87% सटीकता जिसने सब कुछ बदल दिया
अपने ट्रेडिंग करियर के तीन साल बाद, मुझे कुछ ऐसा पता चला जिसने मेरे सॉफ्टवेयर इंजीनियरिंग के दिमाग को ठप कर दिया: लिक्विडिटी प्रोवाइडर एल्गोरिदम 87% सटीकता के साथ मेरे अगले ऑर्डर का अनुमान लगा सकते थे। ऐसा इसलिए नहीं क्योंकि वे मानसिक थे, बल्कि इसलिए क्योंकि मेरे "रैंडम" ऑर्डर बिल्कुल भी रैंडम नहीं थे।
मैं दिन में मशीन लर्निंग मॉडल कोड करता था और रात में ट्रेडिंग करता था, कभी दोनों को जोड़कर नहीं देखा। जब तक एक शाम, अपने ऑर्डर फ्लो डेटा का विश्लेषण करते हुए, मैंने इसे देखा — इतने स्पष्ट पैटर्न कि एक बुनियादी क्लासिफिकेशन एल्गोरिदम भी उन्हें पहचान सकता था। अगर मैं उन्हें देख सकता था, तो परिष्कृत LP एल्गोरिदम क्या देख रहे थे?
उस अहसास ने मुझे एक ऐसी खोज में धकेल दिया जिसने अगले 18 महीने खा लिए। मैंने LP व्यवहार को रिवर्स-इंजीनियर किया, डिटेक्शन एल्गोरिदम बनाए, और अंततः समझ गया कि रिटेल ट्रेडर्स क्यों हारते हैं, भले ही वे दिशा के बारे में "सही" हों। खेल धांधली नहीं है — यह बस एक ऐसे स्तर पर खेला जा रहा है जिसके अस्तित्व के बारे में ज़्यादातर ट्रेडर्स को पता भी नहीं है।
पांच ML पैटर्न जो आपके ऑर्डर को उजागर करते हैं
अपने कस्टम ट्रैकिंग सिस्टम के माध्यम से 50,000 से अधिक ऑर्डर का विश्लेषण करने के बाद, मैंने पांच पैटर्न की पहचान की जिनका लिक्विडिटी प्रोवाइडर एल्गोरिदम सबसे आक्रामक तरीके से शोषण करते हैं। अकेला प्रत्येक पैटर्न हानिरहित लग सकता है, लेकिन ML मॉडल आपके ट्रेडिंग व्यवहार का पूरा प्रोफाइल बनाने के लिए उन्हें जोड़ते हैं।
पैटर्न 1: स्टॉप लॉस सिग्नेचर
आपके स्टॉप लॉस की एक फिंगरप्रिंट होती है। मेरे पास निश्चित रूप से थी — हमेशा सपोर्ट से 15-20 पिप्स नीचे, हमेशा 00 या 50 पर खत्म होने वाले राउंड नंबर। ML मॉडल सिर्फ अलग-अलग स्टॉप नहीं देखते; वे आपके व्यक्तिगत स्टॉप प्लेसमेंट डिस्ट्रीब्यूशन को सीखते हैं।
मुझे यह तब पता चला जब मैं 2019-2020 के EUR/USD ट्रेडों का बैकटेस्ट कर रहा था। मेरे स्टॉप को सर्जिकल सटीकता से शिकार किया जा रहा था, अक्सर रिवर्स होने से पहले सिर्फ 2-3 पिप्स से। यादृच्छिक रूप से ऐसा होने की संभावना? 0.01% से भी कम। LP एल्गोरिदम ने मेरा सिग्नेचर सीख लिया था।
जैसा कि हमारे डर बाजारों में स्टॉप लॉस प्लेसमेंट रणनीति गाइड में बताया गया है, ये एल्गोरिदम विशेष रूप से उच्च-अस्थिरता अवधि के दौरान अनुमानित स्टॉप क्लस्टर को लक्षित करते हैं।
पैटर्न 2: टाइम डिके ट्रैप
हर ट्रेडर के पास पसंदीदा ट्रेडिंग समय होता है। मेरा सुबह 8:45-10:30 AM EST था — क्लासिक लंदन-न्यूयॉर्क ओवरलैप। लेकिन यहाँ मुझे एहसास नहीं हुआ: LP एल्गोरिदम ऑर्डर फ्लो के टेम्पोरल प्रोफाइल बनाते हैं।
उन्हें पता है कि लागोस का डैनियल विशिष्ट समय पर पोजीशन में प्रवेश करना पसंद करता है। उन्हें मेरी औसत होल्ड अवधि (2020 में 4.2 घंटे) पता है। उन्होंने सप्ताहांत के नुकसान के बाद मेरा "सोमवार सुबह बदला लेने वाला ट्रेडिंग" पैटर्न भी पकड़ लिया।
ML मॉडल रिकरंट न्यूरल नेटवर्क का उपयोग करके न केवल यह अनुमान लगाते हैं कि आप कब ट्रेड करेंगे, बल्कि हाल के P&L के आधार पर आपकी भावनात्मक स्थिति भी बताते हैं। उन्होंने सीखा कि लगातार दो नुकसान के बाद, मैं औसतन 47% तक पोजीशन साइज बढ़ा देता हूँ। अनुमान लगाइए आगे क्या हुआ?
पैटर्न 3: ऑर्डर साइज टेल
जब मैं अभी भी सीख रहा था, मैंने सोचा कि पोजीशन साइज बदलने से मेरा इरादा छिप जाएगा। 0.8 लॉट, 1.2 लॉट, 0.9 लॉट — निश्चित रूप से यह काफी रैंडम है? ML क्लासिफिकेशन मॉडल ने मेरी भोलेपन पर हँसी उड़ाई।
LP एल्गोरिदम आपकी पोजीशन साइज को व्यवहारिक बकेट में समूहित करने के लिए क्लस्टरिंग विश्लेषण का उपयोग करते हैं: - कॉन्फिडेंस ट्रेड: 1.2-1.5 लॉट - स्टैंडर्ड ट्रेड: 0.8-1.0 लॉट - डरी हुई पूंजी: 0.3-0.5 लॉट
उन्होंने सीखा कि मेरे "कॉन्फिडेंस ट्रेड" में टाइट स्टॉप होते थे और छोटे नुकसान पर पैनिक-क्लोज हो जाते थे। स्प्रेड मैनिपुलेशन रहस्यमय तरीके से बढ़ जाता था जब ये पोजीशन मेरे खिलाफ जाती थीं।
पैटर्न 4: कोरिलेशन लीक
इस पैटर्न को पहचानने में मुझे सबसे ज्यादा समय लगा। LP एल्गोरिदम सिर्फ आपके सीधे ट्रेडों का विश्लेषण नहीं करते — वे कई पेयरों में आपके पूरे कोरिलेशन फुटप्रिंट का मैप बनाते हैं।
जब मैं EUR/USD पर लॉन्ग जाता था, तो अक्सर 30 मिनट के भीतर USD/CHF को शॉर्ट करता था। जब मैं Gold ट्रेड करता था, तो पुष्टि के लिए USDJPY चेक करता था। ML मॉडल ने इन कोरिलेशन को सीखा और मेरे सेकेंडरी ट्रेडों को फ्रंट-रन करना शुरू कर दिया।
मार्च 2021 के एक सप्ताह में, मैंने देखा कि हर बार जब मैं EUR/USD में प्रवेश करता था, USD/CHF का स्प्रेड 15 मिनट बाद चौड़ा हो जाता था — ठीक उसी समय जब मैं आमतौर पर अपना हेज लगाता था। संयोग? डेटा ने कुछ और ही कहा।
पैटर्न 5: मोमेंटम चेज़ सीक्वेंस
शायद मेरा सबसे महंगा पैटर्न: शुरुआती मूव मिस करने के बाद मोमेंटम का पीछा करना। ML मॉडल ने मेरे तीन-चरणीय सीक्वेंस की पहचान की: 1. बिना प्रवेश किए 30-पिप मूव देखना 2. पहले पुलबैक पर प्रवेश करना (आमतौर पर 10-15 पिप्स) 3. अगर यह और 10 पिप्स चलता है तो पोजीशन में जोड़ना
एल्गोरिदम ने विशेष रूप से मेरे जैसे ट्रेडर्स को लक्षित करने के लिए फर्जी पुलबैक बनाना सीख लिया। वे शुरुआती मूव के दौरान पर्याप्त लिक्विडिटी सोख लेते थे, फिर 12-पिप का पुलबैक इंजीनियर करते थे — हमें ट्रेंड जारी रखने से पहले एंट्री ट्रिगर करने के लिए बस इतना ही काफी।
ML मॉडल के अंदर: वे वास्तव में कैसे काम करते हैं
मेरे सॉफ्टवेयर इंजीनियरिंग बैकग्राउंड ने मुझे इन सिस्टमों में अद्वितीय अंतर्दृष्टि दी। उपयोगकर्ता व्यवहार भविष्यवाणी के लिए समान मॉडल बनाने के बाद, मैंने आर्किटेक्चर को तुरंत पहचान लिया।
फीचर इंजीनियरिंग लेयर
LP एल्गोरिदम प्रत्येक ऑर्डर से सैकड़ों फीचर निकालते हैं: - टेम्पोरल फीचर: दिन का समय, सप्ताह का दिन, पिछले ट्रेड के बाद का समय - सांख्यिकीय फीचर: हाल के औसत के सापेक्ष ऑर्डर साइज, जीत/हार की स्ट्रीक - बाजार फीचर: प्रमुख स्तरों से दूरी, अस्थिरता के साथ कोरिलेशन - व्यवहारिक फीचर: संशोधन आवृत्ति, आंशिक क्लोज पैटर्न
अपने शोध चरण के दौरान, मैंने Python और TensorFlow का उपयोग करके एक सरलीकृत संस्करण बनाया। सिर्फ 50 फीचर के साथ, मैं अपने अगले ट्रेड के समय की 73% सटीकता से भविष्यवाणी कर सकता था। पेशेवर LP सिस्टम 500+ फीचर का उपयोग करते हैं।
क्लासिफिकेशन इंजन
आधुनिक लिक्विडिटी प्रोवाइडर एल्गोरिदम एन्सेम्बल मेथड का उपयोग करते हैं — मजबूत भविष्यवाणियों के लिए कई ML मॉडलों को मिलाकर: - ऑर्डर टाइप क्लासिफिकेशन के लिए रैंडम फॉरेस्ट - टेम्पोरल पैटर्न रिकॉग्निशन के लिए LSTM - प्राइस लेवल भविष्यवाणी के लिए ग्रेडिएंट बूस्टिंग - जटिल व्यवहारिक मॉडलिंग के लिए न्यूरल नेटवर्क
डरावना हिस्सा? ये मॉडल रियल-टाइम में अपडेट होते हैं। आपके द्वारा रखा गया हर ऑर्डर अगली भविष्यवाणी के लिए ट्रेनिंग डेटा बन जाता है। यह ऐसे व्यक्ति के खिलाफ पोकर खेलने जैसा है जो आपके द्वारा खेले गए हर हाथ को याद रखता है।
एक्जीक्यूशन लेयर
एक बार जब ML मॉडल आपके पैटर्न की पहचान कर लेते हैं, तो एक्जीक्यूशन लेयर मिलीसेकंड सटीकता के साथ हमला करती है। मैंने तीन प्राथमिक शिकार विधियों का दस्तावेजीकरण किया:
1. द स्ट्रेच: आपके विशिष्ट एंट्री समय पर स्प्रेड को चौड़ा करना
2. द स्वीप: रिवर्सल से पहले स्टॉप ट्रिगर करने के लिए त्वरित लिक्विडिटी ग्रैब
3. द फेड: इसे हटाने से पहले एंट्री को प्रोत्साहित करने के लिए फर्जी लिक्विडिटी दिखाना
मार्केट माइक्रोस्ट्रक्चर के साथ एकीकरण इन एल्गोरिदम को ऐसे शिकार करने की अनुमति देता है जो प्राकृतिक बाजार चालों की तरह दिखते हैं।
अपनी डिफेंस सिस्टम बनाना
दो साल तक शिकार होने के बाद, मैंने एक व्यवस्थित डिफेंस फ्रेमवर्क विकसित किया। यह अदृश्य होने के बारे में नहीं है — यह असंभव है। यह शिकार के लिए लाभहीन होने के बारे में है।
रैंडमाइजेशन प्रोटोकॉल
डिफेंस की पहली लेयर नियंत्रित रैंडमाइजेशन है। सिर्फ रैंडम नहीं, बल्कि सामरिक भिन्नता जो पैटर्न रिकॉग्निशन को तोड़ती है:
ऑर्डर साइज वेरिएंस: मैं रैंडम नॉइज़ के साथ संशोधित केली क्राइटेरियन का उपयोग करता हूँ। बेस पोजीशन साइज × (0.8 से 1.2 रैंडम मल्टीप्लायर)। 40% वेरिएंस क्लस्टरिंग एल्गोरिदम को तोड़ने के लिए पर्याप्त है, जबकि उचित रिस्क मैनेजमेंट बनाए रखता है।
टाइम डिले: एक सरल स्क्रिप्ट बनाई जो ट्रेड एंट्री में 3-15 मिनट का रैंडम डिले जोड़ती है। मामूली लगता है, लेकिन यह टेम्पोरल पैटर्न रिकॉग्निशन को तबाह कर देता है। अकेले इससे मेरी हंट रेट 34% गिर गई।
स्टॉप लॉस फजिंग: स्पष्ट स्तरों पर स्टॉप लगाने के बजाय, मैं फिबोनाची-आधारित गणना का उपयोग करता हूँ जिसमें नॉइज़ जोड़ा जाता है। 61.8% रिट्रेसमेंट + (5-15 रैंडम पिप्स)। प्राकृतिक दिखता है, पैटर्न तोड़ता है।
मल्टी-वेन्यू एक्जीक्यूशन
यह रणनीति संस्थागत ऑर्डर फ्लो देखने से आई। कई वेन्यू/टाइमफ्रेम में ऑर्डर विभाजित करें: - 40% प्राथमिक ब्रोकर पर - 30% सेकेंडरी ब्रोकर पर - 30% विभिन्न स्तरों पर लिमिट ऑर्डर का उपयोग करके
ML मॉडल आंशिक पैटर्न रिकॉग्निशन से जूझते हैं। वे आपके 40% व्यवहार की पहचान कर सकते हैं लेकिन पूरा प्रोफाइल नहीं बना सकते। यह किसी को रैंडम पहेली के टुकड़े दिखाने जैसा है — पूरी तस्वीर देखना मुश्किल है।
व्यवहारिक ब्रेक
सबसे कठिन लेकिन सबसे प्रभावी डिफेंस: एल्गोरिदम के सीखने से पहले अपने पैटर्न को तोड़ना। हर 20-30 ट्रेड पर, मैं जानबूझकर: - असामान्य समय पर ट्रेड करता हूँ - अलग पोजीशन साइजिंग लॉजिक का उपयोग करता हूँ - "गलत" स्तरों पर स्टॉप लगाता हूँ - स्पष्ट सेटअप छोड़ देता हूँ
हाँ, ये ट्रेड अक्सर हारते हैं। इसे गोपनीयता के लिए कर समझें। प्रदर्शन पर 5-10% का प्रभाव 20-30% हंट पेनल्टी से बचने के लायक है।
मेरे ट्रेडिंग जर्नल से लाइव उदाहरण
सिद्धांत बिना वास्तविक उदाहरणों के बेकार है। यहां मेरे जर्नल से तीन दस्तावेजी मामले हैं जो LP हंटिंग को कार्यान्वित दिखाते हैं:
केस 1: GBPUSD स्टॉप हंट (मार्च 2021)
सेटअप: GBPUSD में लॉन्ग 1.3856 पर, स्टॉप 1.3825 पर (31 पिप्स)
क्या हुआ: कीमत 1.3823 तक गिरी, स्टॉप ट्रिगर हुआ, फिर 1.3920 तक उछली
संकेत: ऑर्डर बुक ने दिखाया कि गिरावट से ठीक 90 सेकंड पहले 1.3830 पर 3.2M सेल ऑर्डर दिखाई दिए
पोस्ट-विश्लेषण से पता चला कि मेरा स्टॉप एक क्लस्टर का हिस्सा था। LP एल्गोरिदम ने 1.3820-1.3830 के बीच रिटेल स्टॉप्स को मैप किया और एक सर्जिकल हंट को अंजाम दिया। ऑर्डर बुक विश्लेषण ने स्पष्ट संस्थागत पदचिह्न दिखाए।
केस 2: समय-आधारित स्प्रेड अटैक (जुलाई 2021)
पैटर्न: मैं हमेशा सुबह 8:45 AM EST पर EURUSD ट्रेड करता था
हंट: दो सप्ताह तक 8:43-8:47 AM पर स्प्रेड 0.8 से बढ़कर 2.3 पिप्स हो गए
लागत: 14 दिनों में अतिरिक्त स्प्रेड लागत में अनुमानित 186 पिप्स
यह शुद्ध ML पैटर्न शोषण था। एक बार जब मैंने एंट्री टाइम्स को रैंडमाइज़ किया, तो स्प्रेड सामान्य हो गए। एल्गोरिदम ने मेरा शेड्यूल सीख लिया था और तदनुसार प्राइसिंग को एडजस्ट किया था।
केस 3: कोरिलेशन फ्रंट-रन (अक्टूबर 2021)
मेरा पैटर्न: गोल्ड में लॉन्ग → 20 मिनट के भीतर USDJPY में शॉर्ट
हंट: मेरे गोल्ड एंट्री के 18-22 मिनट बाद USDJPY लिक्विडिटी सूख जाती थी
सबूत: 47 इंस्टेंस का बैकटेस्ट, कोरिलेशन 0.84 था
यहां की परिष्कार ने मुझे चौंका दिया। ML मॉडल ने मेरे मल्टी-एसेट पैटर्न सीख लिए थे और मेरे सेकेंडरी ट्रेडों से पहले पोजीशन ले लेते थे। इसे तोड़ने के लिए मुझे अपने कोरिलेशन ट्रेडिंग दृष्टिकोण को पूरी तरह से पुनर्गठित करना पड़ा।
हथियारों की दौड़ की वास्तविकता
यहां वह सच्चाई है जिसे कोई स्वीकार नहीं करना चाहता: रिटेल ट्रेडर्स बंदूक की लड़ाई में चाकू लेकर आ रहे हैं। जब हम ट्रेंड लाइन्स खींच रहे हैं, LP एल्गोरिदम पेटाबाइट्स ऑर्डर फ्लो डेटा पर एन्सेम्बल न्यूरल नेटवर्क चला रहे हैं।
लेकिन — और यह महत्वपूर्ण है — आपको उन्हें उनके ही खेल में हराने की ज़रूरत नहीं है। आपको एक अलाभकारी लक्ष्य बनना होगा। इसे साइबर सुरक्षा की तरह समझें: आपको अहैक करने योग्य होने की ज़रूरत नहीं है, बस हैक करने के लिए प्राप्त मूल्य से अधिक महंगा होना होगा।
मेरा वर्तमान सेटअप मुझे तीन साल पहले की तुलना में 70% अधिक पैटर्न-मैच करने में कठिन बनाता है। परफेक्ट नहीं, लेकिन इतना अच्छा है कि LP एल्गोरिदम आसान लक्ष्यों पर ध्यान केंद्रित करें। स्मार्ट मनी कॉन्सेप्ट्स जो मैंने सीखे हैं, वे यह पहचानने में मदद करते हैं कि संस्थान कब हंटिंग कर रहे हैं बनाम संचय कर रहे हैं।
तकनीक लगातार विकसित हो रही है। GPT-आधारित मॉडल अब ट्रेडर चैट पैटर्न का विश्लेषण कर रहे हैं। रीइन्फोर्समेंट लर्निंग एल्गोरिदम नई हंटिंग रणनीतियों की खोज कर रहे हैं। खेल हर महीने कठिन होता जा रहा है।
आपकी 30-दिवसीय एंटी-हंट चैलेंज
ज्ञान बिना कार्रवाई के बेकार है। यहां अगले 30 दिनों के लिए आपकी चुनौती है:
सप्ताह 1: सटीक समय, आकार और स्टॉप के साथ हर ट्रेड का दस्तावेजीकरण करें। अपना पैटर्न बेसलाइन बनाएं।
सप्ताह 2: समय रैंडमाइज़ेशन लागू करें। सभी एंट्री में 5-15 मिनट की देरी जोड़ें।
सप्ताह 3: पोजीशन साइज़ फ़ज़िंग शुरू करें। आकारों को ±20% रैंडमली बदलें।
सप्ताह 4: स्टॉप लॉस फ़ज़िंग जोड़ें। स्पष्ट स्तरों से 7-13 पिप्स रैंडमली ऑफसेट करें।
अपनी "हंट रेट" ट्रैक करें — रिवर्सल से पहले 5 पिप्स से कम पर स्टॉप कितनी बार हिट होते हैं। यदि यह 15% से ऊपर है, तो आप सक्रिय रूप से हंट किए जा रहे हैं। अधिकांश ट्रेडर्स कार्यान्वयन के 30 दिनों के भीतर हंट रेट में 30-50% की कमी देखते हैं।
एंटी-हंट ट्रेडिंग के लिए आवश्यक जोखिम प्रबंधन समायोजन महत्वपूर्ण लेकिन आवश्यक हैं।
आधुनिक ट्रेडिंग टूल्स के साथ एकीकरण
मैन्युअल रैंडमाइज़ेशन थकाऊ है। छह महीने के मैन्युअल कार्यान्वयन के बाद, मैंने सब कुछ ऑटोमेट कर दिया। यहां वर्तमान स्टैक है:
TradingView और FibAlgo का उपयोग करने वाले ट्रेडर्स के लिए, प्लेटफ़ॉर्म का स्मार्ट मनी फ्लो डिटेक्शन यह पहचान सकता है कि LP एल्गोरिदम सामान्य बाजार गति बनाम सक्रिय रूप से हंटिंग कर रहे हैं या नहीं। मल्टी-टाइमफ्रेम विश्लेषण विभिन्न समय क्षितिजों पर पैटर्न ब्रेक को स्पॉट करने में मदद करता है — ML मॉडल से आगे रहने के लिए महत्वपूर्ण है जो एक साथ कई टाइमफ्रेम का विश्लेषण करते हैं।
मैंने यह पहचानने के लिए वॉल्यूम प्रोफाइल विश्लेषण भी एकीकृत किया है कि लिक्विडिटी कब कृत्रिम रूप से हेरफेर की जा रही है बनाम वास्तविक ऑर्डर फ्लो।
हंट का भविष्य
हथियारों की दौड़ तेज हो रही है। नवीनतम विकास जिन पर मैं नज़र रख रहा हूं:
ट्रांसफॉर्मर मॉडल: LPs ऑर्डर फ्लो पूर्वानुमान के लिए GPT-शैली मॉडल तैनात कर रहे हैं। ये लंबे समय क्षितिज और एक साथ कई सहसंबद्ध व्यवहारों में पैटर्न की पहचान कर सकते हैं।
क्रॉस-प्लेटफ़ॉर्म लर्निंग: ML मॉडल ब्रोकर्स के बीच डेटा एकत्र करना शुरू कर रहे हैं। ब्रोकर A पर आपके पैटर्न का उपयोग ब्रोकर B पर आपको हंट करने के लिए किया जा सकता है।
सोशल मीडिया एकीकरण: कुछ LPs व्यवहार की भविष्यवाणी करने के लिए ट्रेडर फ़ोरम और सोशल मीडिया से सेंटीमेंट विश्लेषण के साथ प्रयोग कर रहे हैं। "डिप खरीदने" के बारे में पोस्ट करें और एल्गोरिदम तैयार हो जाएं।
क्वांटम कंप्यूटिंग: अभी भी प्रायोगिक, लेकिन क्वांटम एल्गोरिदम वर्तमान रैंडमाइज़ेशन रक्षा को तोड़ सकते हैं। हम इस वास्तविकता से 3-5 साल दूर हैं।
समाधान हार मानना नहीं है। यह एल्गोरिदम के सीखने की तुलना में तेजी से अनुकूलन करना है। हर पैटर्न जिसे आप तोड़ते हैं, हर व्यवहार जिसे आप रैंडमाइज़ करते हैं, हर पूर्वानुमानित कार्रवाई जिसे आप समाप्त करते हैं — यह सब एक ट्रेडिंग शैली में जुड़ता है जिसका शोषण करना महंगा है।
इस खेल में छह साल बिताने के बाद, सरल स्टॉप हंट से लेकर परिष्कृत ML पैटर्न पहचान तक के विकास को देखते हुए, एक चीज स्थिर रहती है: बाजार अनुकूलन को पुरस्कृत करता है। आज जो ट्रेडर्स हंट किए जा रहे हैं, वे कल की रणनीतियों का उपयोग कर रहे हैं।
रैंडम रहें। लाभदायक रहें। मशीनों से आगे रहें।
याद रखें: उन्हें आपके पैटर्न की ज़रूरत है, आपके पैसे से ज़्यादा। पैटर्न तोड़ें, पैसा रखें।
❓अक्सर पूछे जाने वाले प्रश्न
1लिक्विडिटी प्रदाता एल्गोरिदम क्या हैं?
2LP एल्गोरिदम खुदरा ऑर्डर का पता कैसे लगाते हैं?
3क्या आप LP एल्गोरिदम से ऑर्डर छिपा सकते हैं?
4क्या सभी ब्रोकर शिकारी LP एल्गोरिदम का उपयोग करते हैं?
5LP एल्गोरिदम नए पैटर्न के लिए कितनी तेजी से अनुकूलित होते हैं?
