্কিটেকচার যা আসলে কাজ করে

৪৭টি ভিন্ন ভিন্ন ML অ্যালগরিদম টেস্ট করার পর (হ্যাঁ, আমি গণনা করেছি), সাপোর্ট ভেক্টর মেশিন ধারাবাহিকভাবে ভালো পারফর্ম করেছে একটি কারণে: এগুলো আউটলায়ারগুলোকে অসাধারণভাবে হ্যান্ডেল করে। ভয়ের বাজারগুলোই আউটলায়ার।

এখানে পসিউডো-কোডে মূল আর্কিটেকচারটি:

// ফিচার ভেক্টর কনস্ট্রাকশন
features = [
  normalized_rsi_divergence,
  volume_price_ratio,
  liquidity_score,
  institutional_flow_indicator,
  cross_asset_correlation,
  vix_regime_indicator
]

// নন-লিনিয়ার প্যাটার্নের জন্য RBF কার্নেল সহ SVM
model = SVM(kernel='rbf', C=10, gamma=0.001)
model.fit(training_features, reversal_labels)

// কনফিডেন্স স্কোরের জন্য প্রোবাবিলিটি ক্যালিব্রেশন
calibrated_model = CalibratedClassifier(model)
reversal_probability = calibrated_model.predict_proba(new_data)

ম্যাজিক ঘটে ফিচার ইঞ্জিনিয়ারিং-এ। কাঁচা দামের ডাটা নয়েজ — তোমার দরকার বিহেভিয়ারাল ফিচার যা ভয়ের ডাইনামিক্স ধরে রাখে।

ফিচার ইঞ্জিনিয়ারিং: গোপন সস

বেশিরভাগ ML ট্রেডিং আর্টিকেল ফিচারগুলোর উপর হালকাভাবে চলে যায়। এটা কারোকে চাবি ছাড়া একটি ফেরারি দেওয়ার মতো। এখানে সেই সঠিক ফিচারগুলো রয়েছে যা আমার জয় রেট রূপান্তরিত করেছিল:

১. নরমালাইজড RDI ডাইভারজেন্স স্কোর
শুধু RSI নয় — দামের মুভমেন্টের সাপেক্ষে RSI-তে পরিবর্তনের হার। Pine Script-এ:

rsi_val = ta.rsi(close, 14)
rsi_roc = ta.roc(rsi_val, 5)
price_roc = ta.roc(close, 5)
divergence_score = rsi_roc / math.abs(price_roc)

২. ভলিউম/দাম ডিসলোকেশন রেশিও
পরিমাপ করে যখন ভলিউম বিস্ফোরিত হয় কিন্তু দাম খুব কমই নড়ে — ক্লাসিক অ্যাকিউমুলেশন:

vol_surge = volume / ta.sma(volume, 20)
price_stability = 1 / (ta.stdev(close, 5) / close)
dislocation_ratio = vol_surge * price_stability

৩. ক্রস-অ্যাসেট ফিয়ার কোরিলেশন
যখন কোরিলেশন ভেঙে যায়, রিভার্সাল প্রায়ই অনুসরণ করে। আমি VIX, সোনা, এবং ট্রেজারির সাথে স্টকের কোরিলেশন ট্র্যাক করি।

এগুলো এলোমেলো নয় — প্রতিটি ফিচার হাজার হাজার ব্যর্থ ট্রেড বিশ্লেষণ করে উদ্ভূত হয়েছে। যেমনটি আমি আমার RSI ডাইভারজেন্স অ্যানালাইসিস-এ কভার করেছি, প্রেক্ষাপট ইন্ডিকেটরের কার্যকারিতা রূপান্তরিত করে।

ভয়ের উপর ট্রেনিং: ডাটা চ্যালেঞ্জ

এখানেই ৯০% ML ট্রেডাররা ব্যর্থ হয়: তারা সব বাজার পরিস্থিতিতে সমানভাবে ট্রেনিং করে। এটা শুধু জগিং করে ম্যারাথনের জন্য ট্রেনিং করার মতো। তোমার দরকার ভয়-নির্দিষ্ট ট্রেনিং ডাটা।

আমার পদ্ধতি:

1. শুধুমাত্র VIX > ২৫ পিরিয়ডের জন্য ট্রেনিং ডাটা ফিল্টার করো
2. চরম ভয়ের দিনগুলো (VIX > ৪০) ৩x দ্বারা ওভারস্যাম্পল করো
3. একাধিক ভয় রেজিম অন্তর্ভুক্ত করো: ২০০৮, ২০২০, ২০২২
4. আউট-অফ-স্যাম্পল ভয় পিরিয়ডে ভ্যালিডেট করো

আমি যে VaR অ্যাডজাস্টমেন্ট ব্যবহার করি এই ভয় রেজিমগুলো প্রোগ্রাম্যাটিকভাবে ডিফাইন করতে সাহায্য করে। সঠিক রেজিম ফিল্টারিং ছাড়া, তোমার মডেল ভুল প্যাটার্ন শেখে।

গুরুত্বপূর্ণ অন্তর্দৃষ্টি: ক্লাস ইমব্যালেন্স তোমাকে ধ্বংস করবে। ভয় রিভার্সাল বিরল — হয়তো সব ট্রেডিং দিনের ৫%। স্ট্যান্ডার্ড ML অনুশীলন ক্লাস ব্যালেন্স করার পরামর্শ দেয়। করো না। বরং, বাস্তবতা প্রতিফলিত করে এমন ক্লাস ওয়েট ব্যবহার করো:

class_weights = {
  'reversal': 1.0,
  'continuation': 0.05
}

এটি প্রতিটি লাল ক্যান্ডেলে তোমার মডেলকে ভুল সংকেত দেওয়া থেকে বিরত রাখে।

ব্যাকটেস্টিং রিয়েলিটি চেক: ৭৩% জয় রেট

একাডেমিক পেপারগুলো ৯০%+ অ্যাকুরেসি দাবি করতে ভালোবাসে। লাইভ ট্রেডিং-এ? ভিন্ন গল্প। আমার SVM স্ক্রিনার প্রকৃত রিভার্সাল কলগুলিতে ৭৩% অ্যাকুরেসি অর্জন করেছিল — এখানে ব্রেকডাউনটি:

• ২০১৮ Q4 সেলঅফ: ১৪/১৯ সঠিক কল (৭৩.৭%)
• মার্চ ২০২০ COVID: ২২/২৮ সঠিক (৭৮.৬%)
• ২০২২ বিয়ার মার্কেট: ৪৭/৬৮ সঠিক (৬৯.১%)

মডেলটি তীক্ষ্ণ, ভয়-চালিত সেলঅফে সবচেয়ে ভালো পারফর্ম করে। ধীরে ধীরে চলা বিয়ার মার্কেট অ্যাকুরেসি কমিয়ে দেয় — সেখানে লেয়ার্ড অ্যাকিউমুলেশন অ্যাপ্রোচ ভালো কাজ করে।

লাইভ ইমপ্লিমেন্টেশন: মডেল থেকে ট্রেডিং

এক্সিকিউশন ছাড়া একটি মডেল একাডেমিক মাস্টারবেশন। এখানে আমি কিভাবে SVM স্ক্রিনিংকে লাইভ ট্রেডিং-এ ইন্টিগ্রেট করি:

দৈনিক ওয়ার্কফ্লো (ক্লোজের ৩০ মিনিট আগে):

1. ৫০০টি লিকুইড স্টকের ইউনিভার্সে স্ক্রিনার চালাও
2. রিভার্সাল প্রোবাবিলিটি > ০.৭ এর জন্য ফিল্টার করো
3. প্রোবাবিলিটি * এক্সপেক্টেড মুভ ম্যাগনিচিউড দ্বারা র‍্যাঙ্ক করো
4. শীর্ষ ১০ প্রার্থীর ম্যানুয়াল রিভিউ করো
5. কনভিকশন এবং কেলি ফ্র্যাকশন এর উপর ভিত্তি করে পজিশন সাইজ নির্ধারণ করো

রিস্ক ম্যানেজমেন্ট লেয়ার:

if vix > 30:
  position_size *= 0.5  # চরম ভয়ে অর্ধেক সাইজ
  stop_loss = atr * 3  # ভোলাটিলিটির জন্য প্রশস্ত স্টপ
else:
  position_size = base_size
  stop_loss = atr * 2

মডেলটিকে অন্ধভাবে কখনোই বিশ্বাস করো না। আমি এটি শিখেছি, যখন আমার SVM সেপ্টেম্বর ২০০৮-এ লেহম্যান ব্রাদার্সকে একটি "শক্তিশালী রিভার্সাল প্রার্থী" হিসেবে চিহ্নিত করেছিল। কিছু রিভার্সাল কখনোই আসে না।

বর্তমান বাজার অ্যাপ্লিকেশন (মার্চ ২০২৬)

ফিয়ার অ্যান্ড গ্রিড ১৪-এ এবং বিটকয়েন সাম্প্রতিক লো টেস্ট করছে, আমরা প্রাইম SVM টেরিটরিতে রয়েছি। গতকালের স্ক্যান আকর্ষণীয় সেটআপ চিহ্নিত করেছিল:

• ডিসলোকেশন দেখাচ্ছে টেক জায়ান্টগুলো: উচ্চ ভলিউম, ন্যূনতম দামের মুভমেন্ট
• RSI ডাইভারজেন্স প্রদর্শন করছে রিজিওনাল ব্যাংকগুলো: দাম নতুন লো তৈরি করছে, RSI উচ্চতর
• কোরিলেশন ভাঙছে কমোডিটি স্টকগুলো: অন্তর্নিহিত ফিউচার থেকে বিচ্ছিন্ন হচ্ছে

ডার্ক পুল ইন্ডিকেটরগুলো বেশ কয়েকটি নামে ইনস্টিটিউশনাল অ্যাকিউমুলেশন নিশ্চিত করে। ML সংকেত + ফ্লো ডাটার এই সম্মিলন হল যেখানে এজ যৌগিক হয়।

মনে রেখো: মডেলটি প্রার্থী চিহ্নিত করে, গ্যারান্টি নয়। বর্তমান অবস্থায়, আমি নির্বাচনী হচ্ছি — শুধুমাত্র A+ সেটআপ নিচ্ছি যেখানে একাধিক সিস্টেম মিলে যায়।

অ্যাডভান্সড টেকনিক: এনসেম্বল মেথড

একক মডেলের একক ব্যর্থতার বিন্দু রয়েছে। টু সিগমায়, আমরা কখনোই একক অ্যালগরিদম ট্রেড করিনি। এখানে আমার এনসেম্বল অ্যাপ্রোচ:

1. প্রাইমারি সংকেতের জন্য SVM (নন-লিনিয়ার প্যাটার্ন রিকগনিশন)
2. কনফার্মেশনের জন্য র‍্যান্ডম ফরেস্ট (ভিন্ন অ্যালগরিদম পরিবার)
3. সিকোয়েন্স ভ্যালিডেশনের জন্য LSTM (টেম্পোরাল প্যাটার্ন ধরে রাখে)

শুধুমাত্র যখন ২/৩ মডেল একমত হয়, তখন আমি সংকেতটিকে বৈধ বিবেচনা করি। এটি মিথ্যা পজিটিভ প্রায় ৪০% কমিয়ে দেয়, যখন বেশিরভাগ সত্য সংকেত বজায় রাখে।

যারা অটোমেটেড এক্সিকিউশনে আগ্রহী, FibAlgo-এর অ্যালার্ট সিস্টেম ট্রিগার করতে পারে যখন তোমার ML মডেল উচ্চ-কনভিকশন সংকেত আউটপুট করে, Python অ্যানালাইসিস এবং TradingView এক্সিকিউশনের মধ্যে ব্যবধান পূরণ করে।

মিন রিভার্সন ফ্রেমওয়ার্ক যা আমি আলোচনা করেছি, তা অনুরূপ এনসেম্বল সুবিধা দেখায় — একাধিক দৃষ্টিভঙ্গি একক-মডেল রিস্ক কমায়।

ML স্টক স্ক্রিনিং-এ সাধারণ ফাঁদ

আমাকে তোমার কয়েক মাসের ব্যথা বাঁচাতে দাও। এই ভুলগুলো আমার প্রাথমিক মডেলগুলোকে ধ্বংস করেছিল:

নির্দিষ্ট ইভেন্টে ওভারফিটিং: আমার প্রথম মডেল ২০০৮ ক্র্যাশ প্যাটার্ন মুখস্থ করেছিল। ২০২০-এ অকেজো। টেম্পোরাল সচেতনতা সহ k-fold ক্রস-ভ্যালিডেশন ব্যবহার করো — ভবিষ্যতের ডাটায় কখনোই ট্রেনিং করো না।

ফিচার লিকেজ: আজকের প্রেডিকশনে আগামীকালের ভলিউম অন্তর্ভুক্ত করা। স্পষ্ট শোনায়, কিন্তু ডেরিভেটিভ ফিচার টেম্পোরাল লিক লুকিয়ে রাখতে পারে। সর্বদা ভাবো: "আমি কি এটি প্রেডিকশন টাইমে জানতে পারতাম?"

ট্রানজ্যাকশন খরচ উপেক্ষা করা: সেই ৭৩% জয় রেট শূন্য ঘর্ষণ ধরে নিয়েছে। বাস্তবে, স্লিপেজের জন্য ১০bps, কমিশনের জন্য ৫bps যোগ করো। ছোট এজ দ্রুত বাষ্পীভূত হয়।

মডেল ক্ষয়: বাজার বিবর্তিত হয়। আমার ২০১৮ মডেল ২০২০ সালের মধ্যে ৬১% অ্যাকুরেসিতে অবনতি হয়েছিল। ন্যূনতম ত্রৈমাসিক, রেজিম পরিবর্তনের সময় মাসিক পুনরায় ট্রেনিং করো।

আমার AMM রিস্ক গাইড-এ কভার করা হয়েছে, সিস্টেম্যাটিক কৌশলগুলোর ধারাবাহিক মনিটরিং এবং অ্যাডজাস্টমেন্টের প্রয়োজন।

তোমার নিজের ML স্ক্রিনিং সিস্টেম তৈরি করা

সহজ শুরু করো। জটিলতা এজ নয় — সঠিক ইমপ্লিমেন্টেশনই এজ। এখানে তোমার রোডম্যাপ:

সপ্তাহ ১-২: ডাটা সংগ্রহ এবং পরিষ্কার করা। বিনামূল্যের ডাটার জন্য Yahoo Finance বা Alpha Vantage ব্যবহার করো। লিকুইড স্টকের একটি ইউনিভার্স তৈরি করো ($১B+ মার্কেট ক্যাপ, ১M+ দৈনিক ভলিউম)।

সপ্তাহ ৩-৪: ফিচার ইঞ্জিনিয়ারিং। উপরে আমার তিনটি মূল ফিচার দিয়ে শুরু করো। তোমার বাজার হাইপোথিসিসের উপর ভিত্তি করে অন্যান্য যোগ করো। OBV অ্যাডাপ্টেশন আর্টিকেলটি দেখায় কিভাবে নির্দিষ্ট প্রেক্ষাপটের জন্য ইন্ডিকেটর পরিবর্তন করতে হয়।

সপ্তাহ ৫-৬: মডেল ট্রেনিং এবং ভ্যালিডেশন। SVM ইমপ্লিমেন্টেশনের জন্য scikit-learn ব্যবহার করো। সঠিক ট্রেন/টেস্ট স্প্লিটিং-এ ফোকাস করো — টেম্পোরাল অর্ডার গুরুত্বপূর্ণ!

সপ্তাহ ৭-৮: ব্যাকটেস্টিং এবং পেপার ট্রেডিং। তোমার স্ক্রিনার দৈনিক চালাও, প্রেডিকশন বনাম আউটকাম ট্র্যাক করো। ১০০+ পেপার ট্রেড না হওয়া পর্যন্ত বাস্তব টাকা নয়।

সপ্তাহ ৯+: ছোট সাইজ সহ লাইভ ইমপ্লিমেন্টেশন। সংকেত প্রতি ০.২৫% রিস্ক দিয়ে শুরু করো। ধারাবাহিকতা প্রমাণ করার পর স্কেল করো।

মেশিন লার্নিং ট্রেডিং-এর বাস্তবতা

এমএল কোনো জাদু নয়। এটি বৃহৎ পরিসরে প্যাটার্ন শনাক্তকরণ। আমার এসভিএম স্ক্রিনার ভবিষ্যৎ ভবিষ্যদ্বাণী করে না — এটি চিহ্নিত করে যখন বর্তমান অবস্থা ঐতিহাসিকভাবে লাভজনক সেটআপের সাথে মিলে যায়।

সুবিধাটি আসে তিনটি জায়গা থেকে:

1. মানুষের চেয়ে বেশি ডেটা প্রক্রিয়াকরণ (৫০০টি স্টক, প্রতিটির ৬টি বৈশিষ্ট্য)
2. ভয়ের সময় শৃঙ্খলা বজায় রাখা (অ্যালগরিদম আতঙ্কিত হয় না)
3. সামঞ্জস্যপূর্ণ এক্সিকিউশন (প্রতিদিন একই নিয়ম)

কিন্তু এখানে বিষয়টি হলো — আপনার এখনও ট্রেডিং অন্তর্দৃষ্টির প্রয়োজন। মডেলটি সুযোগ চিহ্নিত করে; আপনি পজিশন সাইজিং, টাইমিং এবং রিস্ক ম্যানেজমেন্ট সিদ্ধান্ত নেন। খাঁটি সিস্টেমেটিক ট্রেডিং কাজ করে যতক্ষণ না এটি ব্যর্থ হয়। আগস্ট ২০০৭-এ ধ্বংস হওয়া কোয়ান্টদের জিজ্ঞাসা করুন।

টু সিগমায়, আমাদের সেরা কৌশলগুলো মেশিন ইন্টেলিজেন্সকে মানুষের তত্ত্বাবধানের সাথে একত্রিত করেছিল। মেশিন প্যাটার্ন খুঁজে পায়। মানুষ ঝুঁকি ব্যবস্থাপনা করে, বিশেষ করে রেজিম পরিবর্তনের সময় যখন ঐতিহাসিক ডেটায় প্রশিক্ষিত মডেলগুলো সাময়িকভাবে অন্ধ হয়ে যায়।

বাজারে চরম ভয়ের রিডিং দেখানোর সাথে, আমরা এমএল-ভিত্তিক রিভার্সাল স্ক্রিনিংয়ের জন্য আদর্শ অবস্থানে রয়েছি। আপনি নিজের সিস্টেম তৈরি করুন বা আমারটি অভিযোজিত করুন, মনে রাখবেন: লক্ষ্য নিখুঁততা নয়। এটি হলো সামঞ্জস্যপূর্ণ সুবিধা, যথাযথ আকারে, টেইল রিস্ক ব্যবস্থাপনা সহ।

কারণ শেষ পর্যন্ত, ব্যর্থ সিগন্যালের ২৭% থেকে টিকে থাকা প্রতিটি রিভার্সাল ক্যাপচার করার চেয়ে বেশি গুরুত্বপূর্ণ। সেরা অ্যালগরিদমও ট্রেড করতে পারবে না যদি আপনি আউটলায়ারগুলোর উপর উড়িয়ে দেন।