Automatiserte Trading Strategi Ideer

Fordeler og ulemper ved automatiserte handelssystemer Traders og investorer kan slå nøyaktig oppføring. utgangs - og pengehåndteringsregler i automatiserte handelssystemer som tillater datamaskiner å utføre og overvåke handelen. En av de største attraksjonene i strategiautomatisering er at det kan ta noen av følelsene ut av handel siden handler blir automatisk plassert når visse kriterier er oppfylt. Denne artikkelen vil introdusere leserne til og forklare noen av fordelene og ulempene, så vel som realiteten, av automatiserte handelssystemer. (For relatert lesing, se Kraften i programhandler.) Hva er et automatisert handelssystem Automatiserte handelssystemer, også referert til som mekaniske handelssystemer, algoritmisk handel. automatisert handel eller systemhandel, tillate handelsmenn å etablere bestemte regler for både handelsoppføringer og utganger som, når de er programmert, automatisk kan utføres via en datamaskin. Handelsregistrerings - og utgangsreglene kan baseres på enkle forhold, for eksempel et bevegelig gjennomsnittsovergang. eller kan være kompliserte strategier som krever en omfattende forståelse av programmeringsspråket som er spesifikt for brukerhandelsplattformen, eller kompetansen til en kvalifisert programmerer. Automatiserte handelssystemer krever vanligvis bruk av programvare som er knyttet til en direkte tilgang megler. og eventuelle spesifikke regler må skrives i proprietære språk på plattformene. TradeStation-plattformen bruker for eksempel EasyLanguage programmeringsspråket NinjaTrader-plattformen, derimot, bruker NinjaScript-programmeringsspråket. Figur 1 viser et eksempel på en automatisert strategi som utløste tre transaksjoner i løpet av en handelssession. (For relatert lesing, se Global Trade og valutamarkedet.) Figur 1: En fem-minutters oversikt over ES-kontrakten med en automatisk strategi anvendt. Noen handelsplattformer har strategibyggende veivisere som gjør det mulig for brukerne å velge fra en liste over gjeldende tekniske indikatorer for å bygge et sett med regler som deretter automatisk kan handles. Brukeren kan for eksempel fastslå at en lang handel vil bli inngått når 50-dagers glidende gjennomsnitt krysser over 200-dagers glidende gjennomsnitt på et fem-minutters diagram av et bestemt handelsinstrument. Brukere kan også legge inn typen av rekkefølge (marked eller grense, for eksempel) og når handelen vil bli utløst (for eksempel ved stengens lukke eller åpne for den neste linjen), eller bruk standardinngangene på plattformene. Mange forhandlere velger imidlertid å programmere egne tilpassede indikatorer og strategier eller arbeide tett med en programmerer for å utvikle systemet. Selv om dette vanligvis krever mer innsats enn å bruke plattformens veiviser, gir det en mye større grad av fleksibilitet, og resultatene kan være mer givende. (Dessverre er det ingen perfekt investeringsstrategi som garanterer suksess. For mer, se Bruke tekniske indikatorer for å utvikle handelsstrategier.) Når reglene er etablert, kan datamaskinen overvåke markedene for å finne kjøp eller salg av muligheter basert på handel strategi spesifikasjoner. Avhengig av de spesifikke reglene, så snart en handel er innført, vil eventuelle ordrer for beskyttende stopp tap. bakstopp og fortjenestemål blir automatisk generert. I rasktflyttende markeder kan denne øyeblikkelige ordreinngangen bety forskjellen mellom et lite tap og et katastrofalt tap i tilfelle handelen beveger seg mot handelsmannen. Fordeler ved automatiserte handelssystemer Det er en lang liste over fordeler ved å ha en dataskjerm på markedene for handelsmuligheter og utføre handler, inkludert: Minimere følelser. Automatiserte handelssystemer minimerer følelser gjennom hele handelsprosessen. Ved å holde følelser i sjakk, har handlende vanligvis en lettere tid som holder seg til planen. Siden handelsordrer utføres automatisk når handelsreglene er oppfylt, vil forhandlere ikke kunne tøffe eller stille spørsmål til handelen. I tillegg til å hjelpe handelsmenn som er redd for å trekke avtrekkeren, kan automatisert handel dempe de som er tilbøyelige til å overstyrke kjøp og salg ved enhver oppfattet mulighet. Evne til å teste tilbake. Backtesting gjelder handelsregler til historiske markedsdata for å bestemme ideenes levedyktighet. Ved utforming av et system for automatisert handel må alle regler være absolutte, uten rom for tolkning (datamaskinen kan ikke gjette det må fortelles nøyaktig hva som skal gjøres). Traders kan ta disse presise settene med regler og teste dem på historiske data før de risikerer penger i live trading. Omhyggelig backtesting gjør det mulig for handelsmenn å evaluere og finjustere en handelsidee, og for å fastslå systemene forventes det gjennomsnittlige beløpet som en næringsdrivende kan forvente å vinne (eller miste) per risikoenhet. (Vi tilbyr noen tips om denne prosessen som kan hjelpe til med å reflektere dine nåværende handelsstrategier. For mer, se Backtesting: Tolkning av fortiden.) Bevar Discipline. Fordi handelsreglene er etablert og handelen utføres automatisk, opprettholdes disiplin selv i volatile markeder. Dissiplin går ofte tapt på grunn av følelsesmessige faktorer som frykt for å ta tap, eller ønsket om å eke litt mer fortjeneste fra en handel. Automatisert handel bidrar til å sikre at disiplinen opprettholdes fordi handelsplanen blir fulgt nøyaktig. I tillegg er pilotfeil minimert, og en ordre om å kjøpe 100 aksjer vil ikke bli feil innført som en ordre om å selge 1000 aksjer. Oppnå konsistens. En av de største utfordringene i handel er å planlegge handel og handle planen. Selv om en handelsplan har potensial til å være lønnsomt, endrer handlende som ignorerer reglene enhver forventning som systemet ville ha hatt. Det er ikke slikt som en handelsplan som vinner 100 av tidenes tap er en del av spillet. Men tap kan være psykologisk traumatiserende, så en handelsmann som har to eller tre tapende handler på rad, kan bestemme seg for å hoppe over neste handel. Hvis denne neste handelen ville vært en vinner, har handelsmannen allerede ødelagt enhver forventning som systemet hadde. Automatiserte handelssystemer tillater handelsmenn å oppnå konsistens ved å handle planen. (Det er umulig å unngå katastrofe uten handelsregler. For mer, se 10 trinn for å bygge en vinnende handelsplan.) Forbedret Bestillingshastighet. Siden datamaskiner reagerer umiddelbart på endrede markedsforhold, kan automatiserte systemer generere bestillinger så snart handelskriterier er oppfylt. Å komme inn eller ut av handel noen få sekunder tidligere kan gjøre en stor forskjell i bransjens utfall. Så snart en stilling er oppgitt, genereres alle andre bestillinger automatisk, inkludert beskyttende stopptap og overskuddsmål. Markeder kan bevege seg raskt, og det er demoraliserende å få en handel til å nå fortjenestemålet eller blås forbi et stopp-tapsnivå før ordrene kan til og med oppgis. Et automatisert handelssystem hindrer at dette skjer. Diversifisere Trading. Automatiserte handelssystemer tillater brukeren å handle flere kontoer eller ulike strategier på en gang. Dette har potensial til å spre risiko over ulike instrumenter, samtidig som man skaper sikring mot å miste posisjoner. Det som ville være utrolig utfordrende for et menneske å oppnå, utføres effektivt av en datamaskin i løpet av millisekunder. Datamaskinen kan skanne etter handelsmuligheter på en rekke markeder, generere ordrer og overvåke bransjer. Ulemper og realiteter i automatiserte handelssystemer Automatiserte handelssystemer skryter mange fordeler, men det er noen downfalls av og realties som handelsmenn bør være oppmerksomme på. Mekaniske feil. Teorien bak automatisert handel gjør det til å virke enkelt: Sett opp programvaren, programmer reglene og se på den handelen. I virkeligheten er imidlertid automatisert handel en sofistikert handelsmetode, men ikke ufeilbarlig. Avhengig av handelsplattformen kan en handelsordre oppholde seg på en datamaskin og ikke en server. Det betyr at hvis en Internett-tilkobling går tapt, kan det ikke sendes en ordre til markedet. Det kan også være en uoverensstemmelse mellom de teoretiske handler som genereres av strategien og ordreinngangsplattformskomponenten som gjør dem til virkelige handler. De fleste handelsfolk bør forvente en læringskurve når de bruker automatiserte handelssystemer, og det er generelt en god ide å starte med små handelsstørrelser mens prosessen er raffinert. Overvåkning . Selv om det ville være flott å slå på datamaskinen og gå for dagen, krever automatiserte handelssystemer overvåking. Dette skyldes potensialet for mekaniske feil, for eksempel tilkoblingsproblemer, strømbrudd eller dataskrasj, og til systemkrev. Det er mulig for et automatisert handelssystem å oppleve anomalier som kan føre til feilordre, manglende ordre eller dupliserte ordrer. Hvis systemet overvåkes, kan disse hendelsene identifiseres og løses raskt. Over-optimalisering. Selv om det ikke er spesifikt for automatiserte handelssystemer, kan handelsfolk som bruker backtesting teknikker skape systemer som ser bra ut på papir og utfører fryktelig i et levende marked. Overoptimering refererer til overdreven kurvefitting som produserer en handelsplan som er upålitelig i live trading. Det er for eksempel mulig å justere en strategi for å oppnå eksepsjonelle resultater på de historiske dataene som den ble testet på. Traders tar for eksempel feilaktig ut at en handelsplan bør ha nær 100 lønnsomme handler, eller bør aldri oppleve en drawdown som en levedyktig plan. Som sådan kan parametere justeres for å skape en nær perfekt plan som helt mislykkes så snart den blir brukt på et levende marked. (Denne overoptimaliseringen skaper systemer som ser bra ut på papir. For mer, se Backtesting og Forward Testing: Betydningen av korrelasjon.) Serverbaserte Automation Traders har muligheten til å kjøre sine automatiserte handelssystemer via en serverbasert handel plattform som Strategy Runner. Disse plattformene tilbyr ofte kommersielle strategier for salg, en veiviser, slik at forhandlere kan designe sine egne systemer, eller muligheten til å være vert for eksisterende systemer på den serverbaserte plattformen. For et gebyr kan det automatiserte handelssystemet skanne etter, utføre og overvåke handler med alle bestillinger som ligger på serveren, noe som resulterer i potensielt raskere og mer pålitelige bestillingsoppføringer. Konklusjon Selv om det er viktig for en rekke faktorer, bør automatiserte handelssystemer ikke betraktes som en erstatning for nøye utført handel. Mekaniske feil kan skje, og som sådan krever disse systemene overvåking. Serverbaserte plattformer kan gi en løsning for handelsfolk som ønsker å minimere risikoen for mekaniske feil. (For relatert lesing, se Day Trading Strategies For Beginners.) En økonomisk teori om total utgifter i økonomien og dens effekter på produksjon og inflasjon. Keynesian økonomi ble utviklet. En beholdning av en eiendel i en portefølje. En porteføljeinvestering er laget med forventning om å tjene en avkastning på den. Dette. Et forhold utviklet av Jack Treynor som måler avkastning opptjent over det som kunne vært opptjent på en risikofri. Tilbakekjøp av utestående aksjer (tilbakekjøp) av et selskap for å redusere antall aksjer på markedet. Selskaper. En skattemessig tilbakebetaling er refusjon på skatter betales til en person eller husstand når den faktiske skatteforpliktelsen er mindre enn beløpet. Den monetære verdien av alle ferdige varer og tjenester som er produsert innenfor et land, er grenser i en bestemt tidsperiode. Automatisert handel: Hvordan velge en forexautomatisert strategi Vil du samarbeide med en FX-aktør som er logisk, unemotional og som utrettelig ser etter handelsmuligheter Mange tradere tiltrekkes automatisk handel fordi de kan samarbeide med en FX-forhandler med de ovennevnte egenskapene gjennom automatisert handel. Denne artikkelen vil hjelpe handelsfolk til å identifisere en automatisert strategi som er en god D-E-A-L angående høyere sannsynlighetshandel. Letrsquos kommer i gang med 4-trinns sjekkliste. Etter min mening er en strategi en god DEAL hvis den kan svare positivt på hvert element i dette akronymet: D escription E ntryExit Signals A pplication L everage Et positivt resultat i de 4 elementene i sjekklisten er ingen garanti at strategien vil være lønnsomhellipnobody vet hva Markedet kommer til å gi i neste minutt, enn si neste dag, uke eller måned. Derfor er målet med 4-punkts sjekklisten å korrekt identifisere og implementere en forexautomatisert strategi ved å benytte passende innflytelses - og ytelsesforventninger som resulterer i høyere sannsynlighetshandel. Letrsquos pakker ut hvert element i dette akronymet. Det første vi bør se på når vi vurderer en automatisert strategi, er beskrivelsen av strategien. Finn ut hva strategien gjør og den generelle logikken bak strategien. Se etter buzzwords som - stopp tap, fortjeneste mål, risiko for å belønne forhold, risiko, breakout, trend, momentum, rekkevidde. Ved å lese nøye beskrivelsen er det første jeg vil identifisere, hvilken type markedsbetingelse denne strategien er ment å bli brukt i. Du ser, strategier er utformet for å gjøre det bra i bare visse markedsmiljøer. Strategier som kan gjøre det bra i ALLE markedsmiljøer er svært vanskelig å komme med. Derfor er det ikke mulig å bringe realistiske forventninger ved å bestemme hvilken type miljø strategien har en tendens til å gjøre godt i, og deretter bruke den strategien til et marked med samme tilstand. (Mer om dette i APPLICATIONSeksjonen.) E ntryExit-signaler Mange handelsfolk bruker mest av sin tid til å bekymre seg over strategyrsquos-inngangs - og utgangssignaler. Det er viktig å forstå den generelle logikken bak strategien, men vi donrsquot vil overbelaste hver handel som strategien gjør. Tross alt vil denne strategien trolig produsere hundrevis eller tusenvis av handler. Derfor er det samlingen av bransjer generert av strategien som vi er interessert i, og ikke hver enkelt handel. I hovedsak se på handelsprestasjonen som en kurv av handler i stedet for basert på hver enkelt handel. Her er et par måter å se om handler. 1. Plasser alle dine vinnende handler i en kurv og alle dine tapende handler i en kurv. Hva er gjennomsnittlig vinner Hva er gjennomsnittlig taperen Søk strategier med høyere gjennomsnittlige vinnere i motsetning til gjennomsnittlige tapere. 2. Gjennomgå handelsprestasjonen i kurver på 10 bransjer. Ta en titt på de siste 10 handlene dine, har nettoresultatet lagt til pips på kontoen din eller ta dem bort. Søk strategier som legger pips i en kurv med X-handler. Jeg nevnte ovenfor hvordan vi vil bruke BESKRIVELSE for å fastslå markedstilstanden strategien er utformet for å trives i. Når vi først har identifisert markedstilstanden, søker vi etter et marked som viser den egenskapen. Dette trinnet blir ofte oversett av handelsmenn. Det er generelt 2 forskjellige typer markedsforhold med flere variasjoner. I dag skal vi bare bekymre oss om trending markeder og ikke-trending markeder (ofte kalt intervaller). Disse 2 forholdene er eksklusive hverandre. Når markedet er i en trend, gjør prisene fremgang. Du vil se en serie høyere høyder og høyere nedgang i en uptrend og en serie lavere høyder og lavere nedturer i en downtrend. På den annen side danner det seg områder når markedet ikke gjør fremgang på en eller annen måte som markedet handler sidelengs. Det er mange grunner til at trender og områder utvikler seg som ligger utenfor rammen av denne artikkelen. Alt vi trenger å være bekymret for her er å identifisere hvilken type tilstand vår strategi ideelt trives og deretter finne et marked som matcher samme betingelse for å handle denne strategien. Hvis du ikke er sikker på hvilken betingelse et gitt valutapar er i, er det en Ukentlig strategi Outlook-artikkel skrevet i DailyFX som gir veiledning for deg. Det siste punktet i 4-punkts sjekklisten er innflytelse. Dette er et annet ofte oversett område av automatiserte forexhandlere. Mange ganger fant Irsquove at handelsmenn generelt vil bruke en god strategi, men de forventer bare for mye av det og bruker derfor for mye innflytelse. Dette skyldes vanligvis fordi handelsfolk ser på oppsiden til strategien og ikke planlegger potensielle tap. For å bidra til å holde kontoen din kapitalisert gjennom slike ulemper, er det viktig å bruke konservative beløp av innflytelse eller ingen i det hele tatt. I vår egenskap av suksessfulle handelsmenneser. Vi foreslår at du bruker ikke mer enn 10 ganger effektiv innflytelse. Hvis du er en konservativ handelsmann, bør du vurdere å bruke enda mindre innflytelse ved 5 ganger eller mindre. Fordelen med å bruke mindre beløp av innflytelse er at når strategien din opplever nedtelling, risikerer du en liten del av kontoen din og vil derfor ha mer kapital igjen til handel enn hvis du brukte store mengder utbytte. Delta i høyere sannsynlighetshandel ved å inkludere 4-punkts sjekkliste over. Dette vil hjelpe deg med å identifisere og implementere en forexautomatisert strategi ved å benytte passende innflytelses - og ytelsesforventninger. --- Skrevet av Jeremy Wagner, Lead Trading Instructor, DailyFX Education For å kontakte Jeremy, email jwagnerdailyfx. Følg meg på Twitter på JWagnerFXTrader. For å bli lagt til Jeremyrsquos e-post distribusjonsliste, send en e-post med emnelinjen ldquoDistribution Listrdquo til jwagnerdailyfx. DailyFX gir forex nyheter og teknisk analyse på trender som påvirker de globale valutamarkedene. Det ser ikke ut til å være mulig. Men det er med våre algoritmiske handelsstrategier Det virker ikke mulig. Et algoritmisk handelssystem med så mye trendidentifikasjon, syklusanalyse, buysell sidevolumstrømmer, flere handelsstrategier, dynamisk inngang, mål og stopppriser, og ultrasnabb signalteknologi. Men det er. Faktisk er AlgoTrades algoritmiske handelssystemplattform den eneste i sitt slag. Ikke mer søker etter varme aksjer, sektorer, varer, indekser eller leser markeds meninger. Algotrades gjør alle søk, timing og handel for deg ved hjelp av vårt algoritmiske handelssystem. AlgoTrades dokumenterte strategier kan følges manuelt ved å motta e-post - og SMS-tekstvarsler, eller det kan være 100 handsfree-handel. Det er opp til deg. Du kan slå av på automatisk handel når som helst, slik at du alltid har kontroll over din skjebne. Automatiserte handelssystemer for dyktige investorer Copyright 2017 - ALGOTRADES - Automatisert algoritmisk handelssystem CFTC REGLE 4.41 - HYPOTETISKE ELLER SIMULERTE RESULTATRESULTATER HAR VISSE BEGRENSNINGER. I FORBINDELSE MED EN AKTUELL PRESTASJONSOPPTAK, FORTSATT SIMULERTE RESULTATER IKKE VIRKELIG HANDEL. OGSÅ SOM HANDLINGENE IKKE ER UTFØRT, HAR RESULTATENE KRAVET FORVERKET FOR KONSEKVENSEN, OM NOEN, AV VISSE MARKEDSFAKTORER, SOM SIKKER LIKVIDITET. SIMULERTE HANDELSPROGRAMMER I ALMINDELIGE ER OGSÅ FØLGENDE AT DE ER DESIGNERT MED HINDSIGHT. INGEN REPRESENTASJON SKAL GJORT AT ENKEL KONTO VIL ELLER ER LIKELIG Å HENT RESULTAT ELLER TAP SOM LIKKER SOM VISES. Ingen representasjon blir gjort eller underforstått at bruken av det algoritmiske handelssystemet vil generere inntekt eller garantere et overskudd. Det er en betydelig risiko for tap knyttet til futures trading og trading exchange traded funds. Futures trading og trading exchange trading fond innebærer en betydelig risiko for tap og er ikke egnet for alle. Disse resultatene er basert på simulerte eller hypotetiske resultatresultater som har visse iboende begrensninger. I motsetning til resultatene som vises i en faktisk ytelsesrekord, representerer disse resultatene ikke reell handel. Også fordi disse handlingene egentlig ikke har blitt utført, kan disse resultatene være under - eller overkompensert for eventuelle konsekvenser av visse markedsfaktorer, som manglende likviditet. Simulerte eller hypotetiske handelsprogrammer generelt er også underlagt det faktum at de er utformet til fordel for ettersyn. Ingen representasjon blir gjort at noen konto vil eller vil trolig oppnå fortjeneste eller tap som ligner på disse blir vist. Informasjon på denne nettsiden er utarbeidet uten hensyn til investeringsmålsettingene, den økonomiske situasjonen og behovene til investorer, og videre tilråder abonnenter å ikke handle på noen opplysninger uten å få bestemt råd fra deres finansielle rådgivere, ikke å stole på informasjon fra nettsiden som den primære basis for sine investeringsbeslutninger og å vurdere egen risikoprofil, risikotoleranse og egne stoppfall. - drevet av Enfold WordPress ThemeHow å identifisere algoritmiske handelsstrategier I denne artikkelen vil jeg introdusere deg til metodene som jeg selv identifiserer lønnsomme algoritmiske handelsstrategier. Målet vårt i dag er å forstå i detalj hvordan du finner, evaluerer og velger slike systemer. Jeg forklarer hvordan identifiserende strategier er så mye om personlig preferanse som det handler om strategisk ytelse, hvordan man bestemmer typen og kvantiteten av historiske data for testing, hvordan man evaluerer en handelsstrategi uavhengig og endelig hvordan man går videre mot backtesting-fasen og strategiimplementering . Identifisere dine egne personlige preferanser for handel For å være en vellykket handelsmann - enten diskret eller algoritmisk - er det nødvendig å spørre deg selv om noen ærlige spørsmål. Trading gir deg muligheten til å miste penger i en alarmerende hastighet, så det er nødvendig 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 følelsesmessig 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 henrettet. Dette kan være ekstremt vanskelig, spesielt i perioder med utvidet drawdown. Imidlertid kan mange strategier som har vist seg å være svært lønnsomme i en backtest, 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 overveielse er en av tidene. Har du en heltidsjobb Fungerer du deltid Fungerer du hjemmefra eller har en lang pendling hver dag Disse spørsmålene vil bidra til å avgjøre frekvensen av strategien du bør søke. For de av dere i heltidsansatte, kan en intradag futures strategi ikke være hensiktsmessig (i hvert fall til den er fullt automatisert). Tidsbegrensningene vil også diktere strategiens metodikk. Hvis din strategi ofte handles og avhenger av dyre nyhetsstrømmer (for eksempel en Bloomberg-terminal), må du klart være realistisk om din evne til å kjøre dette på kontoret. For de av dere med mye tid eller ferdighetene For å automatisere strategien din, kan du ønske å se 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 blir under radaren for alltid. Derfor vil en betydelig del av tiden som er allokert til handel, være i gjennomføring av pågående forskning. Spør deg selv om du er villig til å gjøre dette, da det kan være forskjellen mellom sterk lønnsomhet eller en langsom nedgang i tap. Du må også vurdere din handelskapital. Det 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 et større beløp, 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 nedtellingstider. Hvis du vurderer å begynne med mindre enn 10 000 USD, må du begrense deg til lavfrekvente strategier, handel med en eller to eiendeler, da transaksjonskostnadene raskt vil spise inn i avkastningen. Interaktive meglere, som er en av de vennligste meglerne til de som har programmeringsevner, på grunn av API, har et minimumskonto på minst 10 000 USD. Programmeringsevner er en viktig faktor i å skape en automatisert algoritmisk handelsstrategi. Å være kunnskapsrik i et programmeringsspråk som C, Java, C, Python eller R, gjør det mulig å lage end-to-end datalagring, backtest-motor og kjøresystem selv. Dette har en rekke fordeler, hvorav sjef er evnen til å være helt klar over alle aspekter av handelsinfrastrukturen. Det lar deg også utforske de høyere frekvensstrategiene, da du vil være i full kontroll over teknologistakken din. Selv om dette betyr at du kan teste din egen programvare og eliminere feil, betyr det også mer tid på å koda opp infrastruktur og mindre på implementering av strategier, i hvert fall i den tidligere delen av din algo trading karriere. Du kan oppleve at du er komfortabel handel i Excel eller MATLAB og kan outsource utviklingen av andre komponenter. Jeg vil ikke anbefale dette, 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 inntekter fra din handelskonto. Eller er du interessert i en langsiktig kapitalgevinster og har råd til å handle uten behov for nedbetaling. Inntektsavhengighet vil diktere frekvensen av strategien din . Flere vanlige inntektsuttak vil kreve en høyere frekvenshandelstrategi med mindre volatilitet (dvs. et høyere Sharpe-forhold). Langsiktig handelsfolk har råd til en mer sederlig handelsfrekvens. Til slutt, bli ikke forvirret av tanken om å bli ekstremt velstående på kort tid. Algo trading er IKKE en rask rikskjema - om noe kan det bli en fattig rask ordning. Det krever betydelig disiplin, forskning, flid og tålmodighet for å lykkes i algoritmisk handel. Det kan ta måneder, om ikke år, å generere konsistent lønnsomhet. Sourcing Algoritmic Trading Ideas Til tross for vanlige oppfatninger om det motsatte, er det faktisk ganske greit å finne lønnsomme handelsstrategier i det offentlige området. Aldri har handelsideer vært mer tilgjengelig enn de er i dag. Akademisk finansjournaler, pre-print-servere, handelsblogger, handelsfora, ukentlige handelsblader 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 til å tenke) fordi de oppfattes som mer eksotiske. Vårt mål bør alltid være å finne konsekvent lønnsomme strategier, med positiv forventning. Valget av aktivaklasse bør baseres på andre hensyn, som for eksempel handelskapitalbegrensninger, megleravgifter 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 kan gjøre 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. Men et varsel: Mange handelsblogger stole på begrepet teknisk analyse. Teknisk analyse innebærer bruk av grunnleggende indikatorer og atferdspsykologi for å bestemme trender eller reverseringsmønstre i eiendomspriser. Til tross for at den er ekstremt populær i den samlede handelsplassen, anses teknisk analyse 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 dens prediktive kraft. I virkeligheten er det vellykkede personer som benytter seg av teknisk analyse. Men som quants med en mer sofistikert matematisk og statistisk verktøykasse til 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 fora: Når du har hatt litt erfaring med å evaluere enklere strategier, er det på tide å se på de mer sofistikerte faglige tilbudene. Noen akademiske tidsskrifter vil være vanskelig å få tilgang til, uten høye abonnementer eller engangskostnader. Hvis du er medlem eller alumnus på et universitet, bør du kunne få tilgang til noen av disse finansdokumenter. Ellers kan du se på pre-print-servere. som er internettregistreringer av forsinkelser av akademiske artikler som gjennomgår peer review. Siden vi bare er interessert i strategier som vi med suksess kan kopiere, backtest og få lønnsomhet for, er en peer review 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, handle i illikvide aktivaklasser eller ikke faktor i avgifter, slippe eller spre seg. Det kan også være uklart om handelsstrategien skal gjennomføres med markedsordrer, begrensningsordrer, eller om det inneholder stopptap etc. Det er derfor helt nødvendig å replikere strategien selv så godt du kan, backtest det og legge til i realistisk transaksjon kostnader som inkluderer så mange aspekter av aktivaklassene du ønsker å handle med. Her er en liste over de mer populære forhåndsskriverens servere og finansielle tidsskrifter som du kan opprette ideer fra: Hva med å danne dine egne kvantitative strategier Dette krever vanligvis ( 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 orderbokdynamikken for å generere lønnsomhet. Ulike markeder vil ha ulike teknologiske begrensninger, forskrifter, markedsdeltakere og begrensninger som alle er åpne for utnyttelse via bestemte strategier. Dette er et meget sofistikert område, og detaljhandlerne vil finne det vanskelig å være konkurransedyktige i dette rommet, særlig da konkurransen inkluderer store, godt kapitaliserte kvantitative hedgefond med sterke teknologiske evner. Fondstruktur - Samlede investeringsfond, som pensjonskasser, private investeringspartnerskap (hedgefond), handelsvarerådgivere og verdipapirfond, er begrenset både av kraftig regulering og de store kapitalreservene. Dermed kan visse konsekvente oppførelser utnyttes med de som er mer ferske. For eksempel er store midler utsatt for kapasitetsbegrensninger på grunn av deres størrelse. Dermed, hvis de trenger å raskt avlaste (selge) en mengde verdipapirer, må de sprenge den for å unngå å flytte markedet. Sofistikerte algoritmer kan dra nytte av dette og andre idiosyncrasies, i en generell prosess kjent som fondstruktur arbitrage. Machine learningartificial intelligence - Maskininlæringsalgoritmer har blitt mer utbredt de siste årene i finansmarkedene. Klassifikatorer (som Naive-Bayes, et al.) Ikke-lineære funksjonskamper (neurale nettverk) og optimaliseringsrutiner (genetiske algoritmer) har alle blitt brukt til å forutsi aktivitetsbaner eller optimalisere handelsstrategier. Hvis du har bakgrunn i dette området, kan du få litt innsikt i hvordan bestemte algoritmer kan brukes til enkelte markeder. Det er selvsagt mange andre områder for quants å undersøke. Godt diskutere hvordan du kommer opp med tilpassede strategier i detalj i en senere artikkel. Ved å fortsette å overvåke disse kildene på en ukentlig eller daglig basis, setter du deg inn for å få en konsekvent liste over strategier fra et mangfoldig utvalg av kilder. Det neste trinnet er å bestemme hvordan du avviser en stor delmengde av disse strategiene for å minimere sløsing med tid og tilbakeprøvende ressurser på strategier som sannsynligvis vil være urentable. Evaluering av handelsstrategier Den første og uten tvil mest åpenbare vurdering er om du faktisk forstår strategien. Vil du være i stand til å forklare strategien konsistent eller krever det en rekke forsøk og endeløse parameterlister I tillegg har strategien et godt og solid grunnlag i virkeligheten For eksempel kan du peke på noen atferdsmessig begrunnelse eller fondstrukturbegrensning som kan forårsake det mønsteret du forsøker å utnytte Vil denne begrensningen holde fast i en regimebrytelse, for eksempel en dramatisk reguleringsmiljøforstyrrelse. Er strategien avhengig av komplekse statistiske eller matematiske regler. Gjelder det for enhver økonomisk tidsserie eller er Det er spesifikt for aktivaklassen at det hevdes å være lønnsomt. Du bør hele tiden tenke på disse faktorene når du vurderer nye handelsmetoder, ellers kan du kaste bort betydelig tid på å forsøke å backtest og optimalisere ulønnsomme strategier. Når du har bestemt deg for at du forstår de grunnleggende prinsippene i strategien, må du avgjøre om den passer med din personlighets profil. Dette er ikke så vett en vurdering som det høres Strategier vil avvike vesentlig i deres ytelsesegenskaper. Det er visse personlighetstyper som kan håndtere mer signifikante perioder med drawdown, eller er villige til å akseptere større risiko for større avkastning. Til tross for at vi som quants forsøker å eliminere så mye kognitiv bias som mulig og bør kunne evaluere en strategi uhensiktsmessig, vil biases alltid krype inn. Derfor trenger vi et konsistent, unemotional middel for å vurdere resultatene av strategier . Her er listen over kriterier som jeg dømmer en potensiell ny strategi ved: Metodikk - Er strategisk momentum basert, gjennombrudd, markedsnøytral, retningsbestemt Støtter strategien seg på sofistikerte (eller komplekse) statistiske eller maskinlæringsteknikker som er vanskelige å forstå og kreve en doktorgrad i statistikk å forstå Går disse teknikkene inn for en betydelig mengde parametre, noe som kan føre til optimaliseringsforstyrrelser. Er strategien sannsynlig å motstå en regimebift (dvs. potensiell ny regulering av finansmarkeder). Sharpe Ratio - Sharpe-forholdet heuristisk kjennetegner rewardrisk ratio av strategien. Det kvantifiserer hvor mye avkastning du kan oppnå for nivået av volatilitet utholdt av egenkapitalkurven. Naturligvis må vi bestemme perioden og frekvensen som disse returnerer og volatilitet (dvs. standardavvik) måles over. En høyere frekvensstrategi vil kreve større samplingsfrekvens for standardavvik, men en kortere totalmålingstid, for eksempel. Utnyttelse - Trenger strategien betydelig innflytelse for å være lønnsomt Trenger strategien bruk av leverede derivatkontrakter (futures, opsjoner, swaps) for å gi avkastning Disse leverte kontrakter kan ha stor volatilitet karakteriserer og kan dermed lett føre til marginsamtaler. Har du handelskapitalen og temperamentet for en slik volatilitet Frekvens? Strategienes frekvens er nært knyttet til teknologistakken din (og dermed teknologisk kompetanse), Sharpe-forholdet og det totale transaksjonskostnadene. Alle andre saker som anses, krever høyere frekvensstrategier mer kapital, er mer sofistikert og vanskeligere å implementere. Imidlertid, forutsatt at din backtesting motor er sofistikert og feilfri, vil de ofte ha langt høyere Sharpe-forhold. Volatilitet - Volatilitet er sterkt knyttet til risikoen for strategien. Sharpe-forholdet karakteriserer dette. Høyere volatilitet i de underliggende aktivaklassene, hvis dekkes av, fører ofte til høyere volatilitet i egenkapitalkurven og dermed mindre Sharpe-forhold. Jeg antar selvsagt at den positive volatiliteten er omtrent lik den negative volatiliteten. Noen strategier kan ha større nedadgående volatilitet. Du må være oppmerksom på disse egenskapene. WinLoss, Gjennomsnittlig ProfitLoss - Strategier vil variere i deres winloss og gjennomsnittlige profitloss egenskaper. Man kan ha en svært lønnsom strategi, selv om antall tapende handler overskrider antall vinnende handler. Momentum strategier har en tendens til å ha dette mønsteret som de stole på et lite antall store treff for å være lønnsomt. Mean-reversion strategier har en tendens til å ha motstridende profiler hvor flere av bransjene er vinnere, men de tapende handler kan være ganske alvorlige. Maksimal Drawdown - Den maksimale nedtellingen er den største samlede topp-til-gjennom-prosent-nedgangen på egenkapitalkurven i strategien. Momentum strategier er velkjent å lide av perioder med utvidet drawdowns (på grunn av en rekke mange inkrementelle tapende handler). Mange handlende vil gi opp i perioder med utvidet drawdown, selv om historisk testing har antydet at dette er forretning som vanlig for strategien. Du må bestemme hvilken prosentandel av nedtelling (og over hvilken tidsperiode) du kan godta før du slutter å handle med strategien din. Dette er en svært personlig beslutning og må derfor vurderes nøye. Kapasitet Likviditet - På detaljnivå, med mindre du handler i et svært illikvitt instrument (som en liten aksjeselskap), trenger du ikke å bekymre deg sterkt med strategisk kapasitet. Kapasitet bestemmer skalerbarheten i strategien for ytterligere kapital. Mange av de større hedgefondene lider av betydelige kapasitetsproblemer etter hvert som deres strategier øker i kapitalallokering. Parametre - Visse strategier (spesielt de som finnes i maskinlæringssamfunnet) krever en stor mengde parametere. Hver ekstra parameter som en strategi krever, gjør at den er mer sårbar for optimaliseringsforstyrrelser (også kjent som kurvefitting). Du bør prøve og målrette strategier med så få parametere som mulig, eller sørg for at du har tilstrekkelige mengder data for å teste dine strategier på. Benchmark - Nesten alle strategier (med mindre karakterisert som absolutt avkastning) måles mot noen ytelses benchmark. Referansen er vanligvis en indeks som karakteriserer en stor prøve av den underliggende aktivaklassen som strategien handler om. Hvis strategien handler med store amerikanske aksjer, vil SP500 være et naturlig referansemål for å måle strategien din mot. Du vil høre vilkårene alpha og beta, brukt på strategier av denne typen. Vi vil diskutere disse koeffisientene i dybden i senere artikler. Legg merke til at vi ikke har diskutert den faktiske avkastningen av strategien. Hvorfor er dette I isolasjon gir avkastningen oss faktisk begrenset informasjon om strategiens effektivitet. De gir deg ikke et innblikk i innflytelse, volatilitet, referanser eller kapitalkrav. Dermed blir strategier sjelden vurdert på avkastningen alene. Overvei alltid risikotributtene til en strategi før du ser på avkastningen. På dette stadiet vil mange av strategiene som er funnet fra rørledningen bli avvist utelukkende, siden de ikke overholder kapitalkravene, innflytelsesbegrensninger, maksimal uttaksstoleranse eller volatilitetspreferanser. Strategier som forblir igjen kan nå vurderes for backtesting. Men før dette er mulig, er det nødvendig å vurdere en endelig avvisningskriterium - det som er tilgjengelig for historiske data for å teste disse strategiene. Å skaffe historiske data I dag er bredden av de tekniske kravene på tvers av aktivaklassene for historisk datalagring betydelig. For å forbli konkurransedyktig investerer både kjøpssiden (fondene) og selgesiden (investeringsbankene) tungt i sin tekniske infrastruktur. Det er viktig å vurdere dens betydning. Spesielt er vi interessert i aktualitet, nøyaktighet og lagringskrav. Jeg vil nå skissere grunnleggende om å skaffe historiske data og hvordan lagre den. Dessverre er dette et veldig dypt og teknisk tema, så jeg vil ikke kunne si alt i denne artikkelen. Imidlertid vil jeg skrive mye mer om dette i fremtiden, da min tidligere bransjeerfaring i finansnæringen hovedsakelig var opptatt av økonomisk datainnsamling, lagring og tilgang. I den forrige delen hadde vi opprettet en strategipipeline som tillot oss å avvise bestemte strategier basert på våre egne personlige avslagskriterier. I denne delen vil vi filtrere flere strategier basert på våre egne preferanser for å skaffe historiske data. Hovedhensynene (spesielt på detaljhandlernivå) er kostnadene ved dataene, lagerkravene og nivået på teknisk ekspertise. Vi må også diskutere ulike typer tilgjengelige data og de ulike hensynene som hver type data vil pålegge oss. La oss begynne med å diskutere hvilke typer data som er tilgjengelige og de sentrale problemene vi må tenke på: Fundamental Data - Dette inkluderer data om makroøkonomiske trender, som rentesatser, inflasjonsfigurer, bedriftsaksjoner (utbytte, aksjesplittelser), SEC-arkiver , bedriftskonto, inntjenings tall, avkastningsrapporter, meteorologiske data etc. Disse dataene brukes ofte til å verdsette selskaper eller andre eiendeler på grunnlag, det vil si via noen form for forventede fremtidige kontantstrømmer. Det inkluderer ikke aksjekursserier. Enkelte grunnleggende data er fritt tilgjengelige fra offentlige nettsider. Andre langsiktige historiske grunnleggende data kan være ekstremt dyre. Lagringskrav er ofte ikke særlig store, med mindre tusenvis av selskaper blir studert på en gang. Nyhetsdata - Nyhetsdata er ofte kvalitative i naturen. Den består av artikler, blogginnlegg, microblog-innlegg (tweets) og redaksjonelt. Maskininnlæringsteknikker som klassifiseringsverktøy brukes ofte til å tolke følelser. Disse dataene er også ofte fritt tilgjengelige eller billige, via abonnement på medier. De nyere NoSQL-dokumentlagringsdatabasene er utformet for å lagre denne typen ustrukturerte, kvalitative data. Asset Price Data - Dette er det tradisjonelle datadomenet til quant. Den består av tidsserier av eiendomspriser. Aksjer (aksjer), renteinntekter (obligasjoner), råvarer og valutakurser ligger alle i denne klassen. Daglige historiske data er ofte enkle å få for enklere aktivaklasser, for eksempel aksjer. Imidlertid, når nøyaktighet og renslighet er inkludert og statistiske forstyrrelser fjernet, kan dataene bli dyre. I tillegg har tidsseriedata ofte betydelige lagringskrav, spesielt når intradagdata blir vurdert. Finansielle instrumenter - aksjer, obligasjoner, futures og de mer eksotiske derivative opsjonene har svært forskjellige egenskaper og parametere. Dermed er det ingen størrelse som passer til alle databasestrukturer som kan imøtekomme dem. Vesentlig omsorg må gis til utforming og implementering av databasestrukturer for ulike finansielle instrumenter. Vi vil diskutere situasjonen i lengden når vi kommer til å bygge en verdipapirmasterdatabase i fremtidige artikler. Frekvens - Jo høyere frekvensen av dataene er, jo større koster og lagringskrav. For lavfrekvente strategier er daglig data ofte tilstrekkelig. For høyfrekvente strategier kan det være nødvendig å skaffe tick-nivå data og til og med historiske kopier av bestemte handelsutvekslingsordreinformasjon. Implementering av en lagringsmotor for denne typen data er meget teknologisk intensiv og bare egnet for de med sterk programmeringsteknisk bakgrunn. Benchmarks - Strategiene beskrevet ovenfor vil ofte bli sammenlignet med et referanseindeks. Dette manifesterer seg vanligvis som en ekstra økonomisk tidsserie. For aksjer er dette ofte et nasjonalt aksjeindeks, for eksempel SP500-indeksen (US) eller FTSE100 (UK). For et rentebæringsfond er det nyttig å sammenligne mot en kurv med obligasjoner eller renteinntekter. Den risikofrie rente (dvs. passende rente) er også et annet godt akseptert referanseindeks. Alle aktivaklassekategorier har en favorisert referanse, så det vil være nødvendig å undersøke dette basert på din spesifikke strategi, hvis du ønsker å få interesse for din strategi eksternt. Teknologi - Teknologistakkene bak et økonomisk datalager er komplekse. Denne artikkelen kan bare skrape overflaten om hva som er involvert i å bygge en. Imidlertid senterer den seg rundt en databasemotor, for eksempel et Relational Database Management System (RDBMS), for eksempel MySQL, SQL Server, Oracle eller en Document Storage Engine (dvs. NoSQL). Dette er tilgjengelig via forretningslogikk-applikasjonskode som spørrer databasen og gir tilgang til eksterne verktøy, for eksempel MATLAB, R eller Excel. Ofte er denne forretningslogikken skrevet i C, C, Java eller Python. Du må også være vert for disse dataene et sted, enten på din egen personlige datamaskin eller eksternt via Internett-servere. Produkter som Amazon Web Services har gjort dette enklere og billigere de siste årene, men det vil fortsatt kreve betydelig teknisk kompetanse for å oppnå på en robust måte. Som det kan sees, når en strategi er identifisert via rørledningen, vil det være nødvendig å evaluere tilgjengeligheten, kostnadene, kompleksiteten og implementeringsdetaljer for et bestemt sett med historiske data. Det kan hende du finner det nødvendig å avvise en strategi basert utelukkende på historiske data hensyn. Dette er et stort område, og lag av doktorgradsstudenter jobber med store midler, slik at prissetting er korrekt og rettidig. Ikke undervurder vanskelighetene med å skape et robust datasenter for din backtesting formål. Jeg vil imidlertid si at mange backtesting-plattformer kan gi disse dataene automatisk for deg - til en pris. Dermed vil det ta mye av implementerings smerten vekk fra deg, og du kan konsentrere deg rent på strategiimplementering og optimalisering. Verktøy som TradeStation har denne kapasiteten. Men min personlige oppfatning er å implementere så mye som mulig internt og unngå å outsource deler av stabelen til programvareleverandører. Jeg foretrekker høyere frekvensstrategier på grunn av deres mer attraktive Sharpe-forhold, men de er ofte tett koblet til teknologistakken, hvor avansert optimalisering er kritisk. Nå som vi har diskutert problemene rundt historiske data, er det på tide å begynne å implementere våre strategier i en backtesting motor. Dette vil bli gjenstand for andre artikler, da det er et like stort diskusjonsområde Bare å komme i gang med kvantitativ handel