Trading Strategien Algorithmen

Die Grundlagen des Forex Algorithmic Trading. Nearly vor dreißig Jahren war der Devisenmarkt Forex geprägt von Geschäften über Telefon, institutionelle Investoren opak Preisinformationen, eine klare Unterscheidung zwischen Interdealer Handel und Händler-Kunde Handel und niedrige Marktkonzentration Heute, technologische Fortschritte Haben den Markt verwandelt Trades werden in erster Linie über Computer gemacht, so dass Einzelhändler können in den Markt eindringen, Echtzeit-Streaming-Preise haben zu mehr Transparenz geführt und die Unterscheidung zwischen Händlern und ihre anspruchsvollsten Kunden ist weitgehend verschwunden. Eine besonders bedeutende Veränderung ist die Einführung Der algorithmischen Handel, die, während erhebliche Verbesserungen für die Funktionsweise von Forex-Handel, stellt auch eine Reihe von Risiken Durch die Betrachtung der Grundlagen des Forex-Marktes und algorithmischen Handel, werden wir identifizieren einige Vorteile algorithmischen Handel hat zum Devisenhandel gebracht, während auch zeigt Out of the risks. Forex Basics. Forex ist der virtuelle Ort, in dem Währungspaare in unterschiedlichen Volumina nach notierten Preisen gehandelt werden, wobei eine Basiswährung einen Preis in Form einer Zitatwährung erhält. Betrieb 24 Stunden am Tag, fünf Tage a Woche, Forex gilt als weltweit größte und liquideste Finanzmarkt pro der Bank für International Settlements BIS die tägliche globale durchschnittliche Handelsvolumen im April 2013 war 2 0 Billionen Der Großteil dieses Handels wird für US-Dollar, Euro und Japaner getan Yen und umfasst eine Reihe von Spielern, darunter private Banken, Zentralbanken, Pensionskassen institutionelle Investoren, große Konzerne, Finanzgesellschaften und einzelne Einzelhändler. Obwohl spekulative Handel kann die Hauptmotivation für bestimmte Investoren, der Hauptgrund für den Forex-Markt s Existenz ist, dass die Menschen müssen Währungen handeln, um ausländische Waren und Dienstleistungen zu kaufen Aktivität im Forex - Markt beeinflusst reale Wechselkurse und kann daher tief beeinflussen die Produktion, Beschäftigung, Inflation und Kapitalströme einer bestimmten Nation Aus diesem Grund, Politiker, die Öffentlichkeit und die Medien haben alle ein Interesse daran, was auf dem Forex-Markt geht. Basics of Algorithmic Trading. Analgorithmus ist im Wesentlichen eine Reihe von spezifischen Regeln, um eine klar definierte Aufgabe abgeschlossen Im Finanzmarkthandel, Computer führen benutzerdefinierte Algorithmen, die durch einen Satz von Regeln gekennzeichnet sind, die aus Parametern wie Timing, Preis oder Quantität bestehen, die die Trades, die gemacht werden, strukturieren. Es gibt vier grundlegende Arten von algorithmischen Handel innerhalb der Finanzmärkte statistisch, Auto-Hedging, algorithmische Ausführungsstrategien und direkten Marktzugang Statistisch bezieht sich auf eine algorithmische Strategie, die nach profitable Handelschancen auf der Grundlage der statistischen Analyse historischer Zeitreihendaten sucht. Auto-Hedging ist eine Strategie, die Regeln generiert, um das Risiko eines Händlers zu reduzieren. Das Ziel der algorithmischen Ausführungsstrategien ist es, eine vordefinierte auszuführen Objektiv, wie die Verringerung der Marktauswirkungen oder die Durchführung eines Handels schnell Schließlich beschreibt der direkte Marktzugang die optimalen Geschwindigkeiten und niedrigere Kosten, bei denen algorithmische Händler Zugang und eine Verbindung zu mehreren Handelsplattformen haben können. Einer der Unterkategorien des algorithmischen Handels ist der Hochfrequenzhandel, der Zeichnet sich durch die extrem hohe Häufigkeit der Trade Order Ausführungen High-Speed-Handel kann erhebliche Vorteile für Händler, indem sie ihnen die Möglichkeit, Trades innerhalb von Millisekunden von inkrementellen Preisänderungen zu machen, aber es kann auch bestimmte Risiken tragen. Algorithmische Trading im Forex-Markt. Ein Großteil des Wachstums des algorithmischen Handels in den Devisenmärkten in den vergangenen Jahren war auf Algorithmen zurückzuführen, die bestimmte Prozesse automatisieren und die für die Durchführung von Devisentransaktionen benötigten Stunden reduzieren. Die Effizienz durch Automatisierung führt zu niedrigeren Kosten bei der Durchführung dieser Prozesse. Ein solches Verfahren ist Die Ausführung von Handelsaufträgen Die Automatisierung des Handelsprozesses mit einem Algorithmus, der auf der Grundlage vorgegebener Kriterien basiert, wie etwa die Ausführung von Aufträgen über einen bestimmten Zeitraum oder zu einem bestimmten Preis, ist wesentlich effizienter als die manuelle Ausführung durch den Menschen Von Algorithmen, die programmiert sind, um die Preise von Währungspaaren auf elektronischen Handelsplattformen zu aktualisieren Diese Algorithmen erhöhen die Geschwindigkeit, mit der Banken die Marktpreise zitieren können, während gleichzeitig die Anzahl der manuellen Arbeitszeiten reduziert wird, die es braucht, um Preise anzugeben. Einige Banken programmieren Algorithmen, um ihre Belichtung zu reduzieren Zu riskieren Die Algorithmen können verwendet werden, um eine bestimmte Währung zu verkaufen, um einen Kundenhandel zu erfüllen, in dem die Bank den entsprechenden Betrag gekauft hat, um eine konstante Menge dieser bestimmten Währung aufrechtzuerhalten. Dies ermöglicht es der Bank, ein vorgegebenes Risiko zu halten Exposition für das Halten dieser Währung. Diese Prozesse wurden erheblich effizienter durch Algorithmen, was zu niedrigeren Transaktionskosten Dies sind jedoch nicht die einzigen Faktoren, die das Wachstum in Forex algorithmischen Handel getrieben haben Algorithmen wurden zunehmend für spekulative Handel als die verwendet Kombination von Hochfrequenz und die Fähigkeit des Algorithmus, Daten zu interpretieren und Aufträge auszuführen, hat es den Händlern ermöglicht, Arbitrage-Chancen zu nutzen, die sich aus kleinen Preisabweichungen zwischen Währungspaaren ergeben. Alle diese Vorteile haben zu einer verstärkten Nutzung von Algorithmen im Forex-Markt geführt, S Blick auf einige der Risiken, die algorithmischen Handel begleiten. Risks in algorithmischen Forex Trading beteiligt. Obwohl algorithmischen Handel hat viele Verbesserungen gemacht, gibt es einige Nachteile, die die Stabilität und Liquidität des Forex-Marktes bedrohen könnte Ein solcher Nachteil bezieht sich auf Ungleichgewichte im Handel Macht der Marktteilnehmer Einige Teilnehmer haben die Mittel, um anspruchsvolle Technologie zu erwerben, die es ihnen ermöglicht, Informationen zu erhalten und Aufträge mit einer viel schnelleren Geschwindigkeit auszuführen als andere. Dieses Ungleichgewicht zwischen den Haves und Habeln in Bezug auf die anspruchsvollste algorithmische Technologie könnte zu Fragmentierung führen Innerhalb des Marktes, die zu Liquiditätsengpässen im Laufe der Zeit führen können. Darüber hinaus, während es grundlegende Unterschiede zwischen den Aktienmärkten und dem Forex-Markt gibt, gibt es einige, die befürchten, dass der Hochfrequenzhandel, der den Börsenblitz-Crash am 6. Mai 2010 verschärft hat Ähnlich beeinflussen den Forex-Markt Da Algorithmen für spezifische Marktszenarien programmiert sind, können sie nicht schnell genug reagieren, wenn der Markt drastisch verändert werden soll. Um dieses Szenario zu vermeiden, müssen die Märkte überwacht und der algorithmische Handel während der Marktturbulenzen ausgesetzt werden Extreme Szenarien, eine gleichzeitige Aussetzung des algorithmischen Handels durch zahlreiche Marktteilnehmer könnte zu einer hohen Volatilität und einer drastischen Verringerung der Marktliquidität führen. Die Bottom Line. Obwohl der algorithmische Handel in der Lage war, die Effizienz zu steigern und damit die Kosten der Handelswährungen zu reduzieren, hat er Kommen auch mit einigen zusätzlichen Risiken für Währungen, um ordnungsgemäß zu funktionieren, müssen sie etwas stabile Wertschätzung sein und hochflüssig sein. Daher ist es wichtig, dass der Forex-Markt mit einer niedrigen Preisvolatilität flüssig bleibt. Mit allen Lebensbereichen führt neue Technologie ein Viele Vorteile, aber es kommt auch mit neuen Risiken Die Herausforderung für die Zukunft der algorithmischen Forex-Handel wird, wie man Änderungen, die die Vorteile bei der Verringerung der Risiken zu maximieren. Der Zinssatz, bei dem eine Depot-Institution leiht Gelder in der Federal Reserve gezahlt, Ein anderes Depotinstitut.1 Eine statistische Maßnahme für die Streuung der Renditen für einen bestimmten Wertpapier oder Marktindex Die Volatilität kann entweder gemessen werden. Handeln Sie den US-Kongress, der 1933 als Bankgesetz verabschiedet wurde und die Geschäftsbanken daran hinderte, an der Investition teilzunehmen Gehaltsliste bezieht sich auf jeden Job außerhalb der landwirtschaftlichen Betriebe, der privaten Haushalte und des gemeinnützigen Sektors Das US-Büro der Arbeit. Die Währungsabkürzung oder das Währungssymbol für die indische Rupie INR, die Währung von Indien Die Rupie besteht aus 1.Ein Erstgebot auf einem Bankrott Unternehmen Vermögenswerte von einem interessierten Käufer von der Bankrott Unternehmen gewählt Von einem Pool von Bietern. Basics of Algorithmic Trading Konzepte und Beispiele. Ander Algorithmus ist eine spezifische Reihe von klar definierten Anweisungen zur Durchführung einer Aufgabe oder Prozess. Algorithmischen Handel automatisierten 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, die für einen menschlichen Händler unmöglich ist, die definierten Sätze von Regeln basieren auf Timing, Preis, Quantität oder irgendeinem mathematischen Modell Abgesehen von Gewinnchancen für den Händler, macht algo-Handel Märkte liquider und macht den Handel systematischer, indem er emotionale menschliche Auswirkungen auf Handelsaktivitäten auslöst. Stellt einen Händler diesen einfachen Handel ein Kriterien. Buy 50 Aktien einer Aktie, wenn seine 50-Tage gleitenden Durchschnitt über den 200-Tage gleitenden Durchschnitt. Sell Aktien der Aktie, wenn seine 50-Tage gleitenden Durchschnitt unter dem 200-Tage gleitenden Durchschnitt. Using dieser Satz von zwei Einfache Anweisungen, ist es einfach, ein Computer-Programm 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 Händler muss nicht mehr eine Uhr für Live-Preise und Grafiken haben , Oder stellen Sie die Aufträge manuell ein Das algorithmische Handelssystem tut es automatisch für ihn, indem Sie die Handelsgelegenheit korrekt identifizieren Für mehr auf bewegten Durchschnitten sehen Sie einfache Umzugsdurchschnitte machen Trends Stand out. Algo-Trading bietet die folgenden Vorteile. Trades ausgeführt am Bestmögliche Preise. Instant und genaue Handelsordnung Platzierung damit hohe Chancen der Ausführung auf Wunsch Ebenen. Trades zeitlich korrekt und sofort, um erhebliche Preisänderungen zu vermeiden. Reduzierte Transaktionskosten sehen die Implementierung Shortfall Beispiel unten. Simultane automatisierte Kontrollen auf mehrere Marktbedingungen. Reduziert Risiko von manuellen Fehlern bei der Platzierung der Trades. Backtest der Algorithmus, basierend auf verfügbaren historischen und Echtzeit-Daten. Reduzierte Möglichkeit von Fehlern von menschlichen Händlern auf der Grundlage von emotionalen und psychologischen Faktoren. Der größte Teil der heutigen Algo-Handel ist Hochfrequenz-Handel HFT , Die versucht, auf eine große Anzahl von Aufträgen mit sehr schnellen Geschwindigkeiten über mehrere Märkte und mehrere Entscheidungsparameter zu setzen, basierend auf vorprogrammierten Anweisungen Für mehr auf Hochfrequenzhandel, siehe Strategien und Geheimnisse des Hochfrequenzhandels HFT Firms. Algo - Handel wird in vielen Formen der Handels-und Investment-Aktivitäten verwendet, einschließlich. Mid zu langfristigen Investoren oder kaufen Nebenfirmen Pensionskassen, Investmentfonds, Versicherungsgesellschaften, die in Aktien in großen Mengen kaufen, aber nicht wollen, beeinflussen Aktien Preise mit diskreten, groß - Verlangen Investitionen. Kurzer Begriff Händler und verkaufen Seitenteilnehmer Marktmacher Spekulanten und Arbitrageurs profitieren von automatisierten Handelsabwicklung zusätzlich, Algo-Trading-Hilfsmittel bei der Schaffung von ausreichenden Liquidität für Verkäufer auf dem Markt. Systematische Händler Trendfolger Paare Trader Hedge-Fonds usw. finden Sie viel Effizienter zu programmieren ihre Handelsregeln und lassen Sie das Programm Handel automatisch. Algorithmischen Handel bietet eine systematischere Ansatz für den aktiven Handel als Methoden auf der Grundlage eines menschlichen Trader s Intuition oder Instinkt. Algorithmische Trading Strategies. Any Strategie für algorithmischen Handel erfordert eine identifizierte Chance, die Ist in Bezug auf verbesserte Erträge oder Kostensenkungen rentabel. Im Folgenden sind gemeinsame Handelsstrategien, die im Algo-Handel verwendet werden. Die gängigsten algorithmischen Handelsstrategien folgen den Trends bei den Bewegungsdurchschnitten Kanalausbrüche Preisniveaubewegungen und damit zusammenhängende technische Indikatoren Dies sind die einfachsten und einfachsten Strategien Implementierung durch algorithmischen Handel, weil diese Strategien nicht beinhalten, irgendwelche Vorhersagen oder Preisvorhersagen Trades werden auf der Grundlage des Auftretens von wünschenswerten Trends, die einfach und unkompliziert sind, um durch Algorithmen zu implementieren, ohne in die Komplexität der prädiktiven Analyse Das oben genannte Beispiel von 50 und 200 Tage gleitender Durchschnitt ist ein beliebter Trend nach Strategie Für mehr auf Trend-Trading-Strategien, siehe Simple Strategies für die Aktivierung von Trends. Buying ein dualen börsennotierten Aktien zu einem niedrigeren Preis in einem Markt und gleichzeitig verkauft es 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. Implementierung eines Algorithmus zur Identifizierung solcher Preisunterschiede und die Platzierung der Aufträge ermöglicht rentable Chancen in effizienter Weise Fonds haben definierte Perioden der Neugewichtung, um ihre Bestände mit ihren jeweiligen Benchmark-Indizes zu verkürzen Dies schafft profitable Chancen für algorithmische Händler, die auf erwartete Trades, die 20-80 Basispunkte Gewinne in Abhängigkeit von der Anzahl der Aktien in der Index-Fonds, nur zu nutzen Vor dem Index Fonds Rebalancing Solche Trades werden über algorithmische Handelssysteme für die rechtzeitige Ausführung und die besten Preise initiiert. Viele bewährte mathematische Modelle, wie die delta-neutrale Trading-Strategie, die den Handel auf Kombination von Optionen und die zugrunde liegende Sicherheit, wo Trades platziert werden ermöglicht Um positive und negative Deltas auszugleichen, so dass das Portfolio-Delta auf Null gehalten wird. Mean-Reversionsstrategie basiert auf der Idee, dass die hohen und niedrigen Preise eines Vermögenswertes ein temporäres Phänomen sind, das periodisch auf ihren Mittelwert zurückkehrt und eine Preisspanne identifiziert und definiert Und Implementierung von Algorithmen auf der Grundlage derjenigen, die Trades automatisch platziert werden, wenn der Preis von Asset-Pausen in und aus seiner definierten Bereich. Volumen gewichtete durchschnittliche Preis-Strategie zerbricht einen großen Auftrag und gibt dynamisch bestimmte kleinere Stücke der Bestellung auf den Markt mit Aktien spezifisch Historische Volumenprofile Ziel ist es, den Auftrag in der Nähe des volumengewichteten Durchschnittspreises VWAP auszuführen und damit auf den durchschnittlichen Preis zu profitieren. Die zeitlich gewogene durchschnittliche Preisstrategie zerbricht einen großen Auftrag und gibt dynamisch bestimmte kleinere Stücke des Auftrags auf den Markt mit gleichmäßig geteilten Zeitschlitze zwischen Start - und Endzeit Ziel ist es, den Auftrag in der Nähe des Durchschnittspreises zwischen Start - und Endzeitpunkt auszuführen und damit die Markteinwirkung zu minimieren. Bis der Trade Order vollständig ausgefüllt ist, fährt dieser Algorithmus fort, Teilaufträge zu senden Definierte Partizipationsquote und nach dem Volumen, das in den Märkten gehandelt wird. Die zugehörige Schrittstrategie sendet Aufträge zu einem benutzerdefinierten Prozentsatz des Marktvolumens und erhöht oder verringert diese Ertragsquote, wenn der Aktienkurs benutzerdefinierte Level erreicht. Die Implementierungs-Shortfall-Strategie zielt darauf ab Minimierung der Ausführungskosten eines Auftrags durch den Handel auf dem Echtzeitmarkt, wodurch die Kosten der Bestellung gespart und von den Opportunitätskosten der verzögerten Ausführung profitiert wird. Die Strategie wird die gezielte Erwerbsquote erhöhen, wenn sich der Aktienkurs positiv bewegt und verringert Wenn der Aktienkurs sich nachteilig bewegt. Es gibt ein paar spezielle Klassen von Algorithmen, die versuchen, Ereignisse auf der anderen Seite zu identifizieren Diese Schnüffel-Algorithmen, die zum Beispiel von einem Verkaufsseiten-Market-Maker verwendet werden, haben die eingebaute Intelligenz, um die Existenz zu identifizieren Alle Algorithmen auf der Kaufseite eines großen Auftrags Solche Erkennung durch Algorithmen wird dem Marktmacher helfen, große Auftragsmöglichkeiten zu identifizieren und ihm zu ermöglichen, durch das Ausfüllen der Aufträge zu einem höheren Preis zu profitieren. Dies wird manchmal als Hightech-Frontlauf bezeichnet Hochfrequenz-Handel und betrügerische Praktiken, siehe Wenn Sie Aktien kaufen Online, sind Sie in HFTs. Technical Requirements für Algorithmic Trading. Implementing der Algorithmus mit einem Computer-Programm ist der letzte Teil, Clubbed mit Backtesting Die Herausforderung ist es, die identifizierte Strategie zu transformieren In einen integrierten computergestützten Prozess, der Zugriff auf ein Trading-Konto für die Platzierung von Aufträgen hat Folgende sind erforderlich puter Programmierkenntnisse, um die erforderliche Handelsstrategie, angepasste Programmierer oder vorgefertigte Trading-Software-Konnektivität und den Zugang zu Handelsplattformen für die Platzierung der Aufträge zu programmieren Daten-Feeds, die durch den Algorithmus überwacht werden, um Möglichkeiten, um Aufträge zu platzieren. Die Fähigkeit und Infrastruktur zu backtest das System einmal gebaut, bevor es geht auf echten Märkten. Available historische Daten für Backtesting, abhängig von der Komplexität der Regeln im Algorithmus implementiert. Hier ist ein umfassendes Beispiel Royal Dutch Shell RDS ist an der Amsterdamer Börse notiert AEX und London Stock Exchange LSE Lassen Sie uns einen Algorithmus erstellen, um Arbitrage-Chancen zu identifizieren Hier sind einige interessante Beobachtungen. AEX Trades in Euro, während LSE in Sterling Pound. Due to Die einstündige Zeitdifferenz, AEX öffnet eine Stunde früher als LSE, gefolgt von beiden Börsen Handel gleichzeitig für die nächsten paar Stunden und dann Handel nur in LSE während der letzten Stunde als AEX schließt. Kann wir erkunden die Möglichkeit der Arbitrage Handel auf dem Royal Dutch Shell-Aktien auf diesen beiden Märkten in zwei verschiedenen Währungen gelistet. Ein Computer-Programm, das aktuelle Marktpreise zu lesen. Preis-Feeds von sowohl LSE und AEX. A Forex Rate Feed für GBP-EUR Wechselkurs. Order Platzierung Fähigkeit, die die Bestellung anleiten können Die richtige Austausch. Back-Test-Fähigkeit auf historischen Preis feeds. The Computer-Programm sollte die folgenden führen. Lesen Sie die eingehende Preis-Feed von RDS-Aktien von beiden Börsen. Using die verfügbaren Wechselkurse umwandeln den Preis für eine Währung in andere. Wenn dort Existiert eine ausreichend große Preisdiskrepanz, die die Vermittlungskosten, die zu einer rentablen Gelegenheit führen, verdoppeln, dann den Kaufauftrag auf niedrigeren Preisvermittlungs - und Verkaufsaufträgen auf höherem Preis verleihen. Wenn die Aufträge wie gewünscht ausgeführt werden, wird der Arbitrage-Profit folgen. Simple und Easy Allerdings ist die Praxis des algorithmischen Handels nicht so einfach zu pflegen und auszuführen Denken Sie daran, wenn Sie einen Algo-generierten Handel platzieren können, so können die anderen Marktteilnehmer Infolgedessen die Preise in Milli - und sogar Mikrosekunden schwanken Im obigen Beispiel, was passiert Wenn Ihr Kaufhandel ausgeführt wird, aber verkaufen Handel doesn t als die Verkaufspreise ändern sich um die Zeit Ihre Bestellung trifft den Markt Sie werden am Ende sitzen mit einer offenen Position machen Ihre Arbitrage-Strategie wertlos. Es gibt zusätzliche Risiken und Herausforderungen zum Beispiel System Ausfallrisiken, Netzwerkverbindungsfehler, Zeitverzögerungen zwischen Handelsaufträgen und Ausführung und vor allem unvollständige Algorithmen Je komplexer ein Algorithmus ist, desto strengeres Backtesting ist erforderlich, bevor es in die Tat umgesetzt wird. Quantitative Analyse eines Algorithmus s Leistung 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 Geld mühelos zu machen. Aber man muss sicherstellen, dass das System gründlich getestet ist und die erforderlichen Grenzen gesetzt werden. Analytische Händler sollten das Lernen von Programmierung und Bauen in Erwägung ziehen Systeme auf eigene Faust, um sicher zu sein, die richtigen Strategien in narrensicherer Weise umzusetzen. Vorsichtiger Gebrauch und gründliche Prüfung von Algo-Trading kann rentable Chancen schaffen. Maximale Menge an Geldern, die die Vereinigten Staaten leihen können Die Schuldenobergrenze wurde unter der Zweiten Liberty Bond geschaffen Act. Der Zinssatz, bei dem ein Depotinstitut Geld an der Federal Reserve an eine andere Depotbank leiht.1 Ein statistisches Maß für die Streuung der Rendite für einen bestimmten Wertpapier oder Marktindex Volatilität kann entweder gemessen werden. Handeln Sie den US-Kongress verabschiedet Im Jahr 1933 als Banking Act, die Geschäftsbanken von der Teilnahme an der Investition verboten. Nonfarm Lohn-und Gehaltsliste bezieht sich auf jede Arbeit außerhalb der landwirtschaftlichen Betriebe, private Haushalte und der gemeinnützige Sektor Das US Bureau of Labor. The Währung Abkürzung oder Währungssymbol für die indische Rupie INR , Die Währung von Indien Die Rupie besteht aus 1.How, um algorithmische Trading-Strategien zu identifizieren. In diesem Artikel möchte ich Ihnen die Methoden vorstellen, mit denen ich selbst identifizieren profitable algorithmische Trading-Strategien Unser Ziel heute ist es, im Detail zu verstehen, wie zu Finden, auswerten und wählen solche Systeme Ich werde erklären, wie Identifizierung Strategien ist so viel über persönliche Präferenz, wie es über Strategie-Performance ist, wie die Art und Menge der historischen Daten für die Prüfung zu bestimmen, wie man leichte Bewertung einer Handelsstrategie und schließlich wie zu Gehen Sie in Richtung Backtesting Phase und Strategie Umsetzung. Identifizierung Ihrer eigenen persönlichen Vorlieben für Trading. In um ein erfolgreicher Trader - entweder diskretional oder algorithmisch - ist es notwendig, fragen Sie sich einige ehrliche Fragen Trading bietet Ihnen die Möglichkeit, Geld zu verlieren an einem Alarmierende Rate, so ist es notwendig, dich selbst so viel zu wissen, wie es notwendig ist, um Ihre gewählte Strategie zu verstehen. Ich würde sagen, die wichtigste Überlegung im Handel ist bewusst Ihre eigene Persönlichkeit Trading, und algorithmischen Handel im Besonderen erfordert einen erheblichen Grad Der Disziplin, der Geduld und der emotionalen Distanzierung Da Sie einen Algorithmus für Ihren Handel durchführen lassen, ist es notwendig, dass Sie sich nicht entschließen müssen, die Strategie nicht zu stören, wenn sie ausgeführt wird. Dies kann extrem schwierig sein, vor allem in Zeiten des erweiterten Drawdowns. Viele Strategien, die sich in einem Backtest als sehr profitabel erwiesen haben, können durch einfache Interferenz zerstört werden. Verstehen Sie, dass Sie, wenn Sie in die Welt des algorithmischen Handels eintreten wollen, emotional getestet werden und dass, um erfolgreich zu sein, es notwendig ist, durchzuarbeiten Diese Schwierigkeiten. Die nächste Betrachtung ist eine der Zeit Haben Sie einen Vollzeit-Job Sie arbeiten Teilzeit Arbeiten Sie von zu Hause aus oder haben eine lange pendeln jeden Tag Diese Fragen werden dazu beitragen, die Häufigkeit der Strategie, die Sie suchen sollten für diejenigen Von Ihnen in Vollzeitbeschäftigung, eine Intraday-Futures-Strategie ist vielleicht nicht angemessen, zumindest bis es voll automatisiert ist. Ihre Zeitbeschränkungen werden auch die Methodik der Strategie diktieren Wenn Ihre Strategie häufig gehandelt wird und auf teure News-Feeds wie ein Bloomberg-Terminal angewiesen ist Sie müssen eindeutig realistisch sein über Ihre Fähigkeit, diese während des Büros erfolgreich zu führen. Für diejenigen von Ihnen mit viel Zeit oder die Fähigkeiten, Ihre Strategie zu automatisieren, können Sie in einen technischeren Hochfrequenzhandel HFT schauen Strategie. Meine Überzeugung ist, dass es notwendig ist, kontinuierliche Forschung in Ihre Trading-Strategien, um ein konsequent profitables Portfolio zu halten Wenige Strategien bleiben unter dem Radar für immer Daher ein erheblicher Teil der Zeit für den Handel zugeteilt wird bei der Durchführung der laufenden Forschung Fragen Sie sich Ob Sie bereit sind, dies zu tun, da es der Unterschied zwischen einer starken Rentabilität oder einem langsamen Rückgang zu Verlusten sein kann. Sie müssen auch Ihr Handelskapital berücksichtigen. Der allgemein akzeptierte ideale Mindestbetrag für eine quantitative Strategie beträgt 50.000 USD ca. 35.000 für uns in Das Vereinigte Königreich Wenn ich wieder anfange, würde ich mit einer größeren Menge beginnen, vermutlich näher 100.000 USD ca. 70.000 Dies liegt daran, dass die Transaktionskosten für Mid - und High-Frequenz-Strategien extrem teuer sein können und es notwendig ist, genügend Kapital zu haben, um sie zu absorbieren In Zeiten des Drawdowns Wenn Sie erwägen, mit weniger als 10.000 USD beginnen, dann müssen Sie sich auf niederfrequente Strategien beschränken, Handel mit einem oder zwei Vermögenswerten, da Transaktionskosten schnell in Ihre Rücksendungen interaktive Broker essen, was einer von ist Die freundlichsten Broker zu denen mit Programmierkenntnissen, aufgrund seiner API, hat ein Retail-Konto mindestens 10.000 USD. Programming Skill ist ein wichtiger Faktor bei der Schaffung einer automatisierten algorithmischen Handelsstrategie Kenntnisse in einer Programmiersprache wie C, Java, C, Python oder R ermöglichen es Ihnen, die End-to-End-Datenspeicherung, Backtest-Engine und Ausführungs-System selbst zu erstellen. Dies hat eine Reihe von Vorteilen, von denen die Fähigkeit ist, sich ganz auf alle Aspekte der Handelsinfrastruktur zu verlassen Sie erforschen die höheren Frequenzstrategien, wie Sie in voller Kontrolle über Ihren Technologie-Stack werden Während dies bedeutet, dass Sie Ihre eigene Software testen und Bugs beseitigen können, bedeutet dies auch mehr Zeit verbrachte Codierung Infrastruktur und weniger auf die Umsetzung von Strategien, zumindest in Der frühere Teil deines Algo Trading Karriere Sie können feststellen, dass Sie bequemen Handel in Excel oder MATLAB und können die Entwicklung von anderen Komponenten auslagern würde ich würde dies nicht empfehlen, vor allem für diejenigen, die mit hoher Frequenz. Sie müssen sich fragen, was Sie Hoffnung, durch algorithmischen Handel zu erreichen Sind Sie an einem regelmäßigen Einkommen interessiert, wobei Sie hoffen, Einnahmen aus Ihrem Handelskonto zu ziehen, oder sind Sie an einem langfristigen Kapitalgewinn interessiert und können sich leisten, ohne die Notwendigkeit, Drawdown-Mittel einzugehen. Einkommensabhängigkeit wird Diktieren die Häufigkeit Ihrer Strategie Mehr regelmäßige Einkommensabhebungen erfordern eine höhere Frequenz Handelsstrategie mit weniger Volatilität iea höhere Sharpe-Verhältnis Langfristige Händler können sich eine mehr sedierte Handelsfrequenz. Finally, nicht von der Vorstellung von immer sehr wohlhabend in getäuscht werden Eine kurze Zeitspanne Algo-Handel ist NICHT ein get-rich-schnelles Schema - wenn überhaupt, kann es ein schlechtes System sein. Es braucht erhebliche Disziplin, Forschung, Sorgfalt und Geduld, um bei algorithmischem Handel erfolgreich zu sein. Es kann Monate dauern, Wenn nicht Jahre, um konsequente Profitabilität zu generieren. Sourcing Algorithmic Trading Ideas. Despite gemeinsame Wahrnehmungen im Gegenteil, ist es eigentlich ganz einfach, um rentable Trading-Strategien in der Öffentlichkeit zu finden Niemals haben Trading-Ideen mehr verfügbar, als sie heute sind Akademische Finanzen Zeitschriften , Pre-Print-Server, Trading-Blogs, Trading-Foren, wöchentliche Trading-Magazine und Fachtexte bieten Tausende von Trading-Strategien, mit denen Ihre Ideen auf. Our Ziel als quantitative Trading-Forscher ist es, eine Strategie-Pipeline, die uns einen Stream zu etablieren Der laufenden Handelsideen Idealerweise wollen wir einen methodischen Ansatz für die Beschaffung, Bewertung und Umsetzung von Strategien schaffen, auf die wir stoßen. Die Ziele der Pipeline sind es, eine konsequente Menge an neuen Ideen zu generieren und uns einen Rahmen für die Ablehnung der Mehrheit zu geben Ideen mit dem Minimum an emotionaler Betrachtung. Wir müssen sehr vorsichtig sein, um nicht kognitiven Bias Einfluss auf unsere Entscheidungsfindung Methodik Dies könnte so einfach wie eine Vorliebe für eine Asset-Klasse über ein anderes Gold und andere Edelmetalle in den Sinn kommen, weil sie wahrgenommen werden Als exotischer Unser Ziel sollte es immer sein, konsequent profitable Strategien zu finden, mit positiver Erwartung Die Wahl der Assetklasse sollte auf anderen Überlegungen beruhen, wie zB Handelskapitalbeschränkungen, Maklergebühren und Leverage-Fähigkeiten. Wenn Sie mit dem Konzept von nicht ganz vertraut sind Eine Handelsstrategie dann der erste Ort zu sehen ist mit etablierten Lehrbüchern Klassische Texte bieten eine breite Palette von einfacheren, einfachere Ideen, mit denen Sie sich mit quantitativen Handel vertraut machen Hier ist eine Auswahl, die ich für diejenigen, die neu sind, um quantitative Handel, Die allmählich anspruchsvoller werden, wie Sie durch die Liste arbeiten. Für eine längere Liste der quantitativen Trading-Bücher, besuchen Sie bitte die QuantStart Leseliste. Der nächste Ort, um mehr anspruchsvolle Strategien zu finden ist mit Handels-Foren und Trading-Blogs Allerdings ist ein Hinweis der Vorsicht Viele Trading-Blogs verlassen sich auf das Konzept der technischen Analyse Technische Analyse beinhaltet die Verwendung von grundlegenden Indikatoren und Verhaltens-Psychologie, um Trends oder Umkehr-Muster in Asset-Preise zu bestimmen. Obwohl es sehr beliebt in der gesamten Handelsplatz ist, wird die technische Analyse als etwas ineffektiv in der quantitativen Finanz-Community Einige Haben vorgeschlagen, dass es nicht besser ist, ein Horoskop zu lesen oder Teeblätter in Bezug auf seine prädiktive Kraft zu studieren. In Wirklichkeit gibt es erfolgreiche Personen, die technische Analyse nutzen. Als Quants mit einer anspruchsvolleren mathematischen und statistischen Toolbox stehen wir zur Verfügung Leicht zu bewerten die Wirksamkeit solcher TA-basierte Strategien und machen datenbasierte Entscheidungen anstatt uns auf emotionale Überlegungen oder Vorurteile. Hier ist eine Liste der gut respektierten algorithmischen Handel Blogs und Foren. Sie haben einige Erfahrung bei der Bewertung einfacher Strategien , Ist es an der Zeit, die anspruchsvolleren akademischen Angebote zu betrachten Einige akademische Zeitschriften werden schwer zugänglich sein, ohne hohe Abonnements oder einmalige Kosten Wenn Sie ein Mitglied oder ein Absolvent einer Universität sind, sollten Sie in der Lage sein, Zugang zu einigen von zu erhalten Diese finanziellen Zeitschriften Ansonsten können Sie sich auf Pre-Print-Server, die Internet-Repositories der späten Entwürfe von akademischen Papieren, die sich in Peer-Review sind, da wir nur an Strategien, die wir erfolgreich replizieren können, backtest und erhalten Profitabilität für eine Peer-Review Ist für uns von geringerer Bedeutung. Der Hauptnachteil der akademischen Strategien ist, dass sie oft entweder veraltet sein können, erfordern obskure und teure historische Daten, den Handel mit illiquiden Vermögensklassen oder nicht in Gebühren, Schlupf oder Spread Faktor kann es auch sein Unklar, ob die Handelsstrategie mit Marktaufträgen, Limit Orders oder ob es Stop-Verluste etc. durchgeführt werden soll. So ist es absolut notwendig, die Strategie selbst so gut wie möglich zu replizieren, backtest es und fügen Sie realistische Transaktionskosten hinzu, die so viele beinhalten Aspekte der Asset-Klassen, die Sie handeln möchten. Hier ist eine Liste der beliebtesten Pre-Print-Server und Finanz-Zeitschriften, die Sie können Ideen aus. Was ist die Bildung Ihrer eigenen quantitativen Strategien Dies erfordert in der Regel, aber ist nicht beschränkt auf Fachwissen In einer oder mehreren der folgenden Kategorien. Market-Mikrostruktur - Für höhere Frequenzstrategien im Besonderen kann man Marktmikrostruktur nutzen, dh Verständnis der Auftragsbuchdynamik zur Erzielung von Profitabilität Verschiedene Märkte haben verschiedene technologische Einschränkungen, Regulierungen, Marktteilnehmer Und Einschränkungen, die alle offen für die Ausbeutung über spezifische Strategien sind Dies ist ein sehr anspruchsvoller Bereich und Einzelhandels-Praktiker werden es schwer sein, in diesem Raum wettbewerbsfähig zu sein, zumal der Wettbewerb große, gut kapitalisierte quantitative Hedgefonds mit starken technologischen Fähigkeiten umfasst structure - Pooled investment funds, such as pension funds, private investment partnerships hedge funds , commodity trading advisors and mutual funds are constrained both by heavy regulation and their large capital reserves Thus certain consistent behaviours can be exploited with those who are more nimble For instance, large funds are subject to capacity constraints due to their size Thus if they need to rapidly offload sell a quantity of securities, they will have to stagger it in order to avoid moving the market Sophisticated algorithms can take advantage of this, and other idiosyncrasies, in a general process known as fund structure arbitrage. Machine learning artificial intelligence - Machine learning algorithms have become more prevalent in recent years in financial markets Classifiers such as Naive-Bayes, et al non-linear function matchers neural networks and optimisation routines genetic algorithms have all been used to predict asset paths or optimise trading strategies If you have a background in this area you may have some insight into how particular algorithms might be applied to certain markets. There are, of course, many other areas for quants to investigate We ll discuss how to come up with custom strategies in detail in a later article. By continuing to monitor these sources on a weekly, or even daily, basis you are setting yourself up to receive a consistent list of strategies from a diverse range of sources The next step is to determine how to reject a large subset of these strategies in order to minimise wasting your time and backtesting resources on strategies that are likely to be unprofitable. Evaluating Trading Strategies. The first, and arguably most obvious consideration is whether you actually understand the strategy Would you be able to explain the strategy concisely or does it require a string of caveats and endless parameter lists In addition, does the strategy have a good, solid basis in reality For instance, could you point to some behavioural rationale or fund structure constraint that might be causing the pattern s you are attempting to exploit Would this constraint hold up to a regime change, such as a dramatic regulatory environment disruption Does the strategy rely on complex statistical or mathematical rules Does it apply to any financial time series or is it specific to the asset class that it is claimed to be profitable on You should constantly be thinking about these factors when evaluating new trading methods, otherwise you may waste a significant amount of time attempting to backtest and optimise unprofitable strategies. Once you have determined that you understand the basic principles of the strategy you need to decide whether it fits with your aforementioned personality profile This is not as vague a consideration as it sounds Strategies will differ substantially in their performance characteristics There are certain personality types that can handle more significant periods of drawdown, or are willing to accept greater risk for larger return Despite the fact that we, as quants, try and eliminate as much cognitive bias as possible and should be able to evaluate a strategy dispassionately, biases will always creep in Thus we need a consistent, unemotional means through which to assess the performance of strategies Here is the list of criteria that I judge a potential new strategy by. Methodology - Is the strategy momentum based, mean-reverting, market-neutral, directional Does the strategy rely on sophisticated or complex statistical or machine learning techniques that are hard to understand and require a PhD in statistics to grasp Do these techniques introduce a significant quantity of parameters, which might lead to optimisation bias Is the strategy likely to withstand a regime change ie potential new regulation of financial markets. Sharpe Ratio - The Sharpe ratio heuristically characterises the reward risk ratio of the strategy It quantifies how much return you can achieve for the level of volatility endured by the equity curve Naturally, we need to determine the period and frequency that these returns and volatility ie standard deviation are measured over A higher frequency strategy will require greater sampling rate of standard deviation, but a shorter overall time period of measurement, for instance. Leverage - Does the strategy require significant leverage in order to be profitable Does the strategy necessitate the use of leveraged derivatives contracts futures, options, swaps in order to make a return These leveraged contracts can have heavy volatility characterises and thus can easily lead to margin calls Do you have the trading capital and the temperament for such volatility. Frequency - The frequency of the strategy is intimately linked to your technology stack and thus technological expertise , the Sharpe ratio and overall level of transaction costs All other issues considered, higher frequency strategies require more capital, are more sophisticated and harder to implement However, assuming your backtesting engine is sophisticated and bug - free, they will often have far higher Sharpe ratios. Volatility - Volatility is related strongly to the risk of the strategy The Sharpe ratio characterises this Higher volatility of the underlying asset classes, if unhedged, often leads to higher volatility in the equity curve and thus smaller Sharpe ratios I am of course assuming that the positive volatility is approximately equal to the negative volatility Some strategies may have greater downside volatility You need to be aware of these attributes. Win Loss, Average Profit Loss - Strategies will differ in their win loss and average profit loss characteristics One can have a very profitable strategy, even if the number of losing trades exceed the number of winning trades Momentum strategies tend to have this pattern as they rely on a small number of big hits in order to be profitable Mean-reversion strategies tend to have opposing profiles where more of the trades are winners , but the losing trades can be quite severe. Maximum Drawdown - The maximum drawdown is the largest overall peak-to-trough percentage drop on the equity curve of the strategy Momentum strategies are well known to suffer from periods of extended drawdowns due to a string of many incremental losing trades Many traders will give up in periods of extended drawdown, even if historical testing has suggested this is business as usual for the strategy You will need to determine what percentage of drawdown and over what time period you can accept before you cease trading your strategy This is a highly personal decision and thus must be considered carefully. Capacity Liquidity - At the retail level, unless you are trading in a highly illiquid instrument like a small - cap stock , you will not have to concern yourself greatly with strategy capacity Capacity determines the scalability of the strategy to further capital Many of the larger hedge funds suffer from significant capacity problems as their strategies increase in capital allocation. Parameters - Certain strategies especially those found in the machine learning community require a large quantity of parameters Every extra parameter that a strategy requires leaves it more vulnerable to optimisation bias also known as curve-fitting You should try and target strategies with as few parameters as possible or make sure you have sufficient quantities of data with which to test your strategies on. Benchmark - Nearly all strategies unless characterised as absolute return are measured against some performance benchmark The benchmark is usually an index that characterises a large sample of the underlying asset class that the strategy trades in If the strategy trades large-cap US equities, then the S P500 would be a natural benchmark to measure your strategy against You will hear the terms alpha and beta , applied to strategies of this type We will discuss these coefficients in depth in later articles. Notice that we have not discussed the actual returns of the strategy Why is this In isolation, the returns actually provide us with limited information as to the effectiveness of the strategy They don t give you an insight into leverage, volatility, benchmarks or capital requirements Thus strategies are rarely judged on their returns alone Always consider the risk attributes of a strategy before looking at the returns. At this stage many of the strategies found from your pipeline will be rejected out of hand, since they won t meet your capital requirements, leverage constraints, maximum drawdown tolerance or volatility preferences The strategies that do remain can now be considered for backtesting However, before this is possible, it is necessary to consider one final rejection criteria - that of available historical data on which to test these strategies. Obtaining Historical Data. Nowadays , the breadth of the technical requirements across asset classes for historical data storage is substantial In order to remain competitive, both the buy-side funds and sell-side investment banks invest heavily in their technical infrastructure It is imperative to consider its importance In particular, we are interested in timeliness, accuracy and storage requirements I will now outline the basics of obtaining historical data and how to store it Unfortunately this is a very deep and technical topic, so I won t be able to say everything in this article However, I will be writing a lot more about this in the future as my prior industry experience in the financial industry was chiefly concerned with financial data acquisition, storage and access. In the previous section we had set up a strategy pipeline that allowed us to reject certain strategies based on our own personal rejection criteria In this section we will filter more strategies based on our own preferences for obtaining historical data The chief considerations especially at retail practitioner level are the costs of the data, the storage requirements and your level of technical expertise We also need to discuss the different types of available data and the different considerations that each type of data will impose on us. Let s begin by discussing the types of data available and the key issues we will need to think about. Fundamental Data - This includes data about macroeconomic trends, such as interest rates, inflation figures, corporate actions dividends, stock-splits , SEC filings, corporate accounts, earnings figures, crop reports, meteorological data etc This data is often used to value companies or other assets on a fundamental basis , ie via some means of expected future cash flows It does not include stock price series Some fundamental data is freely available from government websites Other long-term historical fundamental data can be extremely expensive Storage requirements are often not particularly large, unless thousands of companies are being studied at once. News Data - News data is often qualitative in nature It consists of articles, blog posts, microblog posts tweets and editorial Machine learning techniques such as classifiers are often used to interpret sentiment This data is also often freely available or cheap, via subscription to media outlets The newer NoSQL document storage databases are designed to store this type of unstructured, qualitative data. Asset Price Data - This is the traditional data domain of the quant It consists of time series of asset prices Equities stocks , fixed income products bonds , commodities and foreign exchange prices all sit within this class Daily historical data is often straightforward to obtain for the simpler asset classes, such as equities However, once accuracy and cleanliness are included and statistical biases removed, the data can become expensive In addition, time series data often possesses significant storage requirements especially when intraday data is considered. Financial Instruments - Equities, bonds, futures and the more exotic derivative options have very different characteristics and parameters Thus there is no one size fits all database structure that can accommodate them Significant care must be given to the design and implementation of database structures for various financial instruments We will discuss the situation at length when we come to build a securities master database in future articles. Frequency - The higher the frequency of the data, the greater the costs and storage requirements For low-frequency strategies, daily data is often sufficient For high frequency strategies, it might be necessary to obtain tick-level data and even historical copies of particular trading exchange order book data Implementing a storage engine for this type of data is very technologically intensive and only suitable for those with a strong programming technical background. Benchmarks - The strategies described above will often be compared to a benchmark This usually manifests itself as an additional financial time series For equities, this is often a national stock benchmark, such as the S P500 index US or FTSE100 UK For a fixed income fund, it is useful to compare against a basket of bonds or fixed income products The risk-free rate ie appropriate interest rate is also another widely accepted benchmark All asset class categories possess a favoured benchmark, so it will be necessary to research this based on your particular strategy, if you wish to gain interest in your strategy externally. Technology - The technology stacks behind a financial data storage centre are complex This article can only scratch the surface about what is involved in building one However, it does centre around a database engine, such as a Relational Database Management System RDBMS , such as MySQL, SQL Server, Oracle or a Document Storage Engine ie NoSQL This is accessed via business logic application code that queries the database and provides access to external tools, such as MATLAB, R or Excel Often this business logic is written in C , C , Java or Python You will also need to host this data somewhere, either on your own personal computer, or remotely via internet servers Products such as Amazon Web Services have made this simpler and cheaper in recent years, but it will still require significant technical expertise to achieve in a robust manner. As can be seen, once a strategy has been identified via the pipeline it will be necessary to evaluate the availability, costs, complexity and implementation details of a particular set of historical data You may find it is necessary to reject a strategy based solely on historical data considerations This is a big area and teams of PhDs work at large funds making sure pricing is accurate and timely Do not underestimate the difficulties of creating a robust data centre for your backtesting purposes. I do want to say, however, that many backtesting platforms can provide this data for you automatically - at a cost Thus it will take much of the implementation pain away from you, and you can concentrate purely on strategy implementation and optimisation Tools like TradeStation possess this capability However, my personal view is to implement as much as possible internally and avoid outsourcing parts of the stack to software vendors I prefer higher frequency strategies due to their more attractive Sharpe ratios, but they are often tightly coupled to the technology stack, where advanced optimisation is critical. Now that we have discussed the issues surrounding historical data it is time to begin implementing our strategies in a backtesting engine This will be the subject of other articles, as it is an equally large area of discussion. Just Getting Started with Quantitative Trading.