Grundlagen des algorithmischen Handels: Konzepte und Beispiele Ein Algorithmus ist ein spezifischer Satz von klar definierten Anweisungen, die darauf abzielen, eine Aufgabe oder einen Prozess durchzuführen. Algorithmischer Handel (automatisierte Handel, Black-Box-Handel oder einfach Algo-Trading) ist der Prozess der Verwendung von Computern programmiert, um eine definierte Reihe von Anweisungen für die Platzierung eines Handels zu folgen, um Gewinne mit einer Geschwindigkeit und Häufigkeit zu generieren, die für eine unmöglich ist Menschlicher Händler Die definierten Regelsätze basieren auf Timing, Preis, Menge oder einem mathematischen Modell. Neben den Gewinnchancen für den Händler macht algo-trading die Märkte liquider und macht den Handel systematischer, indem er emotionale menschliche Auswirkungen auf die Handelsaktivitäten ausübt. Angenommen, ein Trader folgt diesen einfachen Handelskriterien: Kaufen Sie 50 Aktien einer Aktie, wenn der 50-Tage-Gleitender Durchschnitt über den 200-Tage-Gleitender Durchschnitt geht. Teilen Sie Aktien der Aktie, wenn der 50-Tage-Gleitender Durchschnitt unter den 200-Tage-Gleitender Durchschnitt geht Mit diesem Satz von zwei einfachen Anweisungen ist es einfach, ein Computerprogramm zu schreiben, das automatisch den Aktienkurs (und die gleitenden durchschnittlichen Indikatoren) überwacht und die Kauf - und Verkaufsaufträge platziert, wenn die definierten Bedingungen erfüllt sind. Der Trader muss nicht mehr auf Live-Preise und Grafiken aufpassen oder die Aufträge manuell einlegen. Das algorithmische Handelssystem tut es automatisch für ihn, indem es die Handelsmöglichkeit korrekt identifiziert. (Für mehr über bewegte Durchschnitte siehe: Einfache Umzugsdurchschnitte machen Trends heraus.) Algo-Trading bietet folgende Vorteile: Trades, die zu den bestmöglichen Preisen ausgeführt werden Sofortige und genaue Trading-Platzierung (damit hohe Chancen auf Ausführung auf Wunsch) Trades Zeitlich abgestimmt und sofort, um signifikante Preisänderungen zu vermeiden Reduzierte Transaktionskosten (siehe Implementierungsfehlbetrag Beispiel unten) Gleichzeitige automatisierte Überprüfung auf mehrere Marktbedingungen Reduziertes Risiko von manuellen Fehlern bei der Platzierung der Trades Backtest der Algorithmus, basierend auf verfügbaren historischen und Echtzeitdaten Reduziert Möglichkeit von Fehlern von menschlichen Händlern, die auf emotionalen und psychologischen Faktoren basieren Der größte Teil des heutigen Algo-Handels ist der Hochfrequenzhandel (HFT), der versucht, eine große Anzahl von Aufträgen mit sehr schnellen Geschwindigkeiten über mehrere Märkte und mehrere Entscheidungen zu tätigen Parameter, basierend auf vorprogrammierten Anweisungen. (Zu mehr im Hochfrequenzhandel siehe: Strategien und Geheimnisse von High Frequency Trading (HFT) - Firmen) Algo-Trading wird in vielen Formen der Handels - und Investitionstätigkeit eingesetzt, darunter: mittel - bis langfristige Anleger oder Buy-Side-Unternehmen (Pensionsfonds) , Investmentfonds, Versicherungsgesellschaften), die in großen Mengen in Aktien kaufen, aber nicht die Aktienpreise mit diskreten, großvolumigen Investitionen beeinflussen wollen. Kurzfristige Händler und Verkaufsseitenteilnehmer (Market Maker, Spekulanten und Arbitrageure) profitieren von der automatisierten Handelsabwicklung darüber hinaus, Algo-Trading hilft bei der Schaffung von ausreichenden Liquidität für Verkäufer auf dem Markt. Systematische Händler (Trendfolger, Paar Trader, Hedgefonds etc.) finden es viel effizienter, ihre Handelsregeln zu programmieren und das Programm automatisch zu handeln. Der algorithmische Handel bietet einen systematischeren Ansatz für den aktiven Handel als Methoden, die auf einer menschlichen Trader-Intuition oder einem Instinkt basieren. Algorithmische Handelsstrategien Jede Strategie für den algorithmischen Handel erfordert eine identifizierte Chance, die in Bezug auf verbesserte Erträge oder Kostensenkungen rentabel ist. Im Folgenden werden gemeinsame Handelsstrategien verwendet, die im Algo-Trading verwendet werden: Die gängigsten algorithmischen Trading-Strategien folgen den Trends bei gleitenden Durchschnitten. Kanalausbrüche. Preisniveaubewegungen und zugehörige technische Indikatoren. Dies sind die einfachsten und einfachsten Strategien, um durch algorithmischen Handel zu implementieren, da diese Strategien keine Vorhersagen oder Preisvorhersagen beinhalten. Trades werden auf der Grundlage des Auftretens von wünschenswerten Trends initiiert. Die einfach und unkompliziert sind, um durch Algorithmen zu implementieren, ohne in die Komplexität der prädiktiven Analyse zu gelangen. Das oben genannte Beispiel von 50 und 200 Tage gleitenden Durchschnitt ist ein beliebter Trend nach Strategie. (Weitere Informationen zu Trendhandelsstrategien finden Sie unter: Einfache Strategien zur Aktivierung von Trends.) Der Kauf eines dualen Börsenplatzes zu einem niedrigeren Preis in einem Markt und der gleichzeitige Veräußerung zu einem höheren Preis in einem anderen Markt bietet die Preisdifferenz als risikofreier Gewinn Oder Arbitrage. Der gleiche Vorgang kann für Aktien gegen Futures-Instrumente repliziert werden, da Preisdifferenzen von Zeit zu Zeit existieren. Die Implementierung eines Algorithmus zur Identifizierung solcher Preisunterschiede und die Platzierung der Aufträge ermöglicht rentable Möglichkeiten in effizienter Weise. Index-Fonds haben Perioden des Neugewinns definiert, um ihre Bestände mit ihren jeweiligen Benchmark-Indizes in Einklang zu bringen. Dies schafft profitable Chancen für algorithmische Händler, die auf erwarteten Trades profitieren, die 20-80 Basispunkte Gewinne in Abhängigkeit von der Anzahl der Aktien im Indexfonds, kurz vor dem Indexfonds-Rebalancing anbieten. Solche Trades werden über algorithmische Handelssysteme für rechtzeitige Ausführung und beste Preise initiiert. Viele bewährte mathematische Modelle, wie die delta-neutrale Trading-Strategie, die den Handel auf Kombination von Optionen und deren zugrunde liegenden Sicherheit ermöglichen. Wo Trades gesetzt werden, um positive und negative Deltas zu versetzen, so dass das Portfolio-Delta auf Null gehalten wird. Die mittlere Reversionsstrategie basiert auf der Idee, dass die hohen und niedrigen Preise eines Vermögenswertes ein temporäres Phänomen sind, das periodisch auf ihren Mittelwert zurückkehrt. Identifizieren und Definieren einer Preisspanne und Implementierung von Algorithmen auf der Grundlage, dass Trades automatisch platziert werden, wenn der Preis von Asset Pausen in und aus seinem definierten Bereich. Die volumengewichtete durchschnittliche Preisstrategie zerbricht einen großen Auftrag und gibt dynamisch bestimmte kleinere Stücke des Auftrags auf den Markt mit Aktienspezifischen historischen Volumenprofilen frei. Ziel ist es, den Auftrag in der Nähe des volumengewichteten Durchschnittspreises (VWAP) auszuführen und damit zu einem durchschnittlichen Preis zu profitieren. Die zeitgewichtete durchschnittliche Preisstrategie zerbricht einen großen Auftrag und gibt dynamisch bestimmte kleinere Stücke des Auftrags auf den Markt mit gleichmäßig geteilten Zeitschlitzen zwischen Start - und Endzeit frei. Ziel ist es, den Auftrag in der Nähe des Durchschnittspreises zwischen Start - und Endzeiten auszuführen und damit die Markteinwirkung zu minimieren. Bis der Trade Order vollständig ausgefüllt ist, fährt dieser Algorithmus fort, Teilaufträge zu senden, entsprechend der definierten Beteiligungsquote und nach dem Volumen, das auf den Märkten gehandelt wird. Die zugehörige Schrittstrategie sendet Aufträge zu einem benutzerdefinierten Prozentsatz des Marktvolumens und erhöht oder verringert diese Erwerbsquote, wenn der Aktienkurs benutzerdefinierte Werte erreicht. Die Implementierungs-Defizitstrategie zielt darauf ab, die Ausführungskosten eines Auftrags durch den Handel auf dem Echtzeitmarkt zu minimieren und dadurch die Kosten der Bestellung zu senken und von den Opportunitätskosten der verzögerten Ausführung zu profitieren. Die Strategie wird die gezielte Erwerbsquote erhöhen, wenn sich der Aktienkurs günstig bewegt und abnimmt, wenn sich der Aktienkurs negativ bewegt. Es gibt ein paar spezielle Klassen von Algorithmen, die versuchen, Ereignisse auf der anderen Seite zu identifizieren. Diese Sniffing-Algorithmen, die zum Beispiel von einem Sell-Side-Market-Maker verwendet werden, haben die eingebaute Intelligenz, um die Existenz von Algorithmen auf der Kaufseite eines großen Auftrags zu identifizieren. Solche Erkennung durch Algorithmen wird dem Marktmacher dabei helfen, große Auftragsmöglichkeiten zu identifizieren und ihm zu ermöglichen, durch die Besetzung der Aufträge zu einem höheren Preis zu profitieren. Dies wird manchmal als Hightech-Frontlauf bezeichnet. (Für mehr auf High-Frequenz-Handel und betrügerische Praktiken, siehe: Wenn Sie Aktien kaufen Online, sind Sie in HFTs beteiligt.) Technische Voraussetzungen für Algorithmic Trading Die Umsetzung der Algorithmus mit einem Computer-Programm ist der letzte Teil, Clubbed mit Backtesting. Die Herausforderung besteht darin, die identifizierte Strategie in einen integrierten computergestützten Prozess umzuwandeln, der Zugang zu einem Handelskonto für die Platzierung von Aufträgen hat. Folgende werden benötigt: Computerprogrammierkenntnisse zur Programmierung der geforderten Handelsstrategie, angepasste Programmierer oder vorgefertigte Trading-Software Netzwerkkonnektivität und Zugriff auf Handelsplattformen für die Platzierung der Aufträge Der Zugriff auf Marktdaten-Feeds, die vom Algorithmus für die Möglichkeit der Platzierung überwacht werden Aufträge Die Fähigkeit und die Infrastruktur, das System einmalig zu testen, bevor es auf echten Märkten geht Erhältlich historische Daten für das Backtesting, abhängig von der Komplexität der im Algorithmus implementierten Regeln Hier ist ein umfassendes Beispiel: Royal Dutch Shell (RDS) ist in Amsterdam aufgeführt Börse (AEX) und Londoner Börse (LSE). Lets bauen einen Algorithmus, um Arbitrage-Möglichkeiten zu identifizieren. Hier sind einige interessante Beobachtungen: AEX handelt in Euro, während LSE in Pfund Sterling pflegt. Aufgrund der einstündigen Zeitdifferenz eröffnet AEX eine Stunde früher als LSE, gefolgt von beiden Börsen, die gleichzeitig für die nächsten Stunden handeln und dann nur in LSE handeln Die letzte Stunde als AEX schließt können wir die Möglichkeit der Arbitrage Handel auf der Royal Dutch Shell Aktie auf diesen beiden Märkten in zwei verschiedenen Währungen gelistet ein Computer-Programm, das aktuelle Marktpreise lesen können Preis Feeds von sowohl LSE und AEX A Forex Rate Feed für GBP-EUR Umrechnungskurs Bestellen von Platzierungsmöglichkeiten, die den Auftrag an den richtigen Austausch weiterleiten können Back-Testing-Fähigkeit zu historischen Preisfuttermitteln Das Computerprogramm sollte folgendes ausführen: Lesen Sie den eingehenden Preisvorschub der RDS-Aktie von beiden Börsen unter Verwendung der verfügbaren Wechselkurse . Umwandlung des Preises einer Währung in andere Wenn es eine ausreichend große Preisdiskrepanz (Abzinsung der Vermittlungskosten) gibt, die zu einer gewinnbringenden Gelegenheit führt, dann legen Sie den Kaufauftrag auf niedrigeren Preisvermittlungs - und Verkaufsauftrag auf höherer Preisvermittlung Wenn die Aufträge als ausgeführt werden Gewünscht, wird die Arbitrage Gewinn folgen Simple und Easy Allerdings ist die Praxis der algorithmischen Handel ist nicht so einfach zu pflegen und auszuführen. Denken Sie daran, wenn Sie einen Algo-generierten Handel platzieren können, so können die anderen Marktteilnehmer. Infolgedessen schwanken die Preise in Milli - und sogar Mikrosekunden. In dem obigen Beispiel, was passiert, wenn Ihr Kaufhandel ausgeführt wird, aber verkaufen Handel nicht als die Verkaufspreise ändern sich um die Zeit Ihre Bestellung trifft den Markt Sie werden am Ende sitzen mit einer offenen Position. Ihre Arbitrage-Strategie wertlos machen. Es gibt zusätzliche Risiken und Herausforderungen: z. B. Systemausfallrisiken, Netzwerkverbindungsfehler, Zeitverzögerungen zwischen Handelsaufträgen und Ausführung und vor allem unvollständige Algorithmen. Je komplexer ein Algorithmus ist, desto strengeres Backtesting ist nötig, bevor es in die Tat umgesetzt wird. Die quantitative Analyse einer Algorithmen-Performance spielt eine wichtige Rolle und sollte kritisch untersucht werden. Es ist spannend, für die Automatisierung zu helfen, die von Computern mit einer Vorstellung geboten wird, um mühelos Geld zu verdienen. Aber man muss sicherstellen, dass das System gründlich getestet ist und die erforderlichen Grenzwerte festgelegt sind. Analytische Händler sollten überlegen, Programmierung und Gebäude-Systeme auf eigene Faust zu lernen, um sicher zu sein, die Umsetzung der richtigen Strategien in narrensicherer Weise zu sein. Der vorsichtige Gebrauch und die gründliche Prüfung von algo-trading können rentable Chancen schaffen. Der Gesamtdollarmarktwert aller ausstehenden Aktien der Gesellschaft039s. Die Marktkapitalisierung erfolgt durch Multiplikation. Frexit kurz für quotFrench exitquot ist ein französischer Spinoff des Begriffs Brexit, der entstand, als das Vereinigte Königreich stimmte. Ein Auftrag mit einem Makler, der die Merkmale der Stop-Order mit denen einer Limit-Order kombiniert. Ein Stop-Limit-Auftrag wird. Eine Finanzierungsrunde, in der Anleger eine Aktie von einer Gesellschaft mit einer niedrigeren Bewertung erwerben als die Bewertung, Eine ökonomische Theorie der Gesamtausgaben in der Wirtschaft und ihre Auswirkungen auf die Produktion und Inflation. Keynesianische Wirtschaft wurde entwickelt. Ein Bestand eines Vermögenswerts in einem Portfolio. Eine Portfolioinvestition erfolgt mit der Erwartung, eine Rendite zu erzielen. Diese Post wird detailliert, was ich getan habe, um ca. 500k vom Hochfrequenzhandel von 2009 bis 2010. Da ich völlig unabhängig handelte und nicht mehr mein Programm Irsquom gerne alles erzähle. Mein Handel war vor allem in Russel 2000 und DAX Futures-Kontrakte. Der Schlüssel zu meinem Erfolg, glaube ich, war nicht in einer anspruchsvollen finanziellen Gleichung, sondern in der Gesamt-Algorithmus-Design, die zusammengebunden viele einfache Komponenten und verwendet Maschinen Lernen zu optimieren für maximale Rentabilität. Sie müssen nicht wissen, jede anspruchsvolle Terminologie hier, denn wenn ich mein Programm einrichten, war es alles auf Intuition basiert. (Andrew Ngrsquos erstaunliche Maschine Lernkurs war noch nicht verfügbar - btw, wenn Sie auf diesen Link klicken Sie zu Ihrem aktuellen Projekt: CourseTalk, eine Rezension Website für MOOCs) Zuerst möchte ich nur zeigen, dass mein Erfolg war nicht einfach das Ergebnis von Glück. Mein Programm machte 1000-4000 Trades pro Tag (halb lang, halb kurz) und nie in Positionen von mehr als ein paar Verträge auf einmal. Dies bedeutete das zufällige Glück von jedem einzelnen Handel gemittelt ziemlich schnell. Das Ergebnis war, dass ich niemals mehr als 2000 an einem Tag verloren hatte und nie einen verlorenen Monat hatte: (EDIT. Diese Zahlen sind nach Bezahlung von Provisionen) Und Herersquos ein Diagramm, um dir ein Gefühl der täglichen Variation zu geben. Beachten Sie, dass dies die letzten 7 Monate ausschließt, weil - da die Figuren aufgehört haben - ich habe meine Motivation verloren, sie zu betreten. Mein Trading Hintergrund Vor der Einrichtung meiner automatisierten Trading-Programm Irsquod hatte 2 Jahre Erfahrung als ldquomanualrdquo Tag Händler. Dies war wieder im Jahr 2001 - es war die frühen Tage des elektronischen Handels und es gab Möglichkeiten für ldquoscalpersrdquo, um gutes Geld zu machen. Ich kann nur beschreiben, was ich tat so ähnlich wie ein Videospiel spielen mit einem angeblichen Rand. Erfolgreich zu sein bedeutet, schnell zu sein, diszipliniert zu sein und eine gute intuitive Mustererkennung zu haben. Ich konnte rund 250k machen, meine Studentenkredite auszahlen und Geld übrig haben. Win In den nächsten fünf Jahren würde ich zwei Startups starten und dabei einige Programmierkenntnisse abholen. Es würde bis Ende 2008 sein, dass ich wieder in den Handel zurückkehren würde. Mit Geld läuft niedrig aus dem Verkauf meiner ersten Startup, Trading angeboten Hoffnungen auf einige schnelle Bargeld, während ich herausgefunden, meine nächste Bewegung. Im Jahr 2008 war ich ldquomanuallyrdquo Tag Handel Futures mit Software namens T4. Irsquod wünschte einige kundenspezifische Auftragseingabe-Hotkeys, also nach der Entdeckung von T4 hatte eine API, nahm ich auf die Herausforderung des Lernens C (die Programmiersprache erforderlich, um die API verwenden) und ging voran und baute mir einige Hotkeys. Nachdem ich meine Füße nass mit der API hatte, hatte ich bald größere Bestrebungen: Ich wollte den Computer lehren, um für mich zu handeln. Die API stellte sowohl einen Strom von Marktdaten als auch einen einfachen Weg zur Verfügung, um Aufträge an den Austausch zu senden - alles was ich tun musste, war die Logik in der Mitte zu schaffen. Unten ist ein Screenshot eines T4-Handelsfensters. Was war cool war das, wenn ich mein Programm arbeitete, konnte ich den Computerhandel auf dieser exakt gleichen Schnittstelle sehen. Das Aufpassen von echten Ordnungen, die in und aus (selbst mit meinem echten Geld) auftauchen, war sowohl spannend als auch beängstigend. Das Design meines Algorithmus Von Anfang an war mein Ziel, ein System so einzurichten, dass ich vernünftig zuversichtlich sein könnte Irsquod Geld verdienen, bevor es jemals irgendwelche Live-Trades macht. Um dies zu erreichen, musste ich ein Trading-Simulations-Framework aufbauen, das - so genau wie möglich - den Live-Handel simulieren würde. Während der Handel im Live-Modus erforderlich Verarbeitungs-Markt-Updates durch die API gestreamt, Simulations-Modus erforderlich Lesung Markt Updates aus einer Datei-Datei. Um diese Daten zu sammeln, setze ich die erste Version meines Programms ein, um einfach eine Verbindung zur API herzustellen und Marktaktualisierungen mit Zeitstempeln aufzuzeichnen. Ich landete mit 4 Wochen im Wert von aktuellen Marktdaten zu trainieren und testen mein System auf. Mit einem Grundrahmen stand ich immer noch die Aufgabe, herauszufinden, wie man ein profitables Handelssystem macht. Wie sich herausstellt, würde mein Algorithmus in zwei verschiedene Komponenten zerfallen, die Irsquoll nacheinander erforscht: Preisbewegungen vorhersagen und gewinnbringend handeln Vorhersage der Preisbewegungen Vielleicht ist ein offensichtlicher Bestandteil eines jeden Handelssystems in der Lage, vorherzusagen, wo sich die Preise bewegen werden. Und meine war keine Ausnahme. Ich habe den aktuellen Preis als den Durchschnitt des Innengebots und des Innenangebots definiert und ich habe das Ziel der Vorhersage, wo der Preis in den nächsten 10 Sekunden wäre. Mein Algorithmus müsste diese Vorhersage morgens über den Handelstag heraufkommen. Erstellen von Amp-Optimierungsindikatoren Ich habe eine Handvoll von Indikatoren erstellt, die eine sinnvolle Fähigkeit zur Vorhersage kurzfristiger Kursbewegungen haben. Jeder Indikator produzierte eine Zahl, die entweder positiv oder negativ war. Ein Indikator war nützlich, wenn mehr als oft nicht eine positive Zahl mit dem Markt übereinstieg und eine negative Zahl entsprach mit dem Markt nach unten. Mein System erlaubte mir, schnell zu bestimmen, wieviel prädiktive Fähigkeit irgendein Indikator so war, dass ich mit vielen verschiedenen Indikatoren experimentieren konnte, um zu sehen, was funktionierte. Viele der Indikatoren hatten Variablen in den Formeln, die sie produzierten, und ich konnte die optimalen Werte für diese Variablen finden, indem sie nebeneinander Vergleiche von Ergebnissen mit unterschiedlichen Werten erzielten. Die Indikatoren, die am nützlichsten waren, waren alle relativ einfach und basierten auf den jüngsten Ereignissen auf dem Markt, den ich handelte, sowie die Märkte der korrelierten Wertpapiere. Genaue Preisbewegungen vorhersagen Mit Indikatoren, die einfach eine Aufwärts - oder Abwärtsbewegungsbewegung vorhergesagt haben, war gar nicht genug. Ich musste genau wissen, wie viel Preisbewegung von jedem möglichen Wert jedes Indikators vorhergesagt wurde. Ich brauchte eine Formel, die einen Indikatorwert zu einer Preisvorhersage umwandeln würde. Um dies zu erreichen, verfolgte ich die vorhergesagten Preisbewegungen in 50 Eimern, die von der Reichweite abhingen, die der Indikatorwert einfiel. Dies erzeugte einzigartige Vorhersagen für jeden Eimer, den ich dann in Excel grafisch darstellen konnte. Wie Sie sehen können, steigt die erwartete Preisänderung mit steigendem Indikatorwert. Basierend auf einem Graphen wie diesem war ich in der Lage, eine Formel zu machen, um die Kurve zu passen. Am Anfang habe ich diese ldquocurve fittingrdquo manuell, aber ich schrieb bald einen Code, um diesen Prozess zu automatisieren. Beachten Sie, dass nicht alle Indikatorkurven die gleiche Form hatten. Beachten Sie auch, dass die Eimer logarithmisch verteilt wurden, um die Datenpunkte gleichmäßig zu verbreiten. Schließlich ist zu beachten, dass negative Indikatorwerte (und ihre entsprechenden Abwärtspreisvorhersagen) umgedreht und mit den positiven Werten kombiniert wurden. (Mein Algorithmus behandelt genau und unten genau das gleiche.) Kombinieren von Indikatoren für eine einzelne Vorhersage Eine wichtige Sache zu berücksichtigen war, dass jeder Indikator war nicht völlig unabhängig. Ich konnte einfach nur addieren alle Vorhersagen, dass jeder Indikator individuell gemacht. Der Schlüssel war, um herauszufinden, die zusätzlichen prädiktiven Wert, dass jeder Indikator hatte über das, was bereits vorhergesagt wurde. Dies war nicht schwer zu implementieren, aber es bedeutete, dass, wenn ich ldquocurve passend wäre, um mehrere Indikatoren zur gleichen Zeit musste ich vorsichtig ändern, würde man die Vorhersagen eines anderen beeinflussen. Um ldquocurve fitrdquo alle Indikatoren zur gleichen Zeit Ich setze den Optimierer zu Schritt nur 30 der Weg in Richtung der neuen Vorhersage Kurven mit jedem Pass. Mit diesem 30 Sprung habe ich festgestellt, dass sich die Vorhersagekurven innerhalb einiger Pässe stabilisieren würden. Mit jedem Indikator jetzt geben uns itrsquos zusätzliche Preisvorhersage Ich könnte einfach addieren sie bis zu einer einzigen Vorhersage, wo der Markt wäre in 10 Sekunden zu produzieren. Warum die Vorhersage der Preise ist nicht genug Sie könnten denken, dass mit diesem Rand auf dem Markt war ich golden. Aber man muss bedenken, dass der Markt aus Angeboten und Angeboten besteht - itrsquos nicht nur einen Marktpreis. Erfolg im Hochfrequenzhandel kommt auf gute Preise und itrsquos nicht so einfach. Die folgenden Faktoren machen das Schaffen eines rentablen Systems schwierig: Mit jedem Handel musste ich Provisionen sowohl an meinen Makler als auch an den Austausch bezahlen. Die Ausbreitung (Differenz zwischen Höchstgebot und niedrigem Angebot) bedeutete, dass ich, wenn ich einfach zufällig kaufen und verkaufen würde, Irsquod eine Tonne Geld verlieren würde. Die meisten der Marktvolumen waren andere Bots, die nur einen Handel mit mir ausführen würden, wenn sie dachten, sie hätten einen statistischen Rand. Ein Angebot zu sehen, garantierte nicht, dass ich es kaufen könnte. Zu der Zeit, als mein Kaufauftrag an die Börse kam, war es sehr möglich, dass dieses Angebot storniert wurde. Als kleiner Marktspieler gab es keine Möglichkeit, mit der Geschwindigkeit allein zu konkurrieren. Aufbau einer vollständigen Trading-Simulation So hatte ich einen Rahmen, der mir erlaubt, Backtest und Optimierung Indikatoren. Aber ich musste darüber hinausgehen - ich brauchte einen Rahmen, der es mir erlaubte, ein volles Trading System zu backtest und zu optimieren, wo ich Aufträge abschickte und in Positionen kam. In diesem Fall wird Irsquod für die Gesamt-PampL und in gewissem Maße die durchschnittliche Pampl pro Handel optimieren. Das wäre schwieriger und in gewisser Weise unmöglich, genau zu modellieren, aber ich tat so gut wie ich konnte. Hier sind einige der Probleme, mit denen ich zu tun hatte: Als ein Auftrag in der Simulation auf den Markt geschickt wurde, musste ich die Verzögerungszeit modellieren. Die Tatsache, dass mein System ein Angebot sah, bedeutete nicht, dass es es sofort kaufen konnte. Das System würde die Bestellung senden, ca. 20 Millisekunden warten und dann nur dann, wenn das Angebot noch da war, wurde es als ein ausgeführter Handel betrachtet. Dies war ungenau, weil die reale Verzögerungszeit inkonsistent und nicht gemeldet war. Als ich Angebote oder Angebote platzierte, musste ich den Handelsausführungsstrom (von der API zur Verfügung gestellt) betrachten und diese nutzen, um zu messen, wann meine Bestellung hingerichtet worden wäre. Um dies zu tun, musste ich die Position meiner Bestellung in der Warteschlange verfolgen. (Itrsquos ein First-In-First-Out-System.) Wieder konnte ich das nicht perfekt machen, aber ich habe eine optimale Annäherung gemacht. Um meine Auftragsausführungssimulation zu verfeinern, habe ich meine Log-Dateien aus dem Live-Trading über die API genommen und sie mit Log-Dateien verglichen, die von simuliertem Trading aus genau dem gleichen Zeitraum erstellt wurden. Ich konnte meine Simulation auf den Punkt bringen, dass es ziemlich genau war und für die Teile, die unmöglich waren, genau zu modellieren, stellte ich sicher, dass ich zumindest Ergebnisse erzähle, die statistisch ähnlich waren (in den Metriken, die ich für wichtig hielt). Profitables Handeln Mit einem Bestellsimulationsmodell konnte ich jetzt im Simulationsmodus Aufträge senden und eine simulierte PampL sehen. Aber wie würde mein System wissen, wann und wo zu kaufen und zu verkaufen Die Preisbewegungsvorhersagen waren ein Ausgangspunkt, aber nicht die ganze Geschichte. Was ich tat, war ein Scoring-System für jedes von 5 Preisniveaus auf dem Angebot und Angebot. Diese beinhalteten eine Ebene über dem Innengebot (für einen Kaufauftrag) und eine Ebene unter dem Innenangebot (für einen Verkaufsauftrag). Wenn die Punktzahl zu einem bestimmten Preisniveau über einer bestimmten Schwelle lag, würde das mein System ein aktives Bidoffer dort haben - unterhalb der Schwelle, dann sollten alle aktiven Aufträge storniert werden. Basierend darauf war es nicht ungewöhnlich, dass mein System ein Gebot auf dem Markt blinkt und dann sofort abbrechen würde. (Obwohl ich versuchte, dies zu minimieren, da es sich um die Klappe handelt, die auf den Bildschirm mit menschlichen Augen - mit mir auf den Bildschirm schaut - die Preisniveau-Scores wurden auf der Grundlage der folgenden Faktoren berechnet: Die Preisbewegungsvorhersage (die wir früher besprochen haben). Das Preisniveau in Frage. (Innere Ebenen bedeuteten größere Preisbewegungsvorhersagen erforderlich.) Die Anzahl der Verträge vor meiner Bestellung in der Warteschlange. (Weniger war besser.) Die Anzahl der Verträge hinter meiner Bestellung in der Warteschlange. (Mehr war besser.) Im Wesentlichen diese Faktoren diente dazu, ldquosaferdquo Plätze zu bieten, um zu bieten. Die Preisbewegungsvorhersage allein war nicht ausreichend, weil es nicht darauf hinwies, dass bei der Abgabe eines Gebots ich nicht automatisch gefüllt war - ich bin nur gefüllt, wenn mir jemand dort verkauft wurde. Die Realität war, dass die bloße Tatsache von jemandem, der mir zu einem bestimmten Preis verkaufte, die statistischen Chancen des Handels änderte. Die in diesem Schritt verwendeten Variablen wurden der Optimierung unterworfen. Dies geschah genau so, wie ich die Variablen in den Preisbewegungsindikatoren optimierte, außer in diesem Fall optimierte ich für die untere Zeile PampL. Was mein Programm ignoriert Beim Handel als Menschen haben wir oft starke Emotionen und Bias, die zu weniger als optimalen Entscheidungen führen können. Klar, ich wollte diese Vorurteile nicht kodifizieren. Hier sind einige Faktoren mein System ignoriert: Der Preis, dass eine Position eingegeben wurde - In einem Handelsbüro itrsquos ziemlich häufig zu sprechen Gespräch über den Preis, bei dem jemand ist lang oder kurz, als ob das sollte ihre zukünftige Entscheidungsfindung zu beeinflussen. Während dies eine gewisse Gültigkeit als Teil einer Risikominderungsstrategie hat, hat es wirklich keinen Einfluss auf den zukünftigen Verlauf der Ereignisse auf dem Markt. Deshalb hat mein Programm diese Informationen völlig ignoriert. Itrsquos das gleiche Konzept wie ignoriert versenkt Kosten. Gehen Sie kurz, um eine lange Position zu verlassen - Typischerweise würde ein Händler unterschiedliche Kriterien haben, die bestimmen, wo man eine lange Position versus, wo man kurz gehen kann. Aber aus meiner Algorithmenperspektive gab es keinen Grund, sich zu unterscheiden. Wenn mein Algorithmus erwartete, dass ein Abwärtsbewegungsverkauf eine gute Idee war, unabhängig davon, ob es momentan lang, kurz oder flach war. Eine ldquodoubling uprdquo Strategie - Dies ist eine gemeinsame Strategie, in der Händler mehr Lager kaufen werden, falls der ursprüngliche Handel gegen sie geht. Dies führt dazu, dass Ihr durchschnittlicher Kaufpreis niedriger ist und es bedeutet, wann (oder wenn) die Aktie um Ihr Geld herum dreht, um Ihr Geld zurück in kürzester Zeit zu machen. Meiner Meinung nach ist das wirklich eine schreckliche Strategie, wenn nicht Ihr Warren Buffet. Du hast in das Denken geträumt, dass es dir gut geht, denn die meisten deiner Trades werden Gewinner sein. Das Problem ist, wenn Sie verlieren verlieren Sie groß. Der andere Effekt ist es macht es schwer zu beurteilen, ob Sie tatsächlich einen Rand auf dem Markt haben oder einfach nur Glück haben. In der Lage zu überwachen und zu bestätigen, dass mein Programm in der Tat eine Kante war ein wichtiges Ziel war. Da mein Algorithmus Entscheidungen auf die gleiche Weise getroffen hat, unabhängig davon, wo er in einen Handel eingetreten ist oder ob es momentan lang oder kurz war, setzte er gelegentlich einige große, verlorene Trades (neben einigen großen Gewinnen). Aber du solltest nicht glauben, dass es kein Risikomanagement gab. Um das Risiko zu bewältigen, habe ich eine maximale Positionsgröße von 2 Verträgen zu einem Zeitpunkt erzwungen, gelegentlich auf hohe Volumen Tage gestoßen. Ich hatte auch eine maximale tägliche Verlustgrenze, um gegen unerwartete Marktbedingungen oder einen Bug in meiner Software zu schützen. Diese Grenzen wurden in meinem Code aber auch im Backend durch meinen Makler erzwungen. Wie es passiert ist, habe ich noch keine signifikanten Probleme gefunden. Das Ausführen des Algorithmus Von dem Moment an, als ich anfing, an meinem Programm zu arbeiten, dauerte es ungefähr 6 Monate, bevor ich es auf den Punkt der Profitabilität erhielt und damit begonnen habe, es zu leben. Obwohl es eine angemessene Menge an Zeit war, eine neue Programmiersprache zu lernen. Als ich arbeitete, um das Programm zu verbessern, sah ich erhöhte Gewinne für jedes der nächsten vier Monate. Jede Woche würde ich mein System auf der Grundlage der vorherigen 4 Wochen im Wert von Daten umschulen. Ich fand, dass dies die richtige Balance zwischen der Erfassung der jüngsten Markt Verhaltens-Trends und versichert mein Algorithmus hatte genug Daten, um sinnvolle Muster zu etablieren. Als die Ausbildung begann immer mehr Zeit, ich spaltete es aus, so dass es von 8 virtuellen Maschinen mit amazon EC2 durchgeführt werden könnte. Die Ergebnisse wurden dann auf meiner lokalen Maschine verschmolzen. Der Höhepunkt meines Handels war Oktober 2009, als ich fast 100k machte. Danach setzte ich fort, die nächsten vier Monate zu verbringen, um mein Programm trotz des verringerten Gewinns jeden Monat zu verbessern. Leider habe ich an diesem Punkt vermutet, dass Irsquod alle meine besten Ideen umgesetzt hat, weil nichts, was ich versuchte, viel zu helfen schien. Mit der Frustration, nicht in der Lage zu sein, Verbesserungen zu machen und kein Gefühl des Wachstums zu haben, begann ich, über eine neue Richtung nachzudenken. Ich emailed 6 verschiedene Hochfrequenz-Handelsfirmen zu sehen, ob theyrsquod daran interessiert sind, meine Software zu kaufen und mich einzustellen, um für sie zu arbeiten. Niemand antwortete. Ich hatte einige neue Startup-Ideen, an denen ich arbeiten wollte, also habe ich nie weiter gefolgt. UPDATE - Ich habe das auf Hacker News geschrieben und es hat viel Aufmerksamkeit bekommen. Ich möchte nur sagen, dass ich niemanden befürworte, der versucht, so etwas selbst zu tun. Du brauchst ein Team von wirklich schlauen Menschen mit einer Reihe von Erfahrungen, um jede Hoffnung auf Konkurrenz zu haben. Sogar als ich das tat, glaube ich, dass es sehr selten für Einzelpersonen war, Erfolg zu erzielen (obwohl ich von anderen gehört hatte). Es gibt einen Kommentar an der Oberseite der Seite, der manipulierte Statistiken erwähnt und bezieht sich auf mich als ldquoretail investorrdquo, das kommt Würde ldquogleeful pick offrdquo. Dies ist ein ziemlich unglücklicher Kommentar, der in der Wirklichkeit einfach nicht basiert. Abgesehen davon, dass beiseite einige interessante Kommentare: news. ycombinatoritemid4748624 UPDATE 2 - Irsquove hat eine Follow-up-FAQ, die einige häufige Fragen beantwortet Irsquove von Händlern über diesen Beitrag erhalten. XENON hat verbesserte Performance-Computing auf die hoch spezialisierte Bereich der Genomik gebracht. Der ganze Punkt der Technologie ist es, neue Fortschritte für die Gesellschaft so erschwinglich wie möglich zu ermöglichen. Wenn diese Gewinne auf den biomedizinischen Beruf angewendet werden, profitieren wir alle mit jeder Verbesserung, jeden Tag. Eine NVMe-basierte Intel SSD DC P3700 Serie und neue Intel Cache Acceleration Software für Windows Workstations (Intel CAS-W) Technologie für schnellere Rendering und Übertragung von Modellierungsdaten. Ob es sich um einen SUV, eine Stadt Runaround, ein Hybrid oder ein Luxus-Modell youre nach, theres nie eine größere Palette von Autos für den Verbraucher zur Verfügung. Jede Marke hat zahlreiche Modelle, und jedes Modell ist je nach dem Zweck unterschiedlich und der Fahrer gewünscht aussehen und fahren. In Australien allein gibt es derzeit rund 65 SUVs aus der Wahl eines Autos ist eine sehr emotionale Entscheidung. Während wir ein Auto wählen können, das auf der Erschwinglichkeit, der Marke, der Ästhetik oder der Handhabung basiert, wird ein großer Teil unserer Entscheidung nach dem Zweck und den gewünschten Fahrern fahrend fallen. XENON wird den FlashLite-Computer aufbauen und die Betriebssysteme vorkonfigurieren Und Cluster-Middleware am Hauptsitz in Melbourne. Der voll funktionsfähige FlashLite-Computer der erste seiner Art in Australien, ist geplant, um auf und läuft an der Universität von Queensland im Juli dieses Jahres.
No comments:
Post a Comment