알고리즘 트레이딩의 기초 : 개념과 예제.
알고리즘은 작업 또는 프로세스를 수행하기 위해 명확하게 정의 된 지침 집합입니다.
알고리즘 트레이딩 (자동 트레이딩, 블랙 박스 트레이딩, 또는 단순한 알 고 트레이딩)은 a 컴퓨터가 불가능한 속도와 빈도로 이익을 창출하기 위해 거래를하기 위해 정의 된 명령어 세트를 따르도록 프로그래밍 된 컴퓨터를 사용하는 프로세스입니다. 인간 상인. 정의 된 규칙 집합은 타이밍, 가격, 수량 또는 모든 수학적 모델을 기반으로합니다. 상인에 대한 이익 기회와는 별도로, 알 고향 거래는 시장을보다 유동적으로 만들고 무역 활동에 대한 정서적 인적 영향을 배제함으로써보다 체계적인 거래를 만듭니다. (자세한 내용은 올바른 알고리즘 트레이딩 소프트웨어 선택을 확인하십시오.)
거래자가 다음과 같은 간단한 거래 기준을 따랐다 고 가정 해보십시오.
50 일 이동 평균이 200 일 이동 평균보다 커지면 50주의 주식을 매수하십시오. 50 일 이동 평균이 200 일 이동 평균보다 낮아지면 주가는 주식의 주식을 매도합니다.
이 두 가지 간단한 지침 세트를 사용하면 정의 된 조건이 충족 될 때 주가 및 이동 평균 지표를 자동으로 모니터링하고 구매 및 판매 주문을하는 컴퓨터 프로그램을 작성하기 쉽습니다. 상인은 더 이상 실시간 가격 및 그래프를 감시하거나 수동으로 주문할 필요가 없습니다. 알고리즘 거래 시스템은 거래 기회를 정확하게 식별함으로써 자동으로 거래를 수행합니다. 이동 평균에 대한 자세한 내용은 단순 이동 평균을 참조하십시오.
[입증 된 전략과 궁극적으로 알 고리즘 트레이딩 시스템으로 작업 할 수있는 포인트 전략에 대해 자세히 알아 보려면 Investopedia Academy의 Become a Day Trader 코스를 확인하십시오. ]
알고리즘 트레이딩의 이점.
Algo-trading은 다음과 같은 이점을 제공합니다.
가능한 최상의 가격으로 실행되는 거래 신속하고 정확한 거래 주문 배치 (따라서 원하는 수준의 실행 가능성 높음) 중요한 가격 변동을 피하기 위해 정확하고 신속한 거래 시간 단축 거래 비용 절감 (아래의 구현 부족 예 참조) 여러 항목에 대한 동시 자동 점검 시장 조건 거래 배치시 수동 오류 위험 감소 사용 가능한 과거 및 실시간 데이터를 기반으로 알고리즘 백 테 스트 정서적 및 심리적 요인에 기반한 인적 자원 거래자의 실수 가능성 감소.
현재의 고액 거래의 가장 큰 부분은 고주파 거래 (high frequency trading, HFT)입니다. 이 프로그램은 사전 프로그래밍 된 지침에 따라 여러 시장 및 여러 결정 매개 변수에 걸쳐 매우 빠른 속도로 많은 수주를 배치하려고합니다. (고주파 거래에 대한 자세한 내용은 고주파 거래 (HFT) 회사의 전략과 비밀을 참조하십시오.)
Algo-trading은 다음과 같은 다양한 거래 및 투자 활동에 사용됩니다.
주식을 대량 구매하지만 불특정 다수의 투자로 주식 가격에 영향을 미치고 싶지 않은 중장기 투자자 또는 매수 측 회사 (연기금, 뮤추얼 펀드, 보험 회사). 단기 거래자 및 매도자 측 참가자 (시장 형성 자, 투기자 및 중개인)는 자동 거래 실행의 혜택을받습니다. 또한, algo-trading은 시장에있는 판매자에게 충분한 유동성을 창출하는 데 도움을줍니다. 체계적인 거래자 (추종자, 쌍 거래자, 헤지 펀드 등)는 거래 규칙을 프로그래밍하고 프로그램이 자동으로 거래되도록하는 것이 훨씬 더 효율적이라는 것을 알 수 있습니다.
알고리즘 거래는 인간 상인의 직감이나 본능에 기반한 방법보다 적극적인 거래에 대한 체계적인 접근 방식을 제공합니다.
알고리즘 트레이딩 전략.
알고리즘 거래를위한 모든 전략에는 향상된 수익 또는 비용 절감 측면에서 수익성이 확인 된 기회가 필요합니다. 다음은 algo-trading에서 사용되는 일반적인 거래 전략입니다.
가장 일반적인 알고리즘 트레이딩 전략은 이동 평균, 채널 이탈, 가격 수준 이동 및 관련 기술 지표의 추세를 따릅니다. 이러한 전략은 예측이나 가격 예측을하지 않기 때문에 알고리즘 거래를 통해 구현하는 가장 쉽고 간단한 전략입니다. 거래는 바람직한 추세의 발생을 기반으로 시작되며, 이는 예측 분석의 복잡성에 빠지지 않고 알고리즘을 통해 구현하기 쉽고 직관적입니다. 위에서 언급 한 50 일과 200 일 이동 평균의 예는 인기있는 추세 전략입니다. (추세 거래 전략에 대한 자세한 내용은 추세를 활용하는 간단한 전략을 참조하십시오.)
한 시장에서 더 낮은 가격에 이중 상장 주식을 매수하고 다른 시장에서 높은 가격으로 동시에 매각하는 것은 가격 차이를 무위험 수익 또는 차익 거래로 제공합니다. 가격 차이가 수시로 존재하기 때문에 동일한 작업이 주식 대 선물 상품에 대해 복제 될 수 있습니다. 이러한 가격 차이를 식별하고 주문을하는 알고리즘을 구현하면 효율적인 방식으로 수익성있는 기회를 얻을 수 있습니다.
인덱스 펀드는 보유 자산을 각각의 벤치 마크 지수와 동등하게 유지하기 위해 재조정 기간을 정했습니다. 이는 인덱스 펀드 재조정 직전에 인덱스 펀드의 주식 수에 따라 20-80의 베이시스 포인트 이익을 제공하는 예상 거래를 활용하는 알고리즘 트레이더에게 수익성있는 기회를 창출합니다. 이러한 거래는 적시 실행 및 최적의 가격을 위해 알고리즘 거래 시스템을 통해 시작됩니다.
델타 중립적 인 거래 전략과 같이 입증 된 많은 수학 모델은 포트폴리오 델타가 0으로 유지되도록 양수 및 음수 델타를 상쇄하기 위해 거래가 이루어지는 옵션과 기본 보안의 조합에 대한 거래를 허용합니다.
평균 회귀 전략은 자산의 고가와 저가가 주기적으로 평균값으로 되돌아가는 일시적인 현상이라는 생각에 근거합니다. 가격 범위를 식별하고 정의하고이를 기반으로 알고리즘을 구현하면 자산 가격이 정의 된 범위를 벗어날 때 거래가 자동으로 배치됩니다.
볼륨 가중 평균 가격 전략은 대량의 주문을 분해하고 주식 관련 과거 볼륨 프로파일을 사용하여 동적으로 결정된 작은 주문 청량을 출시합니다. 목표는 VWAP (Volume Weighted Average Price)에 가까운 주문을 실행하여 평균 가격으로 이익을 얻는 것입니다.
시간 가중 평균 가격 전략은 대량의 주문을 분해하고 시작 및 종료 시간 사이의 균등하게 나뉘어 진 시간대를 사용하여 동적으로 결정된 작은 주문 청량을 시장에 출시합니다. 목표는 시작 및 종료 시간 사이의 평균 가격에 가까운 주문을 실행하여 시장 영향을 최소화하는 것입니다.
거래 주문이 완전히 채워질 때까지이 알고리즘은 정의 된 참여율과 시장에서 거래되는 거래량에 따라 부분 주문을 계속 전송합니다. 관련 "단계 전략"은 사용자 정의 시장 볼륨 비율로 주문을 보내고 주가가 사용자 정의 수준에 도달하면이 참여율을 높이거나 낮 춥니 다.
구현 부족 전략은 실시간 시장을 거래함으로써 주문의 실행 비용을 최소화함으로써 주문 비용을 절감하고 지연된 실행의 기회 비용으로부터 이익을 얻는 것을 목표로합니다. 이 전략은 주식 가격이 호의적으로 움직일 때 목표로하는 참여율을 높이고, 주가가 반대로 움직일 때 그것을 낮출 것이다.
다른 측면에서 "사건"을 식별하려고 시도하는 몇 가지 특별한 클래스의 알고리즘이 있습니다. 예를 들어 판매 측 시장에서 사용되는 이러한 "스니핑 알고리즘"은 대규모 주문의 구매 측면에서 알고리즘의 존재를 식별 할 수있는 내장 된 인텔리전스를 갖추고 있습니다. 이러한 알고리즘을 통한 탐지는 시장에서 대량 주문 기회를 파악하고 더 높은 가격으로 주문을 작성함으로써 이익을 얻을 수 있도록 도와줍니다. 이것은 때로는 하이테크 전방 주행으로 확인됩니다. (고주파 거래 및 사기 행위에 대한 자세한 내용은 다음을 참조하십시오 : 주식을 온라인으로 구입할 경우 HFT에 관여 함)
알고리즘 거래에 대한 기술적 요구 사항.
컴퓨터 프로그램을 사용하여 알고리즘을 구현하는 것이 마지막 부분으로, 백 테스트가 있습니다. 문제는 식별 된 전략을 주문 거래 계정에 액세스 할 수있는 통합 된 전산 프로세스로 변환하는 것입니다. 다음이 필요합니다.
필요한 거래 전략, 고용 된 프로그래머 또는 미리 만들어진 거래 소프트웨어를 프로그래밍하기위한 컴퓨터 프로그래밍 지식 주문을하기위한 네트워크 연결 및 거래 플랫폼에 대한 액세스 주문을 할 수있는 기회를 알고리즘이 모니터 할 시장 데이터 피드에 액세스 능력 및 인프라 실제 시장에 출시되기 전에 빌드 된 시스템을 백 테스팅하기 알고리즘에서 구현 된 규칙의 복잡성에 따라 백 테스트를위한 사용 가능한 과거 데이터.
다음은 포괄적 인 예입니다 : Royal Dutch Shell (RDS)은 암스테르담 증권 거래소 (AEX)와 런던 증권 거래소 (LSE)에 상장되어 있습니다. 차익 거래 기회를 식별하는 알고리즘을 구축해 보겠습니다. 흥미로운 관찰은 거의 없습니다.
AEX는 유로화로 거래되며, LSE는 스털링 파운드로 거래됩니다. AEX는 1 시간의 시간차로 인해 LSE보다 한 시간 앞당겨 거래가 이루어지며, 다음 두 시간 동안 동시에 거래가 이루어지고, AEX가 마감됨에 따라 지난 한 시간 동안 LSE에서만 거래가 이루어집니다. .
이 두 시장에 상장 된 Royal Dutch Shell 주식에 대해 서로 다른 통화로 차익 거래를 할 수 있는지 알아볼 수 있습니까?
현재 시장 가격을 읽을 수있는 컴퓨터 프로그램 LSE 및 AEX의 가격 피드 GBP-EUR 환율에 대한 외환 환율 피드 주문을 올바른 교환으로 전달할 수있는 주문 배치 기능 과거 가격 피드에 대한 백 테스트 기능.
컴퓨터 프로그램은 다음을 수행해야합니다.
두 거래소의 RDS 주식의 수신 가격 피드를 읽으십시오. 사용 가능한 환율을 사용하여 한 통화의 가격을 다른 통화로 변환하십시오. 유익한 기회로 이어지는 충분히 큰 가격 불일치 (중개 비용을 할인)가 존재한다면, 낮은 가격의 거래소에서 주문하고 높은 가격의 거래소에서 주문을 판매합니다. 원하는대로 주문을 실행하면 차익 거래 이익이 발생합니다.
간단하고 쉬운! 그러나 알고리즘 트레이딩의 실행은 유지 관리 및 실행이 간단하지 않습니다. 알 고가 생성 한 거래를 배치 할 수 있다면 다른 마켓 참여자도 마찬가지입니다. 따라서 가격은 밀리 초 및 심지어 마이크로 초 단위로 변동합니다. 위의 예에서 구매 주문 거래가 실행되면 어떻게되지만 주문이 시장에 출시 될 때까지 판매 가격이 변경되지 않습니다. 당신은 개방적인 자세로 앉아 결국 귀하의 차용액 전략을 쓸모 없게 만들 것입니다.
예를 들어 시스템 장애 위험, 네트워크 연결 오류, 거래 주문과 실행 간의 시간 지연, 그리고 무엇보다 불완전한 알고리즘과 같은 추가적인 위험과 과제가 있습니다. 알고리즘이 복잡할수록 더 엄격한 백 테스팅이 필요합니다.
결론.
알고리즘의 성능을 정량적으로 분석하는 것은 중요한 역할을하므로 비판적으로 검사해야합니다. 돈을 쉽게 벌기위한 개념을 가진 컴퓨터의 도움을 받아 자동화하는 것은 흥미로운 일입니다. 그러나 시스템을 철저히 테스트하고 필요한 한계를 설정해야합니다. 분석적 거래자는 올바른 전략을 확실하게 구현하는 데 자신감을 갖기 위해 스스로 프로그래밍 및 시스템을 학습하는 것을 고려해야합니다. 신중한 사용과 철저한 거래로 수익성 높은 기회를 창출 할 수 있습니다. (자세한 내용은 자신의 Algo 거래 로봇을 코딩하는 방법을 참조하십시오.)
타임 시리즈 기술 분석에 기반한 양적 거래 전략 - PowerPoint PPT 프리젠 테이션
시계열 기술 분석에 기초한 정량적 거래 전략. 그룹 회원 : Zhao Xia Jun Lorraine 왕 루 샤오 장 르유. 이 신문의 새로운 내용. Michel Fliess. Cédric은 새로운 Fast를 통해 시계열 기술 분석에 합류했습니다.
타임즈 기술 분석에 기초한 '양적 거래 전략'에 대한 파워 포인트 슬라이드 쇼 - zach.
다운로드 정책 : 웹 사이트의 콘텐츠는 귀하의 정보 및 개인적인 용도를 위해있는 그대로 제공되며 작성자의 동의없이 다른 웹 사이트에서 판매 / 라이센스 / 공유 할 수 없습니다. 다운로드하는 동안 어떤 이유로 프레젠테이션을 다운로드 할 수없는 경우 게시자가 해당 파일을 해당 서버에서 삭제했을 수 있습니다.
시계열 기술 분석에 기초한 정량적 거래 전략.
Michel Fliess. CédricJoin.
새로운 Fast를 통한 시계열 기술 분석.
견적 방법 : 예비 연구.
(2008, 코번 트리, 영국.)
새로운 고속 추정 방법은 "모델 프리"설정에 적용됩니다.
짧은 시간 창 슬라이딩에서 낮은 차수 선형 차분 방정식을 반복하여 식별합니다.
금융에 신호 처리 기술 적용.
이 신문은 어떠한 거래 전략도 논의하지 않았기 때문에, 우리는이 논문의 기법을 토대로 모든 전략을 제시했습니다.
신호 처리 도구 상자.
이 도구 상자는 2010 버전부터 Matlab에 포함되어 있습니다.
데이터 : EUR / USD & amp; GBP / USD & amp; AUD / JPY 환율.
출처 : eSignal 소프트웨어.
빈도 : 1 시간 간격.
샘플 내 : 주요 분석은 2009 년 4 분기에서 2010 년 1 분기까지의 데이터로 수행됩니다.
샘플 이탈 : 전략은 다음 1 년 데이터, 즉 2010 년 2 분기에서 2011 년 1 분기까지 다시 테스트됩니다.
거래 결정은 매 시간이 끝날 때 이루어집니다.
결정 관련 입력은 해당 시간의 단가 (과거 가격)입니다.
성능의 가장 중요한 측정은 1 년 후 1 달러의 누적 값입니다.
Sharpe Ratio, 최대 삭감 및 정확한 비율도 출력됩니다.
레버리지, 거래 비용 없음, 그리고 짧은 포지션에 대한 예금은 가격이라고 가정합니다.
이 논문은 재무에 대한 신호 처리 기술을 적용하지만 거래 전략은 제공하지 않습니다.
우리는 이러한 새로운 기술에 초점을 맞추고 새로운 기술의 지표 아래에서 작동 할 수있는 전략을 개발하는 것을 목표로합니다.
우리는 우리의 전략에서이 논문에서 언급 된 모든 기술을 사용할 수도 있습니다.
필터링 기술 만 사용 (1 전략)
필터링 및 z - 변환 사용 (2 가지 전략)
오류 기간에 이동 평균 사용 (1 전략)
녹색 선 : 필터링 된 가격.
전략 1은 각 기간의 파란색과 녹색 라인의 차이에 대한 거래 의사 결정을 기반으로합니다.
각 기간까지 정보를 사용해야합니다. 우리가 미래 가격을 제시하면 여과 된 가격이 달라질 것입니다. (기간 1874 참조)
이 논문의 저자는 필터링 된 가격과 시장 가격의 차이 (오류) 평균이 0에 근접한다고 생각합니다. 그래서 시장 가격과 필터링 된 가격의 큰 출발 가능성은 희박합니다.
이 기간의 필터링 된 가격이이 기간의 마감 가격보다 훨씬 높으면 구매하십시오.
필터링 된 가격 (이 기간)이 (이 기간의) 마감 가격보다 훨씬 낮은 경우 판매하십시오.
"qt_Strategy_FilteredPriceIndicator. m"을 참조하십시오.
이 논문은 필터링 된 가격에 방정식의 계수를 얻기 위해 z - 변환과 비선형 시스템을 사용합니다.
이 계수를 시장 가격에 적용하면 미래 가격에 대한 예측을 얻을 수 있습니다.
참조 : "qt_GetSinglePrediction. m"
녹색 선 : 필터링 된 가격.
레드 라인 : 가격 1 년 후 예상.
현재 가격이 예상 미래 가격보다 낮은 경우 구매하십시오.
볼륨은 예측 길이 (예 : 예측 횟수)에 따라 달라집니다.
예 : 예측 길이 = 1 일 때 볼륨 = 1, 즉 다음 시간 막대에 대해서만 예측.
예 : 예측 길이 = 2 일 때 볼륨 = 2이고 다음 2 시간 막대의 예상 가격은 모두 현재 가격보다 높습니다.
예측에서 가격 방향이 바뀌면 열림 위치를 닫습니다.
참조 : "qt_Strategy_SimplePrediction. m"
시장 가격과 필터링 된 가격의 차이는 거의 0으로 추정됩니다. 그래서 우리는 필터링 된 가격과 시장 가격의 확산에 대한 평균 반박을 할 수 있습니다.
그러나이 스프레드는 거래 할 수 없습니다.
우리는 다음과 같은 방식으로 전략을 개발합니다.
스프레드가 너무 큰 경우 먼저 스프레드를 고려해야합니다.
필터링 된 가격의 변화가 확산의 중요성을 상쇄 할 가능성이 있는지 검토하십시오.
그렇지 않은 경우 새로운 위치에 입력하십시오.
우리는 예측 계수 (전략 2에서 사용한 것과 동일)로이를 달성 할 수 있습니다.
이 전략에는 최대 4 개의 임계 값이 있습니다. 이러한 임계 값에 대한 최적화 실행은 시간이 많이 소요됩니다.
우리는 EUR / USD 쌍에 대해서만했고 다른 두 쌍에는 같은 임계 값을 적용했습니다.
"qt_Strategy_SimpleMeanReverting. m"을 참조하십시오.
이동 평균은이 논문의 가장 중요한 결과입니다.
논문의 저자는 오류의 이동 평균이 제로가된다는 제안을했습니다.
이 신문에서는 창 크기가 100 달러 인 일일 USD / EUR 시리즈에서이 모델은 추세 예측에서 80 % 이상의 정확도를 달성 할 수 있습니다.
전략 4 : 이동 평균.
그러나 우리의 연구에서 이동 평균은 항상 0이되지 않습니다.
20091201에 다른 창 크기에서 오류 조건의 평균 이동.
전략 4 : 이동 평균.
동시에, 이동 평균의 예측력은 "단지 내기보다 우수"한 것으로 보인다. 우리 반년 표본에서.
전략 4 : 이동 평균.
예측 정확도 - 이동 평균이 미래 가격을 예측할 수있는 경우 (2009Q4에서 2010Q1까지의 AUD / JPY 데이터 기준)
전략 4 : 이동 평균.
예측 정확도 - 이동 평균이 향후 필터링 된 가격을 예측할 수있는 경우 (2009Q4에서 2010Q1까지의 AUD / JPY 데이터 기준)
종이의 결과조차도 여기에서 재구성 될 수 있으며 가격과 추세의 차이 만 포착합니다. 이 확산은 거래 할 수 없습니다. (심지어 스프레드가 예상대로 좁혀지면 시장 가격의 방향이 달라질 수 있습니다.
우리는 비슷한 전략을 개발합니다.
단순 이동 평균은 새로운 정보와 n 기 과거 정보를 동등하게 고려합니다. 새로운 가격을 입력하고 과거 정보를 남겨두면 이동 평균에서 동일한 중요한 맥박이 발생합니다.
복잡한 가중 평균을 피하기 위해 두 개의 이동 평균 지표를 사용하므로 최근 정보가 더 중요 해지고 과거 단일 가격의 이탈은 지표에 너무 많은 영향을 미치지 않습니다.
두 이동 평균이 모두 0 미만이면 구매하십시오.
두 이동 평균이 모두 0보다 큰 경우 판매하십시오.
"qt_Strategy_MvAvg. m"을 참조하십시오.
다음으로, 모든 이동 평균값에 대해 최적의 위치가 존재한다고 간주하십시오.
수업에서 평균 반전의 결과에 영감을 받아 최적의 위치를 가정합니다.
MV1과 MV2는 이동 평균의 두 값을 나타냅니다.
두 표현식 모두 이동 평균이 음수 (양수) 인 경우에만이 표현식을 방문하십시오.
최적의 위치는 이동 평균의 크기와 관련하여 양의 값을 가지지 만 너무 큰 경우 위치가 감소합니다.
위의 식에서 a = 1을 수정하십시오. MV1의 창 크기, MV2의 창 크기, FIR의 순서 배율 및 마지막 표현의 b의 네 가지 매개 변수에 대한 최적화를 실행합니다.
2009Q4에서 2010Q1 데이터에 최적화 실행;
2010Q2에서 2011Q1까지의 실적 결과 도표.
많은 양의 계산이 필요하기 때문에 현재로서는 EUR / USD 만 실행합니다.
1 년 계정 값 EUR / USD (2010Q2에서 2011Q1) window1 = 4; window2 = 40; p = 0.75; b = 8.
1 년 계정 가치 AUD / JPY (2010Q2에서 2011Q1) window1 = 4; window2 = 40; p = 0.75; b = 8.
1 년 계정 가치 GBP / USD (2010Q2에서 2011Q1) window1 = 4; window2 = 40; p = 0.75; b = 8.
이 프로젝트에서 필자는 필터링 된 가격, z 변형 및 이동 평균 오류를 비롯하여이 백서에 설명 된 모든 수학 용어를 성공적으로 복제했습니다.
우리는 수학적 용어를 거래 지표로 적용하여 4 가지 전략을 개발했습니다.
인상적인 수익률은 특히 전략 4 : 오류 기간의 이동 평균을 통해 달성되었습니다.
레버리지, 커미션 및 미끄러짐은 거래 모델에 포함될 수 있습니다.
최적화는 많은 거래 매개 변수에 적용될 수 있습니다.
[WEBINAR] 양적 거래 전략의 분류.
7 월 11 일 화요일, 7:00 IST | 오전 9시 30 분 | 오후 9:30 SGT.
양적 거래 전략.
거래 전략에 관한 수천 개의 학술 연구 논문이 있습니다. 이 학계가 무엇을 발견했는지, 그리고 어떻게 거래 세계에서 지식을 사용할 수 있는지 알아보십시오.
'Quantpedia & amp; QuantInsti ™ '양적 거래 분야의 연구 개요 양적 거래 전략의 분류 독창적 인 알파를 찾는 곳 덜 알려진 거래 전략의 예 퀀트 리서치의 일반적인 문제 질문 및 답변.
Comments
Post a Comment