در دهه 1980, تجارت برنامه در بورس اوراق بهادار نیویورک مورد استفاده قرار گرفت, با معامله گران داوری سفارشات پیش برنامه نویسی برای تجارت خودکار زمانی که قیمت های بعدی و شاخص های اس&500 از هم دور بودند. به عنوان بازار نقل مکان کرد به طور کامل الکترونیکی, حضور انسان در یک طبقه تجاری به تدریج کار برکنار شد, و ظهور معامله گران با فرکانس بالا ظهور. یک کلاس خاص از معامله گران الگوریتم با سرعت و زمان تاخیر استفاده از نرم افزار تجاری خود را ظهور به واکنش نشان می دهند سریع تر به جریان سفارش.
تا سال 2009 تخمین زده شد که شرکت های معاملاتی با فرکانس بالا 73 درصد از حجم معاملات سهام ایالات متحده را تشکیل می دهند.
تجارت الگوریتمی است?
استفاده از تکنیک های رایانه ای و ارتباطی باعث افزایش تجارت الگوریتم شده است. تجارت الگوریتم استفاده از برنامه های کامپیوتری برای ورود به سفارشات تجاری که برنامه های کامپیوتری تصمیم گیری در تقریبا در هر جنبه ای از سفارش از جمله زمان بندی قیمت و مقدار سفارش و غیره است.
در روزهای گذشته تحقیقات سرمایه گذاری بر اساس اطلاعات و الگوهای روزانه انجام می شد. در حال حاضر نوسانات در بازار بیش از هر زمان و با توجه به این عامل خطر افزایش یافته است. بانک های سرمایه گذاری ارزیابی ریسک را از بین روز به روز افزایش داده اند. نرخ منافع بانک مرکزی, سیاست های کلیدی دولت, اخبار از سبی, نتایج سه ماهه, رویدادهای جغرافیایی سیاسی و بسیاری از عوامل دیگر را تحت تاثیر قرار بازار در عرض چند ثانیه و بسیار.
بانک های سرمایه گذاری از تجارت الگوریتمی استفاده می کنند که مکانیسم پیچیده ای برای استخراج تصمیمات سرمایه گذاری تجاری از داده های بصیرت دارد. معاملات الگوریتمی شامل استفاده از ریاضیات پیچیده برای استخراج سفارشات خرید و فروش مشتقات است, سهام, نرخ ارز و کالاهای خارجی با سرعت بسیار بالا.
مولفه اصلی در سیستم های معاملاتی الگوریتمی تخمین نسبت پاداش ریسک برای یک تجارت بالقوه و سپس تحریک اقدام خرید یا فروش است. تحلیلگران ریسک به بانک ها کمک می کنند تا قوانین تجاری و پیاده سازی را دریافت کنند. ریسک بازار با تغییر ارزش دارایی ها در پرتفوی توسط تحلیلگران ریسک تخمین زده می شود. محاسبات مربوط به تخمین عامل خطر برای نمونه کارها حدود میلیاردها دلار است. تجارت الگوریتمی از برنامه های رایانه ای برای خودکار سازی اقدامات تجاری بدون دخالت زیاد انسان استفاده می کند.
تجارت الگوریتم توسط سرمایه گذاران نهادی و سرمایه گذاران فردی اتخاذ شده و در عمل سود کسب کرده است. روح الگوریتم تجارت استراتژی های معاملاتی است که بر اساس قوانین تجزیه و تحلیل فنی و روش های یادگیری ماشین ساخته شده است. عصر داده های بزرگ در راه است, اگرچه استفاده از داده های بزرگ در معاملات الگوریتم یک کار چالش برانگیز است, وقتی گنجینه های مدفون در داده ها حفر شده و مورد استفاده قرار می گیرند, پتانسیل عظیمی وجود دارد که می توان پیش قدم شد و سود زیادی کسب کرد.
روح الگوریتم تجارت استراتژی های معاملاتی است که بر اساس قوانین تجزیه و تحلیل فنی و روش های یادگیری ماشین ساخته شده است. عصر داده های بزرگ در راه است, اگرچه استفاده از داده های بزرگ در معاملات الگوریتم یک کار چالش برانگیز است, وقتی گنجینه های مدفون در داده ها حفر شده و مورد استفاده قرار می گیرند, پتانسیل عظیمی وجود دارد که می توان پیش قدم شد و سود زیادی کسب کرد.
داده های بزرگ چگونه کار می کنند
پس از 4 پنجم از داده های بزرگ, سازمان ها از داده ها و تجزیه و تحلیل ها برای کسب بینش ارزشمند برای اطلاع از تصمیمات کسب و کار بهتر استفاده می کنند. صنایع که استفاده از داده های بزرگ اتخاذ کرده اند عبارتند از: خدمات مالی, تکنولوژی, بازاریابی, و مراقبت های بهداشتی, به نام چند. تصویب داده های بزرگ همچنان به تعریف مجدد چشم انداز رقابتی صنایع ادامه می دهد. تخمین زده می شود 84 درصد از شرکت ها معتقدند کسانی که بدون استراتژی تجزیه و تحلیل هستند خطر از دست دادن مزیت رقابتی در بازار را دارند. به ویژه خدمات مالی به طور گسترده ای تجزیه و تحلیل داده های بزرگ را برای اطلاع از تصمیمات بهتر سرمایه گذاری با بازده ثابت اتخاذ کرده اند. در رابطه با داده های بزرگ, تجارت الگوریتمی با استفاده از داده های تاریخی گسترده با مدل های پیچیده ریاضی برای به حداکثر رساندن بازده نمونه کارها. تصویب مداوم داده های بزرگ به ناچار چشم انداز خدمات مالی را متحول خواهد کرد. با این حال, همراه با مزایای ظاهری خود, چالش های قابل توجهی در رابطه با توانایی داده های بزرگ را به تصرف حجم نصب داده ها باقی می ماند.
4 پنجم اساسی برای داده های بزرگ هستند: حجم تنوع صحت و سرعت. در مواجهه با افزایش رقابت, محدودیت های نظارتی و نیازهای مشتری, موسسات مالی به دنبال راه های جدید به اهرم تکنولوژی برای افزایش بهره وری. شرکت ها بسته به صنعت می توانند از جنبه های خاصی از داده های بزرگ برای دستیابی به مزیت رقابتی استفاده کنند. داده های بزرگ را می توان به عنوان داده های بدون ساختار یا ساختار طبقه بندی کرد. داده های بدون ساختار اطلاعاتی است که سازماندهی نشده و در یک مدل از پیش تعیین شده قرار نمی گیرد. این شامل داده های جمع شده از منابع رسانه های اجتماعی است که به موسسات کمک می کند اطلاعات مربوط به نیازهای مشتری را جمع کنند. داده های ساخت یافته شامل اطلاعاتی است که قبلا توسط سازمان در پایگاه داده های رابطه ای و صفحات گسترده مدیریت شده است. در نتیجه اشکال مختلف داده ها باید به طور فعال مدیریت شوند تا تصمیمات تجاری بهتری اتخاذ شود.
نقش داده های بزرگ در معاملات الگوریتمی
- تجزیه و تحلیل فنی : تجزیه و تحلیل فنی مطالعه قیمت ها و رفتار قیمت است که از نمودارها به عنوان ابزار اصلی استفاده می کند.
2. تجزیه و تحلیل زمان واقعی : فرایند خودکار کامپیوتر را قادر می سازد تا معاملات مالی را با سرعت و فرکانس هایی انجام دهد که یک معامله گر انسانی نمی تواند انجام دهد.
3. یادگیری ماشین: با یادگیری ماشین, الگوریتم ها به طور مداوم تغذیه داده ها و در واقع دقیق در طول زمان با یادگیری از اشتباهات گذشته, منطقی استنباط نتایج جدید بر اساس نتایج گذشته و ایجاد تکنیک های جدید که حس را بر اساس هزاران نفر از عوامل منحصر به فرد.
معماری تجارت سنتی
مشخص شد که معماری سنتی نمیتواند به نیازها و خواسته های تجارت خودکار با دی.ام. اس برسد. تاخیر بین مبدا رویداد تا تولید نظم از بعد کنترل انسان فراتر رفت و وارد حوزه های میلی ثانیه و میکروثانیه شد. مدیریت سفارش نیز باید قوی تر و قادر به دست زدن به بسیاری از سفارشات بیشتر در هر ثانیه. مدیریت ریسک نیز نیاز به رسیدگی به سفارشات در زمان واقعی و در یک راه کاملا خودکار از چارچوب زمانی کوچک در مقایسه با زمان واکنش انسان است.
مثلا, حتی اگر زمان واکنش برای سفارش است 1 میلی ثانیه (که است که بسیاری در مقایسه با زمان تاخیر ما امروز می بینیم), سیستم هنوز هم قادر به ساخت 1000 تصمیم گیری های تجاری در یک ثانیه. بنابراین هر یک از این تصمیمات تجاری 1000 باید از طریق مدیریت ریسک در همان ثانیه برای رسیدن به مبادله انجام شود. می توان گفت که وقتی صحبت از سیستم های معاملاتی خودکار می شود, این فقط یک مشکل پیچیدگی است.
نکته دیگری که ظهور این است که از معماری در حال حاضر شامل منطق خودکار, 100 معامله گران در حال حاضر می تواند توسط یک سیستم تجارت خودکار واحد جایگزین شود. این مقیاس را به مشکل اضافه می کند. بنابراین هر یک از واحدهای منطقی 1000 سفارش و 100 واحد از این دست به معنای 100000 سفارش در هر ثانیه است. این بدان معناست که بخش تصمیم گیری و ارسال سفارش باید بسیار سریعتر از گیرنده داده بازار باشد تا با نرخ داده مطابقت داشته باشد.
معماری تجارت خودکار
جریان داده ها از یک سیستم معاملاتی الگوریتم معمولی. ابتدا سیستم معاملاتی داده های قیمت را از بورس جمع می کند (برای داوری متقابل بازار, سیستم باید داده های قیمت را از بیش از یک صرافی جمع کند), داده های خبری از شرکت های خبری مانند رویترز, بلومبرگ. برخی از سیستم های معاملاتی الگوریتم همچنین ممکن است داده ها را از وب برای تجزیه و تحلیل عمیق مانند تجزیه و تحلیل احساسات جمع کنند. در حالی که داده ها جمع می شوند, سیستم تجزیه و تحلیل پیچیده ای را روی داده ها انجام می دهد تا به دنبال شانس های سودمند با انتظار کسب سود باشد. گاهی اوقات سیستم معاملاتی شبیه سازی را انجام می دهد تا ببیند اقدامات ممکن است منجر به چه چیزی شود. سرانجام, سیستم در مورد اقدامات خرید/فروش/نگهداری تصمیم می گیرد, مقدار سفارش, و زمان تجارت, سپس برخی از سیگنال های معاملاتی را تولید می کند. سیگنال ها می توانند به طور مستقیم با استفاده از یک فرمت داده از پیش تعریف شده به صرافی ها منتقل شوند و سفارشات تجاری بلافاصله از طریق یک رابط کاربری گرافیکی در معرض بورس بدون دخالت انسان اجرا می شوند. برخی از سرمایه گذاران ممکن است بخواهند نگاهی بیندازند که سیستم معاملاتی الگوریتم چه سیگنالهایی ایجاد کرده است و او می تواند اقدام تجاری را به صورت دستی شروع کند یا به سادگی سیگنال ها را نادیده بگیرد. مداخله انسان یک شمشیر دو تیغه است, از یک طرف می تواند برخی از سیگنال های بی سود را با توجه به تجربه انسان از بین ببرد, از طرف دیگر انسان احتمالا اشتباه می کند, نمی توانند به طور مداوم تجارت کنند, زیرا خسته خواهند شد, بیش از حد بدبین باشید یا بیش از خوش بین باشید, روحیه فرد تاثیر زیادی بر تجارت خواهد داشت. به نظر نویسنده, اگر تجارت الگوریتم به درستی طراحی شده و به طور کامل تایید, بهتر است به اجازه سیستم انجام همه چیز, از تجزیه و تحلیل داده ها, به تصمیم گیری در اقدامات تجاری, و شروع به اجرای سفارشات تجاری.
نمای کلی جریان معاملات الگوریتمی
کارت بازار (خوراک داده)
پردازش رویداد پیچیده (استراتژی)
مسیریابی سفارش (اجرا)
چگونه می توان از داده های بزرگ برای تجارت الگوریتمی استفاده کرد
چندین ماژول استاندارد در یک سیستم معاملاتی الگوریتم اختصاصی وجود دارد, از جمله استراتژی های معاملاتی, اجرای سفارش, مدیریت پول نقد و مدیریت ریسک. استراتژی های معاملاتی هسته اصلی یک سیستم معاملاتی خودکار هستند. الگوریتم های پیچیده برای تجزیه و تحلیل داده ها (داده های قیمت و داده های خبری) برای ضبط ناهنجاری ها در بازار برای شناسایی الگوهای سودمند یا شناسایی استراتژی های رقبا و استفاده از مزایای استفاده از اطلاعات استفاده می شود. تکنیک های مختلف در استراتژی های معاملاتی برای استخراج اطلاعات عملی از داده ها استفاده می شود, از جمله قوانین, قوانین فازی, روش های اماری, تجزیه و تحلیل سری زمانی, یادگیری ماشین, و همچنین متن کاوی.
- تجزیه و تحلیل فنی و قوانین
استفاده از داده ها
⦁ هوش مصنوعی, یادگیری ماشین مبتنی بر الگوریتم تجارت
- استخراج متن برای تجارت الگوریتم
- سطح زمین بازی برای ایجاد ثبات در تجارت اینترنتی.
تجارت الگوریتمی روند فعلی در دنیای مالی است و یادگیری ماشین به رایانه ها کمک می کند تا با سرعت سریع تجزیه و تحلیل کنند. تصویر در زمان واقعی که تجزیه و تحلیل داده های بزرگ فراهم می کند پتانسیل را برای بهبود فرصت های سرمایه گذاری برای افراد و شرکت های تجاری فراهم می کند.
- ارزیابی نتایج و بازده.
دسترسی به داده های بزرگ به کاهش خطرات احتمالی در تجارت اینترنتی و پیش بینی دقیق کمک می کند. تجزیه و تحلیل ترافیک مالی کمک می کند تا به کراوات تا اصول که روند را تحت تاثیر قرار, قیمت گذاری و رفتار قیمت.
- پیش بینی های دقیق را انجام دهید
از داده های بزرگ می توان در ترکیب با یادگیری ماشین استفاده کرد و این به تصمیم گیری بر اساس منطق کمک می کند تا تخمین ها و حدس ها. داده ها را می توان بررسی کرد و برنامه ها را می توان برای به روز رسانی اطلاعات به طور منظم برای پیش بینی دقیق توسعه داد.
- استراتژی بک تست
یکی از ویژگی های معاملات الگوریتمی توانایی بک تست است. برای معامله گران دشوار است که بدانند چه بخش هایی از سیستم معاملاتی خود کار می کنند و چه چیزی کار نمی کند زیرا نمی توانند سیستم خود را بر روی داده های گذشته اجرا کنند. با تجارت الگوریتم ها می توانید الگوریتم ها را بر اساس داده های گذشته اجرا کنید تا ببینید در گذشته کار می کرد یا خیر. این توانایی یک مزیت بزرگ را فراهم می کند زیرا به کاربر اجازه می دهد قبل از اجرای زنده هرگونه نقص سیستم معاملاتی را برطرف کند.
ویژگی های کلیدی تجارت الگوریتمی
- در دسترس بودن داده های بازار و شرکت.
تمام الگوریتم های معاملاتی برای عمل بر روی داده های بازار در زمان واقعی و قیمت ها طراحی شده اند. چند برنامه نیز به حساب برای شرکت اصول داده ها مانند پلاستوفوم و نسبت پ/الکترونیکی سفارشی هستند. هر نرم افزار معاملاتی الگوریتمی باید دارای یک فید داده بازار در زمان واقعی و همچنین یک فید داده شرکت باشد. باید به عنوان یک سیستم داخلی در دسترس باشد یا باید مقرراتی داشته باشد که به راحتی از منابع جایگزین ادغام شود.
- اتصال به بازارهای مختلف.
معامله گرانی که به دنبال کار در بازارهای مختلف هستند باید توجه داشته باشند که هر صرافی ممکن است فید داده های خود را با فرمت متفاوتی فراهم کند. نرم افزار شما باید بتواند فیدهای با فرمت های مختلف را بپذیرد. گزینه دیگر مراجعه به فروشندگان داده شخص ثالث مانند بلومبرگ و رویترز است که داده های بازار را از صرافی های مختلف جمع کرده و در قالب یکنواخت برای پایان دادن به مشتریان فراهم می کنند. نرم افزار معاملاتی الگوریتمی باید بتواند این فیدهای جمع شده را در صورت لزوم پردازش کند.
Ency زمان تاخیر.
این مهمترین عامل برای تجارت الگوریتم است. تاخیر تاخیر زمانی است که در حرکت نقاط داده از یک برنامه به برنامه دیگر معرفی می شود. دنباله ای از رویدادهای زیر را در نظر بگیرید. 0.2 ثانیه طول می کشد تا یک نقل قول قیمت از صرافی به مرکز داده فروشنده نرم افزار شما برسد, 0.3 ثانیه از مرکز داده برای رسیدن به صفحه معاملاتی شما, 0.1 ثانیه برای نرم افزار معاملاتی شما برای پردازش این نقل قول دریافتی, 0.3 ثانیه برای تجزیه و تحلیل و انجام معامله, 0.2 ثانیه برای سفارش تجارت شما برای رسیدن به کارگزار شما, 0.3 ثانیه برای کارگزار شما برای هدایت سفارش شما به صرافی.
کل زمان سپری شده = 0.2 + 0.3 + 0.1 + 0.3 + 0.2 + 0.3 = مجموع 1.4 ثانیه.
در دنیای معاملات پویا امروز, قیمت اصلی در این دوره 1.4 ثانیه ای چندین بار تغییر کرده است. این تاخیر می تواند باعث ایجاد یا شکستن سرمایه گذاری تجاری الگوریتمی شما شود. یکی از نیاز به نگه داشتن این تاخیر به پایین ترین سطح ممکن به اطمینان حاصل شود که شما بیشتر تا به روز و دقیق اطلاعات بدون فاصله زمانی.
زمان تاخیر به میکرو ثانیه کاهش یافته است و هر تلاشی باید انجام شود تا در سیستم معاملاتی تا حد ممکن پایین باشد. چند اقدامات شامل داشتن اتصال مستقیم به تبادل برای دریافت اطلاعات سریع تر با از بین بردن فروشنده در بین; با بهبود الگوریتم تجاری خود را به طوری که طول می کشد کمتر از 0.1+0.3 = 0.4 ثانیه برای تجزیه و تحلیل و تصمیم گیری; و یا با از بین بردن کارگزار و به طور مستقیم ارسال معاملات به بورس به صرفه جویی 0.2 ثانیه.
- قابلیت تنظیم و سفارشی سازی.
اکثر نرم افزارهای معاملاتی الگوریتمی الگوریتم های استاندارد داخلی را مانند الگوریتم های مبتنی بر متقاطع میانگین متحرک 50 روزه (کارشناسی ارشد) با کارشناسی ارشد 200 روزه فراهم می کنند. یک معامله گر ممکن است دوست داشته باشد با تغییر به کارشناسی ارشد 20 روزه با کارشناسی ارشد 100 روزه تجربه کند. مگر در مواردی که نرم افزار پیشنهادات چنین سفارشی سازی پارامترهای, معامله گر ممکن است توسط ساخته شده است قابل فهم قابلیت ثابت محدود. خرید یا ساخت نرم افزار تجاری باید درجه بالایی از سفارشی سازی و قابلیت تنظیم داشته باشد.
- قابلیت نوشتن برنامه های سفارشی.
متلب, پایتون, سی پلاس پلاس, جاوا, و پرل زبان های برنامه نویسی رایج مورد استفاده برای نوشتن نرم افزار تجاری هستند. اکثر نرم افزارهای تجاری فروخته شده توسط فروشندگان شخص ثالث توانایی نوشتن برنامه های سفارشی خود را دارند. این اجازه می دهد تا یک معامله گر به تجربه و سعی کنید هر مفهوم تجارت او توسعه. نرم افزاری که به زبان برنامه نویسی مورد نظر شما کدنویسی می کند بدیهی است که ترجیح داده می شود.
- قابلیت تست مجدد در داده های تاریخی.
شبیه سازی بک تست شامل تست یک استراتژی تجاری بر روی داده های تاریخی است. این استراتژی عملی بودن و سوددهی استراتژی را بر روی داده های گذشته ارزیابی می کند و موفقیت (یا شکست یا هرگونه تغییر مورد نیاز) را تایید می کند. این ویژگی اجباری نیز باید با در دسترس بودن داده های تاریخی همراه باشد که می تواند انجام شود.
- ادغام با رابط تجاری.
نرم افزار معاملاتی الگوریتمی معاملات را به طور خودکار بر اساس وقوع معیارهای مورد نظر انجام می دهد. این نرم افزار باید اتصال لازم به کارگزار(بازدید کنندگان) شبکه برای قرار دادن تجارت و یا یک اتصال مستقیم به تبادل برای ارسال سفارشات تجاری داشته باشد.
Integr ادغام پلاگین بازی.
یک معامله گر ممکن است به طور همزمان با استفاده از یک ترمینال بلومبرگ برای تجزیه و تحلیل قیمت, ترمینال یک کارگزار برای قرار دادن معاملات, و یک برنامه متلب برای تجزیه و تحلیل روند. بسته به نیازهای فردی, نرم افزار تجارت الگوریتمی باید به راحتی ادغام پلاگین ازت بازی و رابط های برنامه کاربردی در دسترس در سراسر چنین ابزار تجاری معمولا استفاده می شود. این مقیاس پذیری و همچنین ادغام را تضمین می کند.
What رویترز است?
رویترز یک مرکز اطلاعات جهانی است که در لندن انگلستان مستقر است و به متخصصان در بازارهای مالی و رسانه ای و شرکتی خدمت می کند. رویترز یک شرکت مستقل اخبار و اطلاعات مالی جهانی بود که در لندن مستقر بود تا اینکه در سال 2008 توسط شرکت مالی تامسون خریداری شد. دفتر مرکزی شرکت مادر که اکنون با نام شرکت تامسون رویترز شناخته می شود در شهر نیویورک واقع شده است. سهام در بورس های نیویورک و تورنتو ذکر شده است.
Blo بلومبرگ است?
بلومبرگ یک تامین کننده عمده جهانی اخبار و اطلاعات مالی 24 ساعته است, از جمله داده های قیمت واقعی و تاریخی, داده های مالی, اخبار تجارت, و پوشش تحلیلگر, و همچنین اخبار عمومی و ورزش. خدمات خود را, که دهانه پلت فرم خود را, تلویزیون, رادیو, و مجلات, پیشنهاد ابزار تجزیه و تحلیل حرفه ای برای حرفه ای های مالی. یکی از مهمترین سرمایه گذاران بلومبرگ پایانه بلومبرگ است که یک پلتفرم یکپارچه است که داده های قیمت را با هم پخش می کند, مالی, اخبار, و داده های تجاری به بیش از 300,000 مشتری در سراسر جهان.
گزینه دیگر مراجعه به فروشندگان داده شخص ثالث مانند بلومبرگ و رویترز است که داده های بازار را از صرافی های مختلف جمع کرده و در قالب یکنواخت برای پایان دادن به مشتریان فراهم می کنند. نرم افزار معاملاتی الگوریتمی باید بتواند این فیدهای جمع شده را در صورت لزوم پردازش کند.
استراتژی های مورد استفاده برای تجارت الگوریتمی
Exec اعدام
تصور کنید اگر شما یک صندوق ثروت بزرگ مستقل هستید که 100 میلیون سفارش در سهام اپل قرار می دهید. شما فکر می کنم وجود خواهد داشت به اندازه کافی فروشندگان در قیمت شما انتخاب? و چه چیزی شما فکر می کنم به قیمت سهم اتفاق می افتد قبل از سفارش پر می شود?
اینجاست که می توان از الگوریتمی برای شکستن سفارشات و قرار دادن استراتژیک سفارشات در طول روز معاملاتی استفاده کرد. در این مورد, معامله گر دقیقا از این استراتژی سود نمی برد, اما به احتمال زیاد می تواند قیمت بهتری برای ورود خود دریافت کند.
⦁ داوری
خرید سهام دوگانه با قیمت پایین تر در یک بازار و همزمان فروش با قیمت بالاتر در بازار دیگر دیفرانسیل قیمت را به عنوان سود بدون ریسک یا داوری عرضه می کند. اگر شما قیمت یک کیسه شانل به ایالات متحده see 5000 در فرانسه و ایالات متحده see 6000 در سنگاپور, چه کار می کنید? پاسخ واضح خواهد بود خرید در فرانسه و فروش در سنگاپور. این سود بدون ریسک و بدون هیچ هزینه ای با کسب اسپرد بین 2 کشور است. به طور مشابه, اگر یکی از نقاط تفاوت قیمت در سلف و بازارهای نقدی, یک معامله گر الگوریتم را می توان با این هشدار داده و امکان استفاده.
Following روند زیر
تن از تجارت سرمایه گذاری ادعا به بهترین استراتژی بر اساس تجزیه و تحلیل فنی با تکیه بر شاخص مانند میانگین متحرک حرکت تصادفی و بسیاری دیگر وجود دارد. برخی از سیستم های معاملاتی خودکار از این شاخص ها برای ایجاد سفارش خرید و فروش استفاده می کنند. معاملات بر اساس وقوع روندهای مطلوب شروع می شوند که از طریق الگوریتم ها بدون وارد شدن به پیچیدگی تجزیه و تحلیل پیش بینی ساده و ساده اجرا می شوند. استفاده از میانگین متحرک 50 و 200 روزه یک استراتژی محبوب پیروی از روند است.
Re توازن مجدد صندوق شاخص
صندوق های شاخص دوره های توازن را تعریف کرده اند تا دارایی های خود را با شاخص های معیار مربوطه خود همتراز کنند. این فرصت های سودمندی را برای معامله گران الگوریتمی ایجاد می کند که در معاملات مورد انتظار سرمایه گذاری می کنند که سود 20 تا 80 واحد پایه را بسته به تعداد سهام در صندوق شاخص درست قبل از تعادل مجدد صندوق شاخص سرمایه گذاری می کنند. چنین معاملاتی از طریق سیستم های معاملاتی الگوریتمی برای اجرای به موقع و بهترین قیمت ها شروع می شود.
- استراتژی های مبتنی بر مدل ریاضی
مدل های ریاضی اثبات شده مانند استراتژی معاملاتی دلتا خنثی اجازه می دهد تجارت در ترکیبی از گزینه ها و امنیت اساسی. (دلتا نوترال یک استراتژی پرتفوی متشکل از چندین موقعیت با دلتاهای مثبت و منفی جبران کننده است — نسبت مقایسه تغییر قیمت یک دارایی که معمولا یک اوراق بهادار قابل فروش است با تغییر متناظر در قیمت مشتق خود — به طوری که دلتای کلی دارایی های مورد نظر به صفر می رسد.)
- محدوده معاملاتی (میانگین برگشت)
استراتژی بازگشت میانگین بر این مفهوم استوار است که قیمت های بالا و پایین یک دارایی یک پدیده موقتی است که به طور دوره ای به میانگین ارزش خود (مقدار متوسط) برمی گردد. شناسایی و تعریف محدوده قیمت و پیاده سازی یک الگوریتم بر اساس این اجازه می دهد تا معاملات به صورت خودکار قرار داده می شود زمانی که قیمت یک دارایی می شکند در داخل و خارج از محدوده تعریف شده خود را.
Volume حجم - میانگین قیمت وزنی
استراتژی قیمت متوسط وزنی حجم یک سفارش بزرگ را تجزیه می کند و تکه های کوچکتر سفارش را با استفاده از پروفایل های حجم تاریخی خاص سهام به صورت پویا تعیین می کند. هدف این است که سفارش را نزدیک به میانگین قیمت وزنی حجم اجرا کنید.
- زمان میانگین قیمت وزنی (توپک)
زمان وزن استراتژی قیمت میانگین می شکند تا یک سفارش بزرگ و منتشر تکه های کوچکتر به صورت پویا تعیین از سفارش به بازار با استفاده از اسلات زمان به طور مساوی تقسیم بین زمان شروع و پایان. هدف این است که سفارش را نزدیک به میانگین قیمت بین زمان شروع و پایان اجرا کنید و در نتیجه تاثیر بازار را به حداقل برسانید.
⦁ درصد حجم (دید از بالا)
این الگوریتم تا زمان پر شدن کامل سفارش تجاری با توجه به نسبت مشارکت تعریف شده و با توجه به حجم معامله شده در بازارها به ارسال سفارشات نسبی ادامه می دهد. "استراتژی مراحل" مرتبط سفارشات را با درصدی از حجم بازار تعریف شده توسط کاربر ارسال می کند و با رسیدن قیمت سهام به سطوح تعریف شده توسط کاربر این نرخ مشارکت را افزایش یا کاهش می دهد.
Sh کمبود پیاده سازی
استراتژی کمبود پیاده سازی با هدف به حداقل رساندن هزینه اجرای یک سفارش با معامله در بازار در زمان واقعی و در نتیجه صرفه جویی در هزینه سفارش و بهره مندی از هزینه فرصت اجرای تاخیری انجام می شود. این استراتژی نرخ مشارکت هدفمند را در زمانی که قیمت سهام به طور مطلوب حرکت می کند افزایش می دهد و زمانی که قیمت سهام به طور منفی حرکت می کند کاهش می یابد.
اثرات اتوماسیون در بازار
⦁ نوسانات
تجارت خرده فروشی در میان رایانه های فوق العاده سریع با نرم افزار تجاری به خوبی تست شده مانند پریدن به کوسه ها است. با افزایش نوسانات بازار, اکنون ورود سرمایه گذاران اساسی به بازار دشوارتر است. به عنوان مثال اغراق, تصور کنید که خواستار اجرای سفارش خرید. در عرض چند ثانیه یک معامله گر می توانست چندین معامله گر را اعدام کند و از قیمت ورودی نهایی شما سود ببرد.
Cr سقوط بازار
فرض کنید همه این استراتژی معاملاتی الگوریتم را می بینند و انتخاب می کنند که دنبال کنند. اگر به هر دلیلی بازار می افتد کمی و سفارش فروش باعث شده است برای کاهش از دست دادن در یک بار, قیمت بلافاصله می تواند سقوط چرا که هیچ خریداران در بازار وجود دارد. نمونه های معروف تصادفات در سال 1987 بازار سهام در سال 2010 سقوط فلش و بسیاری دیگر رخ داده است.
Liqu نقدینگی
این طبیعی است که فرض کنیم که با کامپیوتر به طور خودکار انجام معاملات, نقدینگی باید افزایش یابد. اما این مشکل زمانی رخ می دهد که بازارها در حال سقوط هستند. با وقوع تصادفات بزرگ مانند حذف اخیر بانک ملی سوییس به سادگی هیچ نقدینگی برای فرانک فرانک در دسترس نبود و باعث سقوط سریع قیمت ها شد. این حتی باعث شد چندین شرکت بزرگ کارگزاری فورا ورشکست شوند. r