استراتژی های تجارت الگوریتمی به سادگی استراتژی هایی هستند که به زبان رایانه ای مانند پایتون برای اجرای سفارشات تجاری کدگذاری می شوند. معامله گر این استراتژی ها را برای استفاده از قابلیت های پردازش یک کامپیوتر برای انجام معاملات به شیوه ای کارآمدتر و بدون مداخله حداقل کدگذاری می کند.
بگذارید در مورد استراتژی های تجارت الگوریتمی با این وبلاگ اطلاعات بیشتری کسب کنیم:
استراتژی های تجارت الگوریتمی چیست؟
"تجارت الگوریتمی" اصطلاحی است که ممکن است پیچیده به نظر برسد اما در صورت داشتن فداکاری برای یادگیری و رکود برای یادگیری ، به راحتی قابل اجرا است.
یک الگوریتم اساساً مجموعه ای از دستورالعمل ها یا قوانینی برای ساختن رایانه به نمایندگی از برنامه نویس است (کسی که الگوریتم را ایجاد می کند). برنامه نویس ، در حوزه معاملاتی ، معامله گر است که حداقل یکی از زبانهای برنامه نویسی رایانه ای را که به C ، C ++ ، Java ، Python و غیره معروف است ، دانش دارد.
این دانش در مورد زبان برنامه نویسی مورد نیاز است زیرا معامله گر باید مجموعه ای از دستورالعمل ها را به زبانی که رایانه می فهمد کدگذاری کند.
به طور خلاصه ، در معاملات ، مجموعه دستورالعمل ها یا قوانین به رایانه (توسط معامله گر) داده می شود تا اجرای سفارشات تجاری از طریق بورس با حداقل مداخله انسانی را خودکار کند. به این تجارت الگوریتمی گفته می شود.
با آمدن به "استراتژی های تجارت الگوریتمی" ، استراتژی های معاملاتی توسط یک معامله گر که دارای دانش در مورد بازار مالی با توجه به
- ورود به بازار (خرید وقتی قیمت ها مطلوب هستند)
- خروج از بازار (فروش هنگامی که قیمت ها شروع به پایین تر از انتظارات می کنند)
این استراتژی ها به عنوان مجموعه ای از دستورالعمل های برنامه ریزی شده کدگذاری شده اند تا بتوانند بازده مطلوب برای معامله گر را فراهم کنند. مجموعه دستورالعمل های رایانه به زبان های برنامه نویسی (مانند C ، C ++ ، Java ، Python) آورده شده است. پس از آن ، رایانه می تواند سیگنال تولید کند و بر این اساس موقعیت معاملاتی را به دست بگیرد.
طبقه بندی استراتژی های تجارت الگوریتمی ، پارادایم ها و ایده های مدل سازی
تمام استراتژی های تجارت الگوریتمی که امروزه مورد استفاده قرار می گیرند می توانند به طور گسترده در دسته های زیر طبقه بندی شوند:
- استراتژی های مبتنی بر حرکت یا استراتژی های تجارت الگوریتمی پیروی از روند
- استراتژی های تجارت الگوریتمی داوری
- استراتژی های تجارت الگوریتمی ساخت بازار
- یادگیری ماشین در تجارت
- گزینه های معاملات و گزینه های معاملاتی گزینه ها
ما به الگرافرهای استراتژی و ایده های مدل سازی مربوط به هر استراتژی تجارت الگوریتمی در زیر می پردازیم.
استراتژی های مبتنی بر حرکت یا استراتژی های تجارت الگوریتمی پیروی از روند
فرض کنید که روند خاصی در بازار وجود دارد. به عنوان یک معامله گر Algo ، شما این روند را دنبال می کنید.
علاوه بر فرض ما ، بازارها در طی هفته قرار می گیرند. اکنون می توانید از آمار استفاده کنید تا مشخص شود که آیا این روند ادامه دارد یا خیر. یا اگر در هفته های آینده تغییر کند. بر این اساس ، شما حرکت بعدی خود را انجام خواهید داد.
شما استراتژی تجارت الگوریتمی خود را بر اساس روند بازار که با استفاده از آمار تعیین کرده اید ، پایه گذاری کرده اید.
این روش روندهای زیر استراتژی مبتنی بر حرکت نامیده می شود.
روش های بی شماری برای اجرای این استراتژی تجارت الگوریتمی وجود دارد و در یکی از مقالات قبلی ما با عنوان "روش سنجش اخبار برای تجارت خودکار" به تفصیل مورد بحث قرار گرفته است.
الگوی استراتژی استراتژی های مبتنی بر حرکت
استراتژی های حرکت به دنبال سودآوری از روند موجود با استفاده از نوسانات بازار هستند.
"با کلمات ساده ، زیاد بخرید و بالاتری بفروشید و برعکس."
و چگونه می توانیم به این هدف برسیم؟
- مواضع کوتاه مدت: در این استراتژی خاص تجارت الگوریتمی ، ما در سهام هایی که بالا یا پایین می روند ، تا زمانی که علائم وارونگی را نشان دهند ، موقعیت های کوتاه مدت را در پیش می گیریم. تقریباً برای همه استراتژی های مشهور دیگر ضد شهود است.
- سرمایه گذاری ارزش: سرمایه گذاری ارزش به طور کلی مبتنی بر بازگشت بلند مدت به معنای متوسط است در حالی که سرمایه گذاری حرکت بر اساس شکاف در زمان قبل از وقوع معکوس است.
- Momentum: Momentum در حال تعقیب عملکرد است ، اما به طور سیستماتیک با استفاده از سایر تعقیب کننده های عملکردی که تصمیمات عاطفی می گیرند.
معمولاً برای هر استراتژی که ثابت شده است از نظر تاریخی کار می کند ، دو توضیح داده شده است ،
- یا استراتژی خطر اضافی را که در آن می گیرد جبران کرده است ، یا
- عوامل رفتاری وجود دارد که به همین دلیل حق بیمه وجود دارد.
چرا حرکت می کند؟
لیست طولانی از تعصبات رفتاری و اشتباهات عاطفی وجود دارد که سرمایه گذاران به دلیل آن حرکت می کنند.
با این حال ، این ساده تر از آنچه انجام شده است گفته می شود زیرا روندها برای همیشه دوام ندارند و می توانند هنگام اوج و پایان دادن به معکوس های سریع نشان دهند.
معاملات حرکت نسبت به سایر استراتژی ها دارای درجه ای بالاتری از نوسانات است و سعی می کند از نوسانات بازار سرمایه گذاری کند.
برای جلوگیری از ضرر با استفاده از تکنیک های مناسب برای مدیریت ریسک و از بین رفتن ، زمان خرید و فروش صحیح است. سرمایه گذاری حرکت نیاز به نظارت مناسب و تنوع مناسب برای محافظت در برابر چنین تصادفات شدید دارد.
مدل سازی ایده های استراتژی های مبتنی بر حرکت
اول از همه ، شما باید بدانید که چگونه حرکت قیمت یا روند را تشخیص دهید. همانطور که در حال حاضر در تجارت هستید ، می دانید که می توان با استفاده از سهام زیر و ETF هایی که به طور مداوم روزها ، هفته ها یا حتی چند ماه پشت سر هم می روند ، روندها را تشخیص دهند.
به عنوان مثال ، سهام معاملات سهام را در 10 ٪ از 52 هفته خود مشخص کنید یا به تغییر درصد قیمت در طی 12 یا 24 هفته گذشته نگاه کنید. به طور مشابه با توجه به یک روند کوتاه تر ، شامل تغییر قیمت کوتاه مدت است.
به عنوان مثال ، در سال 2008 ، بخش نفت و انرژی به طور مداوم به عنوان یکی از بخش های برتر حتی در حالی که در حال فروپاشی بود ، قرار گرفت.
انواع استراتژی های معاملات حرکت
ما همچنین می توانیم برای درک حرکات موجود در قیمت سهام به درآمد نگاه کنیم. استراتژی های مبتنی بر بازده گذشته (استراتژی های حرکت قیمت) یا تعجب درآمدها (معروف به استراتژی های حرکت درآمدی) از بازار تحت واکنش به بخش های مختلف اطلاعات بهره برداری می کنند.
- استراتژی های حرکت درآمدها: یک استراتژی حرکت درآمدی ممکن است از واکنش کمتری به اطلاعات مربوط به درآمد کوتاه مدت سود ببرد.
- استراتژی های حرکت قیمت: یک استراتژی حرکت قیمت ممکن است از پاسخ آهسته بازار به مجموعه گسترده تری از اطلاعات از جمله سودآوری طولانی مدت سود ببرد.
به خواندن مفید در زیر نگاهی بیندازید:
استراتژی های تجارت الگوریتمی داوری
بیایید داوری را با یک مثال درک کنیم. اگر فرض کنیم که یک شرکت داروسازی توسط یک شرکت دیگر خریداری می شود ، قیمت سهام آن Corp می تواند بالا برود.
این امر توسط کسب و کار که یک رویداد شرکتی است انجام می شود. اگر قصد دارید بر اساس ناکارآمدی قیمت گذاری که ممکن است در یک رویداد شرکت (قبل یا بعد از آن) اتفاق بیفتد سرمایه گذاری کنید ، پس از یک استراتژی رویداد محور استفاده می کنید.
ورشکستگی ، کسب ، ادغام ، اسپین آف و غیره می تواند رویدادی باشد که چنین نوع استراتژی سرمایه گذاری را هدایت می کند. این استراتژی های معاملاتی داوری می توانند بی طرف بازار باشند و توسط صندوق های تامینی و معامله گران اختصاصی به طور گسترده استفاده شوند.
داوری آماری
هنگامی که یک فرصت داوری به دلیل سوء استفاده در قیمت ها بوجود می آید ، می تواند برای استراتژی تجارت الگوریتمی بسیار سودمند باشد. اگرچه ، چنین فرصت هایی برای مدت زمان بسیار کوتاهی وجود دارد زیرا قیمت های موجود در بازار به سرعت تنظیم می شوند. و به همین دلیل این بهترین استفاده از استراتژی های تجارت الگوریتمی است ، زیرا یک ماشین خودکار می تواند چنین تغییراتی را فوراً ردیابی کند.
به عنوان مثال ، فرض کنید که هر بار که قیمت سهام اپل با 1 دلار کاهش می یابد ، قیمت مایکروسافت نیز با 0. 5 دلار کاهش می یابد. اکنون ، با توجه به این مورد که مایکروسافت هنوز سقوط نکرده است ، می توانید پیش بروید و مایکروسافت را برای سودآوری بفروشید.
الگوی استراتژی داوری آماری
اگر ساخت بازار استراتژی است که از گسترش پیشنهادات استفاده می کند ، داوری آماری به دنبال سودآوری آماری یک یا چند دارایی بر اساس ارزش مورد انتظار این دارایی ها است.
یک روش علمی تر برای توضیح داوری آماری ، توزیع ریسک بین هزار تا چند میلیون معاملات در یک بازه زمانی بسیار کوتاه با انتظار کسب سود از قانون تعداد زیادی است. الگوریتم های داوری آماری مبتنی بر میانگین فرضیه برگشت ، بیشتر به عنوان یک جفت است. شما می توانید در دوره ما در تجارت داوری آماری ثبت نام کنید.
مدل سازی ایده های داوری آماری
معاملات جفت یکی از چندین استراتژی است که به طور جمعی به عنوان استراتژی های داوری آماری یاد می شود. در یک استراتژی تجارت جفت ، سهام هایی که همبستگی تاریخی در قیمت ها را نشان می دهند با استفاده از شباهت های اساسی یا مبتنی بر بازار جفت می شوند.
این استراتژی بر این تصور ایجاد می شود که قیمت های نسبی در یک بازار در تعادل قرار دارد و انحراف از این تعادل در نهایت اصلاح می شود.
هنگامی که یکی از سهام از دیگری فراتر می رود ، Outperformer کوتاه فروخته می شود و سهام دیگر طولانی خریداری می شود ، با این انتظار که انحراف کوتاه مدت به همگرایی پایان یابد. این غالباً ریسک بازار از حرکات نامطلوب بازار یعنی استراتژی بتا خنثی می شود.
با این حال ، کل خطر بازار یک موقعیت به میزان سرمایه سرمایه گذاری شده در هر سهام و حساسیت سهام به چنین ریسکی بستگی دارد.
در زیر ، من به خواندن مفیدی اشاره کردم که ممکن است دوست داشته باشید:
استراتژی های تجارت الگوریتمی ساخت بازار
برای درک بازار ، اجازه دهید ابتدا در مورد سازندگان بازار صحبت کنم.
طبق ویکی پدیا:
"یک سازنده بازار یا ارائه دهنده نقدینگی یک شرکت یا یک فرد است که هم قیمت خرید و هم فروش را در یک ابزار مالی یا کالایی که در موجودی نگهداری می شود ، به امید سودآوری در گسترش پیشنهاد پیشنهاد یا چرخش نقل می کند."
ایجاد بازار نقدینگی را برای اوراق بهادار فراهم می کند که اغلب در بورس کالا معامله نمی شوند. سازنده بازار می تواند معادله عرضه تقاضا را افزایش دهد.
بگذارید مثالی را ببینیم:
فرض کنید شما مارتین ، یک سازنده بازار ، که دارایی 500 INR را از بازار خریداری می کند و آن را در INR 505 می فروشد. او به شما نقل قول پیشنهاد از INR 505-500 می دهد. سود از INR 5 است اما در طول روز ، او به سهام زیادی دامن می زند تا یک قطعه قابل توجه را جیب کند و خطر حرکت قیمت را علیه وی جبران کند. همچنین ، هنگامی که مارتین ریسک بالاتری می کند ، احتمال سود نیز بیشتر است.
من کتاب مایکل لوئیس "Flash Boys" را در بازار گاو نر هند بسیار جالب پیدا کردم و در مورد نقدینگی ، ساخت بازار و HFT با جزئیات بسیار زیاد صحبت می کند. پس از اتمام خواندن این مقاله می توانید آن را بررسی کنید.
از آنجایی که در حین ورود به تجارت الگوریتمی یا ارتقاء آن، باید تحلیلی و کمی باشید، یادگیری برنامه نویسی (بعضی اگر نه همه) و ساختن سیستم های بدون خطا و اجرای استراتژی معاملات الگوریتمی درست ضروری است.
خواندن این مقاله در مورد سیستم های معاملاتی خودکار: معماری، پروتکل ها، انواع تاخیر برای شما بسیار مفید خواهد بود.
پارادایم های استراتژی بازارسازی
همانطور که قبلاً اشاره کردم، هدف اصلی بازارسازی القای نقدینگی در اوراق بهاداری است که در بورس اوراق بهادار معامله نمی شوند.
برای اندازه‌گیری نقدینگی، اسپرد پیشنهادات خرید و فروش و حجم معاملات را در نظر می‌گیریم.
برخی از الگوریتم‌های معاملاتی تمایل دارند از اسپرد پیشنهادات خرید سود ببرند.
به عنوان مثال، ما در این بخش دوباره به دوست خود مارتین اشاره خواهیم کرد. مارتین که یک بازارساز است، یک تامین‌کننده نقدینگی است که می‌تواند در هر دو طرف خرید و فروش در یک ابزار مالی به امید سود بردن از اسپرد پیشنهادی، قیمت‌گذاری کند.
مارتین ریسک نگهداری اوراق بهاداری را می‌پذیرد که برای آن قیمت تعیین کرده است و پس از دریافت سفارش، اغلب فوراً از موجودی خود به فروش می‌رسد. او ممکن است در چند ثانیه به دنبال پیشنهاد جبرانی باشد و بالعکس.
وقتی صحبت از اوراق بهادار غیر نقدشونده به میان می آید، اسپردها معمولاً بالاتر هستند و همچنین سودها.
به عنوان مثال، مارتین در این مورد ریسک بیشتری خواهد کرد. چندین بخش در بازار به دلیل کمبود نقدینگی فاقد علاقه سرمایه‌گذاران هستند، زیرا نمی‌توانند در هر مقطع زمانی از چندین سهام با سرمایه کوچک و سهام با سرمایه متوسط خارج شوند.
بازارسازانی مانند مارتین مفید هستند زیرا همیشه آماده خرید و فروش با قیمتی هستند که توسط آنها نقل شده است. در واقع، بیشتر معاملات با فرکانس بالا (HFT) بازارسازی غیرفعال است. استراتژی ها در هر دو طرف بازار (اغلب به طور همزمان) وجود دارند و با یکدیگر رقابت می کنند تا نقدینگی را برای کسانی که به آن نیاز دارند ارائه کنند.
بنابراین، چه زمانی این استراتژی بازارسازی سودآورتر است؟
این استراتژی تا زمانی سودآور است که مدل به طور دقیق تغییرات قیمت را در آینده پیش بینی کند.
مدل سازی ایده های بازارسازی
برای به دست آوردن منحنی هزینه نقدینگی که کارمزد پرداخت شده توسط گیرنده نقدینگی است، می توان اسپرد پیشنهاد و حجم معاملات را با هم مدل کرد.
در صورتی که گیرنده نقدینگی فقط سفارشات را در بهترین پیشنهاد و درخواست اجرا کند، کارمزد برابر است با اسپرد پیشنهاد و تقاضا در حجم. زمانی که معامله‌گران از بهترین پیشنهاد فراتر رفته و حجم بیشتری را درخواست می‌کنند، کارمزد نیز تابعی از حجم می‌شود.
مدل‌سازی حجم معاملات دشوار است زیرا به استراتژی اجرایی گیرنده نقدینگی بستگی دارد. هدف باید یافتن مدلی برای حجم معاملات باشد که با پویایی قیمت سازگار باشد.
مدل‌های بازارسازی معمولاً بر اساس یکی از این دو هستند:
- اولین مدل بازارسازی
اولین مورد بر ریسک موجودی متمرکز است. این مدل بر اساس موقعیت موجودی ترجیحی و قیمت ها بر اساس ریسک پذیری است.
- مدل دوم بازارسازی
دومی مبتنی بر انتخاب نامطلوب است که بین معاملات آگاهانه و نویز تمایز قائل می شود. معاملات نویز هیچ دیدگاهی نسبت به بازار ندارند در حالی که معاملات آگاهانه اینطور هستند. هنگامی که دیدگاه گیرنده نقدینگی کوتاه مدت است، هدف آن کسب سود کوتاه مدت با استفاده از لبه آماری است.
در مورد دیدگاه بلند مدت، هدف به حداقل رساندن هزینه معامله است. استراتژی‌های بلندمدت و محدودیت‌های نقدینگی را می‌توان به عنوان نویز پیرامون استراتژی‌های اجرایی کوتاه‌مدت مدل‌سازی کرد.
از آنجا که حرکت به جلو و به دست آوردن فرصت ها در هنگام رسیدن آنها همان کاری است که ما باید در این حوزه قرار دهیم ، باید با علوم در حال تحول مانند یادگیری ماشین سازگار شویم.
یادگیری ماشین در تجارت
در تجارت مبتنی بر یادگیری ماشین ، یکی از برنامه ها پیش بینی دامنه حرکات قیمت بسیار کوتاه مدت در یک بازه اطمینان خاص است. مزیت استفاده از هوش مصنوعی (AI) این است که انسان نرم افزار اولیه را توسعه می دهد و خود هوش مصنوعی مدل را توسعه می دهد و با گذشت زمان آن را بهبود می بخشد.
تعداد زیادی از بودجه به مدل های رایانه ای که توسط دانشمندان داده و Quants ساخته شده اند متکی هستند اما معمولاً ایستا هستند ، یعنی آنها با بازار تغییر نمی کنند. از طرف دیگر ، مدل های مبتنی بر یادگیری ماشین می توانند مقادیر زیادی از داده ها را با سرعت بالا تجزیه و تحلیل کرده و خود را از طریق چنین تجزیه و تحلیل بهبود بخشند.
ایده مدل سازی برای یادگیری ماشین در تجارت
نوعی یادگیری ماشین به نام "شبکه های بیزی" می تواند برای پیش بینی روند بازار ضمن استفاده از چند ماشین استفاده شود.
هوش مصنوعی که شامل تکنیک هایی مانند "محاسبات تکاملی" (که از ژنتیک الهام گرفته شده است) و یادگیری عمیق ممکن است در صدها یا حتی هزاران دستگاه اجرا شود.
هوش مصنوعی در تجارت چه کاری می تواند انجام دهد؟
- این می تواند یک مجموعه بزرگ و تصادفی از معامله گران سهام دیجیتال ایجاد کند و عملکرد آنها را بر روی داده های تاریخی آزمایش کند.
- سپس بهترین مجریان را انتخاب می کند و از سبک/الگوهای آنها برای ایجاد جدید از معامله گران تکامل یافته استفاده می کند.
- این فرآیند چندین بار تکرار می شود و یک معامله گر دیجیتال که می تواند به طور کامل به تنهایی کار کند ، ایجاد می شود.
اینها برخی از الگوی مهم استراتژی و ایده های مدل سازی بودند. در مرحله بعد ، ما برای ساختن یک استراتژی تجارت الگوریتمی ، روش گام به گام را طی خواهیم کرد.
شما می توانید این پارادایم ها را با جزئیات کامل در EPAT توسط Quantinsti که اولین دوره تجارت الگوریتمی تأیید شده جهان است ، بیاموزید.
برخی از خواندن های مهم:
گزینه های معاملات و گزینه های معاملاتی گزینه ها
معاملات گزینه ها نوعی استراتژی معاملاتی است. این مناسب برای سبک تجارت است که انتظار می رود نتایج سریع با سرمایه گذاری های محدود برای بازده بالاتر داشته باشد.
می توان استراتژی های معاملاتی گزینه های خود را ایجاد کرد ، آنها را پشت سر گذاشت و آنها را در بازارها تمرین کرد. شما می توانید برای دوره رایگان ما در مورد استراتژی های معاملاتی گزینه های اساسی در پایتون ثبت نام و یاد بگیرید.
در اینجا برخی از انواع مختلف استراتژی های معاملاتی ارائه شده است:
ساخت و اجرای استراتژی های تجارت الگوریتمی
از استراتژی های معاملات الگوریتمی گرفته تا طبقه بندی استراتژی های تجارت الگوریتمی ، پارادایم ها و ایده های مدل سازی و گزینه های معاملات بازاریابی (شما می توانید برای دوره ما در مورد استراتژی های معاملاتی گزینه های پیشرفته ثبت نام کنید) ، اکنون ما به آن بخش از این مقاله می آموزیم که چگونه می توانید یک ساخت ایجاد کنیداستراتژی اصلی تجارت الگوریتمی.
من تصور می کنم این اولین سؤالی است که باید به ذهن شما خطور کند.
نکته این است که شما قبلاً با دانستن اصول استراتژی های تجارت الگوریتمی و پارادایم های استراتژی های تجارت الگوریتمی هنگام خواندن این مقاله ، شروع کرده اید. اکنون که باند ما موتور خود را روشن کرده است ، زمان آن رسیده است که روی شتاب دهنده فشار دهیم.
و دقیقاً چگونه یک استراتژی تجارت الگوریتمی ایجاد می کند؟
ما توضیح خواهیم داد که چگونه یک استراتژی تجارت الگوریتمی ، گام به گام ساخته شده است.
مراحل ساخت استراتژی های تجارت الگوریتمی
توضیحات مختصر ایده ای از کل فرآیند به شما می دهد.
مرحله 1 - در مورد الگوی ژانر یا استراتژی تصمیم بگیرید
اولین قدم تصمیم گیری در مورد الگوی استراتژی است. این می تواند در بازار ، مبتنی بر داوری ، تولید آلفا ، محافظت یا استراتژی مبتنی بر اعدام باشد.
برای این مثال خاص، ما تجارت جفتی را انتخاب می کنیم که یک استراتژی آربیتراژ آماری است که در بازار خنثی است (بتا خنثی) و آلفا تولید می کند، یعنی صرف نظر از حرکت بازار، پول در می آورد.
مرحله 2 - اهمیت آماری را تعیین کنید
شما می توانید بر اساس دیدگاه بازار یا از طریق همبستگی بصری (در مورد استراتژی تجارت جفت) در مورد اوراق بهاداری واقعی که می خواهید معامله کنید تصمیم بگیرید. تعیین کنید که آیا استراتژی از نظر آماری برای اوراق بهادار انتخاب شده معنادار است یا خیر.
به عنوان مثال، در مورد معامله جفت، جفت های انتخاب شده را بررسی کنید.
مرحله 3 - یک مدل معاملاتی بسازید
اکنون منطقی را که می خواهید سیگنال های خرید/فروش را بر اساس آن در استراتژی خود تولید کنید کدنویسی کنید. برای معاملات جفتی، "بازگشت میانگین" را بررسی کنید. امتیاز z را برای گسترش جفت محاسبه کنید و هنگامی که انتظار دارید به میانگین بازگردد، سیگنال های خرید/فروش تولید کنید. استراتژی بازگشت میانگین را در دوره Quantra به طور مفصل یاد بگیرید.
در مورد شرایط "Stop-Loss" و "Take Profit" تصمیم بگیرید.
- توقف ضرر - دستور توقف ضرر ضرر سرمایه گذار را در یک موقعیت در اوراق بهادار محدود می کند. برای جلوگیری از ضررهای بیشتر، دستوری را برای کاهش موقعیت خرید یا فروش موجود صادر می کند و به حذف احساسات از تصمیمات معاملاتی کمک می کند.
- برداشت سود - دستورهای برداشت سود برای بستن خودکار موقعیت های موجود به منظور قفل کردن سود در صورت حرکت در جهت مطلوب استفاده می شود.
مرحله 4 - نقل قول یا ضربه زدن به استراتژی
بسیار مهم است که تصمیم بگیرید که استراتژی «نقل دادن» یا «ضربه» باشد. استراتژی اجرا تا حد زیادی تعیین می کند که استراتژی شما چقدر تهاجمی یا منفعل خواهد بود.
- نقل قول - در معاملات جفتی، شما برای یک اوراق بهادار قیمت می دهید و بسته به اینکه آیا آن موقعیت پر شده است یا نه، سفارش را برای دیگری ارسال می کنید. در این حالت، احتمال پر شدن کمتر است اما شما پیشنهاد خرید را از یک طرف ذخیره می کنید.
- ضربه زدن - در این مورد، شما سفارشات بازار همزمان را برای هر دو اوراق بهادار ارسال می کنید. احتمال پر شدن بیشتر است اما در عین حال لغزش بیشتر است و شما از هر دو طرف پیشنهاد خرید و فروش می کنید.
انتخاب بین احتمال اجرای Fill و Optimized از نظر لغزش و اجرای زمان‌بندی شده این است - اگر بخواهم آن را به این شکل بیان کنم، این چیست. اگر نقل قول را انتخاب می‌کنید، باید تصمیم بگیرید که برای چه چیزی نقل‌قول می‌کنید، تجارت جفتی اینگونه عمل می‌کند.
اگر تصمیم به نقل قول برای اوراق بهادار با نقدینگی کمتر دارید، لغزش کمتر می‌شود اما حجم معاملات کاهش می‌یابد، از سوی دیگر ریسک لغزش افزایش می‌یابد اما حجم معاملات بالا خواهد بود.
استفاده از آمار برای بررسی علیت راه دیگری برای رسیدن به یک تصمیم است، یعنی تغییری که در آن امنیت باعث تغییر در دیگری می شود و کدام یک منجر به تصمیم می شود. آزمون علیت «جفت لید-لگ» را تعیین می‌کند؛ برای پیشرو نقل قول می‌کند و امنیت عقب‌افتاده را پوشش می‌دهد.
مرحله 5 - بک تست و بهینه سازی
چگونه تصمیم می گیرید که استراتژی ای که انتخاب کرده اید خوب یا بد بوده است؟فرضیه خود را چگونه قضاوت می کنید؟
اینجاست که آزمون پس آزمون استراتژی به عنوان یک ابزار ضروری برای تخمین عملکرد فرضیه طراحی شده بر اساس داده های تاریخی مطرح می شود.
اگر نتایج پس آزمون و آمار عملکرد فرضیه را تأیید کنند، یک استراتژی می تواند خوب در نظر گرفته شود. از این رو، انتخاب داده های تاریخی با تعداد کافی نقاط داده مهم است.
این برای ایجاد تعداد کافی از معاملات نمونه (حداقل بیش از 100 معامله) است که سناریوهای مختلف بازار را پوشش می دهد ( صعودی، نزولی و غیره). اطمینان حاصل کنید که برای هزینه های دلالی و لغزش نیز پیش بینی می کنید. با این کار نتایج واقعی تری برای شما به ارمغان می آورد، اما ممکن است همچنان مجبور باشید در حین انجام تست های برگشتی، تقریب هایی انجام دهید.
به عنوان مثال، در حین بررسی استراتژی های نقل قول، تشخیص اینکه چه زمانی پر شده است دشوار است. بنابراین، روش معمول این است که فرض کنیم موقعیت ها با آخرین قیمت معامله شده پر می شوند.
در حین بک تست باید سراغ چه نوع ابزارهایی بروید؟
بک تست برای استراتژی های معاملاتی الگوریتمی شامل حجم عظیمی از داده ها است، به خصوص اگر قرار است از داده های تیک به تیک استفاده کنید. بنابراین، باید به سراغ ابزارهایی بروید که می توانند چنین حجم عظیمی از داده ها را مدیریت کنند. Blueshift یک پلت فرم رایگان است که به شما امکان می دهد با استفاده از بیش از 10 سال داده، تست بک تست، تحقیقات سرمایه گذاری و تجارت الگوریتمی انجام دهید.
چه چیزی باید استفاده کنید - R یا MATLAB؟
R برای برخورد با حجم عظیمی از داده ها عالی است و همچنین قدرت محاسباتی بالایی دارد. بنابراین، آن را به یکی از ابزارهای بهتر برای بک تست تبدیل می کند. همچنین، R منبع باز و بدون هزینه است. ما می‌توانیم از MATLAB نیز استفاده کنیم، اما هزینه صدور مجوز نیز دارد.
مرحله 6 - ارزیابی ریسک و عملکرد
"هر که بامش بیش، برفش بیشتر"
خوب، من فقط نقل قول معروف بن پارکر از فیلم مرد عنکبوتی (نه شگفت انگیز) را حذف کردم. اما به من اعتماد کنید، 100٪ درست است. مهم نیست که چقدر به استراتژی خود اطمینان دارید یا قبلاً چقدر موفق بوده است، باید پایین بیایید و همه چیز را با جزئیات ارزیابی کنید.
هنگام تجزیه و تحلیل عملکرد و ریسک یک استراتژی، پارامترهای مختلفی وجود دارد که باید آنها را زیر نظر بگیرید. برخی از معیارها/نسبت های مهم در زیر ذکر شده است:
- بازده کل (CAGR) - نرخ رشد سالانه مرکب (CAGR) میانگین نرخ رشد سالانه یک سرمایه گذاری در یک دوره زمانی مشخص بیش از یک سال است.
- نسبت ضربه - نسبت سفارش به معامله.
- میانگین سود در هر معامله - سود کل تقسیم بر تعداد کل معاملات
- میانگین ضرر در هر معامله - زیان کل تقسیم بر تعداد کل معاملات
- حداکثر کاهش - حداکثر ضرر در هر معامله
- نوسانات بازده - انحراف استاندارد "بازده"
- نسبت شارپ - بازدهی تعدیل شده بر اساس ریسک، یعنی بازدهی مازاد (بیش از نرخ بدون ریسک) به ازای هر واحد نوسان یا ریسک کل.
استراتژی های معاملاتی algo کجا استفاده می شود؟
استراتژی‌های معاملاتی Algo توسط هر معامله‌گری که در بازارهای مالی دارای مهارت‌های کدنویسی است، می‌تواند مورد استفاده قرار گیرد. چنین معامله‌گری را معامله‌گر الگوریتمی می‌گویند.
یک معامله گر الگوریتمی می تواند کامپیوتر معاملاتی الگوریتمی را برای انجام اقدامات مختلف در رابطه با سفارشات تجاری مانند:
- انجام محاسبات پیچیده ریاضی برای پیش بینی قیمت دارایی های مالی
- پیش بینی حرکات بازار
- تولید سیگنال های معاملاتی
- مدیریت ریسک و غیره
استراتژی‌های معاملاتی الگوریتمی توسط صندوق‌های تامینی، بانک‌های سرمایه‌گذاری، صندوق‌های بازنشستگی، معامله‌گران اختصاصی و دلال‌ها برای بازارسازی استفاده می‌شوند و از این رو، دنیای معاملات الگوریتمی را ایجاد می‌کنند.
چگونه استراتژی های معاملاتی الگو را یاد بگیریم؟
با توجه به تعداد دوره های موجود به صورت آنلاین در تجارت الگوریتمی ، چندین نمایش داده شده است ، اما پیدا کردن یک مورد مناسب برای نیازهای فردی شما مهمترین است. اکنون ، بدیهی است که به نفع شما است که از گروهی از متخصصان بازار بیاموزید. برای تحقق این امر ، هدف و دوره شما (برای به دست آوردن دانش در دامنه) باید در هماهنگ سازی کامل باشد تا حتی یک IOTA از زمان را برای اطلاعات غیر ضروری هدر ندهد.
علاوه بر این ، یک بستر خوب طراحی شده برای استفاده از دانش شما وجود دارد ، تا بتوانید از همان مناسب در بازار زنده استفاده کنید.
دوره های آموزشی
Quantinsti با حضور در لیست دوره های معاملاتی Algo ، اولین دوره تأیید شده الگوریتمی جهان EPAT (برنامه اجرایی در تجارت الگوریتمی) را در کنار مجموعه ای از دوره های تجارت الگوریتمی خود گورج از طریق Quantra ارائه می دهد.
آهنگ یادگیری الگوریتمی لیستی از اهداف را برای شما فراهم می کند. هر هدف مجموعه ای سازمان یافته از چنین دوره های آموزنده ای را که باید در خدمت هدف شما باشد ، به شما ارائه می دهد. آهنگ یادگیری Quantinsti در صفحه وب دوره هایی را به ترتیب نزولی شروع می کند که از پایه شروع می شود و با دانش پیشرفته برای هر هدف پایان می یابد.
در اینجا ، می توانید لیستی از دوره های موجود در صفحه وب Quantra را برای تجارت الگوریتمی مشاهده کنید.
EPAT در صورت مبتدی ، بینش دقیق تری در مورد تجارت الگوریتمی به شما می دهد و می خواهید عمیق تر درک هر اصطلاحات را بررسی کنید.
کتاب
چندین کتاب در مورد معاملات الگوریتمی وجود دارد که برای درک جزئیات مانند "نحوه انجام معاملات/صرافی ها در بازارها" مهم است و همچنین می توانید بیشتر در مورد شرکت کنندگان در بازار ، روش های معاملاتی ، نقدینگی ، کشف قیمت ، هزینه معاملات و غیره بررسی کنید.
برای خلاصه داستان دقیق هر یک از خواندن های مربوطه که در زیر ذکر شده است ، وبلاگ ، کتابهای اساسی در مورد تجارت الگوریتمی را بخوانید:
- تجارت و مبادله: ریزساختار بازار برای پزشکان توسط لری هریس ⁽⁽.
- نظریه ریزساختار بازار توسط مورین اوهارا ⁽²⁾.
- تجارت الگوریتمی: استراتژی های برنده و دلیل آنها توسط دکتر ارنست چان ⁽³⁾.
- تجارت الگوریتمی و DMA: مقدمه ای برای استراتژی های تجاری دسترسی مستقیم توسط باری جانسون.
- طرح کلی آمار و اقتصاد سنجی Schaum توسط دومینیک سالواتور ، درریک ریگل.
- تجزیه و تحلیل سری زمانی مالی توسط Ruey Tsay.
- تجزیه و تحلیل فنی بازارهای مالی: یک راهنمای جامع برای روش های معاملاتی و برنامه های کاربردی جان J. مورفی.
- گزینه ها ، معاملات آتی و سایر مشتقات توسط جان سی هال.
- محافظت از پویا: مدیریت وانیل و گزینه های عجیب و غریب توسط ناسیم نیکلاس طالب.
دوره ها و کتاب های ذکر شده در بالا مطمئناً دانش و تخصص شما را در حوزه های مختلف زمینه تجارت الگوریتمی افزایش می دهد.
سؤالات متداول در مورد استراتژی های تجارت الگوریتمی
در اینجا برخی از سؤالات متداول در مورد استراتژی های تجارت الگوریتمی که در طول جلسه Ask Me هر چیزی در مورد تجارت الگوریتمی با من روبرو شدیم ، آورده شده است.
سوال: من فارغ التحصیل مهندسی یا مهندس نرم افزار یا برنامه نویس نیستم. من در مورد نوشتن یک زبان برنامه نویسی چیزی نمی دانم. سپس چگونه می توانم چنین استراتژی هایی را برای تجارت بسازم؟من از کار بازنشسته شده ام. آیا برای تجارت من مفید خواهد بود که روش خاصی را انجام دهم یا دنبال کنید؟آیا استراتژی های استانداردی وجود دارد که بتوانم از آن برای تجارت خود استفاده کنم؟
پاسخ: من آن را به دو بخش تقسیم می کنم، یکی این که اگر تجربه برنامه نویسی ندارید اما ایده ای در مورد آمار دارید یا ایده ای در مورد استراتژی های معاملاتی دارید، بهترین مکان برای شروع شروع یادگیری است. می توانید با نمایندگان QuantInsti® ارتباط برقرار کنید و آنها می توانند مطالب زیادی را به اشتراک بگذارند که می تواند به شما در شروع کار کمک کند، که در پورتال خود ما نیز موجود است.
ما همچنین یک دوره جدید را همراه با NSE راه‌اندازی کرده‌ایم که یک دوره رایگان گواهی مشترک برای مبانی گزینه‌ها با استفاده از پایتون است، توسط پورتال یادگیری خودگام Quantra.
بنابراین بسیاری از این موارد در دسترس هستند که می توانند به شما در شروع کار کمک کنند و سپس می توانید ببینید که آیا این موارد به شما علاقه دارد یا خیر. بخش خوب این است که شما اشاره کردید که بازنشسته شده اید که به معنای زمان بیشتری است که می توانید از آن استفاده کنید، اما همچنین مهم است که اطمینان حاصل کنید که این چیزی است که واقعاً برای شما جذاب است. من به طور کلی هیچ استراتژی استانداردی را توصیه نمی کنم.
هیچ استراتژی استانداردی وجود ندارد که شما را به درآمد زیادی برساند. حتی برای پیچیده ترین استراتژی استاندارد، باید تغییراتی ایجاد کنید تا مطمئن شوید که از آن مقداری درآمد کسب می کنید. اگر استاندارد است، به دلیلی استاندارد است که به این معنی است که هیچ بازدهی ایجاد نخواهد کرد. ایده خوب این است که استراتژی خود را ایجاد کنید، که مهم است.
سوال: آیا می توانیم واگرایی MACD را با استفاده از پایتون توسعه دهیم؟
پاسخ: بله، می توانید. تقریباً برای همه استراتژی های مبتنی بر شاخص های فنی می توانید.
سوال: بهترین اعدادی که برای معاملات الگوریتمی دیده اید برای نسبت برد کدامند؟
پاسخ: بخش جالب در مورد معاملات الگوریتمی، به ویژه در مورد معاملات با فرکانس بالا این است که درصد بازدهی که می توانید ایجاد کنید نیست.
من استراتژی هایی را دیده ام که قبلاً 50000 درصد بازدهی را در یک ماه به ارمغان می آوردند، اما مسئله این است که همه این استراتژی ها، بسیاری از آنها مقیاس پذیر نیستند. این استراتژی خاص قبلاً روی یک لات اجرا می شد و با توجه به اینکه شما حاشیه بسیار کمی دارید حتی اگر مقدار مناسبی بدست آورید، مقیاس پذیر نخواهد بود.
اگر بیشتر از منظر مقدار پولی که به دست می‌آورد در مقابل حجم عظیم زیرساخت‌های موجود به آن نگاه کنیم، نمی‌توانم با توجه به اینکه فقط با یک زیرساخت کار می‌کند، سود زیادی کسب کنم.
بنابراین نگاه کردن به نسبت برنده اگر HFT باشد یا اگر استراتژی های معاملاتی با فرکانس پایین یا متوسط باشد، معمولاً نسبت شارپ 1. 8 به 2. 2 روش درستی برای نگاه کردن به آن نیست که نسبت مناسبی است. بنابراین باز هم نمی‌توانیم درباره بازده‌ها صحبت کنیم، بازده می‌تواند بدون تعریف ریسک باشد، به خصوص اگر یک استراتژی جهت‌دار باشد که معنای زیادی ندارد و به همین دلیل است که من در شارپ شماره را به شما دادم، اگر آن را افزایش دهید.
علاوه بر این سوالات، ما در این مقاله به سوالات بسیار بیشتری در مورد استراتژی های معاملاتی الگوریتمی پرداخته ایم.
بررسی کنید که آیا درخواست شما در مورد استراتژی های معاملاتی الگوریتمی وجود دارد یا خیر، یا در اینجا با ما تماس بگیرید و ما خوشحال می شویم که به شما کمک کنیم.
محتوای جایزه
در اینجا چند مطالعه مهم وجود دارد که به شما کمک می کند تا در مورد استراتژی های معاملاتی الگوریتمی بیاموزید و در یادگیری خود راهنمایی باشید.
نتیجه
استراتژی های معاملاتی الگوریتمی توسط یک معامله گر با تجربه در بازارهای مالی که دانش کدنویسی با زبان های کامپیوتری مانند Python، C، C++، Java و غیره را نیز دارد، ابداع می شود.
کل فرآیند استراتژی های معاملاتی الگوریتمی به اینجا ختم نمی شود. آنچه من در این مقاله ارائه کرده ام فقط پای یک اورست بی پایان است. برای غلبه بر این، شما باید به دانش مناسب مجهز شده و توسط راهنمای مناسب راهنمایی شوید.
اگر می خواهید تجارت الگوریتمی را با جزئیات بررسی کنید، در دوره ما به نام برنامه اجرایی برای تجارت الگوریتمی یا EPAT ثبت نام کنید. دوره تجارت الگوریتم به شما کمک می کند تا به هدف یادگیری خود یعنی تبدیل شدن به یک معامله گر الگوریتمی حرفه ای برسید. EPAT یک دوره جامع است که طیف گسترده ای از موضوعات مانند مدیریت ریسک، بهینه سازی پورتفولیو، معاملات گزینه ها، ریزساختار بازار و غیره را پوشش می دهد.
سلب مسئولیت: کلیه سرمایه گذاری ها و معاملات در بازار سهام شامل ریسک است. هر تصمیمی برای انجام معاملات در بازارهای مالی، از جمله معامله در سهام یا اختیار معامله یا سایر ابزارهای مالی، یک تصمیم شخصی است که تنها باید پس از تحقیق کامل، از جمله ارزیابی ریسک شخصی و مالی و مشارکت حرفه ای در حدی که شما انجام دهید، گرفته شود. لازم را باور کنیداستراتژی های معاملاتی یا اطلاعات مرتبط ذکر شده در این مقاله فقط برای اهداف اطلاعاتی است.
