Grunnleggende om Forex Algorithmic Trading. Nært for tretti år siden var valutamarkedet Forex preget av handel gjennom telefon, institusjonelle investorer ugjennomsiktig prisinformasjon, et klart skille mellom interdealer trading og dealer-kundehandel og lav markedskonsentrasjon. I dag er teknologiske fremskritt har forvandlet markedet Trades foregår hovedsakelig via datamaskiner, slik at forhandlerne kan komme inn på markedet, realtidsregistreringspriser har ført til større gjennomsiktighet og forskjellen mellom forhandlere og de mest sofistikerte kundene har i stor grad forsvunnet. En spesielt viktig endring er introduksjonen av algoritmisk handel som, samtidig som det gjør betydelige forbedringer i driften av Forex trading, utgjør også en rekke risikoer. Ved å se på det grunnleggende om Forex markedet og algoritmisk handel, vil vi identifisere noen fordeler algoritmisk handel har ført til valutahandel, samtidig som vi peker ut noen av risikoene. Forex Basics. Forex er det virtuelle stedet der valutaparene handles i varierende volumer i henhold til noterte priser, hvor en basisvaluta er gitt en pris i form av en valuta. Drift 24 timer i døgnet, fem dager i uken, er Forex vurdert å være verdens største og mest likvide finansielle marked Per banken for internasjonale bosetninger BIS var det daglige globale gjennomsnittlige volumet av handel i april 2013 2 200000000000000. Hovedparten av denne handel er gjort for amerikanske dollar, euro og japansk yen og innebærer en rekkevidde av spillere, inkludert private banker, sentralbanker, pensjonskasser institusjonelle investorer, store selskaper, finansielle selskaper og individuelle forhandlere. Selv om spekulativ handel kan være hovedmotivasjonen for enkelte investorer, er den primære grunnen til Forex-markedet s eksistens at folk trenger å handle valutaer for å kjøpe utenlandske varer og tjenester Aktivitet i Forex-markedet påvirker reelle valutakurser og kan derfor ha stor innvirkning på tput, sysselsetting, inflasjon og kapitalstrømmer i en bestemt nasjon Av denne grunn har politikere, offentligheten og media alle en interessert interesse i det som foregår i Forex markedet. Basis for Algoritmic Trading. En algoritme er i hovedsak et sett av spesifikke regler utformet for å fullføre en klart definert oppgave I finansmarkedshandel utfører datamaskiner brukerdefinerte algoritmer karakterisert ved et sett av regler som består av parametere som timing, pris eller kvantitet som strukturerer handlingene som skal gjøres. Det finnes fire grunntyper av algoritmisk handel innenfor finansmarkeder statistisk, automatisk sikring, algoritmiske utførelsesstrategier og direkte markedsadgang Statistisk refererer til en algoritmisk strategi som ser etter lønnsomme handelsmuligheter basert på statistisk analyse av historiske tidsseriedata Automatisk sikring er en strategi som genererer regler å redusere eksponering for risiko for næringsdrivende Målet med algoritmiske utførelsesstrategier er å utføre en forhåndsdefinert Endelig gir direkte markedsadgang de optimale hastighetene og lavere kostnader som algoritmiske forhandlere kan få tilgang til og koble til flere handelsplattformer. En av underkategorierne for algoritmisk handel er høyfrekvent handel, som preges av ekstremt høy frekvens av handelsordre henrettelser Høyhastighets handel kan gi betydelige fordeler til handelsmenn ved å gi dem muligheten til å gjøre handler innen millisekunder av inkrementelle prisendringer, men det kan også bære visse risikoer. Algoritmisk handel i forexmarkedet . Mye av veksten i algoritmisk handel i Forex-markeder de siste årene har vært på grunn av algoritmer som automatiserer bestemte prosesser og reduserer timene som trengs for å utføre valutatransaksjoner. Effektiviteten skapt av automatisering fører til lavere kostnader ved utførelse av disse prosessene. En slik prosess er gjennomføring av handelsordrer Automatisering av handelsprosessen med en alg oritme som handler basert på forhåndsbestemte kriterier, for eksempel å gjennomføre ordrer over en bestemt tidsperiode eller til en bestemt pris, er betydelig mer effektiv enn manuell utførelse av mennesker. Banker har også benyttet seg av algoritmer som er programmert for å oppdatere priser på valutapar på elektroniske handelsplattformer Disse algoritmer øker hastigheten der bankene kan sitere markedspriser samtidig som antallet av manuelle arbeidstimer som kreves for å sitere priser, blir redusert. Noen bankprogrammeralgoritmer for å redusere risikoen for risiko Algoritmer kan brukes til å selge en bestemt valuta for å matche en kunde s handel der banken kjøpte tilsvarende beløp for å opprettholde en konstant mengde av den aktuelle valutaen Dette tillater banken å opprettholde et forhåndsdefinert nivå av risikoeksponering for å holde den valutaen. Disse prosessene er gjort betydelig mer effektiv av algoritmer, noe som fører til lavere transaksjonskostnader. Dette er imidlertid ikke det eneste faktumet rs som har kjørt veksten i Forex-algoritmisk handel Algoritmer har i økende grad blitt brukt til spekulativ handel, da kombinasjonen av høyfrekvens og algoritmen s evne til å tolke data og utføre ordrer, har gitt handelsmenn mulighet til å utnytte arbitrasjonsmuligheter som følge av små prisavvik mellom valuta par. Alle disse fordelene har ført til økt bruk av algoritmer i Forex markedet, men la oss se på noen av risikoen som følger med algoritmisk handel. Risiko involvert i Algoritmisk Forex Trading. Selv om algoritmisk handel har gjort mange forbedringer, er det Noen ulemper som kan true stabiliteten og likviditeten til Forex markedet. En slik ulempe er knyttet til ubalanser i handelsmakt til markedsdeltakere. Noen deltakere har muligheten til å skaffe seg sofistikert teknologi som gir dem mulighet til å skaffe seg informasjon og utføre bestillinger med en mye raskere hastighet enn andre Denne ubalansen mellom haves og has-nots når det gjelder den mest sofistikerte algoritmiske teknologien kan føre til fragmentering i markedet som kan føre til likviditetsmangel over tid. Videre, mens det er grunnleggende forskjeller mellom aksjemarkeder og Forex-markedet, er det noen som frykter at høyfrekvenshandelen som forverret aksjen markedsflashkrasj 6. mai 2010 kan på samme måte påvirke Forex-markedet. Da algoritmer er programmert for spesifikke markedsscenarier, kan de ikke reagere raskt nok dersom markedet skal endre seg drastisk. For å unngå dette scenarioet må markedene måtte overvåkes og algoritmiske handel suspendert under markedsturbulens Imidlertid i slike ekstreme scenarier kan en samtidig suspensjon av algoritmisk handel fra en rekke markedsdeltakere føre til høy volatilitet og en drastisk reduksjon i markedslikviditeten. Bunnlinjen. Selv om algoritmisk handel har vært i stand til å øke effektiviteten, derfor redusere kostnadene ved handel valutaer, det har også kommet med noen ekstra risiko For at valutaene skal fungere ordentlig, må de være noe stabile butikkene av verdi og være svært likvide. Det er derfor viktig at Forex-markedet forblir flytende med lav prisvolatilitet. Som med alle områder av livet, introduserer ny teknologi mange fordeler , men det kommer også med nye risikoer Utfordringen for fremtiden for algoritmisk Forex trading vil være hvordan å sette i gang forandringer som maksimerer fordelene samtidig som risikoen reduseres. Renten der en depotinstitusjon gir midler opprettholdt i Federal Reserve til en annen depotbank institusjon.1 Et statistisk mål for spredningen av avkastning for en gitt sikkerhets - eller markedsindeks Volatilitet kan enten måles. En handling vedtok den amerikanske kongressen i 1933 som bankloven, som forbyde handelsbanker å delta i investeringen. til enhver jobb utenfor gårder, private husholdninger og nonprofit-sektoren. Det amerikanske presidiet for arbeid. Valutakortet eller valutasymbolet bol for den indiske rupee INR, indiens valuta Rupee består av 1. Et første bud på et konkurs selskaps eiendeler fra en interessert kjøper valgt av konkursfirmaet Fra et basseng av tilbudsgivere. Basis for algoritmiske handelsbegreper og eksempler . En algoritme er et spesifikt sett med klart definerte instruksjoner som skal utføre en oppgave eller prosess. Algoritmisk handel, automatisert handel, svart bokhandel eller ganske enkelt algo-trading er prosessen med å bruke datamaskiner som er programmert til å følge et definert sett med instruksjoner for plassere en handel for å generere fortjeneste med en hastighet og frekvens som er umulig for en menneskehandler. De definerte settene av regler er basert på timing, pris, kvantitet eller hvilken som helst matematisk modell. Bortsett fra profittmuligheter for næringsdrivende, gjør algo-trading markeder mer flytende og gjør handel mer systematisk ved å utelukke følelsesmessige menneskelige påvirkninger på handelsaktiviteter. Oppsett av en næringsdrivende følger disse enkle handlekriteriene. Kjøp 50 aksjer i en aksje når det er 50 dagers mo ving gjennomsnitt går over 200-dagers glidende gjennomsnitt. Selg aksjer på lageret når det 50-dagers glidende gjennomsnittet går under 200-dagers glidende gjennomsnitt. Ved hjelp av dette settet med to enkle instruksjoner, er det enkelt å skrive et dataprogram som vil automatisk overvåke aksjekursen og de bevegelige gjennomsnittlige indikatorene og plasser kjøps - og salgsordrene når de definerte vilkårene er oppfylt. Trafikken trenger ikke lenger å holde øye med livepriser og grafer, eller legge inn ordrene manuelt. Det algoritmiske handelssystemet gjør automatisk Det for ham, ved å identifisere handelsmuligheten riktig. For mer om å flytte gjennomsnitt, se Simple Moving Averages. Gjør trendene ut. All-trading gir følgende fordeler. Handler utføres til best mulig pris. Instant og nøyaktig handelsordre plassering og dermed høye sjanser av utførelse på ønskede nivåer. Trader timet riktig og umiddelbart, for å unngå betydelige prisendringer. Reduserte transaksjonskostnader se gjennomføringsbristeksemplet nedenfor. Samtidig automatisert kontroll av flere markedsforhold. Tilbakebetalt risiko for manuelle feil i å plassere handelen. Test test algoritmen basert på tilgjengelig historisk og sanntid data. Redusert mulighet for feil av menneskelige handelsfolk basert på følelsesmessige og psykologiske faktorer. Den største delen av stede dagshandelshandel er HFT-handel med høy frekvens, som forsøker å kapitalisere seg ved å plassere et stort antall bestillinger med svært høye hastigheter på tvers av flere markeder og flere beslutningsparametere, basert på forhåndsprogrammerte instruksjoner. For mer om høyfrekvenshandel, se Strategier og hemmeligheter. av High Frequency Trading HFT Firms. Algo-trading brukes i mange former for trading og investeringsaktiviteter, inkludert. Mid til langsiktige investorer eller kjøpe sidefirmaer pensjonsmidler, fond, forsikringsselskaper som kjøper i aksjer i store mengder, men ikke ønsker å påvirke aksjekursene med diskrete, store voluminvesteringer. Korttidshandlere og selger deltakere markedsfører s spekulanter og arbitrageurs dra nytte av automatisert handel utførelse i tillegg algo-trading hjelpemidler for å skape tilstrekkelig likviditet for selgere i markedet. Systematiske handelsfolk trend følgere parhandler hedgefondene osv. synes det er mye mer effektivt å programmere sine handelsregler og la programmet handle automatisk. Algoritmisk handel gir en mer systematisk tilnærming til aktiv handel enn metoder basert på en menneskelig handler s intuisjon eller instinkt. Algoritmiske handelsstrategier. En ny strategi for algoritmisk handel krever en identifisert mulighet som er lønnsom når det gjelder bedre inntjening eller kostnadsreduksjon. Følgende er vanlige handelsstrategier som brukes i algo-trading. De vanligste algoritmiske handelsstrategiene følger trender i bevegelige gjennomsnittsnivåer, utbrudd på prisnivå og tilhørende tekniske indikatorer. Dette er de enkleste og enkleste strategiene for å implementere gjennom algoritmisk handel fordi disse strategiene ikke involverer å gjøre noen spådommer eller prisprognoser Handler initieres basert på forekomsten av ønskelige trender som er enkle og grei å implementere gjennom algoritmer uten å komme seg inn i kompleksiteten av prediktiv analyse. Ovenstående eksempel på 50 og 200 dagers glidende gjennomsnitt er en populær trend som følger strategi. For mer om trend trading strategier, se enkle strategier for kapitalisering på trender. Buying en dobbelt notert aksje til en lavere pris i ett marked og samtidig selge den til en høyere pris i et annet marked tilbyr prisforskjellen som risikofri gevinst eller arbitrage Samme operasjon kan være replikert for aksjer i forhold til futuresinstrumenter, da prisforskjeller eksisterer fra tid til annen. Implementering av en algoritme for å identifisere slike prisforskjeller og å plassere ordrene gir lønnsomme muligheter på effektiv måte. Index-midler har definert perioder med rebalansering for å bringe sine beholdninger på linje med deres respektive referanseindekser Dette skaper lønnsomme opportuniti es for algoritmiske handelsmenn, som utnytter forventede bransjer som tilbyr 20-80 basispoeng fortjeneste avhengig av antall aksjer i indeksfondet, like før indeksfondets rebalansering. Slike handler initieres via algoritmiske handelssystemer for rettidig utførelse og beste priser. Mange påviste matematiske modeller, som den delta-nøytrale handelsstrategien, som tillater handel på kombinasjon av opsjoner og den underliggende sikkerheten der transaksjoner er plassert for å kompensere positive og negative deltakere, slik at porteføljens delta blir opprettholdt til null. Gjennomgående reverseringsstrategi er basert på ideen om at høye og lave priser på en eiendel er et midlertidig fenomen som regelmessig vender tilbake til deres gjennomsnittlige verdi. Identifisere og definere et prisklasse og implementeringsalgoritme basert på det tillater handel å bli plassert automatisk når prisen på aktivet bryter inn og ut av det definerte området. Volumvekt gjennomsnittlig prisstrategi bryter opp en stor ordre og utgivelser dynamisk bestemt mindre chu nks av ordren til markedet ved hjelp av aksjespesifikke historiske volumprofiler Målet er å gjennomføre ordren nær Volumvektet gjennomsnittspris VWAP, og derved nytte gjennomsnittlig pris. Tidvektet gjennomsnittsprisstrategi bryter opp en stor ordre og utgivelser dynamisk bestemt mindre biter av ordren til markedet ved å bruke jevnt fordelte tidsluker mellom start - og sluttidspunktet. Målet er å gjennomføre bestillingen nær gjennomsnittsprisen mellom start - og sluttider, og dermed minimere markedsvirkningen. Inntil handelsordren er fullt fylt, Denne algoritmen fortsetter å sende partielle ordrer i henhold til definert deltakelsesforhold og i henhold til volumet som handles på markedene. Den relaterte trinnstrategien sender ordrer til en brukerdefinert prosentandel av markedsvolumer og øker eller reduserer denne deltakelsesraten når aksjekursen når brukeren - definerte nivåer. Implementeringsbriststrategien tar sikte på å minimere eksekveringsprisen for en ordre ved å handle utenfor r eal-time markedet og dermed spare på kostnadene for bestillingen og dra nytte av mulighetskostnaden ved forsinket gjennomføring Strategien vil øke den målrettede deltakelsesraten når aksjekursen beveger seg gunstig og reduserer den når aksjekursen beveger seg negativt. Det er noen få spesielle klasser av algoritmer som forsøker å identifisere hendelser på den andre siden Disse sniffingsalgoritmene, som for eksempel brukes av en selger side markedsfører, har den innebygde intelligensen for å identifisere eksistensen av noen algoritmer på kjøpssiden av en stor ordre slik gjenkjenning gjennom algoritmer vil hjelpe markedsmakeren til å identifisere store ordre muligheter og gjøre det mulig for ham å dra nytte av å fylle ordrene til en høyere pris. Dette er noen ganger identifisert som high-tech front-running For mer om høyfrekvent handel og bedragerisk praksis, se Hvis du Kjøp aksjer Online, er du involvert i HFTs. Technical Requirements for Algorithmic Trading. Implementering av algoritmen ved hjelp av et dataprogram er den siste delen, clubbed med backtesting Utfordringen er å omdanne den identifiserte strategien til en integrert datastyrt prosess som har tilgang til en handelskonto for å plassere ordrer. Følgende er nødvendig for å programmere kunnskap for å programmere den nødvendige handelsstrategien, ansatte programmerere eller ferdigstillede handelssoftwareforbindelser og tilgang til trading plattformer for å plassere ordrer. Tilgang til markedsdata feeds som vil bli overvåket av algoritmen for muligheter til å plassere ordrer. Evnen og infrastrukturen til backtest systemet en gang bygget, før den går live på ekte markeder. Tilgjengelig historisk data for backtesting , avhengig av kompleksiteten av regler implementert i algoritmen. Her er et omfattende eksempel Royal Dutch Shell RDS er notert på Amsterdam Børs AEX og London Stock Exchange LSE La oss bygge en algoritme for å identifisere arbitrage muligheter Her er noen interessante observasjoner. AEX handler i Euro, mens LSE handler i Sterling Pounds. Due til den ene hou r tidsforskjell åpner AEX en time tidligere enn LSE, etterfulgt av begge børser som handler samtidig for de neste par timene og deretter handler kun i LSE i løpet av den siste timen når AEX lukkes. Kan vi undersøke muligheten for arbitragehandel på Royal Dutch Shell-bestanden notert på disse to markedene i to forskjellige valutaer. Et dataprogram som kan lese nåværende markedspriser. Prisfeeds fra både LSE og AEX. A forex rate feed for GBP-EUR valutakurs. Order plassering evne som kan rute ordren til riktig exchange. Back-testing evne på historiske pris feeds. computer programmet bør utføre følgende. Read den innkommende pris feed av RDS lager fra begge børser. Using de tilgjengelige valutakurser konvertere prisen på en valuta til andre. Hvis det eksisterer en stor nok prisavvik som diskonterer meglerkostnadene som fører til en lønnsom mulighet, og legger deretter kjøpsordren på lavere prisutveksling og salgsordre på høyere prisutveksling. Hvis o rders blir utført som ønsket, vil arbitrage fortjeneste følge. Simple og Easy Imidlertid er algoritmisk handel ikke så enkelt å vedlikeholde og utføre. Husk, hvis du kan plassere en algo-generert handel, så kan de andre markedsdeltakere. Prisene svinger i milli - og til og med mikrosekunder I eksempelet ovenfor, hva skjer hvis kjøpekjøpet ditt blir henrettet, men selger handel, da selgerprisene endres når bestillingen treffes på markedet. Du vil ende opp med å sitte med en åpen stilling Din arbitrasjonsstrategi er verdiløs. Det er flere risikoer og utfordringer, for eksempel systemfeilrisiko, nettverkstilkoblingsfeil, tidsforsinkelse mellom handelsordre og utførelse, og viktigst av alt, ufullkomne algoritmer. Jo mer komplekse en algoritme, desto strengere backtesting er nødvendig før den tas i bruk. Kvantitativ analyse av en algoritme s ytelse spiller en viktig rolle og bør undersøkes kritisk. Det er spennende å gå for en utenation hjulpet av datamaskiner med et begrep for å tjene penger uten problemer Men man må sørge for at systemet er grundig testet og at det stilles krav til grenser. Analytiske forhandlere bør vurdere å lære programmerings - og bygningssystemer alene, for å være sikre på å implementere de riktige strategiene på idiotsikker måte Forsiktig bruk og grundig testing av algo-trading kan skape lønnsomme muligheter. Det maksimale beløpet av penger som USA kan låne Gjeldstaket ble opprettet under Second Liberty Bond Act. Renten der et depotinstitusjon gir midler opprettholdt i Federal Reserve til en annen depotinstitusjon.1 Et statistisk mål for spredning av avkastning for en gitt sikkerhets - eller markedsindeks. Volatilitet kan enten måles. En handling vedtok den amerikanske kongressen i 1933 som bankloven, som forbyde handelsbanker å delta i investeringen. Nonfarm lønn refererer til enhver jobb utenfor gårder, private husholdninger og nonprofi t-sektoren Det amerikanske presidiet for arbeid. Den valuta forkortelse eller valutasymbol for den indiske rupee INR, valutaen til India Rupee består av 1. Hvordan identifisere Algoritmic Trading Strategies. In denne artikkelen vil jeg introdusere deg til metodene som jeg selv identifiserer lønnsomme algoritmiske handelsstrategier Vårt mål i dag er å forstå i detalj hvordan å finne, evaluere og velge slike systemer. Jeg skal forklare hvordan identifiseringsstrategier er så mye om personlig preferanse som det handler om strategisk ytelse, hvordan man bestemmer typen og kvantitet av historiske data for testing, hvordan man evaluerer en handelsstrategi uavhengig og endelig hvordan man går videre mot backtesting-fasen og strategiimplementering. Identifiser dine egne personlige preferanser for Trading. For å være en vellykket handelsmann - enten diskret eller algoritmisk - det er nødvendig for å stille deg noen ærlige spørsmål. Trading gir deg muligheten til å tape penger i en alarmerende hastighet, så det er nødvendig for å kjenne deg så mye som det er nødvendig å forstå din valgte strategi. Jeg vil si det viktigste hensynet i handel er å være klar over din egen personlighet. Trading, og algoritmisk handel spesielt krever en betydelig grad av disiplin, tålmodighet og emosjonell løsrivelse Siden du lar en algoritme utføre din handel for deg, er det nødvendig å bli løst for ikke å forstyrre strategien når den blir utført. Dette kan være ekstremt vanskelig, spesielt i perioder med utvidet drawdown. Men mange strategier som har vært vist seg å være svært lønnsomt i en backtest, kan bli ødelagt av enkel forstyrrelse. Forstå at hvis du ønsker å gå inn i algoritmisk handel, vil du bli følelsesmessig testet, og for å lykkes, er det nødvendig å arbeide gjennom disse vanskelighetene. Neste omtanke er en gang Har du en heltidsjobb Arbeider du deltid Fungerer du hjemmefra eller har en lang pendling hver dag The se spørsmål vil bidra til å fastslå frekvensen av strategien du bør søke For de av dere i heltidsansatte, kan en intradag-futuresstrategi ikke være hensiktsmessig i det minste til den er fullt automatisert. Dagsbegrensningene vil også diktere strategiens metodikk Hvis Din strategi blir ofte handlet og avhengige av dyre nyhetsstrømmer som en Bloomberg-terminal, du må tydeligvis være realistisk om din evne til å kunne kjøre dette mens du er på kontoret. For de av dere med mye tid, eller ferdighetene til å automatisere din strategi, kan det hende du ønsker å se nærmere på en mer teknisk høyfrekvent trading HFT-strategi. Min tro er at det er nødvendig å gjennomføre kontinuerlig forskning i dine handelsstrategier for å opprettholde en konsekvent lønnsom portefølje. Få strategier holder seg under radaren for alltid. Dermed en betydelig En del av tiden som er allokert til handel, vil være i gjennomføring av pågående forskning. Spør deg selv om du er forberedt på å gjøre dette, slik det kan være forskjellen mellom sterk lønnsomhet eller langsom tilbakegang mot tap. Du må også vurdere din handelskapital. Den generelt aksepterte ideelle minimumsbeløpet for en kvantitativ strategi er 50.000 USD ca 35.000 for oss i Storbritannia. Hvis jeg begynte igjen, ville jeg begynne med en større mengde, sannsynligvis nærmere 100 000 USD ca 70 000 Dette skyldes at transaksjonskostnadene kan være ekstremt dyre for mellom - og høyfrekvensstrategier, og det er nødvendig å ha tilstrekkelig kapital til å absorbere dem i uttellingstider. Hvis du vurderer å begynne med mindre enn 10 000 USD da må du begrense deg til lavfrekvente strategier, handel med en eller to eiendeler, da transaksjonskostnader vil raskt spise i din avkastning Interactive Brokers, som er en av de vennligste meglerne til de som har programmeringsferdigheter på grunn av sin API, har et detaljhandelskonto minimum på 10.000 USD. Programmering ferdighet er en viktig faktor i å skape en automatisert algoritmisk handel egy Å være kunnskapsrik i et programmeringsspråk som C, Java, C, Python eller R, gjør det mulig for deg å lage end-to-end datalagring, backtest-motor og kjøringssystem selv. Dette har en rekke fordeler, hvorav sjef er den evne til å være helt klar over alle aspekter av handelsinfrastrukturen. Det lar deg også utforske høyere frekvensstrategier som du vil være i full kontroll over teknologistakken din. Dette betyr at du kan teste din egen programvare og eliminere feil, det betyr også mer tid brukt til å koda opp infrastruktur og mindre på implementering av strategier, i hvert fall i den tidligere delen av algo trading karriere. Du kan finne ut at du er komfortabel handel i Excel eller MATLAB, og kan outsource utviklingen av andre komponenter. Jeg vil ikke anbefale dette imidlertid, spesielt for de som handler med høy frekvens. Du må spørre deg selv hva du håper å oppnå ved algoritmisk handel. Er du interessert i en vanlig inntekt, hvor du håper å tegne ea Renter fra din handelskonto Eller er du interessert i en langsiktig kapitalgevinster og har råd til å handle uten behov for å trekke penger Inntektsavhengighet vil diktere frekvensen av strategien din Flere vanlige inntektsuttak vil kreve en høyere frekvenshandelstrategi med mindre volatilitet iea høyere Sharpe-forhold Langtidshandlere har råd til en mer beroligende handelsfrekvens. Slå ikke av med ideen om å bli ekstremt velstående på kort tid. Algo-handel er IKKE en rask løsning - om noe Det kan være en fattig rask ordning. Det tar betydelig disiplin, forskning, flid og tålmodighet for å lykkes i algoritmisk handel. Det kan ta måneder, om ikke år, å generere konsistent lønnsomhet. Oppsummering av algoritmiske handelsideer. Til tross for vanlige oppfatninger til Tvert imot er det faktisk ganske greit å finne lønnsomme handelsstrategier i det offentlige området. Aldri har handelsideer vært lettere tilgjengelige enn Du er i dag akademiske finansdokumenter, pre-print-servere, handelsblogger, handelsfora, ukentlige handelskrifter og spesialtekster gir tusenvis av handelsstrategier som du kan basere dine ideer på. Vårt mål som kvantitative handelsforskere er å etablere en strategipipeline som vil gi oss en strøm av pågående handelsideer. Ideelt sett ønsker vi å skape en metodisk tilnærming til innkjøp, evaluering og implementering av strategier som vi kommer over. Målet med rørledningen er å skape en konsistent mengde nye ideer og gi oss et rammeverk for å avvise de fleste av disse ideene med det minste følelsesmessige hensyn. Vi må være svært forsiktige for ikke å la kognitive forstyrrelser påvirke vår beslutningsprosedyre. Dette kan være like enkelt som å ha en preferanse for en aktivaklasse over en annen gull og andre edle metaller, kommer å tenke på fordi de oppfattes som mer eksotiske. Vårt mål bør alltid være å finne konsekvent lønnsom strategi s, med positiv forventning Valget av aktivaklasse bør baseres på andre hensyn, som for eksempel handelskapitalbegrensninger, meglerkostnader og innflytelsesmuligheter. Hvis du er helt ukjent med begrepet handelsstrategi, er det første stedet å se på med etablerte lærebøker Klassiske tekster gir et bredt spekter av enklere, mer enkle ideer, som du skal gjøre deg kjent med kvantitativ handel. Her er et utvalg som jeg anbefaler for de som er ny til kvantitativ handel, som gradvis blir mer sofistikert når du arbeider gjennom listen. For en lengre liste over kvantitative handelsbøker, vennligst besøk QuantStart-leselisten. Det neste stedet for å finne mer sofistikerte strategier er med handelsfora og handelsblogger. En advarsel: Mange handelsblogger stole på begrepet teknisk analyse. Teknisk analyse involverer utnytte grunnleggende indikatorer og atferdspsykologi for å bestemme trender eller reverseringsmønstre i aktiva priser. Til tross for at det er ekstremt populært i det generelle handelsområdet, er teknisk analyse ansett som noe ineffektiv i det kvantitative finanssamfunnet. Noen har antydet at det ikke er bedre enn å lese et horoskop eller å studere teblad med hensyn til dets prediktive kraft. I virkeligheten er det vellykket Enkeltpersoner som benytter seg av teknisk analyse. Men som quants med en mer sofistikert matematisk og statistisk verktøykasse til vår disposisjon, kan vi enkelt evaluere effektiviteten av slike TA-baserte strategier og ta databaserte beslutninger fremfor å basere oss på følelsesmessige hensyn eller forutsetninger. Her er en liste over respekterte algoritmiske handelsblogger og forum. Når du har hatt litt erfaring med å evaluere enklere strategier, er det på tide å se på de mer sofistikerte akademiske tilbudene. Noen akademiske tidsskrifter vil være vanskelig å få tilgang til uten høye abonnementer eller en - off kostnader Hvis du er medlem eller alumn på et universitet, bør du kunne få tak i det Tilgang til noen av disse finansdokumenter Ellers kan du se på forhåndstrykksservere som er internettregistreringer av sena utkast til akademiske artikler som gjennomgår peer review. Siden vi bare er interessert i strategier som vi med suksess kan replikere, backtest og få lønnsomhet for , en peer review er av mindre betydning for oss. Den store ulempen med akademiske strategier er at de ofte også kan være utdaterte, krever uklare og dyre historiske data, handler i illikvide aktivaklasser eller ikke faktor i avgifter, slippe eller spre Det kan også være uklart om handelsstrategien skal utføres med markedsordrer, begrensningsordrer, eller om det inneholder stopptap osv. Det er derfor helt nødvendig å replikere strategien selv så godt du kan, backtest det og legge til i realistiske transaksjonskostnader som inkluderer så mange aspekter av aktivaklassene du ønsker å handle i. Her er en liste over de mer populære forhåndsskriverne og finansielle tidsskrifter som du kan kilde ideer fra. Hva med å danne dine egne kvantitative strategier Dette krever generelt, men er ikke begrenset til kompetanse i en eller flere av følgende kategorier. Markedsmikrostruktur - For høyere frekvensstrategier spesielt kan man benytte seg av markedsmikrostruktur, dvs. forståelse av Bestillingsdynamikken for å skape lønnsomhet Ulike markeder vil ha ulike teknologibegrensninger, forskrifter, markedsdeltakere og begrensninger som alle er åpne for utnyttelse via bestemte strategier. Dette er et meget sofistikert område og forhandlere vil finne det vanskelig å være konkurransedyktig i dette space, particularly as the competition includes large, well-capitalised quantitative hedge funds with strong technological capabilities. Fund structure - Pooled investment funds, such as pension funds, private investment partnerships hedge funds , commodity trading advisors and mutual funds are constrained both by heavy regulation and their large capital reserves Thus certain consistent behaviours can be exploited with those who are more nimble For instance, large funds are subject to capacity constraints due to their size Thus if they need to rapidly offload sell a quantity of securities, they will have to stagger it in order to avoid moving the market Sophisticated algorithms can take advantage of this, and other idiosyncrasies, in a general process known as fund structure arbitrage. Machine learning artificial intelligence - Machine learning algorithms have become more prevalent in recent years in financial markets Classifiers such as Naive-Bayes, et al non-linear function matchers neural networks and optimisation routines genetic algorithms have all been used to predict asset paths or optimise trading strategies If you have a background in this area you may have some insight into how particular algorithms might be applied to certain markets. There are, of course, many other areas for quants to investigate We ll discuss how to come up with cu stom strategies in detail in a later article. By continuing to monitor these sources on a weekly, or even daily, basis you are setting yourself up to receive a consistent list of strategies from a diverse range of sources The next step is to determine how to reject a large subset of these strategies in order to minimise wasting your time and backtesting resources on strategies that are likely to be unprofitable. Evaluating Trading Strategies. The first, and arguably most obvious consideration is whether you actually understand the strategy Would you be able to explain the strategy concisely or does it require a string of caveats and endless parameter lists In addition, does the strategy have a good, solid basis in reality For instance, could you point to some behavioural rationale or fund structure constraint that might be causing the pattern s you are attempting to exploit Would this constraint hold up to a regime change, such as a dramatic regulatory environment disruption Does the stra tegy rely on complex statistical or mathematical rules Does it apply to any financial time series or is it specific to the asset class that it is claimed to be profitable on You should constantly be thinking about these factors when evaluating new trading methods, otherwise you may waste a significant amount of time attempting to backtest and optimise unprofitable strategies. Once you have determined that you understand the basic principles of the strategy you need to decide whether it fits with your aforementioned personality profile This is not as vague a consideration as it sounds Strategies will differ substantially in their performance characteristics There are certain personality types that can handle more significant periods of drawdown, or are willing to accept greater risk for larger return Despite the fact that we, as quants, try and eliminate as much cognitive bias as possible and should be able to evaluate a strategy dispassionately, biases will always creep in Thus we need a consistent, unemotional means through which to assess the performance of strategies Here is the list of criteria that I judge a potential new strategy by. Methodology - Is the strategy momentum based, mean-reverting, market-neutral, directional Does the strategy rely on sophisticated or complex statistical or machine learning techniques that are hard to understand and require a PhD in statistics to grasp Do these techniques introduce a significant quantity of parameters, which might lead to optimisation bias Is the strategy likely to withstand a regime change i e potential new regulation of financial markets. Sharpe Ratio - The Sharpe ratio heuristically characterises the reward risk ratio of the strategy It quantifies how much return you can achieve for the level of volatility endured by the equity curve Naturally, we need to determine the period and frequency that these returns and volatility i e standard deviation are measured over A higher frequency strategy will require greater sa mpling rate of standard deviation, but a shorter overall time period of measurement, for instance. Leverage - Does the strategy require significant leverage in order to be profitable Does the strategy necessitate the use of leveraged derivatives contracts futures, options, swaps in order to make a return These leveraged contracts can have heavy volatility characterises and thus can easily lead to margin calls Do you have the trading capital and the temperament for such volatility. Frequency - The frequency of the strategy is intimately linked to your technology stack and thus technological expertise , the Sharpe ratio and overall level of transaction costs All other issues considered, higher frequency strategies require more capital, are more sophisticated and harder to implement However, assuming your backtesting engine is sophisticated and bug-free, they will often have far higher Sharpe ratios. Volatility - Volatility is related strongly to the risk of the strategy The Sharpe ratio cha racterises this Higher volatility of the underlying asset classes, if unhedged, often leads to higher volatility in the equity curve and thus smaller Sharpe ratios I am of course assuming that the positive volatility is approximately equal to the negative volatility Some strategies may have greater downside volatility You need to be aware of these attributes. Win Loss, Average Profit Loss - Strategies will differ in their win loss and average profit loss characteristics One can have a very profitable strategy, even if the number of losing trades exceed the number of winning trades Momentum strategies tend to have this pattern as they rely on a small number of big hits in order to be profitable Mean-reversion strategies tend to have opposing profiles where more of the trades are winners , but the losing trades can be quite severe. Maximum Drawdown - The maximum drawdown is the largest overall peak-to-trough percentage drop on the equity curve of the strategy Momentum strategies are well k nown to suffer from periods of extended drawdowns due to a string of many incremental losing trades Many traders will give up in periods of extended drawdown, even if historical testing has suggested this is business as usual for the strategy You will need to determine what percentage of drawdown and over what time period you can accept before you cease trading your strategy This is a highly personal decision and thus must be considered carefully. Capacity Liquidity - At the retail level, unless you are trading in a highly illiquid instrument like a small-cap stock , you will not have to concern yourself greatly with strategy capacity Capacity determines the scalability of the strategy to further capital Many of the larger hedge funds suffer from significant capacity problems as their strategies increase in capital allocation. Parameters - Certain strategies especially those found in the machine learning community require a large quantity of parameters Every extra parameter that a strate gy requires leaves it more vulnerable to optimisation bias also known as curve-fitting You should try and target strategies with as few parameters as possible or make sure you have sufficient quantities of data with which to test your strategies on. Benchmark - Nearly all strategies unless characterised as absolute return are measured against some performance benchmark The benchmark is usually an index that characterises a large sample of the underlying asset class that the strategy trades in If the strategy trades large-cap US equities, then the S P500 would be a natural benchmark to measure your strategy against You will hear the terms alpha and beta , applied to strategies of this type We will discuss these coefficients in depth in later articles. Notice that we have not discussed the actual returns of the strategy Why is this In isolation, the returns actually provide us with limited information as to the effectiveness of the strategy They don t give you an insight into leverage, vol atility, benchmarks or capital requirements Thus strategies are rarely judged on their returns alone Always consider the risk attributes of a strategy before looking at the returns. At this stage many of the strategies found from your pipeline will be rejected out of hand, since they won t meet your capital requirements, leverage constraints, maximum drawdown tolerance or volatility preferences The strategies that do remain can now be considered for backtesting However, before this is possible, it is necessary to consider one final rejection criteria - that of available historical data on which to test these strategies. Obtaining Historical Data. Nowadays, the breadth of the technical requirements across asset classes for historical data storage is substantial In order to remain competitive, both the buy-side funds and sell-side investment banks invest heavily in their technical infrastructure It is imperative to consider its importance In particular, we are interested in timeliness, accu racy and storage requirements I will now outline the basics of obtaining historical data and how to store it Unfortunately this is a very deep and technical topic, so I won t be able to say everything in this article However, I will be writing a lot more about this in the future as my prior industry experience in the financial industry was chiefly concerned with financial data acquisition, storage and access. In the previous section we had set up a strategy pipeline that allowed us to reject certain strategies based on our own personal rejection criteria In this section we will filter more strategies based on our own preferences for obtaining historical data The chief considerations especially at retail practitioner level are the costs of the data, the storage requirements and your level of technical expertise We also need to discuss the different types of available data and the different considerations that each type of data will impose on us. Let s begin by discussing the types of data available and the key issues we will need to think about. Fundamental Data - This includes data about macroeconomic trends, such as interest rates, inflation figures, corporate actions dividends, stock-splits , SEC filings, corporate accounts, earnings figures, crop reports, meteorological data etc This data is often used to value companies or other assets on a fundamental basis, i e via some means of expected future cash flows It does not include stock price series Some fundamental data is freely available from government websites Other long-term historical fundamental data can be extremely expensive Storage requirements are often not particularly large, unless thousands of companies are being studied at once. News Data - News data is often qualitative in nature It consists of articles, blog posts, microblog posts tweets and editorial Machine learning techniques such as classifiers are often used to interpret sentiment This data is also often freely available or cheap, via subscription to media outlets The newer NoSQL document storage databases are designed to store this type of unstructured, qualitative data. Asset Price Data - This is the traditional data domain of the quant It consists of time series of asset prices Equities stocks , fixed income products bonds , commodities and foreign exchange prices all sit within this class Daily historical data is often straightforward to obtain for the simpler asset classes, such as equities However, once accuracy and cleanliness are included and statistical biases removed, the data can become expensive In addition, time series data often possesses significant storage requirements especially when intraday data is considered. Financial Instruments - Equities, bonds, futures and the more exotic derivative options have very different characteristics and parameters Thus there is no one size fits all database structure that can accommodate them Significant care must be given to the design and implementation of database structures for various financial instruments We will discuss the situation at length when we come to build a securities master database in future articles. Frequency - The higher the frequency of the data, the greater the costs and storage requirements For low-frequency strategies, daily data is often sufficient For high frequency strategies, it might be necessary to obtain tick-level data and even historical copies of particular trading exchange order book data Implementing a storage engine for this type of data is very technologically intensive and only suitable for those with a strong programming technical background. Benchmarks - The strategies described above will often be compared to a benchmark This usually manifests itself as an additional financial time series For equities, this is often a national stock benchmark, such as the S P500 index US or FTSE100 UK For a fixed income fund, it is useful to compare against a basket of bonds or fixed income products The risk-free rate i e appropriate interest rate is also another widely accepted benchmark All asset class categories possess a favoured benchmark, so it will be necessary to research this based on your particular strategy, if you wish to gain interest in your strategy externally. Technology - The technology stacks behind a financial data storage centre are complex This article can only scratch the surface about what is involved in building one However, it does centre around a database engine, such as a Relational Database Management System RDBMS , such as MySQL, SQL Server, Oracle or a Document Storage Engine i e NoSQL This is accessed via business logic application code that queries the database and provides access to external tools, such as MATLAB, R or Excel Often this business logic is written in C , C , Java or Python You will also need to host this data somewhere, either on your own personal computer, or remotely via internet servers Products such as Amazon Web Services have made this simpler and cheaper in recent years, but it will still require significant technical expertise to achieve in a robust manner. As can be seen, once a strategy has been identified via the pipeline it will be necessary to evaluate the availability, costs, complexity and implementation details of a particular set of historical data You may find it is necessary to reject a strategy based solely on historical data considerations This is a big area and teams of PhDs work at large funds making sure pricing is accurate and timely Do not underestimate the difficulties of creating a robust data centre for your backtesting purposes. I do want to say, however, that many backtesting platforms can provide this data for you automatically - at a cost Thus it will take much of the implementation pain away from you, and you can concentrate purely on strategy implementation and optimisation Tools like TradeStation possess this capability However, my personal view is to implement as much as possible internally and avoid outsourcing part s of the stack to software vendors I prefer higher frequency strategies due to their more attractive Sharpe ratios, but they are often tightly coupled to the technology stack, where advanced optimisation is critical. Now that we have discussed the issues surrounding historical data it is time to begin implementing our strategies in a backtesting engine This will be the subject of other articles, as it is an equally large area of discussion. Just Getting Started with Quantitative Trading.
No comments:
Post a Comment