تجارت الگوریتمی, اغلب به عنوان "الگوریتم" تجارت توسط کسانی که در صنعت اشاره, تبدیل به یک موضوع داغ برای معامله گران خرده فروشی و شرکت های سرمایه گذاری کوچک. در دهه 1970 موسسات مالی بزرگ تجارت مبتنی بر رایانه را برای رسیدگی به خرید و فروش اوراق بهادار مالی اختراع و شروع کردند. بانک ها و شرکت های بیمه بازارهای برای قرن ها تحت سلطه; در زمان های اخیر, صندوق های تامینی جایگاه قابل توجهی در بازارهای مالی ادعا کرده اند. سپس انقلاب دیجیتال موانع ورود به بازار را از بین برد. اینترنت پرسرعت, قدرت محاسباتی, و ابزارهای علوم داده اکنون برای عموم مردم در دسترس و مقرون به صرفه است. با ظهور پلتفرم ها و اپلیکیشن های معاملاتی اینترنتی, تجارت محصولات مالی هرگز ساده تر نبوده است. امروز, نیاز به تنها چند کلیک ماوس به تجارت سهام, سلف, و ارز.
در این مقاله میخواهم یک نمای کلی از تجارت الگوریتمی به شما بدهم و یک راهنمای عملی در مورد چگونگی شروع تجارت الگوریتمی شما فراهم کنم.
اخرین به روز رسانی دسامبر 2022
- 427 سخنرانی
- تمام سطوح
ساخت خود ربات روز تجارت واقعا داده محور خود را / یاد بگیرند که چگونه برای ایجاد, تست, پیاده سازی & به طور خودکار استراتژی منحصر به فرد. / توسط الکساندر هاگمن
تجارت الگوریتمی است?
امروزه بیش از 75 درصد معاملات سهام ایالات متحده توسط الگوریتم های رایانه ای انجام می شود نه انسان. این رقم با گذشت زمان در حال گسترش است و به این کار ادامه خواهد داد. هیچ تعریف واحدی از "تجارت الگوریتمی" وجود ندارد."افراد مختلف بسته به پیشینه خود معنای متفاوتی دارند. یک الگوریتم در ابتدایی ترین حالت خود "دنباله ای از مراحل برای رسیدن به یک هدف" است."موسسه سی اف ای تجارت الگوریتمی را به عنوان "استفاده از رایانه برای خودکارسازی استراتژی معاملاتی تعریف می کند.”. برنامه نویسان کامپیوتر استراتژی های معاملاتی الگوریتمی مختلفی را ایجاد کرده اند که هر روز توسط معامله گران استفاده می شود. صرف نظر از استراتژی خاص, معاملات الگوریتمی دارای دو جنبه عمده:
- الگوریتم ها توسط انسان شروع می شوند و از یک استراتژی مشخص برای رسیدن به اهداف خاص پیروی می کنند. در ابتدا الگوریتم ها از قبل برنامه ریزی شده بودند. این قوانین که توسط برنامه نویسان تدوین شده است بر اساس مدل های ریاضی و اماری است. ظهور هوش مصنوعی و یادگیری ماشین الگوریتم های داده محور و خود یادگیری را معرفی کرد. در نتیجه مشخصات شغلی معامله گران الگوریتمی تغییر کرده است. مهارت های علوم داده و مهندسی داده بسیار مرتبط تر شده اند.
- معاملات خودکار هستند. کامپیوترها دستور می دهند و اجرا می کنند نه انسان. بر خلاف مغز انسان, کامپیوتر می تواند مقادیر زیادی از داده ها را با سهولت پردازش. شما می توانید هزاران تصمیم تجاری را در میکروثانیه ها اتخاذ کنید.
برنامه های اصلی و موارد استفاده
سه مورد اصلی استفاده از تجارت الگوریتمی عبارتند از:
- الگوریتم های اجرا
- الگوریتم های توازن نمونه کارها
- الگوریتم های معاملاتی با فرکانس بالا
الگوریتم های اجرا
سالها تجارت الگوریتمی مترادف با الگوریتم های فقط اجرا (الگوریتم های کارگزار) بود. موسسات بزرگ از الگوریتم های اجرا برای شکستن سفارشات بزرگ استفاده می کنند. این دستورات کوچکتر سپس در طول زمان اجرا می شوند. هدف کاهش تاثیری است که یک سفارش بزرگ در بازار دارد. با این کار معامله گران می توانند با هزینه های معاملاتی پایین به یک قیمت معیار دست یابند. نمونه هایی از الگوریتم های اجرا الگوریتم های "میانگین قیمت حجم-وزنی" و "کمبود پیاده سازی" هستند. الگوریتم های اجرا ابزارهای استانداردی برای کارگزاران و موسسات بزرگ هستند. این بخش کوچکی برای معامله گران خرده فروشی بازی می کند.
الگوریتم های متعادل سازی نمونه کارها و سرمایه گذاری روبو
سرمایه گذاران نهادی برای دارایی ها و کلاس های دارایی وزن هدف دارند. با گذشت زمان و حرکت بازار وزن نمونه کارها ترکیبات دور لغزش. به همین دلیل است که تعادل مجدد نمونه کارها یک گردش کار حیاتی است. به عبارت ساده الگوریتم های توازن مجدد "برندگان" را می فروشند و "بازندگان" را می خرند تا وزن های هدف خود را دوباره بیان کنند. اهداف عملکرد و محدودیت های نظارتی از عوامل محرک وزنه های هدف هستند. بیمه و برنامه های بازنشستگی سرمایه گذاران تنظیم. باید محدودیت های سخت را رعایت کنند. یک مثال می تواند داشتن بیش از 40% سرمایه گذاری سهام در هر زمان. نظارت خودکار و سیستم های معاملاتی خودکار نقش محوری در دستیابی به این هدف دارند.
سرمایه گذاری روبو یک روند اخیر در بازار است. این سرمایه گذاری حرفه ای و مشاوره سرمایه گذاری حرفه ای را دموکراتیک می کند. نمایندگی های فروش انواع مختلفی دارند مانند::
- تعیین مشخصات ریسک-بازگشت مناسب
- تخصیص دارایی
- بهینه سازی نمونه کارها
- مدیریت و نظارت بر نمونه کارها
- توازن نمونه کارها
مشاوران روبو این خدمات را با حداقل دخالت انسان انجام می دهند.
الگوریتم های معاملاتی با فرکانس بالا (زمان بندی بازار)
الگوریتم های معاملاتی با فرکانس بالا در مورد سود هستند. این استراتژی ها "استراتژی های تولید کننده" نیز نامیده می شوند."فرکانس بالا" به موارد زیر اشاره دارد:
- ردیابی جریانهای با فرکانس بالا داده ها (مانند فیدهای داده بازار یا فیدهای خبری)
- شناسایی الگوها و فرصتهای معاملاتی در دادهها
- اتخاذ تصمیمات تجاری بر اساس این الگوها
- قرار دادن و اجرای خودکار سفارشات برای استفاده از این فرصت ها
هفتم در مورد "چه چیزی برای تجارت" و "چه زمانی برای تجارت" (زمان بندی بازار) است. اکثر استراتژی ها به طور مستقل از روند کلی بازار کار می کنند. معامله گران موقعیت های بلند و کوتاه را برای بهره مندی از قیمت گذاری های زمانی در بازارها می گیرند. به طور معمول خرید و فروش چندین بار در همان روز معاملاتی – اغلب به عنوان "تجارت روز"نامیده می شود. برای سال, معامله گران روز خرده فروشی در شهود و دل و روده احساس تکیه شد. روند اخیر به سمت الگوریتم های هفتم ("معاملات روز الگوریتمی") است. استراتژی های هفتم می توانند از موارد زیر ناشی شوند:
- داده های اساسی
داده های اساسی شامل عواید شرکت, عایدات, سود, حاشیه, و اخبار دیگر. این اجازه می دهد تا معامله گران برای تعیین ارزش اساسی سهام. سپس می توانند تصمیم بگیرند که سهام بیش از حد ارزش گذاری شده یا کم ارزش است. همچنین میتوانند از دادههای اقتصادی بنیادی برای شناسایی ارزها و شاخصهای نامناسب استفاده کنند. داده های اقتصاد کلان شامل نرخ بهره, تورم, و نرخ بیکاری.
- تجزیه و تحلیل فنی / شاخص های فنی
معامله گران فنی سعی می کنند الگوها و روندهایی را در داده های تاریخی قیمت و حجم پیدا کنند. می توانند از این الگوها و روندها برای پیش بینی قیمت ها و بازده های بعدی استفاده کنند. میانگین متحرک ساده (اس ام اس) نمونه ای از یک شاخص فنی است. همچنین تکنیک های نمودار پیچیده تر مانند الگوهای موج الیوت وجود دارد. برای کسب اطلاعات بیشتر در تجزیه و تحلیل فنی با پایتون, لطفا این دوره.
- یادگیری ماشین/هوش مصنوعی
سالهاست که استراتژی های معاملاتی مبتنی بر قوانین و از پیش برنامه ریزی شده بودند. معامله گران الگوهای مشاهده شده را به قوانین ساده اگر و سپس ترجمه کردند. ظهور هوش مصنوعی (هوش مصنوعی) و یادگیری ماشین (میلی لیتر) یک تغییر دهنده بازی بود. هر دو به معامله گران اجازه می دهند الگوهای پیچیده تر و روابط پنهان در بازار را تشخیص دهند. الگوریتم ها الگوریتم های خود یادگیری هستند. معامله گران این الگوریتم ها را با داده های بازار تغذیه می کنند و سپس الگوریتم ها الگوهایی را در داده ها پیدا می کنند و قیمت ها و بازده های بعدی را پیش بینی می کنند. به طور خودکار با داده های بیشتر یاد می گیرند و بهبود می یابند. معامله گران می توانند مدل های میلی لیتری را با انواع داده ها از جمله تغذیه کنند:
- داده های اساسی
- قیمت های تاریخی
- حجم معاملات تاریخی
- شاخص های فنی
- داوری
استراتژی های داوری (یا "اربعین") معمولا شامل دو یا چند ابزار مالی است. ابزارهای همبسته را برای تشخیص وقفه در همبستگی نظارت می کنند. اگر رابطه را می شکند برای یک دوره کوتاه, فرصتی است برای خرید یک و فروش دیگر در سود وجود دارد. الگوریتم های مختلفی از جمله معاملات جفت و داوری شاخص وجود دارد.
معاملات الگوریتمی (روز) برای مبتدیان: چرخه زندگی یک الگوریتم معاملاتی
در حال توسعه, پیاده سازی, و حفظ یک الگوریتم پر سود یک فرایند ساختار یافته است. مراحل زیادی وجود دارد و بیشتر مراحل نیاز به مداخله و قضاوت انسان دارند.
شروع شدن
ابتدا معامله گر باید ابزارهای مالی مورد نظر خود را برای تجارت تعیین کند. هرچه معامله گر با یک ابزار بیشتر شناخته شود بهتر است. بسته به استراتژی برخی از ابزارها مناسب تر از سایرین هستند. ارزها در میان معامله گران روز هفتم محبوب هستند زیرا اسپرد و کارمزد کم است و نوسانات قیمت زیاد است. دوم اینکه معامله گر باید پلتفرم معاملاتی مناسب را پیدا کند. این پلت فرم باید برنامه های کاربردی برنامه نویسی رابط (رابط کاربری) تجارت. این به معامله گران اجازه می دهد تا به صورت برنامه نویسی با کارگزار اینترنتی تعامل داشته باشند. این بدان معناست که معامله گران می توانند داده های بازار را پخش کنند و با زبان های برنامه نویسی مانند پایتون سفارش دهند.
تجزیه و تحلیل داده ها
سپس معامله گر داده های تاریخی را از طریق رابط کاربری کارگزار می کشد. کارگزاران معمولا داده های قیمت و حجم را فراهم می کنند. در برخی موارد معامله گران می توانند به داده های اساسی نیز دسترسی پیدا کنند. در صورت لزوم, معامله گر نیاز به شناسایی منابع اضافی برای داده های اساسی. تجزیه و تحلیل داده های اکتشافی (ادا) یک گردش کار کلیدی در هر پروژه داده است. این به تحلیلگران اجازه می دهد تا درک عمیق تری از داده های اساسی کسب کنند. تجزیه و تحلیل داده ها شامل موارد زیر است:
- تجسم داده ها
- تشخیص داده های گم شده یا خراب و سایر ناسازگاری ها
- تمیز کردن, قالب بندی, تجمیع, و تغییر شکل داده ها
- ذخیره اطلاعات نهایی به صورت محلی / برخط
شناسایی فرصت های تجاری | تدوین استراتژی / تست استراتژی
سه مرحله بعدی دست به دست هم می دهند. بسته به استراتژی این مراحل به طور همزمان یا یکی پس از دیگری اجرا می شوند. معامله گر با یک ایده تقریبی شروع می کند که یک استراتژی سودمند چگونه می تواند باشد. سپس استراتژی با یک زبان برنامه نویسی تعریف می شود.
مرحله زیر مهم ترین در کل فرایند است. معامله گر باید عملکرد استراتژی بر روی داده ها در دست تست. به این می گویند تست بک. عملکرد شامل معیارهای ریسک و بازده / سود است. استراتژی های امیدوار کننده دارای ویژگی های زیر هستند:
- بسیار سودمند هستند.
- مشخصات خطر قابل قبول دارند (پایین تر, بهتر).
- باید معیار را شکست داد.
معیار یک ابزار یا استراتژی قابل مقایسه است. اغلب یک استراتژی ساده خرید و نگهداری بهترین معیار است.
به راحتی می توان استراتژی هایی را پیدا کرد که قبل از هزینه های معاملاتی سودمند باشند. چالش این است که استراتژی های سودمند را پس از هزینه های معاملاتی پیدا کنید. ماهیت هزینه های معاملاتی می تواند متفاوت باشد. برخی از کارگزاران اسپرد کمتری دارند اما کمیسیون دریافت می کنند. کارگزاران دیگر بدون کمیسیون با اسپردهای گسترده تر هستند. درک این نکته مهم است که هر معامله باعث ایجاد هزینه می شود و معامله گران باید این هزینه ها را در تعریف استراتژی بگنجانند. نتایج بک تست بی معنی است اگر معامله گران هزینه ها را نادیده بگیرند.
برخی از استراتژی ها با داده های اساسی بهینه شده اند. استراتژی های میلی لیتر مثال خوبی هستند. مدل های میلی لیتر باید با داده های نمونه مطابقت داشته باشند. یک اشکال این است که بسیاری از استراتژی های نصب شده بیش از حد مناسب هستند. به نظر می رسد استراتژی های بیش از حد در داده های موجود سودمند هستند ("در نمونه") اما در نتیجه سود تولید نمی کنند ("نمونه خارج"). به عبارت دیگر استراتژی های بیش از حد به داده های جدید تعمیم نمی دهند. تست رو به جلو که به عنوان تست بک نمونه نیز شناخته می شود ابزاری مفید برای شناسایی بیش از حد مناسب است. معامله گر استراتژی را بر روی داده های جدید تست می کند که استراتژی قبلا دیده نشده است. هنگامی که نصب بیش از حد می تواند یک مشکل باشد, تقسیم مجموعه داده معمول است. معامله گر استراتژی را در مجموعه تمرین تعریف و بهینه می کند و سپس استراتژی را در مجموعه تست تست می کند.
در نتیجه, معامله گر باید تنها در صورتی که استراتژی به خوبی انجام پس از هزینه های معاملاتی و که عملکرد توسط تست رو به جلو تایید ادامه.
تست زنده
مرحله بعدی پس از تجزیه و تحلیل داده ها نوشتن یک الگوریتم پیاده سازی است که با الگوریتم تست پشتی متفاوت است. یک الگوریتم پیاده سازی باید:
- جریان داده های زمان واقعی (تیک)
- تبدیل داده های تیک به سیگنال های معاملاتی
- ارتباط با کارگزار اینترنتی
- قرار دادن و اجرای سفارشات
- گزارش معاملات و نظارت بر عملکرد
بسیاری می تواند به اشتباه در این نقطه, بنابراین مهم است برای تست پیاده سازی در یک محیط شبیه سازی شده. بسیاری از کارگزاران حسابهای عملی را پیشنهاد می دهند که امکان تجارت کاغذ را فراهم می کند. خطر از دست دادن پول در یک جلسه معاملاتی کاغذ صفر است.
رفتن به تجارت زنده/واقعی
وقتی یک الگوریتم زنده می رود, داده های واقعی بازار را دریافت می کند و سفارشات زنده را در بازار قرار می دهد. در این مرحله " در حال تولید است."یک الگوریتم در تولید می تواند سود و زیان تولید کند.
تجارت زنده نیاز به یک زیرساخت فنی پایدار و قابل اعتماد دارد. معامله گران خرده فروشی اغلب از رایانه های رومیزی محلی خود استفاده می کنند و سفارشات را از طریق اتصال به اینترنت محلی خود قرار می دهند و اجرا می کنند. ما این را توصیه نمی کنیم. جلسات معاملاتی الگوریتمی می تواند ساعت ها طول بکشد. مشکلات فنی می تواند جلسات معاملاتی را مضر و یا متوقف کند که می تواند منجر به ضررهای زیادی شود. بدین ترتیب, بهترین روش برای استقرار الگوریتم های تجاری در مجازی است (ابر) سرور. مزایا عبارتند از:
- در دسترس بودن / قابلیت اطمینان بالا از سخت افزار و اتصال به وب (99.9% یا بالاتر)
- عملکرد قابل تنظیم و مقیاس پذیر (پردازنده, رم, اتصال)
- جلسات تجاری مستقل هستند. می توانند به طور مستقل از دستگاه های محلی برنامه ریزی و خودکار شوند.
نظارت بر
هیچ تضمینی وجود ندارد که یک استراتژی در تولید سود ایجاد کند و بسیاری از استراتژی ها با گذشت زمان خراب می شوند. بنابراین مهم است که عملکرد را به دقت کنترل کنید. اگر اجرای زنده نتایج بک تست را تایید کند, استراتژی می تواند در تولید باقی بماند (ادامه). در غیر این صورت, معامله گر نیاز به به روز رسانی و/یا بهبود استراتژی. اگر استراتژی بی ثمر باقی می ماند, معامله گر باید قراضه. علاوه بر این, معامله گر باید طرح خود را با داده های اخیر به روز رسانی. این به ویژه در مورد الگوریتم های میلی لیتر صدق می کند.
الگوریتمی (روز) تجارت برای مبتدیان: ابزار, زیرساخت, و مهارت های مورد نیاز
راه اندازی یک زیرساخت فنی برای تجارت الگوریتمی هزینه بر نیست. معامله گران خرده فروشی می توانند از زیرساخت های موجود خود در خانه یا محل کار استفاده کنند. این شامل رایانه های رومیزی معمولی و اتصالات اینترنتی است. با چند استثنا, این کافی است برای تعریف و تست انواع استراتژی. همانطور که در بالا, معامله گران باید در تولید الگوریتم بر روی یک سرور مجازی استقرار. از جمله سرویس های ابری و ذخیره سازی می توان به سرویس های وب و مایکروسافت لاجورد اشاره کرد. قیمت ماهانه برای راه حل های اساسی از 10 دلار شروع می شود. برای برخی از ابزار, معامله گران نیاز به اشتراک در زمان واقعی جریان داده های بازار. بسته به کارگزار, هزینه های داده های بازار از 5 دلار در ماه شروع می شود. در مجموع, معامله گران بلند پروازانه باید با محاسبه:
- سرمایه گذاری اولیه نزدیک به 0 دلار (با فرض در دسترس بودن رایانه رومیزی و اینترنت)
- هزینه های ثابت ماهانه تا 100 دلار برای خدمات داده های ابری و بازار.
کسب مهارت های مورد نیاز مهمترین سرمایه گذاری است. یک معامله گر الگوریتمی باید حداقل در یک زبان برنامه نویسی مهارت داشته باشد. معامله گران باید انتخاب بین پایتون و سی پلاس پلاس.
به یاد داشته باشید که سرعت در معاملات الگوریتمی اهمیت دارد. سی پلاس پلاس سریعتر از پایتون است اما یادگیری سی پلاس پلاس بسیار پیچیده تر است. پایتون بسیار مبتدی تر است زیرا کد پایتون به راحتی قابل خواندن و درک است. از همه مهمتر پایتون زبان برنامه نویسی برتر برای علم داده و یادگیری ماشین است. ماهر بودن در این زمینه به طور فزاینده ای برای معامله گران مرتبط می شود. پایتون به مبتدیان اجازه می دهد تا الگوریتم های پیچیده تر و قدرتمندتری را در زمان کمتری بسازند. این امر کمبود سرعت اجرای تجارت را جبران می کند. برای کسب اطلاعات بیشتر در مورد تجارت الگوریتمی با پایتون, لطفا این دوره.
