सेक्शन 3.2 का गहन अध्ययन: एक K-लाइन पाँच संख्याओं में बदलती है
यह पूरे पेपर का सबसे "K-लाइन-विशिष्ट" सेक्शन है। इस सेक्शन को पूरा करने के बाद, आप सूत्र (3) लिख सकेंगे, बता सकेंगे कि तीनों गुण क्रमशः कौन-सी समस्या हल करते हैं, और एब्लेशन संख्याओं से समझा सकेंगे कि यह डिज़ाइन कितने का है।
पहले समस्या पढ़ें: कच्चा OHLCV काम क्यों नहीं करता
पेपर के पहले पैराग्राफ में तीन बातें कही गई हैं:
- विभिन्न साधनों के निरपेक्ष मूल्यों में तीन परिमाणों (orders of magnitude) का अंतर है (कुछ युआन से लेकर हज़ारों युआन तक)
- विभिन्न ग्रैन्युलैरिटी स्तरों पर अस्थिरता (volatility) का स्तर अलग होता है
- ट्रेडिंग वॉल्यूम की इकाई बाज़ार के अनुसार भिन्न होती है (शेयर, लॉट, कॉइन)
सबसे महत्वपूर्ण तीसरा वाक्य है: भले ही हर साधन को शून्य माध्य तक स्टैंडर्डाइज़ कर दें, समस्या हल नहीं होती। स्टैंडर्डाइज़ेशन के बाद दो शेयरों का ओपनिंग मूल्य समान हो सकता है, लेकिन उनका "विक और मूल्य का अनुपात" पूरी तरह भिन्न हो सकता है। यानी, K-लाइन की आकृति की जानकारी "निरपेक्ष संख्यात्मक मानों" में छिपी होती है, जिसे माध्य घटाकर और विचरण से भाग देकर भी नहीं निकाला जा सकता।
सूत्र (3)
हर K-लाइन t एक पाँच-आयामी वेक्टर में बदल जाती है:
| घटक | सूत्र | अर्थ |
|---|---|---|
r_gap | ln(O_t / C_{t−1}) | गैप: आज का ओपन कल के क्लोज़ के सापेक्ष |
r_body | ln(C_t / O_t) | बॉडी: क्लोज़ ओपन के सापेक्ष |
r_up | ln(H_t / max(O_t, C_t)) | ऊपरी विक: उच्चतम मूल्य बॉडी की ऊपरी सीमा के सापेक्ष |
r_dn | ln(min(O_t, C_t) / L_t) | निचला विक: बॉडी की निचली सीमा न्यूनतम मूल्य के सापेक्ष |
v_t | ln((V_t + 1) / (E_t + 1)) | वॉल्यूम: ट्रेडिंग वॉल्यूम अपने एक्सपोनेंशियल मूविंग एवरेज के सापेक्ष |
E_t एक "सख्ती से कॉज़ल" वॉल्यूम मूविंग एवरेज है: यह केवल t से पहले की ट्रेडिंग वॉल्यूम का उपयोग करता है, वर्तमान K-लाइन को नहीं झाँकता। कोड में यह compute_volume_ema है, और 0वीं K-लाइन का मूविंग एवरेज उसी की अपनी ट्रेडिंग वॉल्यूम है, इसलिए v_0 = 0।
अध्याय 1 में आप पहले ही इसे खींच चुके हैं:
r_gapगैपआज का ओपन बनाम कल का क्लोज़+2.0%r_bodyबॉडीक्लोज़ की तुलना ओपन से+3.8%r_upअपर शैडोहाई की तुलना बॉडी के ऊपरी सिरे से+2.8%r_dnलोअर शैडोबॉडी का निचला किनारा सबसे निचले से तुलना+2.0%vवॉल्यूमवॉल्यूम अपने हाल के औसत वॉल्यूम से+40.5%पाँचों संख्याएँ "अनुपात" का लॉग हैं। अपर शैडो और लोअर शैडो हमेशा ≥ 0 रहते हैं, इसलिए जनरेट की गई K-line में "हाई प्राइस क्लोज़ से कम" कभी नहीं होगा।
तीन गुण, हर एक एक समस्या हल करता है
(i) प्रतिवर्ती (reversible)। पिछले कैंडल का क्लोज C_{t−1} ज्ञात हो, तो इन पाँच संख्याओं से O, H, L, C, V को घातांकों (exponents) की एक श्रृंखला द्वारा सटीक रूप से पुनर्स्थापित किया जा सकता है:
O = C_{t−1} · exp(r_gap),C = O · exp(r_body)H = max(O, C) · exp(r_up),L = min(O, C) · exp(−r_dn)
कोई सूचना हानि नहीं होती। यही उस पेपर और Kronos जैसे “डिस्क्रीट token में quantize करने” वाले तरीकों से मूल अंतर है, और यही योगदान में “tokenizer की आवश्यकता नहीं” का अर्थ है। कोड: invert_features।
(ii) पैमाने से स्वतंत्र। प्रत्येक घटक एक ही प्रकार की दो राशियों के अनुपात का लघुगणक है। पूरी कीमत को किसी भी संख्या से गुणा करें, पूरे volume को किसी भी संख्या से गुणा करें — पाँचों संख्याएँ अपरिवर्तित रहती हैं। इसलिए 5 युआन के शेयर और 2000 युआन के शेयर, A-शेयर और बिटकॉइन, सभी एक ही मॉडल में रखे जा सकते हैं।
(iii) संरचनात्मक रूप से वैध। परिभाषा के अनुसार r_up और r_dn ≥ 0 होते हैं। जनरेशन के समय इन्हें ≥ 0 पर काट दिया जाता है, तो पुनर्स्थापित कैंडल निश्चित रूप से H ≥ max(O, C) और L ≤ min(O, C) को संतुष्ट करेगा। “उच्च कीमत क्लोज कीमत से कम” जैसी अजीब कैंडल कभी नहीं बनेगी।
सामान्यीकरण: MAD और tanh
अंतिम भाग में केवल एक वाक्य है, पर बहुत महत्वपूर्ण है: प्रत्येक घटक को (बाज़ार, granularity, विशेषता) के अनुसार robust सांख्यिकीय मान से scale किया जाता है, फिर tanh से soft-clamp किया जाता है — “यह ट्रेनिंग को स्थिर रखता है और outlier को भी नहीं छोड़ता।”
विस्तार से कहें तो (कोड kit_v1/data/normalize.py):
- पैमाना s = 1.4826 × MAD। MAD “माध्यिका से पूर्ण विचलन” की माध्यिका है, और 1.4826 से गुणा इसलिए किया जाता है ताकि सामान्य वितरण के अंतर्गत यह मानक विचलन के बराबर हो जाए। मानक विचलन की जगह MAD इसलिए लिया जाता है क्योंकि upper-limit, flash-crash जैसे अत्यधिक मान मानक विचलन को बहुत बड़ा कर देते हैं, जबकि MAD अप्रभावित रहता है।
- y = 6 · tanh(x / s / 6): |x/s| छोटा होने पर लगभग अपरिवर्तित रहता है, और बहुत बड़े मान चिकनी रूप से ±6 के भीतर दबा दिए जाते हैं।
- सांख्यिकीय मानकेवल ट्रेनिंग अवधि पर ही गणना किए जाते हैं (पेपर के अनुभाग 4.1 में “leakage नहीं” पर बल दिया गया है), और इन्हें
stats.jsonमें सहेजा जाता है।
साक्ष्य: परिशिष्ट E, तालिका 9
केवल इनपुट निरूपण बदलें, बाकी सब कुछ वैसा ही रखें — सात granularity के औसत पर रिटर्न RankIC:
| प्रत्येक कैंडल का निरूपण | औसत रिटर्न RankIC |
|---|---|
| पाँच-आयामी लघुगणक अनुपात (KiT) | 0.0571 |
| सामान्यीकृत मूल OHLCV | 0.0209 |
| केवल क्लोज कीमत का लघुगणक | 0.0183 |
इस तालिका को पढ़ें: मूल OHLCV पर लौटने से (चाहे robust सामान्यीकरण किया गया हो), RankIC मूल के चालीस प्रतिशत से भी नीचे गिर जाता है; और जब open-high-low और volume दोनों छोड़कर केवल क्लोज कीमत रखी जाती है, तो थोड़ा और गिरता है। पेपर की व्याख्या है: मूल संख्याएँ कैंडल की “सापेक्ष आकृति” वाली सूचना खो देती हैं।
यह पूरे पेपर में किसी एक डिज़ाइन से उत्पन्न सबसे बड़ा अंतर है।
आपकी परीक्षाक्यों ”हर शेयर को ज़ीरो मीन यूनिट वैरिएंस में स्टैंडर्डाइज़ करना” पांच-आयामी लॉग रेशियो की जगह नहीं ले सकता?
एक जाँच करें
- मैं पाँचों घटकों के सूत्र लिख सकता/सकती हूँ
- मैं बता सकता/सकती हूँ कि प्रतिवर्तिता, पैमाने से स्वतंत्रता और संरचनात्मक वैधता प्रत्येक क्या समस्या हल करती है
- मैं तालिका 9 के आँकड़ों से इस निरूपण का महत्व समझा सकता/सकती हूँ
अगला अनुभाग: 精读 3.3–3.4: संरचना और सशर्त इंजेक्शन।