Jim Simons का एल्गोरिदम सोते समय पैसे कैसे बनाता है (सटीक क्वांट फ्रेमवर्क)

1import numpy as np
2import pandas as pd
3from scipy import stats
4
5def detect_signal(prices: pd.Series, lookback: int = 20) -> dict:
6    returns = prices.pct_change().dropna()
7
8    # ऑटोकोरिलेशन — क्या आज का रिटर्न कल के लिए पूर्वानुमानात्मक है?
9    acf_1 = returns.autocorr(lag=1)
10
11    # रोलिंग माध्य से Z-स्कोर विचलन
12    rolling_mean = returns.rolling(lookback).mean()
13    rolling_std  = returns.rolling(lookback).std()
14    z_score      = (returns - rolling_mean) / rolling_std
15
16    # हर्स्ट एक्सपोनेंट — क्या यह श्रृंखला ट्रेंडिंग है या मीन-रिवर्टिंग?
17    hurst = compute_hurst(prices.values)
18
19    return {
20        "autocorrelation": acf_1,
21        "z_score_latest": z_score.iloc[-1],
22        "hurst_exponent": hurst,   # <0.5 = मीन-रिवर्टिंग, >0.5 = ट्रेंडिंग
23        "regime": "trending" if hurst > 0.55 else "mean_reverting"
24    }
25
26def compute_hurst(ts):
27    lags = range(2, 20)
28    tau  = [np.sqrt(np.std(np.subtract(ts[lag:], ts[:-lag]))) for lag in lags]
29    m    = np.polyfit(np.log(lags), np.log(tau), 1)
30    return m[0] * 2.0

1from sklearn.linear_model import LinearRegression
2
3def factor_decompose(returns: pd.DataFrame, factors: pd.DataFrame) -> dict:
4    """
5    returns: एसेट रिटर्न का DataFrame
6    factors: फैक्टर रिटर्न का DataFrame (बाजार, आकार, मूल्य, गति, आदि)
7    """
8    model = LinearRegression()
9    model.fit(factors, returns)
10
11    alpha     = model.intercept_          # कारकों द्वारा अस्पष्टीकृत रिटर्न = शुद्ध एज
12    betas     = model.coef_               # फैक्टर एक्सपोज़र
13    r_squared = model.score(factors, returns)
14
15    return {
16        "alpha": alpha,    # यह वही है जिसका आप शिकार कर रहे हैं — क्या alpha > 0 है?
17        "betas": dict(zip(factors.columns, betas)),
18        "r_squared": r_squared,
19        "edge_quality": "strong" if abs(alpha) > 0.001 and r_squared > 0.3 else "weak"
20    }

1import numpy as np
2
3# राज्य: 0=बुल, 1=भालू, 2=स्थिर
4# ऐतिहासिक डेटा से अनुमानित संक्रमण मैट्रिक्स
5transition_matrix = np.array([
6    [0.78, 0.14, 0.08],  # बुल से: 78% बुल में रहते हैं, 14% भालू में जाते हैं, 8% स्थिर
7    [0.20, 0.68, 0.12],  # भालू से: 20% रिकवर करते हैं, 68% भालू में रहते हैं, 12% स्थिर
8    [0.25, 0.23, 0.52],  # स्थिर से: 25% बुल, 23% भालू, 52% उसी में रहते हैं
9])
10
11def get_next_regime(current_state: int, steps: int = 5) -> np.ndarray:
12    """N चरणों के बाद राज्यों पर संभाव्यता वितरण लौटाता है।"""
13    state_vec = np.zeros(3)
14    state_vec[current_state] = 1.0
15
16    for _ in range(steps):
17        state_vec = state_vec @ transition_matrix
18
19    return {
20        "bull_probability":     round(state_vec[0], 3),
21        "bear_probability":     round(state_vec[1], 3),
22        "stagnant_probability": round(state_vec[2], 3),
23        "dominant_regime":      ["बुल", "भालू", "स्थिर"][np.argmax(state_vec)]
24    }

1import torch
2import torch.nn as nn
3
4class QuantEdgeNet(nn.Module):
5    def __init__(self, input_features: int = 50):
6        super().__init__()
7        self.layers = nn.Sequential(
8            nn.Linear(input_features, 128),
9            nn.ReLU(),
10            nn.Dropout(0.2),
11            nn.Linear(128, 64),
12            nn.ReLU(),
13            nn.Linear(64, 3)    # आउटपुट: [लॉन्ग, शॉर्ट, फ्लैट] संभावनाएं
14        )
15
16    def forward(self, x):
17        return torch.softmax(self.layers(x), dim=-1)
18
19# प्रशिक्षण संकेत: फैक्टर स्कोर + रिजीम प्रोब + कच्ची मूल्य सुविधाओं को मिलाएं
20def build_feature_vector(prices, factors, regime_probs):
21    signal = detect_signal(prices)
22    return np.concatenate([
23        prices.pct_change().tail(20).values,   # पिछले 20 रिटर्न
24        list(factors.values()),                 # फैक्टर एक्सपोज़र
25        list(regime_probs.values()),            # मार्कोव रिजीम प्रोब
26        [signal["hurst_exponent"],
27         signal["z_score_latest"]]
28    ])

1def kelly_position_size(
2    win_probability: float,
3    win_loss_ratio:  float,
4    max_risk_pct:    float = 0.02   # प्रति ट्रेड कभी भी 2% से अधिक जोखिम न लें
5) -> float:
6    kelly_fraction = win_probability - (1 - win_probability) / win_loss_ratio
7    kelly_fraction = max(0, kelly_fraction)             # कभी भी शॉर्ट केली न जाएं
8    half_kelly      = kelly_fraction * 0.5              # सुरक्षा के लिए हाफ-केली का उपयोग करें
9    return min(half_kelly, max_risk_pct)                # 2% पर हार्ड कैप
10
11def calculate_execution_cost(
12    spread_bps: float,
13    market_impact_bps: float,
14    shares: int,
15    price: float
16) -> float:
17    total_bps    = spread_bps + market_impact_bps
18    cost_per_share = price * total_bps / 10_000
19    return cost_per_share * shares
20
21# केवल ट्रेड लें यदि एज > एक्ज़ीक्यूशन लागत
22def should_trade(edge_bps: float, execution_cost_bps: float) -> bool:
23    return edge_bps > (execution_cost_bps * 1.5)   # न्यूनतम 1.5x लागत कवरेज की आवश्यकता है

1कच्चा बाजार डेटा
2      ↓
3[L1] सिग्नल डिटेक्शन   → हर्स्ट · ACF · Z-स्कोर
4      ↓
5[L2] फैक्टर मॉडल       → α निष्कर्षण · β एक्सपोज़र
6      ↓
7[L3] मार्कोव रिजीम      → बुल · भालू · स्थिर
8      ↓
9[L4] न्यूरल नेट एज    → लॉन्ग · शॉर्ट · फ्लैट
10      ↓
11[L5] केली + एक्ज़ीक्यूशन  → पोजीशन साइज़ · लागत फ़िल्टर · प्रवेश
12      ↓
13    ट्रेड / नो ट्रेड