مقدمه: معاملات کمّی چیست؟
معاملات کمّی (Quantitative Trading) رویکردی است که در آن تصمیمهای خرید و فروش بر اساس مدلهای ریاضی، تحلیل آماری و الگوریتمهای برنامهنویسی گرفته میشود. بهجای تکیه بر شهود، احساس یا اخبار، یک تریدر کمّی (Quant) قوانین معاملاتی را بهصورت کد مینویسد، روی دادههای تاریخی بکتست میگیرد و در صورت اثبات سودآوری، آن را بهصورت خودکار یا نیمهخودکار اجرا میکند.
تفاوت کلیدی با ترید دیسکشنری (Discretionary) این است که در روش کمّی، تصمیمگیری مبتنی بر داده (Data-Driven) است. یعنی شما ابتدا یک فرضیه میسازید (مثلاً «وقتی Z-Score قیمت BTC نسبت به میانگین ۲۰ روزه بیشتر از ۲ شد، احتمال بازگشت به میانگین بالاست»)، آن را با دادههای گذشته تست میکنید و اگر معتبر بود، اجرا میکنید.
معاملات کمّی ریشه در والاستریت دارد. صندوقهای پوشش ریسک مثل Renaissance Technologies (با استراتژی Medallion معروف) و Citadel دهها سال است که از این روش استفاده میکنند. در بازار کریپتو، با ظهور APIهای صرافیها و دادههای آنچین، این رویکرد بهسرعت گسترش یافته است. ابزارهای متنباز مثل CCXT و Freqtrade امکان راهاندازی یک سیستم کمّی را برای هرکسی با یک لپتاپ فراهم کردهاند.
اما معاملات کمّی راه نقرهای نیست. بیش از ۹۰ درصد استراتژیهایی که در بکتست خوب عمل میکنند، در بازار زنده شکست میخورند — عمدتاً بهدلیل Overfitting، نادیده گرفتن کارمزد و اسلیپیج، و تغییر رژیم بازار. در این راهنما، با همهی این چالشها آشنا میشوید. برای مفاهیم پایه، دایرهالمعارف را ببینید.
چرا معاملات کمّی؟
چند دلیل اصلی برای استفاده از رویکرد کمّی وجود دارد:
۱. حذف احساسات: بزرگترین دشمن تریدر، احساسات است — ترس، طمع، انتقام از بازار. یک سیستم کمّی بهطور مکانیکی اجرا میشود و در لحظهی تصمیمگیری، احساسات مداخله نمیکنند. دربارهی این موضوع، راهنمای روانشناسی ترید را ببینید.
۲. قابلیت بکتست: شما میتوانید استراتژی را روی سالها دادهی تاریخی تست کنید و ببینید آیا واقعاً سودآور بوده یا نه. در ترید دیسکشنری، این امکان وجود ندارد — شما فقط میتوانید از تجربهی گذشته یاد بگیرید که بسیار ذهنی است.
۳. مقیاسپذیری: یک سیستم کمّی میتواند همزمان روی دهها یا صدها دارایی اجرا شود. یک تریدر دیسکشنری نمیتواند ۱۰۰ چارت را همزمان مانیتور کند، اما یک ربات میتواند.
۴. لبهی پایدار (Consistent Edge): اگر استراتژی شما مبتنی بر یک پدیدهی ساختاری بازار باشد (نه شانس)، در طول زمان لبهی پایداری ایجاد میکند. این لبه میتواند کوچک باشد اما با اهرم و تکرار، به سود قابلتوجهی تبدیل شود.
۵. پردازش حجم بالای داده: بازار کریپتو ۲۴ ساعته و ۷ روز هفته است. صدها صرافی، هزاران جفتارز، دادههای آنچین، احساسات توییتر — هیچ انسانی نمیتواند همه را پردازش کند. مدلهای کمّی میتوانند.
۶. قابلیت تکرار و بهبود: چون استراتژی بهصورت کد نوشته میشود، میتوان آن را نسخهبندی کرد، تغییر داد و نتایج را مقایسه کرد. این چرخهی فرضیه → تست → بهبود، موتور پیشرفت در معاملات کمّی است.
معاملات کمّی در برابر دیسکشنری
تفاوت اصلی در روش تصمیمگیری است:
| ویژگی | معاملات کمّی | معاملات دیسکشنری |
|---|---|---|
| رویکرد | سیستماتیک، مبتنی بر قوانین | شهودی، مبتنی بر تجربه |
| تصمیمگیری | بر اساس مدل و داده | احساس درونی و قضاوت |
| اعتبارسنجی | بکتست روی داده تاریخی | تجربهی شخصی |
| احساسات | حذفشده | نقش اصلی |
| مقیاس | هزاران دارایی همزمان | چند دارایی |
| انعطاف | پایین (قوانین صریح) | بالا (تطبیق با شرایط) |
| نیاز به مهارت | برنامهنویسی، آمار | تجربهی بازار، تحلیل تکنیکال |
نکتهی مهم: هیچکدام برتر مطلق نیستند. بسیاری از تریدرهای موفق، ترکیبی از هر دو را بهکار میبرند — یعنی مدل کمّی برای فیلتر اولیه و دیسکشنری برای تصمیم نهایی. برای شروع، راهنمای استراتژیهای معاملاتی و راهنمای تحلیل تکنیکال را ببینید.
اجزای یک سیستم معاملات کمّی
یک سیستم کمّی کامل شامل چهار بخش اصلی است:
داده (Data): ورودی هر سیستم. شامل قیمت (OHLCV)، حجم، دادههای آنچین مثل جریان دارایی به صرافیها، فعالیت شبکه، دادههای احساسات (مثل توییتر) و فاندامنتال (مثل Messari). کیفیت داده، تعیینکنندهی کیفیت مدل است — Garbage In, Garbage Out.
مدل (Model): مغز سیستم. میتواند ساده (مثل تقاطع میانگین متحرک) یا پیچیده (شبکهی عصبی) باشد. مدل باید روی دادههای خارج از نمونه (Out-of-Sample) معتبر باشد، نه فقط روی دادهی آموزش.
اجرا (Execution): تبدیل سیگنال به سفارش. شامل انتخاب نوع سفارش (Market/Limit)، تکهسازی (TWAP/VWAP)، کنترل اسلیپیج و ارتباط با API صرافی. اجرای ضعیف میتواند یک مدل سودآور را به زیان تبدیل کند.
مدیریت ریسک: خط آخر دفاع. شامل اندازهی پوزیشن (Position Sizing)، استاپلاس، تنوعبخشی پورتفوی و کنترل اهرج. بدون این بخش، حتی بهترین مدل با یک ضرر بزرگ از بین میرود — راهنمای مدیریت ریسک.
استراتژیهای کمّی رایج
استراتژیهای کمّی متعددی در بازار کریپتو استفاده میشوند. مهمترین آنها:
Mean Reversion (بازگشت به میانگین): فرض میکند قیمت به میانگین تاریخی خود برمیگردد. ابزار اصلی Z-Score است: فاصلهی قیمت از میانگین، بر حسب انحراف معیار. اگر Z-Score از ۲ بیشتر شود (قیمت خیلی بالاتر از میانگین)، فروش باز میشود. باندهای بولینگر هم یک نسخهی سادهی همین مفهوم هستند — راهنمای اندیکاتورها.
Momentum / Trend Following: خرید قدرت نسبی، فروش ضعف. میانگینهای متحرک (مثل Golden Cross)، شکست سقفها و تقاطع قیمت-میانگین از ابزارها هستند. در بازار رونددار خوب عمل میکند اما در بازار رِنج (خنثی) زیان میدهد. این استراتژی پایهی معاملات سوئینگ و معاملات روزانه است.
آربیتراژ آماری (Statistical Arbitrage): معاملهی جفتهای همانحراف. مثلاً BTC و ETH معمولاً با هم حرکت میکنند (به دلیل همبستگی ساختاری). وقتی فاصلهی آنها از حد معمول باز میشود، یکی فروخته و دیگری خریده میشود. این پایهی راهنمای آربیتراژ و استراتژی گرید تریدینگ است.
Market Neutral: استراتژیهای بدون جهت بازار. به دو صورت: Dollar Neutral (مثلاً ۵۰ درصد لانگ و ۵۰ درصد شورت) یا Beta Neutral (تعدیل بر اساس بتای هر دارایی). بازده مستقل از صعود یا نزول کل بازار است.
Factor Models: انتخاب دارایی بر اساس فاکتورها (مثل روند آنچین، حجم، مومنتوم). در سهام کاربرد گستردهای دارد و در کریپتو هم در حال توسعه است — راهنمای تحلیل فاندامنتال.
یادگیری ماشین: مدلهای رگرسیون (پیشبینی قیمت)، طبقهبندی (پیشبینی صعود/نزول) و یادگیری تقویتی (یادگیری سیاست بهینه). قدرتمند اما مستعد Overfitting. در بخش بعدی مفصل توضیح دادهشده.
ابزارها و پلتفرمهای معاملات کمّی
ابزارهای معاملات کمّی از ساده تا پیشرفته:
CCXT استاندارد عمل برای اتصال به صرافیهاست. این کتابخانهی پایتون/جاواسکریپت از بیش از ۱۰۰ صرافی پشتیبانی میکند و API یکپارچهای ارائه میدهد. اکثر رباتهای کریپتویی روی CCXT ساخته شدهاند.
Freqtrade بهترین نقطهی شروع برای یک تریدر کمّی کریپتویی است. متنباز، رایگان، با جامعهی فعال. میتوانید استراتژیهای پایتون بنویسید، بکتست بگیرید و اجرای زنده داشته باشید. کپی تریدینگ هم گزینهای برای کسانی است که نمیخواهند خودشان کد بنویسند.
بکتست و تلههای آن
بکتست (Backtest) یعنی اجرای استراتژی روی دادههای تاریخی برای شبیهسازی عملکرد. این کار به شما میگوید اگر استراتژی را در گذشته اجرا میکردید، چه سود یا ضرری میکردید. اما بکتست پر از تله است:
۱. Overfitting (بیشبرازش): بزرگترین تله. وقتی پارامترهای استراتژی را طوری تنظیم میکنید که بهترین نتیجه را روی دادهی گذشته بدهد، در واقع داده را «حفظ» کردهاید نه اینکه الگو را «یاد» گرفته باشید. نتیجه: عملکرد عالی در گذشته، فاجعه در آینده.
۲. Survivorship Bias (خطای بقا): اگر بکتست شما فقط شامل کوینهایی باشد که هنوز وجود دارند (مثلاً ۱۰۰ کوین برتر امروز)، کوینهایی که در طول زمان به صفر رسیدند و حذف شدند را نادیده گرفتهاید. این امر عملکرد را بهطور ساختاری بالا نشان میدهد.
۳. Look-Ahead Bias (خطای پیشآگاهی): استفاده از دادهای که در زمان تصمیمگیری در دسترس نبود. مثلاً استفاده از «بستهی امروز» برای تصمیمگیری در «ابتدای امروز».
۴. نادیده گرفتن کارمزد و اسلیپیج: کارمزد صرافی (معمولاً ۰٫۱ درصد در هر معامله) و اسلیپیج (اختلاف قیمت مورد انتظار با قیمت اجرا) میتوانند یک استراتژی سودآور را به زیان تبدیل کنند. یک استراتژی که روزی ۱۰ معامله میکند، سالانه ۳۶۵ درصد کارمزد میدهد — یعنی باید حداقل ۳٫۶۵ درصد سود روزانه داشته باشد تا سر به سر شود.
۵. تغییر رژیم (Regime Change): بازاری که در ۲۰۲۱ صعودی بود، در ۲۰۲۲ نزولی شد. استراتژیای که در ۲۰۲۱ عالی بود، ممکن است در ۲۰۲۲ فاجعه باشد. بکتست باید دورههای مختلف (صعودی، نزولی، رِنج) را پوشش دهد.
راهحل: Walk-Forward Analysis. این روش، داده را به بخشهای متوالی تقسیم میکند: ابتدا روی بخش اول بهینهسازی، سپس تست روی بخش دوم (خارج از نمونه)، سپس بهینهسازی روی بخشهای اول و دوم، تست روی بخش سوم و... این روش، شبیهسازی واقعیتری از عملکرد آینده ارائه میدهد.
نکتهی کاربردی: قاعدهی سرانگشتی برای بکتست
اگر استراتژی در بکتست Sharpe بالای ۳ یا بازده سالانه بالای ۲۰۰ درصد نشان میدهد، با احتمال ۹۵ درصد Overfitting دارید. بازارهای کارا چنین لبههایی را بهسادگی در اختیار نمیگذارند. همیشه نتایج را با شکاکانه بررسی کنید و قبل از سرمایهگذاری واقعی، استراتژی را در Paper Trading (معاملات کاغذی) تست کنید.
منابع داده
داده، سوخت سیستم کمّی است. منابع اصلی داده در بازار کریپتو:
۱. API صرافیها: منبع اصلی دادهی قیمت و حجم. کتابخانهی CCXT به بیش از ۱۰۰ صرافی متصل میشود. دادهی OHLCV (Open/High/Low/Close/Volume) در تایمفریمهای مختلف قابل دسترسی است.
۲. دادههای آنچین: فعالیت روی بلاکچین — جریان دارایی به صرافیها (نشاندهندهی فشار فروش)، فعالیت آدرسهای بزرگ (نهنگها)، تعداد تراکنش، کارمزد شبکه. منابع: Glassnode، CryptoQuant، تعبیهی نود شخصی — راهنمای تحلیل آنچین.
۳. دادههای احساسات (Sentiment): تحلیل احساسات در توییتر، ردیت، تلهگرام. منابع: LunarCrush، Santiment، TheTie. این دادهها میتوانند نشانهی زودهنگام حرکت بازار باشند.
۴. فاندامنتال: توکنومیکس، تیم، توسعهی کد، کاربران فعال. منبع اصلی Messari است. این دادهها کمّیتر از تحلیل کیفی هستند — راهنمای تحلیل فاندامنتال.
۵. دادههای خرد (Microstructure): دفتر سفارش (Order Book)، تاریخچهی معاملات (Trade Tape)، جریان سفارش. برای استراتژیهای فرکانس بالا استفاده میشود — راهنمای دفتر سفارش.
معیارهای ریسک و عملکرد
یک تریدر کمّی باید بتواند عملکرد استراتژی را با اعداد کمّیسازی کند. مهمترین معیارها:
Sharpe Ratio
بازده تنظیمشده برای ریسک. بالای ۱ قابل قبول، بالای ۲ خوب. در کریپتو، عدد بالای ۳ اغلب مشکوک است.
Sortino Ratio
مثل Sharpe اما فقط نوسانات نزولی را در نظر میگیرد. برای تریدرها معنادارتر است چون نوسان صعودی خوب است.
Max Drawdown
بیشترین درصد افت پورتفوی از اوج. نشان میدهد در بدترین حالت چقدر ضرر میکنید. باید با تحمل روانی شما سازگار باشد.
Win Rate
نسبت برد. اما بهتنهایی بیمعنی است — باید با نسبت سود به ضرر (Profit Factor) دیده شود.
Profit Factor
بالای ۱٫۵ خوب، بالای ۲ عالی. نشان میدهد برای هر دلار ضرر، چند دلار سود میسازید.
Expectancy
سود/ضرر مورد انتظار هر معامله. باید مثبت باشد. این عدد واقعیترین معیار برای ارزش استراتژی است.
نکتهی کلیدی: هیچ معیار واحدی کافی نیست. باید ترکیبی از آنها را ببینید. مثلاً استراتژی با Win Rate ۹۰ درصد ممکن است بهدلیل نسبت سود به ضرر پایین، در نهایت زیانده باشد. در مقابل، استراتژی با Win Rate ۴۰ درصد اما نسبت سود به ضرر ۳، میتواند بهشدت سودآور باشد.
جعبهی محاسبه: Sharpe Ratio نمونه
فرض کنید استراتژی شما بازده سالانه ۶۰ درصد داشته و نرخ بدونریسک (مثل اوراق خزانه) ۵ درصد است. انحراف معیار بازدهی روزانه (سالانه شده) ۳۰ درصد باشد. Sharpe = (۶۰ − ۵) ÷ ۳۰ = ۱٫۸۳. این عدد قابل قبول است (بالای ۱) اما در بازار کارا، انتظار بیش از ۲ نداشته باشید.
ساخت یک سیستم کمّی — قدم به قدم
مسیر معمول ساخت یک سیستم کمّی از ایده تا اجرای زنده:
مرحله ۱: ایده. یک فرضیه بسازید. مثلاً «وقتی حجم معاملات BTC در یک ساعت ۳ برابر میانگین ۲۴ ساعته شود، قیمت در ۴ ساعت آینده بالا میرود». ایده باید مبتنی بر یک منطق بازار باشد، نه صرفاً الگوی داده.
مرحله ۲: داده. دادهی تاریخی مناسب جمع کنید. مثلاً ۲ سال دادهی ساعتی OHLCV از CCXT. کیفیت داده را بررسی کنید — دادههای ناقص یا اشتباه، بکتست را بیاعتبار میکنند.
مرحله ۳: مدل. استراتژی را در پایتون کد کنید. از Backtrader یا VectorBT برای بکتست استفاده کنید. کارمزد و اسلیپیج را مدل کنید (مثلاً ۰٫۱ درصد کارمزد + ۰٫۰۵ درصد اسلیپیج در هر معامله).
مرحله ۴: بکتست. روی ۷۰ درصد داده (بخش آموزش) بکتست بگیرید. سپس روی ۳۰ درصد باقیمانده (بخش تست خارج از نمونه) بررسی کنید. اگر در بخش خارج از نمونه هم خوب عمل کرد، به مرحلهی بعد بروید. در غیر این صورت، استراتژی را رد کنید یا اصلاح کنید.
مرحله ۵: Paper Trading. استراتژی را بهصورت زنده اما با پول مجازی اجرا کنید. این کار، چرخهی اتصال به صرافی، اجرای سفارش و مانیتورینگ را تست میکند.
مرحله ۶: اجرای زنده با سرمایهی کم. با ۵ تا ۱۰ درصد سرمایهای که آمادهی از دست دادن هستید، شروع کنید. حداقل ۱ ماه اجرای زنده داشته باشید.
مرحله ۷: مقیاس. اگر استراتژی در اجرای زنده هم همانطور که در بکتست انتظار داشتید عمل کرد، آرامآرام سرمایه را افزایش دهید. اما همیشه مانیتورینگ کنید — بازارها تغییر میکنند و استراتژیها منقضی میشوند.
یادگیری ماشین در معاملات کریپتو
یادگیری ماشین (ML) شاخهای از معاملات کمّی است که در سالهای اخیر رشد چشمگیری داشته است. اما با چالشهای جدی در بازار کریپتو مواجه است.
ویژگیها (Features): ورودیهای مدل میتوانند شامل قیمت و حجم (OHLCV)، اندیکاتورها (RSI، MACD)، دادههای آنچین، احساسات و فاندامنتال باشند. انتخاب ویژگی، مهمتر از خود مدل است.
مدلها:
• LSTM (شبکهی عصبی بازگشتی): برای سریهای زمانی مناسب است. میتواند الگوهای زمانی را یاد بگیرد اما بهشدت مستعد Overfitting است.
• XGBoost / LightGBM: مدلهای درخت تقویتشده. معمولاً در عمل بهتر از شبکههای عصبی کار میکنند.
• Transformers: جدیدترین فناوری (مثل مدلهای زبانی بزرگ) برای تحلیل سریهای زمانی هم در حال استفاده است.
• Reinforcement Learning: عامل هوشمند که با تعامل با بازار یاد میگیرد. جالب اما در عمل ناپایدار.
چالشها در کریپتو:
• Non-Stationarity (ناایستایی): ویژگیهای آماری بازار کریپتو در طول زمان تغییر میکند. مدلی که در ۲۰۲۱ خوب کار میکرد، در ۲۰۲۳ ممکن است بیفایده باشد.
• Regime Change: تغییر رژیم — مثلاً از بازار صعودی به نزولی یا برعکس. مدلها معمولاً در یک رژیم خوب و در رژیم دیگر بد عمل میکنند.
• Overfitting: بهدلیل نویز بالا در دادههای کریپتو، شبکههای عصبی بهراحتی دادهی آموزش را حفظ میکنند.
• کمبود داده: بیتکوین از ۲۰۰۹ وجود دارد، اما دادهی واقعاً قابل استفاده فقط از ۲۰۱۷ به بعد است. این مقدار داده برای یادگیری عمیق کافی نیست.
هشدار: ریسک معاملات کمّی
معاملات کمّی بهمعنای حذف ریسک نیست. رباتهای ناقص میتوانند در چند دقیقه کل سرمایه را از بین ببرند — مثلاً بهدلیل باگ در مدیریت سفارش، اهرم اشتباه، یا اتصال قطعشده. همیشه از Kill Switch استفاده کنید (مثلاً اگر ضرر از ۵ درصد رفت، ربات خودکار خاموش شود). هرگز بدون Paper Trading و اجرای زنده با سرمایهی کم، استراتژی را در مقیاس کامل اجرا نکنید. برای مدیریت ریسک و تحلیل بازار این صفحات را ببینید.
نکات کاربردی برای کاربران ایرانی
معاملات کمّی برای کاربران ایرانی کاملاً قابل دسترس است، اما با چند چالش:
۱. ابزارهای رایگان: پایتون، CCXT، Freqtrade، VectorBT همگی رایگان و متنباز هستند. هیچ مانعی برای نصب و استفاده وجود ندارد. برای شروع، با Freqtrade و یک استراتژی ساده مثل تقاطع میانگین متحرک شروع کنید.
۲. اتصال به صرافیها: صرافیهای داخلی (مثل نوبیتکس و تابدیل) API ارائه میدهند که میتوانید از طریق آنها داده بگیرید و معامله کنید. برای صرافیهای خارجی، CCXT از بسیاری پشتیبانی میکند اما بهدلیل تحریمها، نیاز به احتیاط دارید — راهنمای قوانین رمزارز در ایران.
۳. دادهی این سایت: رادار آربیتراژ دادهی قیمت و اسپرد از صرافیهای ایرانی را بهصورت زنده ارائه میدهد. این داده میتواند پایهی استراتژیهای آربیتراژ بین صرافیهای داخلی باشد.
۴. منابع آموزشی: مستندات رسمی CCXT، Freqtrade و VectorBT کامل هستند. کانالهای یوتیوب مثل QuantProgram و Part Time Larry آموزشهای خوبی دارند. برای آمار، کتاب «Advances in Financial Machine Learning» نوشتهی Marcos Lopez de Prado مرجع است.
۵. زیرساخت: برای اجرای ۲۴ ساعته، به یک سرور نیاز دارید. سرورهای ابری داخلی یا VPS خارجی (با احتیاط) گزینهها هستند. برای بکتست، یک لپتاپ معمولی کافی است.
۶. مالیات و قانون: سود از معاملات خودکار هم مشمول مالیات است — راهنمای مالیات. همچنین، فعالیت بهعنوان «مدير سرمایه» ممکن است نیاز به مجوز داشته باشد.
۷. یادگیری مداوم: معاملات کمّی یک حوزهی بهشدت در حال تکامل است. با آخرین تحقیقات آشنا باشید — دایرهالمعارف و راهنمای تحلیل تکنیکال را مرور کنید.
نکتهی کاربردی: شروع ساده
بهترین نقطهی شروع برای یک تریدر ایرانی: نصب Freqtrade، دانلود دادهی ۲ سالهی BTC/USDT از یک صرافی با CCXT، و بکتست یک استراتژی ساده مثل تقاطع میانگین متحرک ۵۰/۲۰۰. این کار را در یک هفته میتوانید انجام دهید و درک اولیهای از چالشها پیدا کنید. سپس استراتژیهای پیچیدهتر را امتحان کنید.
سوالات متداول
معاملات کمّی (Quantitative Trading) چیست؟▾
معاملات کمّی رویکردی است که در آن از مدلهای ریاضی، تحلیل آماری و الگوریتمهای برنامهنویسی برای تصمیمگیری معاملاتی استفاده میشود. در این روش، قوانین معاملاتی بهجای تکیه بر شهود، بهصورت کد نوشته میشوند و روی دادههای تاریخی بکتست میگیرند. هدف، حذف احساسات و ایجاد یک لبه (Edge) قابل تکرار و قابل اندازهگیری است.
برای شروع معاملات کمّی به چه مهارتهایی نیاز دارم؟▾
حداقلها شامل برنامهنویسی پایتون (pandas، numpy)، آمار پایه (میانگین، واریانس، همبستگی)، آشنایی با مفاهیم بازار (سفارش، کارمزد، اسلیپیج) و یک زبان اسکریپت برای بکتست است. برای سطح پیشرفته، نیاز به یادگیری ماشین، اقتصادسنجی و مهندسی داده دارید. ابزارهای پیشنهادی: CCXT برای اتصال به صرافیها، VectorBT یا Backtrader برای بکتست و Freqtrade برای ربات آماده.
بکتست (Backtest) چیست و چه تلههایی دارد؟▾
بکتست یعنی اجرای استراتژی روی دادههای تاریخی برای شبیهسازی عملکرد. تلههای اصلی عبارتاند از: ۱) Overfitting یا بیشبرازش (استراتژی فقط برای گذشته خوب است)، ۲) Survivorship Bias (نادیده گرفتن کوینهای حذفشده)، ۳) Look-Ahead Bias (استفاده از دادهای که در آن زمان در دسترس نبود)، ۴) نادیده گرفتن کارمزد و اسلیپیج. راهحل: Walk-Forward Analysis و بکتست خارج از نمونه (Out-of-Sample).
Sharpe Ratio چیست و چقدر باید باشد؟▾
Sharpe Ratio نسبت بازده به ریسک است و از تقسیم بازده مازاد بر انحراف معیار بازدهها بهدست میآید. در معاملات کمّی، Sharpe بالای ۱ قابل قبول، بالای ۲ خوب و بالای ۳ عالی در نظر گرفته میشود. اما در کریپتو، بهدلیل نوسان بالا، Sharpeهای بالغ بر ۳ اغلب نشانهی Overfitting یا تلهی داده است و باید با احتیاط بررسی شود.
آیا معاملات کمّی برای کاربران ایرانی قابل دسترس است؟▾
بله. ابزارهای اصلی مثل Python، CCXT، VectorBT و Freqtrade رایگان و متنباز هستند. کاربران ایرانی میتوانند از API صرافیهای داخلی و بینالمللی استفاده کنند. چالشها شامل تحریم برخی صرافیهای خارجی، نوسان ریال و نیاز به VPN است. بهترین راه، شروع با دادههای این سایت و بکتست روی بازارهای نقدی داخلی است.
جمعبندی
معاملات کمّی (Quantitative Trading) رویکردی است که در آن از مدلهای ریاضی، تحلیل آماری و الگوریتمهای برنامهنویسی برای تصمیمگیری معاملاتی استفاده میشود. مزایای اصلی: حذف احساسات، قابلیت بکتست، مقیاسپذیری و لبهی پایدار.
یک سیستم کمّی شامل چهار بخش است: داده، مدل، اجرا و مدیریت ریسک. استراتژیهای رایج شامل Mean Reversion، Momentum، آربیتراژ آماری، Market Neutral، Factor Models و یادگیری ماشین هستند. ابزارهای اصلی پایتون با کتابخانههای CCXT، VectorBT و Freqtrade هستند.
بزرگترین تله، Overfitting است — استراتژی که در گذشته عالی است اما در آینده فاجعه. راهحل: Walk-Forward Analysis و اجرای خارج از نمونه. معیارهای ریسک مثل Sharpe Ratio، Max Drawdown و Expectancy برای ارزیابی عملکرد ضروری هستند.
برای کاربران ایرانی، ابزارها رایگان و متنباز هستند. چالشها شامل تحریم صرافیهای خارجی و نیاز به VPN است. بهترین شروع، Freqtrade با یک استراتژی ساده و بکتست روی دادهی صرافیهای داخلی است. برای ادامه، استراتژیهای معاملاتی، اندیکاتورهای تکنیکال، تحلیل آنچین و دایرهالمعارف را ببینید.