ခရစ်ပ်တိုရင်းနှီးမြှုပ်နှံသူများသည် ယခင်ကထက် ဒေတာပိုမိုရရှိနိုင်လာသည်။ On-chain လုပ်ဆောင်မှုများ၊ အိတ်ချိန်းငွေစီးဆင်းမှုများ၊ ဒဲရစ်ဗတစ်ဈေးကွက်တွင် ရင်းနှီးမြှုပ်နှံသူများ၏ ရပ်တည်ချက်များ၊ လက်ငင်းဈေးကွက်များ၊ အော်ဒါစာအုပ်များနှင့် ကွန်ရက်အခြေခံအချက်များသည် ဈေးကွက်၏ မတူညီသော အစိတ်အပိုင်းတစ်ခုစီကို ဖော်ပြပေးနိုင်သည်။
ထိုကဲ့သို့ ကျယ်ပြန့်စုံလင်ခြင်းသည် Glassnode ၏ အကြီးမားဆုံး အားသာချက်များထဲမှ တစ်ခုဖြစ်သည်။ သို့သော် ၎င်းကြောင့် စတင်မေးမြန်းရမည့် ပထမဆုံးမေးခွန်းမှာ ခက်ခဲလာနိုင်သည်—ဘယ်ကနေ စတင်သင့်သလဲ။
ကတ်တလောက်တစ်ခုတွင် မက်ထရစ်ထောင်ပေါင်းများစွာ ပါဝင်လာသည့်အခါ သီးခြားရင်းနှီးမြှုပ်နှံမှုဆုံးဖြတ်ချက်တစ်ခုအတွက် အရေးပါသည့် မက်ထရစ်အနည်းငယ်ကို ရှာဖွေခြင်းသည် သုတေသနပရောဂျက်တစ်ခုသဖွယ် ဖြစ်လာနိုင်သည်။ အတွေ့အကြုံရှိသော ကွမ်တီတေးတစ်အဖွဲ့များသည် ပေါင်းစပ်မှုများ၊ အသွင်ပြောင်းမှုများနှင့် သတ်မှတ်တန်ဖိုးများကို စမ်းသပ်ရန် လုပ်ငန်းစဉ်များ တည်ဆောက်နိုင်သည်။ သို့သော် ရင်းနှီးမြှုပ်နှံသူများစွာအတွက် Studio ရှိ ဇယားတစ်ခုမှ စနစ်တကျ ဆုံးဖြတ်ချက်ချမှတ်စည်းမျဉ်းတစ်ခုအဖြစ် ပြောင်းလဲရန် အချိန်၊ ကုဒ်ရေးသားမှုနှင့် အထူးပြုအသိပညာတို့ အလွန်အကျွံ လိုအပ်နေဆဲဖြစ်သည်။
ထိုကွာဟချက်ကို ဖြည့်ဆည်းရန် Glassnode Alpha Lab ကို ကျွန်ုပ်တို့ တည်ဆောက်ခဲ့သည်။
GLASSNODE ALPHA LAB ကို စမ်းသုံးကြည့်ပါ
Alpha Lab သည် Glassnode ၏ ဒေတာများကို ရှာဖွေကာ ရိုးရှင်းပြီး လူဖတ်လို့နားလည်နိုင်သော ကုန်သွယ်မှုဆိုင်ရာ လက်တွေ့စည်းမျဉ်းများကို ဖော်ထုတ်ပေးသည့် အရေအတွက်ဆိုင်ရာ သုတေသနပလက်ဖောင်းတစ်ခုဖြစ်သည်။ မည်သည့်အရာကို ရှာဖွေဖော်ထုတ်လိုကြောင်း အက်ပ်ကို ပြောပြပါ၊ စုံစမ်းလိုသည့် စျေးကွက်ဒေတာကို ရွေးချယ်ပါ၊ ထို့နောက် သုတေသနအင်ဂျင်က မည်သည့်အချက်များ ပေါင်းစပ်မှုသည် ယခင်က အသုံးဝင်ဆုံးဖြစ်ခဲ့ကြောင်း စမ်းသပ်ပေးမည်။
ရည်ရွယ်ချက်မှာ ရှင်းပါသည်။ မက်ထရစ်များစွာပါဝင်သော ကျယ်ပြန့်သည့် နယ်ပယ်ကို ရင်းနှီးမြှုပ်နှံသူတစ်ဦးက နားလည်နိုင်၊ စိန်ခေါ်ဆန်းစစ်နိုင်ပြီး မိမိတို့၏ သုတေသနလုပ်ငန်းစဉ်တွင် ထည့်သွင်းအသုံးချနိုင်သည့် စိတ်ကူးများအစုအဖြစ် ပြောင်းလဲရန်ဖြစ်သည်။
ရင်းနှီးမြှုပ်နှံမှုဆိုင်ရာ မေးခွန်းမှ စတင်ပါ
Bitcoin တွင် ကောင်းမွန်သော ဝယ်ယူခွင့်များကို ရှာဖွေဖော်ထုတ်ရန် Glassnode ၏ မည်သည့်မက်ထရစ်များက ယခင်က အထောက်အကူပြုခဲ့သနည်း။
ထို့နောက် အသုံးပြုသူသည် ပလက်ဖောင်းက စူးစမ်းလေ့လာရမည့် မက်ထရစ်များကို ရွေးချယ်သည်။ ၎င်းတို့တွင် ကွင်းဆက်ပေါ်ဒေတာနှင့် spot ဒေတာမှ futures၊ options နှင့် အော်ဒါစာရင်းအုပ် အချက်ပြများအထိ ပါဝင်သည်။ ထို့နောက် ရှာဖွေမှုက မည်သည့်အရာကို ဦးစားပေးရမည်ကို ဆုံးဖြတ်သည်။ ဥပမာ Sharpe အချိုးဖြင့် တိုင်းတာသော ပိုမိုကောင်းမွန်သည့် အန္တရာယ်ချိန်ညှိပြီး အကျိုးအမြတ် သို့မဟုတ် ပိုမိုမြင့်မားသော အကြွင်းမဲ့စွမ်းဆောင်ရည် ဖြစ်နိုင်သည်။
မေးခွန်းက ပိုင်ဆိုင်မှုနှင့် ရည်မှန်းချက်ကို သတ်မှတ်ပြီး အညွှန်းတပ်ခြင်းက အမှန်တရားကို သတ်မှတ်ပေးသည်။ ရရှိနိုင်သော သမိုင်းဒေတာထဲရှိ နေ့ရက်တိုင်းကို နောက်ပိုင်းတွင် စျေးကွက်က အမှန်တကယ် ပြုမူခဲ့ပုံအပေါ် အခြေခံကာ ကောင်းမွန်သော ဝယ်ယူခွင့် ဟုတ်မဟုတ် အမှတ်အသားပြုထားသည်။ ထို့နောက် ရွေးချယ်ထားသော မက်ထရစ်တစ်ခုစီကို ၎င်း၏ ပြောင်းလဲထားသော ဗားရှင်းများစွာအဖြစ် ချဲ့ထွင်ပြီး ရိုးရှင်းသော စာရင်းအင်းဆိုင်ရာ မေးခွန်းတစ်ခုကို ဖြေရှင်းရသည်။ ကောင်းမွန်သောနေ့များတွင် မည်သည့်ဖတ်ရှုချက်များ ပေါ်နေခဲ့ပြီး ကျန်နေ့များတွင် မည်သည့်ဖတ်ရှုချက်များ မပေါ်ခဲ့သနည်း။
ဆုံးဖြတ်ချက်သစ်ပင်များကို ထိုမေးခွန်းကို တိတိကျကျ ဖြေဆိုရန် တည်ဆောက်ထားသည်။ အကိုင်းအခက်တစ်ခုစီသည် ကောင်းမွန်သောနေ့များကို ကျန်နေ့များမှ ခွဲခြားပေးသည့် သတ်မှတ်ချက်တစ်ခုဖြစ်သည်။ ၎င်းတို့ကို ရာနှင့်ချီ၍ တစ်ပြိုင်တည်း ဖန်တီးပြီး အကောင်းဆုံးဖြစ်အောင် ချိန်ညှိပေးသည့် စနစ်က တည်ဆောက်ပုံကို အစဉ်မပြတ် ပြုပြင်ပေးသည်။ ကြိုးပမ်းမှုတိုင်းကို ကုန်သည်တစ်ဦး အကဲဖြတ်မည့်ပုံစံအတိုင်း ရမှတ်ပေးသည်။ ထွက်ပေါ်လာသော မဟာဗျူဟာသည် မည်သို့ စွမ်းဆောင်ခဲ့မည်ဆိုသည့်အပေါ် အခြေခံသည်။
ထို့နောက် အင်ဂျင်သည် အပြည့်အဝမမြင်ရသော ခန့်မှန်းချက်တစ်ခုအဖြစ် ပြန်ပေးမည့်အစား အခိုင်မာဆုံးတွေ့ရှိချက်များကို လက်တွေ့စည်းမျဉ်းများအဖြစ် ထုတ်ယူပေးသည်။ သစ်ပင်တစ်ခုစီ၏ အနက်ကို ရည်ရွယ်ချက်ရှိရှိ နည်းပါးစွာထားသောကြောင့် “ဟုတ်သည်” ဟု အဆုံးသတ်သည့် လမ်းကြောင်းတိုင်းသည် ကျစ်လျစ်သော စည်းမျဉ်းတစ်ခု ဖြစ်နေပြီဖြစ်သည်။ ၎င်းသည် ကောင်းမွန်သောနေ့များ စုဝေးဖြစ်ပေါ်ခဲ့သည့် ဇုန်တစ်ခုကို ဖော်ပြသော မက်ထရစ်အခြေအနေ တစ်ခု သို့မဟုတ် နှစ်ခု ဖြစ်သည်။ ထို့နောက် ဇုန်တစ်ခုစီကို မည်မျှမကြာခဏ မှန်ကန်ခဲ့ပြီး မည်မျှရှည်လျားသော သမိုင်းဒေတာအပေါ် အခြေခံထားသည်ကို ကြည့်၍ အကဲဖြတ်သည်။
ရလဒ်တစ်ခုသည် အောက်ပါပုံစံမျိုး ဖြစ်နိုင်သည်။
“ဤပြောင်းလဲထားသော မက်ထရစ်သည် X အောက်တွင်ရှိပြီး ဤပြောင်းလဲထားသော မက်ထရစ်သည် Y အထက်တွင်ရှိသည့်အခါ BTC ၏ အန္တရာယ်ချိန်ညှိပြီး အကျိုးအမြတ်ကို မြှင့်တင်ရန် အကောင်းဆုံးအခြေအနေဖြစ်သည်”
စည်းမျဉ်းတစ်ခုချင်းစီတွင် ၎င်းကို အကဲဖြတ်ရန် လိုအပ်သော အထောက်အထားများ ပါဝင်သည်။ ၎င်းတို့မှာ သမိုင်းဝင်အကျိုးအမြတ်၊ Sharpe အချိုး၊ အများဆုံးတန်ဖိုးကျဆင်းမှု၊ အောင်မြင်နှုန်း၊ ကုန်သွယ်မှုအကြိမ်ရေနှင့် အစုရှယ်ယာတန်ဖိုးမျဉ်းကွေးတို့ ဖြစ်သည်။ အသုံးပြုသူများသည် စည်းမျဉ်းကို မူလပိုင်ဆိုင်မှုနှင့် နှိုင်းယှဉ်နိုင်ပြီး မတူညီသော အချိန်ကာလများကို စစ်ဆေးကာ ၎င်း၏အခြေအနေများသည် နောက်ဆုံးရရှိနိုင်သည့် ဒေတာတွင် ပြည့်မီနေခြင်း ရှိမရှိ ကြည့်ရှုနိုင်သည်။ ၎င်းသည် အလားအလာရှိသော ဆက်နွယ်မှုများကို ထင်ရှားစေပြီး နောက်ကွယ်ရှိ ယုတ္တိကိုလည်း မြင်သာစွာ ထိန်းသိမ်းပေးသည်။
သုတေသနပြုလုပ်ရန် နည်းလမ်းသုံးမျိုး
ရင်းနှီးမြှုပ်နှံသူတစ်ဦးချင်းစီသည် မတူညီသော ထိန်းချုပ်နိုင်မှုအဆင့်များကို လိုလားကြသည်။ ဤထုတ်ကုန်သည် တူညီသော သုတေသနအင်ဂျင်ကို အသုံးပြုရန် နည်းလမ်းသုံးမျိုး ပံ့ပိုးပေးသည်။
လွယ်ကူသောမုဒ်- မေးခွန်းတစ်ခုမှ အဆင့်သတ်မှတ်ထားသော လက်တွေ့စည်းမျဉ်းများအထိ
လွယ်ကူသောမုဒ်ကို မြန်ဆန်ပြီး လွယ်ကူစွာ အသုံးပြုနိုင်ရန် ဒီဇိုင်းလုပ်ထားသည်။ ပိုင်ဆိုင်မှုတစ်ခုကို ရွေးချယ်ပါ၊ ဝယ်ယူရန် သို့မဟုတ် ရောင်းချရန် အခွင့်အလမ်းများကို စုံစမ်းလိုခြင်း ရွေးပါ၊ စစ်ဆေးမည့် မက်ထရစ်များကို ရွေးပြီး ရှာဖွေမှုအားထုတ်မှုကို သတ်မှတ်ပါ။ Alpha Lab သည် အထက်ပါလုပ်ငန်းစဉ်ကို နောက်ကွယ်တွင် လုပ်ဆောင်ပြီး အလားအလာအရှိဆုံး စည်းမျဉ်းများကို ဖတ်ရှုနားလည်နိုင်သော အချက်ပြကတ်များအဖြစ် ပြန်ပေးသည်။ ၎င်းတို့ကို မက်ထရစ်အတွဲများအဖြစ် ကြည့်နိုင်သလို မက်ထရစ်တစ်ခုချင်းစီအလိုက် ခွဲထုတ်ကြည့်နိုင်ပြီး ရင်းနှီးမြှုပ်နှံသူ၏ ဦးစားပေးချက်များဖြစ်သည့် တန်ဖိုးကျဆင်းမှု၊ အန္တရာယ်ချိန်ညှိပြီး အကျိုးအမြတ်၊ အောင်မြင်နှုန်း သို့မဟုတ် သီးခြားအကဲဖြတ်ကာလတို့အလိုက် စစ်ထုတ်နိုင်သည်။
ဤလုပ်ငန်းစဉ်ကို ထပ်ခါတလဲလဲ ဆောင်ရွက်နိုင်ရန် ရည်ရွယ်ချက်ရှိရှိ ဒီဇိုင်းလုပ်ထားသည်။ အသုံးပြုသူများသည် မက်ထရစ်အစုကို ပြုပြင်နိုင်ပြီး ရှာဖွေမှုကို ပြန်လည်လုပ်ဆောင်ကာ ရလဒ်အသစ်များကို ယခင်ကြိုးပမ်းမှုများနှင့် နှိုင်းယှဉ်နိုင်သည်။ ထိုသို့ဖြင့် တစ်ကြိမ်တည်းစစ်ဆေးမှုကို စနစ်တကျ ရှာဖွေဖော်ထုတ်သည့် လုပ်ငန်းစဉ်အဖြစ် ပြောင်းလဲစေသည်။ ယူဆချက်တစ်ခု ဖွဲ့စည်းပါ၊ စမ်းသပ်ပါ၊ ရလဒ်မှ သင်ယူပါ၊ ထို့နောက် ရှာဖွေမှုကို ပိုမိုကျဉ်းမြောင်းအောင် လုပ်ပါ။
အဆင့်မြင့်မုဒ်- အဆင့်တိုင်းကို စစ်ဆေးပါ
အဆင့်မြင့်မုဒ်တွင် ရှာဖွေမှုနောက်ကွယ်ရှိ အဆင့်အားလုံးကို ပြသသည်။ အသုံးပြုသူများသည် ရင်းမြစ်မက်ထရစ်များနှင့် ၎င်းတို့အပေါ် အသုံးချသည့် ပြောင်းလဲမှုများကို ရွေးချယ်ခြင်းဖြင့် အင်္ဂါရပ်နယ်ပယ်ကို ထိန်းချုပ်နိုင်သည်။ ၎င်းတို့တွင် z-score၊ RSI၊ ရွေ့လျားပျမ်းမျှ၊ မတည်ငြိမ်မှုနှင့် ရာခိုင်နှုန်းအဆင့်အပေါ် အခြေခံသည့် အင်္ဂါရပ်များ ပါဝင်သည်။ တူညီသော မူလမက်ထရစ်သည် မတူညီသော အချိန်ကာလများတွင် မည်သို့ပြုမူသည်ကို စမ်းသပ်ရန် ပြောင်းလဲမှုကာလများကို ချိန်ညှိနိုင်သည်။
မော်ဒယ်က မည်သည့်အရာကို သင်ယူရမည်ကိုလည်း ၎င်းတို့ သတ်မှတ်နိုင်သည်။ သုတေသနအက်ပ်တွင် အဝယ်နှင့် အရောင်းအခွင့်အလမ်းများအတွက် မူလသတ်မှတ်ထားသော အညွှန်းများ ပါဝင်သော်လည်း အသုံးပြုသူများသည် စျေးနှုန်းသမိုင်းပေါ်တွင် စိတ်ကြိုက်ဇုန်များကို တိုက်ရိုက်ခြယ်မှုန်း သတ်မှတ်နိုင်သည်။
ဤအရာက ပိုမိုတိကျသော မေးခွန်းများ မေးမြန်းနိုင်ရန် လမ်းဖွင့်ပေးသည်။
ဒေသတွင်း အနိမ့်ဆုံးစျေးနှုန်းများကို မည်သည့်မက်ထရစ်များက ယခင်က ဖော်ပြခဲ့သနည်း။
စျေးကွက်အထွတ်အထိပ်များအနီးတွင် မည်သည့်အရာများ ပေါ်လာလေ့ရှိသနည်း။
မတည်ငြိမ်မှုအခြေအနေတစ်ခု သို့မဟုတ် ပါရာဘိုလာပုံစံ ရွေ့လျားမှုတစ်ခုနှင့် မည်သည့်အင်္ဂါရပ်များ ဆက်စပ်နေသနည်း။
ရှာဖွေမှု ပြီးဆုံးသည်နှင့် အဆင့်မြင့်မုဒ်တွင် မော်ဒယ်မှ စည်းမျဉ်းသို့ ရောက်ရှိလာသည့် လမ်းကြောင်းကို ပြသသည်။ အသုံးပြုသူများသည် စက်သင်ယူမှုမော်ဒယ်များကို နှိုင်းယှဉ်နိုင်ပြီး အင်္ဂါရပ်များ၏ လွှမ်းမိုးမှုကို စစ်ဆေးနိုင်ကာ လက်တွေ့စည်းမျဉ်းဇယားတစ်ခုလုံးကို ပြန်လည်သုံးသပ်၍ စည်းမျဉ်းတစ်ခုချင်းစီကို အသေးစိတ် ခွဲခြမ်းစိတ်ဖြာနိုင်သည်။
ဤပလက်ဖောင်းသည် လက်တွေ့စည်းမျဉ်းများကို ဖိအားစမ်းသပ်ခြင်းကိုလည်း ပံ့ပိုးပေးသည်။ ရလဒ်တစ်ခုသည် သတ်မှတ်ချက်တစ်ခုတည်း သို့မဟုတ် နောက်ပြန်ကြည့်သည့် ကာလတစ်ခုတည်းတွင်သာ အလုပ်ဖြစ်ပါက ၎င်းသည် သတိပေးလက္ခဏာဖြစ်သည်။ ပိုမိုယုံကြည်စိတ်ချရသော ဆက်နွယ်မှုတစ်ခုသည် အနီးစပ်ဆုံး ပါရာမီတာများ ပြောင်းလဲသည့်အခါတွင်လည်း သင့်တင့်စွာ တည်ငြိမ်နေသင့်သည်။
Alpha Lab သည် ထိုအာရုံခံနိုင်မှုကို မြင်သာစေပြီး သုတေသီများအား ရေရှည်တည်တံ့နိုင်သည့် ပုံစံတစ်ခုနှင့် အတိတ်ဒေတာကို အလွန်တိကျစွာ ချိန်ညှိထားသည့် မတော်တဆရလဒ်တစ်ခုကို ခွဲခြားနိုင်ရန် ကူညီပေးသည်။
Agents မုဒ်- Autoresearch ကို အလုပ်လုပ်စေပါ
သုတေသနမေးခွန်းအချို့ကို တစ်ကြိမ်တည်း မေးမြန်းခြင်းထက် လုပ်ငန်းစဉ်တစ်ခုအဖြစ် ကိုင်တွယ်ခြင်းက ပိုသင့်လျော်သည်။
Alpha Lab ၏ MCP server မှတစ်ဆင့် ကိုက်ညီသည့် AI agent များသည် လူသားအသုံးပြုသည့် အင်တာဖေ့စ်နှင့် တူညီသော မက်ထရစ်ကတ်တလောက်နှင့် အကောင်းဆုံးဖြစ်အောင် ချိန်ညှိသည့် အင်ဂျင်ကို အသုံးပြုနိုင်သည်။
ရင်းနှီးမြှုပ်နှံသူတစ်ဦးသည် စံနှုန်းတစ်ခုနှင့် နှိုင်းယှဉ်လျှင် အန္တရာယ်ချိန်ညှိပြီး စွမ်းဆောင်ရည်ကို မြှင့်တင်ပေးသည့် စည်းမျဉ်းတစ်ခု ရှာတွေ့သည်အထိ မက်ထရစ်အုပ်စုများကို စူးစမ်းလေ့လာရန်ကဲ့သို့သော သုတေသနရည်မှန်းချက်တစ်ခုကို agent ထံ ပေးနိုင်ပြီး ရှာဖွေမှုများကို အစဉ်လိုက် လုပ်ဆောင်၊ အကဲဖြတ်၊ ပြုပြင်ရန် ခွင့်ပြုနိုင်သည်။
ဤသည် agentic သုတေသနအတွက် သဘာဝကျသော အသုံးချမှုတစ်ခုဖြစ်သည်။ ရည်မှန်းချက်ကို သတ်မှတ်နိုင်ပြီး ရလဒ်ကို တိုင်းတာနိုင်ကာ ကိုယ်စားလှယ်လောင်းတစ်ခုချင်းစီကို တစ်သမတ်တည်းရှိသော အကဲဖြတ်မှုမူဘောင်ဖြင့် စစ်ဆေးနိုင်သည်။
ထပ်ခါတလဲလဲလုပ်ရသော အလုပ်များကို agent က ကိုင်တွယ်ပေးပြီး ရင်းနှီးမြှုပ်နှံသူက မေးခွန်း၊ ယူဆချက်များနှင့် နောက်ဆုံးဆုံးဖြတ်ချက်တို့ကို ဆက်လက်ထိန်းချုပ်ထားသည်။ အခိုင်မာဆုံး တွေ့ရှိချက်များကို ပိုမိုနက်ရှိုင်းစွာ စစ်ဆေးရန် ရုပ်ပုံအခြေပြု အင်တာဖေ့စ်သို့ ပြန်လည်ပို့နိုင်သလို လုပ်ဆောင်နေသော ကတ်တလောက်တစ်ခုထဲသို့လည်း သိမ်းဆည်းနိုင်သည်။
ရှာဖွေတွေ့ရှိခြင်းမှ အမြဲတမ်းအသုံးပြုနိုင်သော ကတ်တလောက်အထိ
Alpha Lab ၏ Catalogue တွင် Glassnode အဖွဲ့က ဖော်ထုတ်ပြီး သိမ်းဆည်းထားပြီးဖြစ်သော မဟာဗျူဟာများ ပါဝင်သည်။ အသုံးပြုသူများသည် ပိုင်ဆိုင်မှု၊ ဦးတည်ချက်၊ အန္တရာယ် သို့မဟုတ် စွမ်းဆောင်ရည်လက္ခဏာများအလိုက် ရှာဖွေကြည့်ရှုနိုင်ပြီး စည်းမျဉ်းတစ်ခုကို ၎င်း၏ သမိုင်းတစ်လျှောက်လုံး၊ နမူနာပြင်ပကာလနှင့် ကတ်တလောက်ထဲသို့ ထည့်သွင်းပြီးနောက် တိုက်ရိုက်အသုံးပြုသည့်ကာလတို့တွင် မည်သို့ပြုမူခဲ့ကြောင်း လေ့လာနိုင်သည်။
ရင်းနှီးမြှုပ်နှံသူများသည် သက်ဆိုင်ရာ တွေ့ရှိချက်များကို My Catalogue ထဲသို့ သိမ်းဆည်းနိုင်ပြီး မိမိတို့အဖွဲ့အတွက် အာရုံစိုက်သုတေသနပြုနိုင်သည့် နယ်ပယ်တစ်ခု ဖန်တီးနိုင်သည်။
အချိန်ကြာလာသည်နှင့်အမျှ ထိုလုပ်ဆောင်နေသည့် စည်းမျဉ်းအစုသည် backtest ရလဒ်များစာရင်းတစ်ခုထက် ပိုမိုအဓိပ္ပာယ်ရှိလာသည်။ ဤပလက်ဖောင်းသည် မကြာသေးမီက အပြုအမူ အားနည်းလာသည့် စည်းမျဉ်းများကို ဖော်ထုတ်နိုင်ပြီး ထပ်နေသော မဟာဗျူဟာများကို သတိပေးကာ လွှမ်းခြုံမှုရှိရာတွင် လိုအပ်ချက်များကို ရှာဖွေဖော်ထုတ်ရန် ကူညီပေးနိုင်သည်။ Lindy effect ၏ အကျိုးကျေးဇူးကိုလည်း ရရှိသည်။ မဟာဗျူဟာတစ်ခုသည် ယခင်က မမြင်ဖူးသည့် ဒေတာများဖြင့် တိုက်ရိုက်ကုန်သွယ်မှုပတ်ဝန်းကျင်တွင် ကြာရှည်စွာ စွမ်းဆောင်ရည်ပြသနိုင်လေလေ၊ ၎င်း၏အပြုအမူသည် အလွန်အကျွံ ကိုက်ညီအောင် ပြုလုပ်ထားခြင်းကြောင့်မဟုတ်ဘဲ ခိုင်မာမှုရှိကြောင်း ယုံကြည်မှု ပိုမိုမြင့်မားလာလေလေ ဖြစ်သည်။
Market Pulse သည် တူညီသော သုတေသနအခြေခံကို အခြားရှုထောင့်မှ ပြသသည်။ ၎င်းသည် လက်ရှိ အသက်ဝင်နေသော ကတ်တလောက်ထဲရှိ အဝယ်နှင့် အရောင်းဆိုင်ရာ စည်းမျဉ်းများကို စုစည်းပေးပြီး ရွေးချယ်ထားသော အထောက်အထားအစု၏ လက်ရှိသဘောထားကို အကျဉ်းချုပ်ပြသသည်။ ထိုရှုထောင့်၏ နောက်ကွယ်ရှိ စည်းမျဉ်းတစ်ခုချင်းစီကို စစ်ဆေးနိုင်သည့် စွမ်းရည်ကိုလည်း ထိန်းသိမ်းထားသည်။
ဤအင်္ဂါရပ်များ ပေါင်းစပ်ခြင်းဖြင့် ရှာဖွေတွေ့ရှိမှုနှင့် ဆက်လက်စောင့်ကြည့်မှုကို ချိတ်ဆက်ပေးသည်။ မေးခွန်းသည် “ဤအရာက အတိတ်တွင် အလုပ်ဖြစ်ခဲ့သလား” မှ “မျှော်လင့်ထားသည့်အတိုင်း ဆက်လက်လုပ်ဆောင်နေသလား” သို့ ပြောင်းလဲသွားသည်။
ခိုင်မာသော နည်းစနစ်အပေါ် တည်ဆောက်ထားသည့် သုတေသနလုပ်ငန်းစဉ်
Alpha Lab သည် အလွန်အကျွံ ကိုက်ညီအောင်ပြုလုပ်ခြင်း (overfitting) ကို လျှော့ချရန်နှင့် ရလဒ်တစ်ခုသည် ၎င်းကို ရှာဖွေတွေ့ရှိရာတွင် အသုံးပြုသည့် ဒေတာအပြင် အခြားဒေတာများတွင်ပါ ယေဘုယျအသုံးချနိုင်ခြင်း ရှိမရှိ စမ်းသပ်ရန် ရည်ရွယ်ထားသည့် ခိုင်မာသော အရေအတွက်ဆိုင်ရာ သုတေသနလုပ်ထုံးလုပ်နည်းများကို လိုက်နာသည်။ ဤနည်းစနစ်သည် Bitcoin Sharpe Signal အတွက် Glassnode တွင် ဖန်တီးတီထွင်ထားပြီး သုံးနှစ်ကျော်ကြာ တိုက်ရိုက်အသုံးပြုမှုမှတ်တမ်းအပေါ် အခြေခံထားသည့် သီးသန့်သုတေသနလုပ်ငန်းစဉ်များကို အခြေခံတည်ဆောက်ထားသည်။
ရှာဖွေမှုကို သတ်မှတ်ထားသော စမ်းသပ်မှုအကြိမ်ရေဘတ်ဂျက်အတွင်း random forest ဖြင့် လုပ်ဆောင်သည်။ သစ်ပင်အနက်ကို နှစ်ဆင့်အထိသာ ကန့်သတ်ထားသောကြောင့် ရှုပ်ထွေးမှုကို လျှော့ချပြီး စည်းမျဉ်းတစ်ခုစီကို အခြေအနေနှစ်ခုဖြင့် ဖတ်ရှုနားလည်နိုင်စေသည်။
အတည်ပြုစစ်ဆေးမှုကို အဆင့်သုံးဆင့်ဖြင့် လုပ်ဆောင်သည်။ အချိန်လိုက်ရှေ့ဆက် အတည်ပြုစစ်ဆေးမှုတွင် မော်ဒယ်များကို အစောပိုင်းဒေတာဖြင့် လေ့ကျင့်ပြီး နောက်ပိုင်းကာလများတွင် အကဲဖြတ်သဖြင့် စျေးကွက်၏ အချိန်အစဉ်အတိုင်းကို ထိန်းသိမ်းထားသည်။
နမူနာပြင်ပ စမ်းသပ်မှုအတွက် သီးသန့်ထားသည့် ဒေတာအပိုင်းတွင် ရှာဖွေမှုမှ ဖယ်ထုတ်ထားပြီး သီးခြားအကဲဖြတ်မှုအတွက်သာ အသုံးပြုသည့် နောက်ဆုံးသမိုင်းဒေတာ၏ 20% ပါဝင်သည်။ စည်းမျဉ်းတစ်ခုကို ကတ်တလောက်ထဲသို့ ထည့်ပြီးသည်နှင့် ၎င်း၏ရွေးချယ်မှုအပေါ် လွှမ်းမိုးနိုင်ခြင်းမရှိသည့် အသစ်ဝင်လာသော ဒေတာများတွင် တိုက်ရိုက်အကဲဖြတ်မှုက ၎င်းကို ခြေရာခံသည်။
ဖော်ပြထားသော စွမ်းဆောင်ရည်သည် အသားတင်ဖြစ်သည်။ အကျိုးအမြတ်နှင့် Sharpe အချိုး နှစ်ခုစလုံးတွင် စျေးနှုန်းချော်မှုဆိုင်ရာ ယူဆချက်များ ပါဝင်သည်။
ရိုးရှင်းသော မော်ဒယ်များ၊ အချိန်လိုက်ရှေ့ဆက်စမ်းသပ်သည့် ခွဲခြမ်းစိတ်ဖြာမှု၊ နမူနာပြင်ပ စမ်းသပ်မှု၊ ပါရာမီတာအာရုံခံနိုင်မှု စစ်ဆေးမှုများနှင့် တိုက်ရိုက်စောင့်ကြည့်မှုတို့ ပေါင်းစပ်ခြင်းဖြင့် တည်ငြိမ်နိုင်ခြေရှိသည့် ဆက်နွယ်မှုများကို အတိတ်ဒေတာနှင့် အလွန်အကျွံ ကိုက်ညီနေသော ရလဒ်များမှ ခွဲခြားနိုင်ရန် ကူညီသည်။ ၎င်းတို့သည် အနာဂတ်စွမ်းဆောင်ရည်ကို အာမမခံသော်လည်း လက်တွေ့စည်းမျဉ်းတစ်ခုချင်းစီကို အကဲဖြတ်ရာတွင် ပိုမိုစနစ်ကျသော အခြေခံတစ်ခုကို ပေးသည်။
Alpha Lab ကို မည်သူများအတွက် ရည်ရွယ်ထားသနည်း
Alpha Lab ကို Glassnode ဒေတာများက ၎င်းတို့၏ လုပ်ငန်းစဉ်ကို အားကောင်းစေနိုင်သည်ဟု ယုံကြည်သော်လည်း ရှာဖွေလေ့လာမှုမှ အထောက်အထားရရှိသည်အထိ ပိုမိုမြန်ဆန်သော လမ်းကြောင်းကို လိုလားသည့် ရင်းနှီးမြှုပ်နှံသူများအတွက် ဖန်တီးထားသည်။
ကိုယ်တိုင်ဆုံးဖြတ်၍ ရင်းနှီးမြှုပ်နှံသူများအတွက် စျေးကွက်ဆုံးဖြတ်ချက်မချမီ မည်သည့်မက်ထရစ်များနှင့် သတ်မှတ်ချက်များကို အာရုံစိုက်သင့်ကြောင်း ဤထုတ်ကုန်က ဖော်ပြနိုင်သည်။
အရေအတွက်ဆိုင်ရာ သုတေသီများအတွက် ၎င်းသည် အင်္ဂါရပ်ရှာဖွေဖော်ထုတ်ခြင်း၊ မော်ဒယ်နှိုင်းယှဉ်ခြင်းနှင့် ခိုင်မာမှုစမ်းသပ်ခြင်းတို့အတွက် ပြင်ဆင်သတ်မှတ်နိုင်သော ပတ်ဝန်းကျင်တစ်ခုကို ပေးသည်။
AI agent များနှင့် စမ်းသပ်နေသည့် အဖွဲ့များအတွက် ဤပလက်ဖောင်းသည် လူသားအသုံးပြုသည့် အင်တာဖေ့စ်တွင် အသုံးပြုသော ဒေတာနှင့် အကဲဖြတ်မှုမူဘောင်တူကို အခြေခံသည့် တိုင်းတာနိုင်သော အလိုအလျောက်သုတေသန လုပ်ငန်းစဉ်တစ်ခုကို ပေးသည်။
မုဒ်များသည် ကွဲပြားသော်လည်း ရည်ရွယ်ချက်မှာ တူညီသည်။ Glassnode ၏ ဒေတာများကို အာရုံစိုက်မှုရှိပြီး ပွင့်လင်းမြင်သာကာ လက်တွေ့အသုံးချနိုင်သည့် သုတေသနအဖြစ် ပြောင်းလဲရန် ပိုမိုလွယ်ကူစေခြင်းဖြစ်သည်။
ဘီတာဗားရှင်းတွင် ပါဝင်ပါ
Glassnode Alpha Lab ကို လက်ရှိတွင် ဖောက်သည်အုပ်စုအကန့်အသတ်တစ်ခုအတွက် ဘီတာဗားရှင်းအဖြစ် ရရှိနိုင်သည်။ လက်တွေ့လုပ်ငန်းစဉ်များတွင် ထုတ်ကုန်ကို စမ်းသပ်လိုပြီး နောက်လာမည့်အဆင့်များကို ပုံဖော်ရာတွင် ကူညီလိုသည့် သုတေသနအဖွဲ့များနှင့် ရင်းနှီးမြှုပ်နှံသူများကို ကျွန်ုပ်တို့ ရှာဖွေနေသည်။
စောစီးစွာ အသုံးပြုခွင့် ရယူလိုပါက Glassnode ကိုယ်စားလှယ်နှင့် ဆွေးနွေးပါ သို့မဟုတ် ဘီတာဗားရှင်းတွင် ပါဝင်ရန် အဖွဲ့ကို ဆက်သွယ်ပါ။
Alpha Lab သည် သုတေသနထုတ်ကုန်တစ်ခုဖြစ်သည်။ ၎င်း၏ရလဒ်များသည် သမိုင်းဝင်ဒေတာအပေါ် အခြေခံပြီး ရင်းနှီးမြှုပ်နှံမှုအကြံဉာဏ် သို့မဟုတ် အနာဂတ်စွမ်းဆောင်ရည်အတွက် အာမခံချက် မဟုတ်ပါ။