استراتژی معاملات


امروزه هر دو طرف خرید (صندوق) و فروش (بانک‌های سرمایه‌گذاری) زیرساخت‌های فنی قوی برای ذخیره‌سازی داده‌های تاریخی سرمایه‌گذاری دارند. به‌منظور دسترسی به این داده‌ها باید با نحوه ذخیره‌سازی آن‌‌ها آشنا شوید. به دست ‌آوردن داده‌های تاریخی شامل بررسی انواعی از داده‌‌های بنیادین، داده‌های خبری، داده قیمت دارایی، ابزارهای مالی، فرکانس، معیارها و فناوری می‌شود. داده‌های بنیادی، داده‌های مربوط به روندهای اقتصاد کلان، مانند نرخ‌های بهره، ارقام تورم، اقدامات شرکت‌ها و غیره هستند، درحالی‌که داده‌های خبری اغلب ماهیت کیفی داشته و مقالات، پست‌های وبلاگ، توییت و غیره را شامل می‌شوند. داده‌های مربوط به سهام، اوراق قرضه، کالاها و قیمت ارز در طبقه قیمت دارایی قرار می‌گیرند و ویژگی‌ها و پارامترهای متفاوتی دارند. بنابراین یک ساختار پایگاه داده متناسب برای همه وجود ندارد. درنتیجه برای طراحی و اجرای ساختارهای پایگاه داده برای ابزارهای مالی مختلف، باید دقت زیادی شود. همچنین توجه به فرکانس و معیارها نیز ضروری است. درنهایت داده‌های فوق را باید در رایانه شخصی خود یا از طریق سرورهای اینترنتی ذخیره کنید. محصولاتی مانند خدمات وب آمازون در سال‌های اخیر این کار را ساده‌تر و ارزان‌تر کرده‌اند. همچنین بسیاری از پلتفرم‌های بک‌ تست می‌توانند داده‌ها را به‌صورت خودکار برای شما فراهم کنند تا شما صرفاً بر روی اجرای استراتژی معاملات الگوریتمی تمرکز کنید. اما فراموش نکنید که برای دستیابی به روشی مؤثر، همچنان به تخصص فنی قابل‌توجهی نیاز دارید.

بهینه‎سازی استراتژی معاملات زوجی با استفاده از روش یادگیری تقویتی، با به‌کارگیری دیتاهای درون‎روزی در بورس اوراق بهادار تهران

هدف: معاملات زوجی از معروف‎ترین و قدیمی‎ترین سیستم‎های معاملات الگوریتمی است که کارایی و سودآوری آن در بسیاری از پژوهش‎هایی که تاکنون در بازارهای مالی مختلف صورت گرفته است، اثبات و نشان داده شده است. مهم‎ترین اصل در معاملات زوجی، وجود روابط تعادلی بلندمدت یا همان خاصیت بازگشت به میانگین است. از طرفی در سال‎های اخیر تحقیقات شایان ‌توجهی روی معاملات الگوریتمی با استفاده از یادگیری ماشین صورت گرفته است.
روش: در این پژوهش از روش یادگیری تقویتی که برای مدل‎سازی و بهینه‎سازی مسائل با انواع مختلف روابط بلندمدت مناسب است، به‎منظور انتخاب آستانه‎های معاملاتی و پنجره‎های زمانی مناسب با هدف ماکزیمم‎سازی بازده و مینیمم‎سازی ریسک‎های منفی در معاملات زوجی با رویکرد هم‎انباشتگی استفاده شده است. پژوهش حاضر با به‌کارگیری ترکیبی از روش یادگیری تقویتی و رویکرد هم‎انباشتگی در معاملات زوجی اجرا شده است.
یافتهها: نتایج آزمایش روی دیتاهای درون‎روزی زوج سهام‎ منتخب، نشان می‎دهد که استفاده از روش یادگیری تقویتی در طراحی سیستم معاملات در معاملات زوجی نسبت به کارهای قبلی انجام‌شده، برتری چشمگیری دارد.
نتیجه­گیری: استراتژی معاملات زوجی با الگوریتم پیشنهادی می‎تواند به‎عنوان استراتژی بازار خنثی در تمامی شرایط بازار اعم از رونق و رکود توسط سرمایه‎گذاران و معامله‎گران حقیقی و حقوقی استفاده شود. همچنین می­توان در نظر گرفتن هزینه‎های معاملاتی در انجام معاملات در استراتژی معاملات زوجی را به‎عنوان موضعی برای پژوهش‎های آتی پیشنهاد کرد.

کلیدواژه‌ها

  • معاملات زوجی
  • یادگیری تقویتی
  • هم‎انباشتگی
  • نسبت سورتینو
  • فرایند بازگشت به میانگین

20.1001.1.10248153.1398.21.1.2.7

موضوعات

  • 53. شبکه‌های عصبی؛ یادگیری ماشینی و موضوعات مرتبط؛ سایر مدل‌های داده‌کاوی

عنوان مقاله [English]

Paired Trading Strategy Optimization Using the Reinforcement Learning Method: Intraday Data of Tehran Stock Exchange

نویسندگان [English]

  • Saeid Fallahpour 1
  • Hasan Hakimian 2

1 Assistant Prof., Department of Financial Management, Faculty of Management, University of Tehran, Tehran, Iran

2 MSc. Student, Department of Financial Engineering, Faculty of Management, University of Tehran, Tehran, Iran

Objective: Paired trading is among the most well-known and oldest algorithmic trading systems. The efficiency and profitability of this system have been demonstrated in many studies conducted so far in financial markets. Paired trading is principally based on long-run equilibrium relationships or reverting to the mean characteristic. In recent years, a large number of studies have been conducted on algorithmic trading using machine learning.
Methods: In this research, the reinforcement learning method - an appropriate method for modeling and optimizing problems involving different long-run relationships - was used in order to select appropriate trading thresholds and time windows for the purpose of maximizing efficiency and minimizing negative risks in paired trading through adopting the co-integration approach. Results are obtained by applying a combination of reinforcement learning method and co-integration approach in paired trading.
Results: Empirical results based on the intraday dataof paired stocks showed that the reinforcement learning method used to design trading systems in paired trading had significant advantages over the other methods in previous works.
Conclusion: A pair trading strategy with the proposed algorithm can be used as a neutral market strategy in all market conditions, including prosperity and recession, by investors and individual and institutionaltraders.Also, for future research, it is possible to consider transaction costs in a pair trading strategy.

کلیدواژه‌ها [English]

  • Co-integration
  • Mean-Reverting Process
  • Pairs Trading
  • Reinforcement Learning
  • Sortino Ratio

مراجع

Bertram, W., (2010). Analytic solutions for optimal statistical arbitrage trading. Physica A, 2010, 389(11), 2234–2243.

Dai, M., Zhang, Q., & Zhu, Q. J. (2010). Trend following trading under a regime switching model. SIAM Journal on Financial Mathematics, 1(1), 780-810.

Engle, R. F., and Granger, C. W. (1987). Co-integration and error correction: representation, estimation, and testing. Econometrica: journal of the Econometric Society, 251-276.

Gao, X., & Chan, L. (2000). An algorithm for trading and portfolio management using Q-learning and sharpe ratio maximization. In Proceedings of the international conference on neural information processing (pp. 832-837).

Gatev, E., Goetzmann, W. N., and Rouwenhorst, K. G. (2006). Pairs trading: Performance of a relative-value arbitrage rule. Review of Financial Studies, 19(3), 797-827.

Granger, C. W. (1981). Some properties of time series data and their use in econometric model specification. Journal of econometrics, 16(1), 121-130.

Guo, X., & Zhang, Q. (2005). Optimal selling rules in a regime switching model. IEEE Transactions on Automatic Control, 50, 1450–1455.

Hillebrand, E. (2003). A mean-reversion theory of stock-market crashes. Journal of Finance, 41, 591-601.

Johansen, S. (1988). Statistical analysis of cointegration vectors. Journal of economic dynamics and control, 12(2), 231-254.

Lee, J. W., Park, J., Lee, J., & Hong, E. (2007). A multiagent approach to Q-learning for daily stock trading. Systems, Man and Cybernetics, Part A: Systems and Humans, IEEE Transactions on, 37(6), 864-877.

Moody, J., and Saffell, M. (2001). Learning to trade via direct reinforcement. IEEE Transactions on Neural Networks, 12(4), 875–889.

Vidyamurthy, G. (2004). Pairs Trading: quantitative methods and analysis (Vol. 217). John Wiley & Sons.

Won Lee, J. (2001). Stock price prediction using reinforcement learning. In Industrial Electronics, 2001. Proceedings. ISIE 2001. IEEE International Symposium on (Vol. 1, pp. 690-695). IEEE.

Zeng, Z., & Lee, C. G. (2014). Pairs trading: optimal thresholds and profitability. Quantitative Finance, 14(11), 1881-1893.

Zhang, Q. (2001). Stock trading: An optimal selling rule. SIAM Journal on Control and Optimization, 40(1), 64-87.

آموزش و نحوه تست استراتژی و سیستم معاملاتی در بورس + فیلم با سید رسول حسینی

همانطور که می دانید برای اینکه پی ببرید یک استراتژی معاملاتی در بازار چگونه عمل میکند راهی جز تست کردن آن استراتژی در یک حساب آزمایشی ندارید. اکثر کارشناسان بازار می گویند یک استراتژی معاملاتی زمانی می تواند داده های قابل قبولی را جهت بازدهی خود ارائه دهد که حداقل یکصد رکورد معاملاتی در طی یکسال کاری در کارنامه خود ثبت داشته باشد.

اما چگونه می توان از استراتژی که در اختیار داریم و یا آن را تازه ساخته ایم در یک حساب آزمایشی تست بگیریم؟

راحت ترین کار این است که هر روز که بازار باز می شود در یک حساب آزمایشی شروع به معامله کنیم آن هم بر اساس بند به بند قوانین و استراتژی مورد نظرمان. و البته نکته ای که وجود دارد این است که باید تمامی معاملات را در یک فایل اکسل ثبت و ذخیره کرد تا در انتها بتوان گزارش کاملی از نحوه عملکرد و معاملات مان، تولید نماییم.

اما همانطور که میدانیم این یک کار بسیار زمان بر است!!

آموزش و نحوه تست استراتژی و سیستم معاملاتی در بورس

در این مطلب آموزش تست استراتژی و سیستم معاملاتی در بورس با استفاده از یک اسکریپت در متاتریدر 4 یا مفید تریدر پرداخته میشود

وقتی شما یک سیستم معاملاتی برا اساس تحلیل تکنیکال ساخته اید باید قبل به کارگیری آن با پول واقعی ، سیستم را آزمایش کنید

با اسکریپتی که در این مطلب آماده دانلود است این کار بسیار آسان شده است

اسکریپت و آموزش استفاده از آن توسط آقای سید رسول حسینی تهیه شده است .

این اسکریپت مخصوص متاتریدر 4 میباشد

پس هم در بازارهای جهانی (اعم از فارکس و cfd و … ) و هم بورس ایران کاربرد دارد

استراتژی معاملات الگوریتمی و راه‌های شناسایی بهترین استراتژی

استراتژی معاملات الگوریتمی

در این مقاله قصد داریم شما را با روش‌های شناسایی استراتژی‌های‌ معاملات الگوریتمی سودآور آشنا کنیم و به این موضوع می‌پردازیم که در شناسایی استراتژی‌ها، هم ترجیحات شخصی و هم عملکرد استراتژی باید مورد‌توجه قرار گیرند. همچنین چگونگی تعیین نوع و کمیت داده‌های تاریخی، نحوه ارزیابی بی‌طرفانه یک استراتژی‌ معاملات الگوریتمی و نحوه پیشبرد به سمت مرحله بک تست و پیاده‌سازی استراتژی مورد بررسی قرار خواهد گرفت.

شناسایی ترجیحات شخصی برای یافتن استراتژی‌ معاملات الگوریتمی

تجارت الگوریتمی به درجه قابل‌توجهی از نظم و صبر به‌خصوص زمانی که به یک الگوریتم اجازه می‌دهید معاملات شما را انجام دهد، نیاز دارد. بسیاری از استراتژی‌ها نشان داده‌اند که می‌توانند با یک تداخل ساده، به راحتی از بین بروند. پس در هنگام اجرای استراتژی‌ معاملات الگوریتمی، لازم است که هیچ‌گونه دخالتی نداشته باشید. نکته بعدی ترجیحات زمانی شما است. آیا شغل شما به‌صورت تمام‌وقت است یا پاره‌وقت؟ محدودیت‌های زمانی شما، روش‌شناسی استراتژی را تعیین می‌کنند . به‌عنوان‌مثال برای کسانی که به‌صورت تمام‌وقت مشغول به کار هستند، یک استراتژی میان‌روزی ممکن است مناسب نباشد. درحالی‌که برای آن دسته از شما که زمان زیاد یا مهارت‌هایی برای خودکارسازی استراتژی خود دارید، یک استراتژی فنی‌تر تجارت با فرکانس بالا مناسب‌تر است. درواقع برای حفظ یک سبد سودآور، لازم است همواره تحقیقات مستمری در مورد استراتژی‌های معاملاتی خود انجام دهید. همچنین باید سرمایه تجاری حداقلی خود را در نظر بگیرید. مهارت برنامه‌نویسی نیز عامل مهم دیگری در ایجاد یک استراتژی‌ معاملات الگوریتمی خودکار است. داشتن دانش در یک زبان برنامه‌نویسی به شما کمک می‌کند تا خودتان ذخیره‌سازی داده‌ها، موتور بک تست و سیستم اجرا را ایجاد کنید. به‌طورکلی باید از خود بپرسید که تجارت الگوریتمی را با چه هدفی دنبال می‌کنید؟ آیا امیدوار هستید تا از حساب معاملاتی خود درآمد کسب کنید؟ یا به سود سرمایه بلندمدت خود علاقه‌مندید و می‌توانید بدون نیاز به برداشت وجوه، تجارت کنید؟ وابستگی درآمدی، فراوانی استراتژی شمارا تعیین می‌کند. برداشت‌های منظم درآمد به استراتژی معاملاتی با فرکانس بالاتر و نوسانات کمتر نیاز دارد، درحالی‌که معامله‌گران با چشم‌انداز بلندمدت می‌توانند فرکانس معاملات آرام‌تری را انتخاب کنند. درنهایت، با این تصور که در مدت‌زمان کوتاهی بسیار ثروتمند شوید، فریب نخورید! استراتژی‌ معاملات الگوریتمی، یک طرح سریع برای ثروتمند شدن نیست.

منبع یابی استراتژی‌ معاملات الگوریتمی

ما به دنبال ایجاد یک رویکرد روشمند برای منبع یابی، ارزیابی و اجرای استراتژی‌هایی هستیم که با آن‌ها برخورد می‌کنیم. در درجه اول، باید مراقب سوگیری‌های شناختی باشیم و اجازه ندهیم بر روش تصمیم‌گیری ما تأثیر بگذارد. سوگیری‌ می‌تواند ترجیح دادن یک نوع دارایی مانند طلا بر دیگری باشد. درواقع انتخاب دارایی باید بر اساس ملاحظات دیگری مانند محدودیت‌های سرمایه، کارمزد کارگزاری و قابلیت‌های اهرمی صورت گیرد. در مرحله بعدی باید با مفهوم استراتژی‌ معاملات الگوریتمی آشنا شوید. در این زمینه کتاب‌های معتبری وجود دارند که طیف وسیعی از ایده‌های سرراست‌ را ارائه می‌کنند. سپس برای یافتن استراتژی‌های پیچیده‌تر، به انجمن‌ها و وبلاگ‌های تجاری سری بزنید. پس از کسب تجربه در ارزیابی استراتژی‌های ساده‌تر، وقت آن است که به پیشنهادات علمی پیچیده‌تر نگاهی بیندازید. به این منظور باید به برخی از مجلات مالی دانشگاهی دسترسی پیدا کنید. نقطه‌ضعف استراتژی‌های دانشگاهی این است که اغلب قدیمی و با داده‌های تاریخی مبهم هستند. پس از انتخاب استراتژی، ضروری است که آن را تا جاییکه می‌توانید تکرار کرده و آن را بک تست کنید. به‌طورکلی برای شکل‌گیری استراتژی‌های کمی خود، بهتر است در یک یا چند دسته از موارد زیر تخصص پیدا کنید:

نظریه ریزساختار بازار

این نظریه به‌ویژه برای استراتژی‌های با فرکانس بالاتر استفاده می‌شود و به این معنی است که بازارهای مختلف، محدودیت‌هایی درزمینه فناوری، مقررات، شرکت‌کنندگان در بازار و غیره دارند که همگی پذیرای بهره‌برداری از طریق استراتژی‌های خاص هستند.

ساختار صندوق

صندوق‌های سرمایه‌گذاری ادغام‌شده مانند صندوق‌های بازنشستگی، مشارکت‌های سرمایه‌گذاری خصوصی (صندوق‌های تأمینی)، مشاوران تجارت کالا و صندوق‌های متقابل به دلیل مقررات سنگین و هم ذخایر بزرگ سرمایه‌ محدود شده‌اند. بنابراین رفتارهای پایدار می‌توانند توسط افراد زیرک مورد سوءاستفاده قرار گیرند.

استراتژی‌ معاملات الگوریتمی: یادگیری ماشین یا هوش مصنوعی یادگیری ماشین و هوش مصنوعی در معاملات الگوریتمی

الگوریتم‌های یادگیری ماشین در سال‌های اخیر در استراتژی معاملات بازارهای مالی رایج‌تر شده‌اند. طبقه‌بندی کننده‌ها، تطبیق کننده‌های غیرخطی توابع (شبکه‌های عصبی) و روتین‌های بهینه‌سازی (الگوریتم‌های ژنتیک) همگی برای پیش‌بینی مسیرهای دارایی یا بهینه‌سازی استراتژی‌های معاملاتی استفاده می‌شوند. با نظارت بر این منابع به‌صورت هفتگی یا حتی روزانه، فهرستی از استراتژی‌ها را دریافت کنید و بخش بزرگی از این استراتژی‌ها را رد کنید تا اتلاف وقت و منابع خود را در مورد استراتژی‌هایی که احتمالاً سودآور نیستند، به حداقل رسانده و به استراتژی معاملات الگوریتمی ایده‌ال خود دست یابید.

ارزیابی استراتژی معاملات الگوریتمی

آیا شما واقعاً استراتژی را درک می‌کنید؟آیا می‌توانید استراتژی را به‌طور مختصر توضیح دهید؟ آیا استراتژی در واقعیت پایه خوب و محکمی دارد؟ آیا استراتژی بر قوانین پیچیده آماری یا ریاضی تکیه دارد؟ پرسش‌های مطرح‌شده نمونه‌ای از سؤالاتی هستند که در هنگام ارزیابی روش‌های معاملاتی جدید، باید دائماً به آن‌ها فکر کنید. در این قسمت فهرستی از معیارهایی که یک استراتژی معاملات الگوریتمی جدید باید بر اساس آن‌ها قضاوت شود، به‌صورت خلاصه آورده شده است:

روش‌شناسی

مبتنی بر شناخت تکنیک‌های استراتژی است که تا چه میزان قابل‌درک است، چه طیفی از پارامترها را معرفی می‌کند و یا چقدر در برابر مقررات جدید بالقوه بازارهای مالی مقاومت خواهد کرد؟

نسبت شارپ

این نسبت مقیاسی برای سنجش نسبت پاداش به ریسک استراتژی را مشخص می‌کند. میزان نوسانات به‌شدت با ریسک استراتژی مرتبط هستند. به‌طور طبیعی، ما باید دوره و فرکانسی را تعیین کنیم که این بازده‌ها و نوسانات ( انحراف معیار) در آن اندازه‌گیری می‌شوند.

استراتژی‌ معاملات الگوریتمی: اهرم

آیا برای ایجاد بازده، استفاده از قراردادهای اهرمی در استراتژی ضروری است؟ قراردادهای اهرمی می‌توانند دارای نوسانات سنگین را تحمیل کنند. آیا سرمایه تجاری و تحمل چنین نوسانی رادارید؟

فرکانس

حداکثر افت سرمایه

میزان حداکثری باید مشخص شود و تعیین کنید که چه درصدی از افت را برای چه دوره زمانی می‌توانید متحمل شوید. علاوه بر مواردی که گفته استراتژی معاملات شد، بردوباخت یا میانگین سود و زیان، میزان ظرفیت و نقدینگی استراتژی و معیارهای عملکرد که استراتژی‌ها با آن‌ها اندازه‌گیری می‌شوند نیز باید موردتوجه قرار گیرند. همچنین باید استراتژی‌ها را با کمترین پارامتر ممکن هدف قرار دهید و مطمئن شوید که داده‌های کافی برای آزمایش استراتژی‌ معاملات الگوریتمی خود دارید. اکنون می‌توان استراتژی‌هایی باقی‌مانده را مورد آزمایش قرار داد. بااین‌حال لازم است معیار داده‌های تاریخی موجود نیز موردبررسی قرارگرفته و برای رد نهایی استراتژی در نظر گرفته شود.

به دست آوردن داده‌های تاریخی برای استراتژی معاملات الگوریتمی

بهترین استراتژی معاملات الگوریتمی

امروزه هر دو طرف خرید (صندوق) و فروش (بانک‌های سرمایه‌گذاری) زیرساخت‌های فنی قوی برای ذخیره‌سازی داده‌های تاریخی سرمایه‌گذاری دارند. به‌منظور دسترسی به این داده‌ها باید با نحوه ذخیره‌سازی آن‌‌ها آشنا استراتژی معاملات شوید. به دست ‌آوردن داده‌های تاریخی شامل بررسی انواعی از داده‌‌های بنیادین، داده‌های خبری، داده قیمت دارایی، ابزارهای مالی، فرکانس، معیارها و فناوری می‌شود. داده‌های بنیادی، داده‌های مربوط به روندهای اقتصاد کلان، مانند نرخ‌های بهره، ارقام تورم، اقدامات شرکت‌ها و غیره هستند، درحالی‌که داده‌های خبری اغلب ماهیت کیفی داشته و مقالات، پست‌های وبلاگ، توییت و غیره را شامل می‌شوند. داده‌های مربوط به سهام، اوراق قرضه، کالاها و قیمت ارز در طبقه قیمت دارایی قرار می‌گیرند و ویژگی‌ها و پارامترهای متفاوتی دارند. بنابراین یک ساختار پایگاه داده متناسب برای همه وجود ندارد. درنتیجه برای طراحی و اجرای ساختارهای پایگاه داده برای ابزارهای مالی مختلف، باید دقت زیادی شود. همچنین توجه به فرکانس و معیارها نیز ضروری است. درنهایت استراتژی معاملات داده‌های فوق را باید در رایانه شخصی خود یا از طریق سرورهای اینترنتی ذخیره کنید. محصولاتی مانند خدمات وب آمازون در سال‌های اخیر این کار را ساده‌تر و ارزان‌تر کرده‌اند. همچنین بسیاری از پلتفرم‌های بک‌ تست می‌توانند داده‌ها را به‌صورت خودکار برای شما فراهم کنند تا شما صرفاً بر روی اجرای استراتژی معاملات الگوریتمی تمرکز کنید. اما فراموش نکنید که برای دستیابی به روشی مؤثر، همچنان به تخصص فنی قابل‌توجهی نیاز دارید.

استراتژی های معاملات روزانه فارکس (بخش اول)

استراتژی های معاملات روزانه فارکس (بخش اول)

از آنجایی که دسترسی افراد به بازار آسان است، هر کسی می‌تواند با ارزها معامله کند؛ با این حال قبل از شروع معاملات باید اطلاعات خود درباره بازارهای مالی را افزایش دهید تا از ضررهای پیش رو جلوگیری شود. برای آشنایی با ارزها و نحوه معامله با آنها و همچین بررسی استراتژی‌ها، می‌توانید از حساب دمو یا آزمایشی استفاده کنید. در این حساب‌ها امکان انجام معاملات، بدون نگرانی‌های مربوط به از دست دادن پول وجود دارد. استراتژی معاملات روزانه یکی از این استراتژی‌هاست.

یادگیری اصول اولیه در معاملات ارزی پیچیده نیست. معامله ارز مفهومی است که شخص انواع مختلف ارزها، پولی که در سراسر جهان مورد استفاده قرار می‌گیرند، را خریده و می‌فروشد. این مفهوم بیشتر با نام ارز خارجی یا فارکس، شناخته می‌شود.

پیش از این در مقالات متفاوت تعدادی استراتژی فارکس، که بر اساس تحلیل تکنیکال و فاندامنتال به وجود آمده بود، را بررسی کردیم. برخی از تریدرها علاقه بر انجام ساده معاملات و تنها چند استراتژی ساده دارند؛ در صورتی که برخی دیگر معاملات پیچیده‌تر را ترجیح می‌دهند.

استفاده از استراتژی همراه با اندیکاتور

بسیاری از تریدرها معتقدند که استفاده از یک اندیکاتور منطقی نیست و استفاده از الگوها، سطوح مهم و تجزیه و تحلیل کندل‌ها نیز از اهمیت بالایی برخوردار است. باید اندکاتورها و شاخص‌ها را با نسبت درست و مناسبی استفاده کرد.

برخی نیز معتقدند که استفاده از چند اندیکاتور به برخی دلایل اشتباه است:

برای مثال ممکن است از چند اندیکاتور استفاده کنید که کاربری یکسانی دارد. یک تریدر را در نظر بگیرید که همزمان از اندیکاتور استوکاستیک (stochastic)، شاخص قدرت نسبی (RSI) و سایر اسیلاتورها استفاده می‌کند. تریدر می‌داند که تمامی این اندیکاتورها، اسیلاتور هستند؛ اما در عمل هر کدام سیگنال متفاوتی را نشان می‌دهند. دلیل این مسئله مشخص است، یک اسیلاتور خاص برای موقعیت‌ خاصی در بازار انتخاب می‌شود، بنابراین ترکیب همه آنها بی‌فایده است.

همچنین آنها معتقدند که تحلیل این داده‌ها مشکل است. هر چه خطوط مختلف در نمودار بیشتر باشد، به دقت و تمرکز بیشتری استراتژی معاملات نیاز دارد و احتمال از دست دادن سیگنال یا خطا بیشتر می‌شود.

در ادامه این مقاله به بررسی مواردی می‌پردازیم که ثابت می‌کند استفاده همزمان از چند اندیکاتور، اگر به درستی صورت بگیرد، مفید خواهد بود.

بهترین استراتژی های فارکس با چند اندیکاتور

دقت کنید که برای ساخت یک اندیکاتور علاوه بر تجربه در ترید و شناخت بازارهای مالی، باید دانش ریاضی داشته باشید. تمامی اندیکاتورهای فارکس بر اساس اصول اولیه اندیکاتورهای قدیمی مانند استوکاستیک و میانگین متحرک ساخته شده‌اند.

تئوری اسپاد استوکاستیک (Spud Stochastic)

این سیستم معاملاتی در یکی از انجمن‌های معاملاتی در سال 2007 ارائه شد. استراتژی‌های رایج معمولا از دو اسیلاتور استفاده می‌کنند. اما توسعه دهندگان تصمیم گرفتند تا از اسیلاتورهایی با پارامترهای مختلف استفاده کنند. استراتژی اولیه از 18 اسیلاتور استوکاستیک استفاده می‌کند.

شما در تایم فریم مشخص، به 18 خط %K استوکاستیک نیاز دارید که از 6 تا 24 (8,7,6,…,24) تنظیم شده‌اند. اصول این شیوه به گونه‌ای است که در بیشتر موارد خطوط استوکاستیک شبکه‌ای را تشکیل می‌دهند که در جهات مختلف حرکت می‌کند. بازه زمانی پیشنهاد شده بین 1 ساعت تا 4 ساعت است. البته می‌توان از تایم فریم 30 دقیقه‌ای نیز استفاده کرد؛ اما بهتر است تایم فریم خود را از این کمتر نکنید زیرا ممکن است در ارزیابی احساسات بازار دچار مشکل شده و سیگنال اشتباه بگیرید.

روش کار این سیستم فارکس

در این استراتژی از اندیکاتور اصلاح شده اسپاد استوکاستیک (Spud Stochastic) استفاده می‌شود. این اندیکاتور شامل 8 اسیلاتور استوکاستیک است که نوعی رشته استوکاستیک را می‌سازد. این رشته ها برای «Slow» و دوره زمانی %D مقدار یکسانی دارند، اما در %K مقدار این موضوع متفاوت است. وقتی تمامی این 8 خط در یک رشته همگرا شوند، سیگنال ورود دریافت می‌شود.

نکات مهم در معاملات روزانه فارکس

  • نقطه همگرایی رشته استوکاستیک باید در نواحی بالا یا پایین باشد. اگر رشته بالاتر از سطح 20 یا پایین تر از سطح 80 تشکیل شده باشد و سپس شروع به باز شدن کند، نباید وارد معامله شوید.
  • زمانی که رشته خیلی قبل از اوج خود شکل بگیرد، نشان از روند قوی دارد. این حالت زمانی اتفاق می‌‌افتد که خطوط به موازات هم و حداقل فضای خالی حرکت کنند. حتی اگر اسپاد استوکاستیک وارد منطقه بیش خرید یا بیش فروش شود، بهتر است وارد بازار نشوید.

موارد مورد نیاز برای این استراتژی:

چرخه کوفر اکسترموس (Cycle Koufer Extremus)، یک نوع فیلتر است که به ندرت از آن در استراتژی‌ها استفاده می‌شود. این ابزار انتهای موج‌های روند را مشخص می‌کند.

تایم فریم مورد استفاده حداقل 30 دقیقه‌ای باشد، بهتر است از تایم فریم کوتاه تر استفاده نشود.

از آنجایی که در جفت ارزهای اگزاتیک بیشتر از استراتژی‌های بلند مدت استفاده می‌شود، این استراتژی بجز جفت ارزهای اگزاتیک، برای باقی جفت ارزها کاربردی است.

پیشنهاد می‌کنیم سطح مشترک 20 و 80 را تغییر داده و محدود کوچک تری برای مناطق بیش خرید و بیش فروش تعیین کنید، مانند 15 و 85 . اعمال این تغییر تعداد سیگنال‌ها را کاهش داده و ورودی‌های اشتباه را فیلتر می‌کند.

به محض اینکه اکثر استوکاستیک‌ها از منطقه بیش فروش خارج شدند، باید یک پوزیشن باز کنید. دقت کنید که رشته باید هنگام خروج از منطقه باز شود، در غیر استراتژی معاملات این صورت نباید وارد شوید. حد ضرر در فاصله 20 -30 پوینتی (پیپ) گذاشته می‌شود.

استراتژی های معاملات روزانه فارکس (بخش اول)

استراتژی های معاملات روزانه فارکس (بخش اول)

به تصویر بالا دقت کنید. استوکاستیک‌ها در زیر سطح 15 به صورت یک رشته کنار هم جمع شده‌اند. یک نقطه قرمز در سطح 0 تصویر قرار گرفته است و استوکاستیک‌ها شروع به خروج از کف کرده‌اند. سطوح کندل‌های قبل از سیگنال، در سمت چپ با مربع زرد رنگ نشان داده شده است و کندل سیگنال نیز با رنگ صورتی مشخص شده است.

موارد مورد نیاز برای باز کردن یک پوزیشن فروش:

  • خطوط استوکاستیک‌ در کنار هم یک رشته را تشکیل داده‌اند.
  • بیشتر اسیلاتورها، در زمان تشکیل کندل سیگنال، بالاتر از سطح 85 قرار گرفتند.
  • چرخه کوفر اکسترموس یک نقطه قرمز در نزدیکی سطح 100 را نشان بدهد

استراتژی های معاملات روزانه فارکس (بخش اول)

استراتژی های معاملات روزانه فارکس (بخش اول)

اوردرخود را بگونه ای باز کنید که اسیلاتورها از ناحیه بیش خرید و بیش فروش خارج شوند. این استراتژی اهمیت بالایی دارد و در استفاده از حرکات قدرتمند قیمت به ما کمک می‌کند. اگر در چند استراتژی معاملات استراتژی متوالی ضرر کردید، می‌توانید با یک معامله موفق تمام آن را پوشش دهید.

راهنمای کامل معاملات جفتی (Pair Trading)

راهنمای کامل معاملات جفتی (دوتایی)

معاملات جفتی (Pair Trading) یک استراتژی معاملاتی کلاسیک است که به دنبال سرمایه گذاری بر روی اختلافات قیمت بین دو دارایی است که با هم همبستگی تاریخی دارند. اسن استراتژی معاملاتی در حوزه ارزهای دیجیتال نیز از همان اصولی استفاده می‌کند که در بازارهای سنتی سهام و اوراق بهادار استفاده می‌شود.

معاملات جفتی متکی بر دو دارایی با همبستگی تاریخی است که برای لحظه‌ای با هم نامرتبط می‌شوند. این استراتژی معامله به صورت قرار دادن پوزیشن‌های همزمان برای یک دارایی که ارزش آن از ارزش بالقوه آن پایین‌تر است و دارایی دیگر که بیش از حد ارزش‌گذاری شده می‌باشد. در صورتی که این استراتژی درست پیاده شود، معامله گران می‌توانند به طور همزمان از حرکات مثبت و منفی قیمت‌ها سود ببرند.

معاملات جفتی در حوزه رمزارزها نیز دقیقاً به همین صورت عمل می‌کنند با این تفاوت که به جای سهام یا اوراق بهادار از ارزهای دیجیتال استفاده می‌شود. با این حال، اصطلاح جفت ارزهای دیجیتال همچنین می‌تواند به چارچوبی اشاره داشته باشد که صرافی‌های ارز دیجیتال از آن برای ایجاد ارزش توافق شده برای معاملات استفاده می‌کنند.

در این مقاله، ما قصد داریم به معاملات جفتبی ارزهای دیجیتال بپردازیم. ما بررسی خواهیم کرد که چگونه معاملات دوتایی می‌تواند به معامله گران کمک کند تا از حرکات منفی و مثبت قیمت سود ببرند. همچنین، در مورد کاربردهای مختلف معاملاتی جفتی ارزهای دیجیتال و تفاوت آن‌ها با معاملات جفتی سنتی بحث خواهیم کرد. با ارزتودی همراه باشید.

معاملات بازار خنثی یا رنج (Market-Neutral Trading)

قبل از اینکه درباره معاملات جفتی ارزهای دیجیتال صحبت کنیم، بیایید نگاهی به مفهوم اساسی معاملات بازارِ رنج بیندازیم. یک معامله‌گر بازار خنثی کسی است که نسبت به عملکرد قیمت یک دارایی نه خوش بین ( گاوی) و نه بدبین (خرسی) است. در عوض، بی‌طرف بودن در بازار، معامله‌گر را قادر می‌سازد تا از حرکت‌های منفی و مثبت قیمت سود ببرد. همچنین، یک معامله‌گر بازار رنج قصد دارد از انواع خاصی از ریسک‌های بازار اجتناب کند. این امر معمولاً با سرمایه گذاری همزمان در دو استراتژی معاملات دارایی با تطبیق پوزیشن‌های خرید و فروش به دست می‌آید.

معاملات جفتی چیست؟

اگر قیمت یک دارایی کاهش و قیمت دیگری افزایش یابد، یک معامله‌گر می‌تواند از هر دوی آنها سود ببرد. این مسئله به طور موثر معامله گران را قادر می‌سازد بدون توجه به شرایط بازار سود کسب کنند. استراتژی‌های معاملاتی خنثی قصد دارند از زیان‌های قابل توجه جلوگیری کنند. بر این اساس، یک پوزیشن می‌تواند دیگری را متعادل کند و اثرات انتخاب اشتباه را به حداقل برساند.

صندوق‌های تامین نقدینگی اغلب از استراتژی‌های معاملاتی خنثی برای ایجاد بازدهی ثابت در همه شرایط بازار استفاده می‌کنند. این استراتژی‌ها اغلب همبستگی کمی با بازار دارند. آنها به همگرایی خاص در قیمت دو دارایی متکی هستند و از آن به عنوان راهی برای پوشش ریسک کلی در معاملاتشان استفاده می‌کنند.

معاملات جفتی چیست؟

معاملات جفتی که در اواسط دهه ۱۹۸۰ توسط کارمندان شرکت مورگان استنلی معرفی شد، یک استراتژی معاملاتی در بازار خنثی (رنج) است که با ایجاد پوزیشن‌های خرید و فروش در دو سهام یا اوراق بهادار که با هم همبستگی زیادی دارند اعمال می‎شود. معاملات جفتی دارایی‌ها با استفاده از تحلیل‌های آماری و تکنیکال انجام می‌شود. معامله گران می‌توانند ضرر هر پوزیشن را با پوزیشن دیگر جبران کنند تا یک استراتژی پوشش ریسک ایجاد کنند که می‌تواند از یک روند مثبت و منفی سود ایجاد کند.

علاوه بر این، معاملات جفتی بر این مفهوم تاریخی متکی است که همبستگی بین دو سهام یا اوراق بهادار پایدار است. وقتی یک معامله‌گر اختلاف بین این همبستگی‌ها را شناسایی می‌کند، می‌تواند ارزش دلاری یک پوزیشن خرید را با ارزش یک پوزیشن فروش مطابقت دهد. پوزیشن خرید معمولاً روی سهام یا اوراق بهاداری قرار می‌گیرد که عملکرد ضعیفی دارد. برعکس، پوزیشن فروش بر روی سهام یا اوراق بهادار با عملکرد فراتر از انتظار قرار می‌گیرد. بنابراین، یک معامله‌گر می‌تواند زمانی سود به دست آورد که قیمت‌های دو دارایی همگرا شوند و یک همبستگی تاریخی را از سر بگیرند.

به عنوان مثال، بیایید دو سهام مشابه مانند پپسی و کوکاکولا را در نظر بگیریم. از لحاظ تاریخی، کالاهای این دو شرکت به شدت با هم مرتبط هستند. شرایط بازار اغلب بر دو محصول یا شرکت استراتژی معاملات به روشی مشابه تأثیر می‌گذارد. بنابراین، اگر همبستگی قوی بین سهام پپسی و کوکاکولا وجود داشته باشد، می‌توانیم از این دو دارایی برای معاملات جفتی استفاده کنیم.

بیایید اینطور در نظر بگیریم که سهام پپسی از سهام کوکاکولا بهتر عمل کرده است. اگر قیمت سهام پپسی افزایش یابد و قیمت سهام کوکاکولا کاهش یابد، می‌توانیم پوزیشن خرید برای کوکاکولا و پوزیشن فروش برای پپسی ایجاد کنیم. وقتی قیمت سهام پپسی پایین می‌آید و قیمت سهام کوکاکولا بالا می‌رود، یک استراتژی معامله جفتی موفق‌ اتفاق می‌افتد که از انجام هر کدام از آن معاملات به تنهایی بهتر است.

معاملات جفتی چگونه کار می‌کنند؟

معاملات جفتی یک استراتژی معاملاتی غیر جهت دار هستند. به جای شناسایی تک تک سهام‌هایی که عملکرد ضعیف یا بیش از حد انتظار دارند، معاملات دوتایی سعی می‌کند از دو سهام با ویژگی‌های مشابه استفاده کند که خارج از محدوده تاریخی خود معامله می‌شوند. معامله‌گر جفتی، سهامی را می‌خرد که عملکرد ضعیفی دارد و سهامی که دارای عملکرد بیش از حد است را می‌فروشد.

این استراتژی به شدت بر آمار و تحلیل تکنیکال تکیه دارد و به دنبال یافتن اختلافات جزئی بین همبستگی‌های قابل اعتماد و کسب سود از آنها قبل از بازگشت به سمت همگرایی قیمت این جفت سهام است. این با شرط بندی روی اینکه که دو دارایی از نظر قیمت از هم جدا و یا همگرا می‌شوند به دست می‌آید.

معاملات جفتی چگونه کار می‌کنند؟

هر کسی می‌تواند در معاملات جفتی شرکت کند، با این حال با توجه به میزان تحلیل‌های فنی و آماری درگیر، معمولاً این معامله گران حرفه‌ای هستند که این استراتژی را انتخاب می‌کنند. معامله‌گران جفتی برای پیاده کردن این استراتژی به یک روش قوی و درک عمیقی از تجزیه و تحلیل داده‌ها نیاز دارند.

مزایای معاملات جفتی چیست؟

یک استراتژی معامله جفتی موثر معامله گر را استراتژی معاملات قادر می‌سازد تا سود خود را به حداکثر برساند و ریسک‌های بالقوه را کاهش دهد. معامله‌گران می‌توانند از حرکت‌های مثبت و منفی قیمت سود ببرند. معاملات جفتی زمانی که احتمال آماری بازگشت دارایی‌های اساسی به تعادل بالا باشد، از دو پوزیشن به طور همزمان سود ایجاد می‌کنند.

به طور کلی، دارایی‌هایی که ۸۰ درصد مواقع یا بیشتر با استراتژی معاملات هم مرتبط هستند، برای پوزیشن‌های معاملاتی جفتی در نظر گرفته می‌شوند. همراه کردن افزایش قیمت یک دارایی با کاهش قیمت دارایی دیگر می‌تواند ریسک را هنگام معامله کاهش دهد.

معاملات جفتی ارزهای دیجیتال چیست؟

با این حال، معامله جفتی معمولاً برای کسب سود به سرمایه زیادی نیاز دارد. همچنین، فرصت‌های محدودی برای معاملات جفتی وجود دارد. برای شروع، شناسایی همبستگی‌های کافی بین دارایی‌ها می‌تواند چالش برانگیز باشد. به علاوه، زمانی که بیش از حد بر داده‌های تاریخی تکیه می‌کنیم، نتایج مورد انتظار اغلب با نتایج واقعی متفاوت است. معاملات جفتی مستلزم درک عمیق تحلیل تکنیکال است.

معاملات جفتی ارزهای دیجیتال (Pair Trading)

معاملات جفتی به معنای سنتی کاملاً در معاملات ارزهای دیجیتال قابل استفاده است. علاوه بر این، بازارهای رمزارز می‌توانند فرصت‌های بیشتری را برای یافتن دارایی‌های مرتبط با هم ارائه کند و استفاده از آن‌ها برای ایجاد یک معامله‌ بی‌نظیر در بازار را تسهیل کنند. با این حال، بازارهای ارزهای رمزنگاری شده به طور قابل توجهی بی ثبات‌تر از بازارهای سنتی هستند. به این ترتیب، گاهی اوقات به‌دست آوردن همبستگی‌های قابل اعتماد در فضای ارزهای دیجیتال سخت‌تر است. دقت کنید که وقتی در مورد جفت ارزها یا جفت‌های معاملاتی صحبت می‌کنیم، معمولاً به مفهوم دیگری اشاره می‌کنیم.

اصطلاح معاملات جفت ارز معمولاً به روشی اطلاق می‌شود که سفارش خرید و فروش با هم در یک صرافی ارزهای دیجیتال مطابقت داده می‌شوند. صرافی‌های متمرکز و غیرمتمرکز از جفت‌های معاملاتی استفاده می‌کنند. اگر یک صرافی یک جفت معاملاتی را فهرست کند، به این معنی است که می‌توانید آن دو دارایی را با یکدیگر مبادله کنید و ارزش نسبی دو دارایی را صرف نظر از ارزش فیات آنها مشاهده کنید.

کارکرد معاملات جفتی ارزهای دیجیتال چگونه است؟

معاملات جفتی ارزهای دیجیتال یک استراتژی معاملاتی در بازار رنج است که معامله‌گران را قادر می‌سازد از پوزیشن‌های خرید و فروش سود ببرند که این سود از اختلاف همبستگی بین دو دارایی بدست می‌آید. این مورد تقریباً مشابه معاملات جفتی سهام است. با این حال، معاملات دوتایی به معامله‌گران کمک می‌کنند تا ارزش دارایی‌های دیجیتال را بدون تکیه بر ارزهای فیات به عنوان نقطه مرجع درک کنند.

 کوین‌های فیات در جفت‌های معاملاتی ارزهای دیجیتال رایج هستند.

استیبل کوین‌های فیات در جفت‌های معاملاتی ارزهای دیجیتال رایج هستند. به طور کلی جفت‌ ارزها به ما کمک می‌کنند تا بفهمیم چه مقدار اتریوم (ETH) در یک بیت‌کوین (BTC) وجود دارد، یا چند توکن شبکه لینک (LINK) برابر با یک ETH است. آلت کوین‌ها اغلب با BTC و ETH یا یک استیبل کوین مانند تتر (USDT) جفت می‌شوند. این دارایی‌ها به عنوان ارز پایه برای نشان دادن ارزش توافق شده بین دارایی‌ها عمل می‌کنند.

ارز پایه اولین ارز در معادله است؛ به عنوان مثال، فرض کنید محمد ۱ بیت کوین دارد و می‌خواهد آن را با اتریوم تعویض کند. در آن زمان، یک بیت کوین BTC برابر با ۱۳.۵۱ ETH است. بنابراین، محمد باید یک جفت معاملاتی BTC/ETH را در صرافی ارز دیجیتال مورد علاقه خود پیدا کند. در اینجا، BTC ارز پایه است زیرا اولین ارز در معادله است.

قبل از وارد شدن به معامله در یک صرافی ارز دیجیتال، لازم است که به جفت‌های معاملاتی موجود توجه کنیم. شما همیشه نمی‌توانید دارایی‌ها را در یک معامله مبادله کنید، مخصوصاً زمانی که ارزهای دیجیتال کمتر شناخته شده را معامله می‌کنید. این بدان معنی است که اگر جفت ارز برای تسهیل مبادله مستقیم وجود نداشته باشد، ممکن است مجبور شوید چندین معامله انجام دهید.

استخرهای نقدینگی

صرافی‌های غیرمتمرکز (DEX) نیز از جفت ارزهای دیجیتال استفاده می‌کنند. یک DEX با استفاده از مدل بازارسازان خودکار (AMM) به ارائه دهندگان نقدینگی (LPs) برای ارائه یک جفت ارز برای تسهیل مبادلات توکن غیرمتمرکز متکی است. LPها ارزش برابری از دو دارایی رمزنگاری را به یک استخر نقدینگی در یک DEX ارائه می‌کنند. در عوض، هر بار که یک معامله‌گر از جفت دارایی خود به عنوان بخشی از یک مبادله بدون نیاز به مجوز استفاده می‌کند، پاداش کارمزد تراکنش را دریافت می‌کنند. این می‌تواند یک راه عالی برای کسب درآمد غیرفعال از دنیای کریپتوکارنسی باشد.

با توجه به گزارشات وب سایت CoinMarketCap، تتر (USDT) محبوب ترین نیمه‌ای از هر جفت ارز دیجیتال است که 71.60 درصد از کل حجم معاملات جفت ارزها را به خود اختصاص می‌دهد.

با این حال، ارائه نقدینگی به یک پروتکل مالی غیرمتمرکز (DeFi) با خطر زیان دائمی نیز همراه است. زیان دائمی زمانی رخ می‌دهد که قیمت دارایی‌هایی که در یک مجموعه نقدینگی سپرده‌گذاری می‌کنید در مقایسه با زمانی که برای اولین بار آنها را سپرده‌گذاری کرده‌اید تغییر کند. همچنین، تأمین نقدینگی با خطرات فنی همراه است زیرا استخرهای نقدینگی دیفای به قراردادهای هوشمند متکی هستند. هک‌ها و سوء استفاده‌های قرارداد هوشمند اغلب در دیفای اتفاق می‌افتد. به علاوه خطای کاربر به دلیل ماهیت فنی تعامل با پروتکل‌های عمومی بلاک چین امری عادی است.

جفت ارزهای معاملاتی برتر

با توجه به گزارشات وب سایت CoinMarketCap، تتر (USDT) محبوب ترین نیمه‌ای از هر جفت ارز دیجیتال است که ۷۱.۶۰ درصد از کل حجم معاملات جفت ارزها را به خود اختصاص می‌دهد. بیت کوین (BTC) در رتبه دوم قرار دارد و در ۴۲.۹۵ درصد از جفت‌های معاملاتی کریپتوکارنسی وجود دارد. علاوه بر این، اتریوم (ETH) سومین دارایی رایج است و در ۱۹.۴۱ درصد از جفت ارزها وجود دارد. بایننس یو اس دی (BUSD) با ۴.۷۵% در رتبه چهارم و USDC با ۴.۲۳% در رتبه پنجم قرار دارد. می‌توانید با استفاده از وب‌سایت داده‌های قیمت ارزهای دیجیتال مانند CoinMarketCap یا CoinGecko، جفت‌های معاملاتی موجود را پیدا کنید.

می‌توانید یک دارایی دیجیتال خاص را جستجو کنید یا در فهرست پایین بروید تا آنها را به ترتیب ارزش بازار پیدا کنید. هنگامی که یک دارایی دیجیتال را انتخاب می‌کنید، روی تب “Markets” کلیک کنید. پس از این کار، به پایین‌تر اسکرول کنید. باید لیستی از جفت‌های معاملاتی ارزهای دیجیتال را پیدا کنید. این جفت‌ها معمولاً بر اساس بالاترین حجم معاملات فهرست می‌شوند.

با این حال، برخی از لیست‌ها دارای اسپانسرهایی هستند که صرافی‌های دیگر را در بالای این لیست قرار می‌دهند. همچنین، دارایی‌های دیجیتال برای ارائه هر جفت ارز، امتیاز دریافت می‌کنند. اگر صرافی دارای نقدینگی کم یا فعالیت مشکوک باشد، باید در این وب سایت‌ها در کنار لیست توکن‌های مربوطه قابل مشاهده باشد.

نتیجه گیری

معاملات جفتی ارزهای دیجیتال منعکس کننده پدیده معاملات کلاسیک بازار خنثی هستند. وقتی دو دارایی رمزنگاری شده با همبستگی قوی تاریخی از هم جدا می‌شوند، یک معامله‌گر جفتی می‌تواند روی هر دوی این دارایی‌ها شرط بندی کند. هنگامی که قیمت دارایی با عملکرد ضعیف افزایش می‌یابد و قیمت دارایی با عملکرد بیش از حد کاهش می‌یابد، معامله گران جفتی می‌توانند سود خود را افزایش و خطرات احتمالی را کاهش دهند.

از سوی دیگر، جفت‌های معاملاتی کریپتویی دو دارایی هستند که می‌توانند در ازای ارز دیجیتال دیگری در صرافی خرید و فروش شوند. هنگام ارائه نقدینگی به یک صرافی غیرمتمرکز (DEX)، ارائه دهندگان نقدینگی ارزش دلاری برابر دو دارایی را تعیین می‌کنند. بر این اساس، هر کسی که با یک استخر نقدینگی تعامل دارد، می‌تواند یکی از دو دارایی رمزنگاری را که جفت معاملاتی رمز ارزی را تشکیل می‌دهند، مبادله کند.



اشتراک گذاری

دیدگاه شما

اولین دیدگاه را شما ارسال نمایید.