بهینهسازی استراتژی معاملات زوجی با استفاده از روش یادگیری تقویتی، با بهکارگیری دیتاهای درونروزی در بورس اوراق بهادار تهران
هدف: معاملات زوجی از معروفترین و قدیمیترین سیستمهای معاملات الگوریتمی است که کارایی و سودآوری آن در بسیاری از پژوهشهایی که تاکنون در بازارهای مالی مختلف صورت گرفته است، اثبات و نشان داده شده است. مهمترین اصل در معاملات زوجی، وجود روابط تعادلی بلندمدت یا همان خاصیت بازگشت به میانگین است. از طرفی در سالهای اخیر تحقیقات شایان توجهی روی معاملات الگوریتمی با استفاده از یادگیری ماشین صورت گرفته است.
روش: در این پژوهش از روش یادگیری تقویتی که برای مدلسازی و بهینهسازی مسائل با انواع مختلف روابط بلندمدت مناسب است، بهمنظور انتخاب آستانههای معاملاتی و پنجرههای زمانی مناسب با هدف ماکزیممسازی بازده و مینیممسازی ریسکهای منفی در معاملات زوجی با رویکرد همانباشتگی استفاده شده است. پژوهش حاضر با بهکارگیری ترکیبی از روش یادگیری تقویتی و رویکرد همانباشتگی در معاملات زوجی اجرا شده است.
یافتهها: نتایج آزمایش روی دیتاهای درونروزی زوج سهام منتخب، نشان میدهد که استفاده از روش یادگیری تقویتی در طراحی سیستم معاملات در معاملات زوجی نسبت به کارهای قبلی انجامشده، برتری چشمگیری دارد.
نتیجهگیری: استراتژی معاملات زوجی با الگوریتم پیشنهادی میتواند بهعنوان استراتژی بازار خنثی در تمامی شرایط بازار اعم از رونق و رکود توسط سرمایهگذاران و معاملهگران حقیقی و حقوقی استفاده شود. همچنین میتوان در نظر گرفتن هزینههای معاملاتی در انجام معاملات در استراتژی معاملات زوجی را بهعنوان موضعی برای پژوهشهای آتی پیشنهاد کرد.
کلیدواژهها
- معاملات زوجی
- یادگیری تقویتی
- همانباشتگی
- نسبت سورتینو
- فرایند بازگشت به میانگین
20.1001.1.10248153.1398.21.1.2.7
موضوعات
- 53. شبکههای عصبی؛ یادگیری ماشینی و موضوعات مرتبط؛ سایر مدلهای دادهکاوی
عنوان مقاله [English]
Paired Trading Strategy Optimization Using the Reinforcement Learning Method: Intraday Data of Tehran Stock Exchange
نویسندگان [English]
- Saeid Fallahpour 1
- Hasan Hakimian 2
1 Assistant Prof., Department of Financial Management, Faculty of Management, University of Tehran, Tehran, Iran
2 MSc. Student, Department of Financial Engineering, Faculty of Management, University of Tehran, Tehran, Iran
Objective: Paired trading is among the most well-known and oldest algorithmic trading systems. The efficiency and profitability of this system have been demonstrated in many studies conducted so far in financial markets. Paired trading is principally based on long-run equilibrium relationships or reverting to the mean characteristic. In recent years, a large number of studies have been conducted on algorithmic trading using machine learning.
Methods: In this research, the reinforcement learning method - an appropriate method for modeling and optimizing problems involving different long-run relationships - was used in order to select appropriate trading thresholds and time windows for the purpose of maximizing efficiency and minimizing negative risks in paired trading through adopting the co-integration approach. Results are obtained by applying a combination of reinforcement learning method and co-integration approach in paired trading.
Results: Empirical results based on the intraday dataof paired stocks showed that the reinforcement learning method used to design trading systems in paired trading had significant advantages over the other methods in previous works.
Conclusion: A pair trading strategy with the proposed algorithm can be used as a neutral market strategy in all market conditions, including prosperity and recession, by investors and individual and institutionaltraders.Also, for future research, it is possible to consider transaction costs in a pair trading strategy.
کلیدواژهها [English]
- Co-integration
- Mean-Reverting Process
- Pairs Trading
- Reinforcement Learning
- Sortino Ratio
مراجع
Bertram, W., (2010). Analytic solutions for optimal statistical arbitrage trading. Physica A, 2010, 389(11), 2234–2243.
Dai, M., Zhang, Q., & Zhu, Q. J. (2010). Trend following trading under a regime switching model. SIAM Journal on Financial Mathematics, 1(1), 780-810.
Engle, R. F., and Granger, C. W. (1987). Co-integration and error correction: representation, estimation, and testing. Econometrica: journal of the Econometric Society, 251-276.
Gao, X., & Chan, L. (2000). An algorithm for trading and portfolio management using Q-learning and sharpe ratio maximization. In Proceedings of the international conference on neural information processing (pp. 832-837).
Gatev, E., Goetzmann, W. N., and Rouwenhorst, K. G. (2006). Pairs trading: Performance of a relative-value arbitrage rule. Review of Financial Studies, 19(3), 797-827.
Granger, C. W. (1981). Some properties of time series data and their use in econometric model specification. Journal of econometrics, 16(1), 121-130.
Guo, X., & Zhang, Q. (2005). Optimal selling rules in a regime switching model. IEEE Transactions on Automatic Control, 50, 1450–1455.
Hillebrand, E. (2003). A mean-reversion theory of stock-market crashes. Journal of Finance, 41, 591-601.
Johansen, S. (1988). Statistical analysis of cointegration vectors. Journal of economic dynamics and control, 12(2), 231-254.
Lee, J. W., Park, J., Lee, J., & Hong, E. (2007). A multiagent approach to Q-learning for daily stock trading. Systems, Man and Cybernetics, Part A: Systems and Humans, IEEE Transactions on, 37(6), 864-877.
Moody, J., and Saffell, M. (2001). Learning to trade via direct reinforcement. IEEE Transactions on Neural Networks, 12(4), 875–889.
Vidyamurthy, G. (2004). Pairs Trading: quantitative methods and analysis (Vol. 217). John Wiley & Sons.
Won Lee, J. (2001). Stock price prediction using reinforcement learning. In Industrial Electronics, 2001. Proceedings. ISIE 2001. IEEE International Symposium on (Vol. 1, pp. 690-695). IEEE.
Zeng, Z., & Lee, C. G. (2014). Pairs trading: optimal thresholds and profitability. Quantitative Finance, 14(11), 1881-1893.
Zhang, Q. (2001). Stock trading: An optimal selling rule. SIAM Journal on Control and Optimization, 40(1), 64-87.
کتاب تکنولوژی معاملات الگوریتمی پیشرفته
انتشارات: چالش
کد کتاب : | 59870 |
شابک : | 978-6226017244 |
قطع : | وزیری |
تعداد صفحه : | 336 |
سال انتشار شمسی : | 1399 |
نوع جلد : | شومیز |
سری چاپ : | 2 |
زودترین زمان ارسال : | 16 آبان |
معرفی کتاب تکنولوژی معاملات الگوریتمی پیشرفته اثر امید موسوی
کتاب تکنولوژی معاملات الگوریتمی پیشرفته، با هدف آموزش به معاملهگران و مدیران سرمایهگذاری در زمینه مهارتهای اولیه برنامهنویسی پایتون و ساخت سیستمهای معاملاتی الگوریتمی قابل اعتماد و کاملا خودکار طراحی شده است. در این کتاب در مورد طبیعت یک سیستم معاملات الگوریتمی، چگونگی جمعآوری و سازماندهی دادههای مالی، مفهوم بکتست و چگونگی اتصال به هسته معاملات و خودکار سازی فرآیند توضیح داده میشود.
تعداد مورد نظر برای سفارش و خرید کتاب تکنولوژی معاملات الگوریتمی را در کادر زیر وارد نمایید و سپس بر روی اضافه به سبد خرید کلیک کنید انواع الگوریتمهای معاملاتی و برای ادامه فرایند خرید به سبد خرید مراجعه نمایید.
لطفا از مرورگرهای کروم یا فایرفاکس استفاده نمایید
اضافه به سبد خرید
با پیشگفتاری از دکتر علیرضا توکلی کاشی
آنچه در این کتاب فرا خواهید گرفت:
- معرفی تکنولوژی معاملات الگوریتمی و مزایای استفاده از آن
- پیشینه تاریخی و نحوه رشد معاملات الگوریتمی در دنیا
- آشنایی با HFT (بیش از یک میلیارد معامله در یک ثانیه)
- معرفی 8 ابزار هوشمند در بازار سرمایه ایران جهت رصد سریع بازار
- ساخت استراتژی معاملاتی هوشمند در 9 گام
- انواع روش های مدیریت ریسک و سرمایه
- نحوه محاسبه حد ضرر با چندین روش استاندارد
- آموزش برنامه نویسی یک سیستم معاملات هوشمند
- آموزش فیلتر نویسی در سایت بورس تهران
- بازگردانی خودکار در بورس اوراق بهادار تهران
اطلاعات کتاب تکنولوژی معاملات الگوریتمی
نام کتاب :
تکنولوژی معاملات الگوریتمی
نويسنده ، مولف :
سیدامید موسوی
نشر ، ناشر ، انتشارات :
چالش
تعداد صفحه / قطع و نوع جلد :
216 ص / وزیری سلفون (جلد سخت)
نوبت چاپ و سال چاپ :
سوم 1398
قيمت پشت جلد کتاب ( تومان ) :
85000
موضوع :
سهام - قیمت ها - الگوهای ریاضی - سرمایه گذاری
تجزیه انواع الگوریتمهای معاملاتی و تحلیل - الگوریتم های کامپیوتری
9789642522897
تگ ها :
کتاب تکنولوژی معاملات الگوریتمی,خرید اینترنتی کتاب تکنولوژی معاملات الگوریتمی,
امید موسوی,نشر چالش,آموزش معاملات الگوریتمی,معاملات الگوریتمی کارگزاری,
الگوهای ریاضی در معاملات,الگوریتم های کامپیوتری در سهام و سرمایه گذاری,
تجزیه و تحلیل قیمت ها در بورس,کتاب با تخفیف,انتشارات چالش
درباره کتاب تکنولوژی معاملات الگوریتمی نشر چالش
کتاب تکنولوژی معاملات الگوریتمی تالیف سیدامید موسوی نشر چالش
پیشرفتهای اخیر در حوزه سامانههای الکترونیکی معاملات و تجهیز بازارهای بورس به سامانه ثبت الکترونیکی سفارش ها از یک سو و رقابت روزافزون فعالان بازار سرمایه از
سوی دیگر، استفاده از تکنولوژی معاملات الگوریتمی و راهکارهای جدید انتخاب سهام مناسب، را به ضرورتی انکار ناپذیر تبدیل کرده است.
شما هم متوجه شدهاید که سرعت معاملات و نوسانات بازار بسیار بیشتر از قبل شده است و دیگر به راحتی نمیتوان با تحلیلهای دستی به نتایج مطلوب رسید.
مزایای معاملات الگوریتمی در بازار سرمایه و جایگاه ایران میان رقبا
در چند سال اخیر استفاده از هوش مصنوعی در بازارهای مالی، رونق چشمگیری پیدا کرده است به طوری که بر اساس اطلاعات موجود بیش از 50 درصد معاملات در بورس ایالات متحده آمریکا با این روش انجام می شود؛ استفاده از معاملات الگوریتمی چنان در دنیای امروز اهمیت یافته که توجهات بسیاری را به خود جلب کرده است.
به گزارش خبرنگار ایمنا؛ پس از اثبات مزایای بازارهای مالی برای اقتصاد کشورها، این بخش به یکی از مهمترین مامن سرمایهها تبدیل شد. به مرور با گسترده شدن بازارهای مالی و فعالیت بیشتر و بیشتر سرمایهگذاران به منظور کسب بازدهی بیشتر، روشهای سرمایهگذاری در بازار توسعه یافته و شیوههای تازهای برای سرمایهگذاری پدید آمد. با گسترش علوم رایانه و توسعه الگوریتمها و کشف مزایای هوش مصنوعی، صفحهای جدید در کتاب معاملات بازارهای مالی گشوده شد.
به دنبال آن متخصصان علوم رایانه و بازارهای مالی گرد هم آمدند و با ساخت الگوریتمهای معاملاتی که با هدف جایگزین شدن با معاملهگران انسانی پدید آمد، معاملات در بازار شیوه جدیدی به خود گرفت و به دلیل مزایای مهمی که استفاده از این روش به همراه داشت به سرعت توجهها را به خود جلب کرد.
در تعریف این نوع معاملات باید گفت به طور کلی، هر نوع معامله خودکار فارغ از تعداد دستورهای ارسالی به سامانه معاملاتی، معامله الگوریتمی محسوب میشود. در این بخش، الگوریتمها با بررسی و تحلیل دادههای موجود، مستقیماً به خرید و فروش سهام میپردازند. در حال حاضر برخی از الگوریتمهای موجود در بازار سرمایه قادر به انجام تمامی امور از صفر تا صد است.
پس به طور ساده، هر معامله خودکار میتواند در نقطهای از طیف معاملات الگوریتمی قرار گیرد. این طیف را بر اساس عملکرد میتوان به الگوریتمهای معاملاتی اجرای معاملات، الگوریتمهای سیگنالدهی، الگوریتمهای مانیتورینگ یا پایش بازار، الگوریتمهای position trading یا کم بسامد و الگوریتمهای HFT یا پر بسامد (High Frequency Trading) تقسیم بندی کرد.
به دلیل اهمیت زمان و توانایی این برنامهها در کسب سود بدون الزام وجود توجه کامل انسانی، این نوع از معاملات به سرعت مورد توجه قرار گرفت. از میان انواع معاملات الگوریتمی که بیان شد، معاملات فرکانس بالا از محبوبیت بیشتری در بورسهای پیشرفته دنیا مانند بورس نیویورک یا نزدک برخوردار است. اما در ایران از انجام چنین معاملاتی به دلیل ایجاد اختلال در سامانه معاملاتی جلوگیری میشد.
اما این مهم به ویژه در سالهای اخیر در ایران مورد توجه مسئولان مربوطه از جمله سازمان بورس و اوراق بهادار قرار گرفت، به گونهای که برگزاری مسابقات معاملات الگوریتمی در کشور با هدف توسعه اینگونه معاملات در دستور کار قرار گرفته و مدیریت آن به شرکت اطلاعرسانی و خدمات بورس واگذار شد. در همین راستا گفتگویی با یاسر فلاح، مدیر روابط عمومی و امور بینالملل سازمان بورس و اوراق بهادار و مدیرعامل شرکت اطلاع رسانی و خدمات بورس داشتیم که در ادامه میخوانید:
ورود هوش مصنوعی به معاملات چه مزایایی دارد و چرا کشورهای توسعه یافته به گسترش آن در حوزههای مالی توجه دارند؟
از ابتدای آغاز فعالیت بورس نحوه معاملات سهام به صورت خرید و فروش فردی بوده است اما گسترش تکنولوژیهای نوین به ویژه علوم رایانهای و ورود آن به علوم مالی به ویژه در بازار سرمایه باعث شد از چندین سال گذشته شیوه جدیدی از معاملات با عنوان معاملات الگوریتمی در بازارهای مالی رواج پیدا کند. در واقع یک استراتژی معاملاتی مالی توسط متخصصان انواع الگوریتمهای معاملاتی علوم رایانهای به یک الگوریتم معاملاتی تبدیل میشود. پس از تبدیل این استراتژی به الگوریتم، نقش معاملهگری فرد حذف شده و رایانه به جای شخص به معامله میپردازد.
ورود هوش مصنوعی به معاملات مزایای قابل توجهی دارد. به طور کلی استفاده از هوش مصنوعی به جای انسان باعث میشود سرعت انجام معاملات افزایش پیدا کند. همچنین باعث میشود دقت در انجام معاملات به شدت افزایش پیدا کرده و بالتبع احتمال بروز خطا نیز کاهش یابد.
علاوه بر این با استفاده از این فناوری، تخلفات در بازار نیز به صفر میل میکند. از آنجا که در معاملات الگوریتمی، سفارشات توسط یک ماشین ثبت میشود امکان انجام تخلفات نیز تقریباً به سمت صفر حرکت میکند، به همین دلایل بورسهای مطرح جهان نیز به این سمت حرکت کردهاند.
یکی از پدیدههای بد بازار سهام که هماکنون نیز با آن مواجه هستیم، صف نشینی است. در واقع صف نشینی بدین معنی است که افرادی با انتشار سیگنال، دیگران را ترغیب به خرید یا فروش یک سهم میکنند؛ مسئلهای که وجود معاملات الگوریتمی از بروز آن جلوگیری میکند. همچنین زمانی که یک الگوریتم مناسب نوشته میشود، تهیه کنندگان علاوه بر استفاده و کسب سود در بازار سرمایه میتوانند با فروش آن به دیگران، تجارت جدیدی انجام دهند.
در جهان امروز و در بازارهای معتبر دنیا نظیر بورسهای ایالات متحده آمریکا، معاملات الگوریتمی رونق خاصی پیدا کرده و بخشی از معاملات با این روش انجام میشود. در ایران نیز تقریباً از دو سال گذشته، سازمان بورس و اوراق بهادار انجام معاملات الگوریتمی را بلا مانع دانست. به دنبال اعلام این موضوع، معاملات الگوریتمی در بازار سهام ایران نیز آغاز شد اما هنوز تعداد چنین معاملاتی کم است.
به همین دلیل شرکت اطلاع رسانی و خدمات بورس به عنوان بازوی آموزشی و فرهنگ سازی بازار سرمایه ایران به این حوزه وارد شده و به منظور بیان اهمیت معاملات الگوریتمی در کشور، از سال گذشته مسابقات معاملات الگوریتمی را به صورت سالانه در کشور برگزار میکند. این رقابت هیچ محدودیتی نداشته و همه میتوانند در آن شرکت کنند؛ امیدواریم که با این کار بتوانیم بازار سهام را علمیتر، تحلیلیتر و به روزتر به پیش بریم. استفاده از معاملات الگوریتمی فرصتی است که باید به دلیل مزایای آن به درستی مورد استفاده قرار گیرد.
چرا انجام معاملات الگوریتمی با فرکانس بالا یا اصطلاحاً معاملات HFT در بورس ایران ممنوع است؟
باید توجه داشت که متأسفانه معاملات HFT هنوز در بورس ایران قابلیت اجرا ندارد؛ انجام این نوع داد و ستد در بازار سرمایه میتواند در سیستم معاملاتی بورس کشور اختلال ایجاد کند، از این سو، سازمان بورس مانع از فعالیت اینگونه معاملات میشود.
در حال حاضر ضریب نفوذ معاملات الگوریتمی در بورس ایران چقدر بوده و این مقدار در بورسهای توسعه یافته و پیشرفته جهانی مانند بورس نیویورک چقدر است؟
بر اساس آخرین آمار در دسترس، ضریب نفوذ معاملات الگوریتمی در بورس ایالات متحده بیش از ۵۰ درصد بوده و این بدین معنی است که بیش از ۵۰ درصد معاملات در این بورسها، از طریق الگوریتمها انجام میشود. حال از آنجا که این عدد در دیگر کشورها مانند کشورهای توسعه یافته اروپایی و آسیایی نیز بالاست میتوان نتیجه گرفت که تمایل معامله گران به استفاده از معاملات الگوریتمی قابل توجه است زیرا زمان و سرعت عمل دو عامل مهم در این کشورها به شمار میرود.
همچنین بر اساس آخرین اطلاعات، در منطقه ما نیز حدود ۲۰ درصد از معاملات بورس استانبول که قرابتهایی با بورس ایران دارد، به روش الگوریتمی انجام میشود. با این وجود این عدد در بورس ایران بالا نبوده و به علت تازه بودن نیز آمار دقیقی از آن در دسترس نیست، اگرچه به نظر میرسد حوالی هشت درصد باشد. به منظور توسعه این عدد علاوه بر برگزاری مسابقه معاملات الگوریتمی، کارگزاران نیز باید با این مسئله آشنا شده و آن را یاد بگیرند؛ ایده استفاده از ماشین در معاملات به هیچ عنوان خام نیست و کاملاً بر اساس مطالعات است.
بر اساس اطلاعات در دسترس، در منطقه خاورمیانه و غرب آسیا کشورهای بسیاری در حال استفاده از این فناوری هستند. اگر این مسئله صحیح است آیا مسابقات معامله الگوریتمی نیز در این کشورها برگزار میشود؟
اگرچه معاملات الگوریتمی در بسیاری از کشورهای منطقه از جمله ترکیه، عربستان، کره، ژاپن، هندوستان و امارات وجود دارد اما بر اساس آخرین اطلاعات موجود، ایران پس از هند، دومین برگزار کننده مسابقات الگوریتمی در آسیا و اولین برگزار کننده در غرب آسیا و خاورمیانه به شمار میرود.
نکته قابل توجه درباره کشور هند این است که اگرچه ضریب نفوذ بازار سرمایه در آن بسیار پایین و حدود دو درصد است اما همین مقدار با احتساب جمعیت یک میلیاردی آن، دربرگیرنده حدود ۲۵ میلیون نفری است و معاملات الگوریتمی در آن با قوت در حال انجام است.
در ایران اما این عدد با توجه به جمعیت ۸۱ میلیون نفری آن، حدود ۱۳ میلیون نفر است. از این میان، حدود ۵۰۰ هزار نفر معاملهگر روزانه، دو میلیون نفر معامله گران هفتگی و ماهانه، پنج میلیون نفر معامله گران سالانه و سه میلیون نفر نیز شامل افرادی میشود که در صندوقهای سرمایهگذاری، اوراق تسهیلات مسکن و موارد مشابه سرمایه گذاری میکنند. مجموع این افراد نشان میدهد ضریب نفوذ بازار سرمایه در ایران حدود ۱۵ درصد است.
معاملات الگوریتمی در بورس چیست
اگر شما هم در بورس فعالیت دارید، احتمالا اصطلاح معاملات الگوریتمی در بورس به گوش تان خورده است. اگر می خواهید بدانید معاملات الگوریتمی چیست و به چه نوع معاملاتی گفته می شود با ما در این مقاله همراه باشید.
الگوریتم چیست؟
برای درک اینکه بدانیم معاملات الگوریتمی یعنی چه، ابتدا باید بدانیم الگوریتم چیست. الگوریتم مجموعه ای از راه حلها برای حل یک مسئله است. در این مفهوم ، الگوریتم های رایانه به مرور زمان بخشهای کوچکی از سفارش کامل را به بازار می فرستند.
شما در مقاله ی هر آنچه باید درمورد سرور مجازی بورس بدانید، قادر خواهید بود کاملا با این نوع سرور آشنا شوید. همچنین برای خرید سرور مجازی بورس میتوانید بر روی لینک زیر کلیک کرده و سرور مجازی بورس را از سایت ابر آراز خریداری نمایید.
چرا ابر آراز را برای خرید سرور بورس آراز انتخاب کنیم ؟
پینگ پایین مهم ترین شاخصه سرور مجازی مخصوص بورس است. پینگ درواقع میزان زمان رفت و برگشت اطلاعات بین سیستم شما و کارگزاری است. هر چقدر این زمان پایین تر باشد درخواست شما سریعتر به کارگزاری ارسال میشود. پینگ سرور های مجازی در بورس باید زیر ۲۰ میلی ثانیه باشد؛ اما نکته جالب توجه این است که مدت زمان پینگ سرور مجازی بورس پرسرعت ابر آراز کمتر از ۱ میلی ثانیه است؛ یعنی از لحظهای که برای ثبت سفارش در بورس کلیک میکنید تا زمانی که این درخواست به سرور بورس برسد، کمتر از ۱ ثانیه طول خواهد کشید و این یعنی شانس شما برای سرخطی زدن و خرید سهام به میزان قابل توجهی افزایش خواهد یافت.
معاملات الگوریتمی در بورس
فرایندی برای اجرای سفارشات با استفاده از دستورالعملهای معاملاتی خودکار و از پیش برنامه ریزی شده برای حساب کردن متغیرهایی مانند قیمت، زمان و حجم است. برای تصمیم گیری در مورد خرید یا فروش اوراق بهادار مالی در بورس از فرمول های پیچیده، همراه با مدل های ریاضی و نظارت انسانی استفاده می کند.
معامله گران الگوریتمی اغلب از فناوری تجارت با فرکانس یا تناوب بالا استفاده می کنند، که می تواند یک شرکت را قادر به انجام دهها هزار معامله در ثانیه کند. معاملات الگوریتمی می توانند در جاهای مختلفی از جمله اجرای سفارش، آربیتراژ یا معامله به سود و استراتژی های روند معاملات تجاری مورد استفاده قرار گیرد.
نکات کلیدی در مورد معاملات الگوریتمی در بورس
-
شامل استفاده از الگوریتم های مبتنی بر فرآیند و قوانین، برای به کارگیری استراتژی های اجرای معاملات است.
معاملات الگوریتمی از اوایل دهه 1980 محبوبیت قابل توجهی پیدا کرده اند و توسط سرمایه گذاران نهادی و بنگاه های تجاری بزرگ همواره برای اهداف مختلفی مورد استفاده قرار می گیرند.
تاریخچه انجام معاملات الگوریتمی در بورس
استفاده از الگوریتم ها پس از ورود سیستم های معاملات رایانه ای انواع الگوریتمهای معاملاتی و سامانه آن در بازارهای مالی آمریکا طی دهه 1970 افزایش یافت. در سال 1976، بورس اوراق بهادار نیویورک سیستم چرخش سفارش تعیین شده یا Designated Order Turnaround (DOT) را برای مسیریابی سفارشات از تجار به متخصصان در طبقه صرافی معرفی کرد. در دهه های بعدی، صرافیها ظرفیت خود را برای پذیرش تجارت الکترونیکی افزایش دادند. تا جایی که در سال 2009، بالای 60 درصد از معاملات در ایالات متحده توسط رایانه انجام شد.
مایکل لوئیس در پرفروش ترین کتاب خود، تحت عنوان فلش بویز ( Flash Boys )، به ثبت زندگی تجار و کارآفرینان وال استریت که به ایجاد شرکتهایی که ساختار تجارت الکترونیک در آمریکا را تعریف کردند، پرداخته است. وی همچنین توجه خوانندگان را به ایجاد تجارت با الگوریتم با فرکانس یا تناوب بالا ( high-frequency ) جلب کرد. در این کتاب او استدلال می کند که این شرکت ها برای ساخت رایانه های سریع تر، که بتوانند با مبادلات سریع تر ارتباط برقرار کنند ، باهم در رقابت هستند هستند تا با استفاده از انواع سفارشات که به ضرر سرمایه گذاران متوسط است ، با سرعت از مزایای رقبا بهره مند شوند.
معاملات الگوریتمی بورس به روش خودتان
در سا ل های اخیر، روال تجارت الگوریتمی به روش انجام توسط خود اشخاص یا به اصطلاح Do-It-Yourself Algorithmic Trading رواج یافته است. به عنوان مثال می توان به صندوق هایی مانند Quantopian اشاره کرد که الگوریتمها را از برنامه نویسان آماتور که برای برنده شدن کمیسیونهایی برای نوشتن سودآورترین کد رقابت می کنند، دریافت میکند. این کار با گسترش اینترنت پرسرعت و توسعه کامپیوترهایی با سرعت زیاد و همیشگی، با قیمت های نسبتاً ارزان امکان پذیر شده است.
سیستم عامل هایی مانند Quantiacs به منظور خدمت به معامله گران روزانه ( به معامله گرانی گفته می شود که معاملات کوتاه و طولانی را انجام می دهند تا از قیمت های داخل بازار که از ناکارآمدی های عرضه و تقاضای موقتی حاصل می شود ، سود بگیرند. ) که مایل به امتحان کردن معاملات الگوریتمی توسط خودشان هستند، به وجود آمده اند.
یکی دیگر از فناوری های نوظهور در وال استریت، یادگیری ماشین یا machine learning است. تحولات جدید در هوش مصنوعی، برنامه نویسان رایانه را قادر می سازد تا برنامه ها و نرم افزار معاملات الگوریتمی را توسعه دهند. که می توانند خود را از طریق یک فرایند تکرار شونده به نام یادگیری عمیق بهبود بخشند. معامله گران نیز در حال توسعه الگوریتم هایی هستند که برای سودآوری بیشتر، خود به یادگیری عمیق متکی هستند.
مزایا و معایب
عمدتا توسط سرمایه گذاران نهادی و کارگزاران بزرگ برای کاهش هزینه های مربوط به تجارت مورد استفاده قرار می گیرد. تحقیقات نشان می دهند،استفاده ازآن به ویژه برای اندازه های بزرگ که به طور قوی ممکن است تا 10٪ از حجم معاملات کلی را شامل شوند، سودمند است. به طور معمول سازندگان بازار از معاملات الگوریتمی در بورس برای ایجاد نقدینگی استفاده می کنند.
همچنین امکان اجرای سریع تر و راحت تر سفارشات را فراهم می کند و آن را برای صرافی ها جذاب می کند. به نوبه خود ، این بدان معنی است که معامله گران و سرمایه گذاران می توانند به سرعت سودهای حاصل از تغییرات اندک در قیمت را ثبت کنند. استراتژی معاملات اسکالپینگ ( scalping ) معمولاً الگوریتمهایی را به کار می گیرد، که شامل خرید و فروش سریع اوراق بهادار با افزایش قیمت ناچیز است.
معایب معاملات الگوریتمی در بورس
سرعت اجرای دستور، مزایایی که باید در شرایط عادی وجود داشته باشند. هنگامی می توانند مشکل انواع الگوریتمهای معاملاتی ساز شود که چندین دستور به طور همزمان و بدون دخالت انسان اجرا شود. به طور مثال عامل سقوط ناگهانی 2010، تجارت الگوریتمی است.
یکی دیگر از معایب آن این است که نقدینگی که از طریق سفارشات خرید و فروش سریع ایجاد می شود. می تواند در یک لحظه از بین برود و بدین ترتیب سودآوری از تغییرات قیمت، برای معامله گران نیز از بین رود. همچنین می تواند منجر به از دست دادن فوری نقدینگی شود. تحقیقات نشان داده اند عامل مهمی در از دست دادن نقدینگی در بازارهای ارز پس از قطع سوئیس فرانک Swiss franc از یورو پگ Euro peg در سال 2015 بوده است.
مبانی معاملات الگوریتمی در بورس
معاملات الگوریتمی (که به آن معاملات خودکار، معاملات جعبه سیاه یا تجارت الگو نیز گفته می شود) از یک برنامه رایانه ای استفاده می کنند. که مجموعه ای از دستورالعمل های تعریف شده (الگوریتم) را برای انجام معاملات دنبال می کند. از نظر تئوری تجارت می تواند با تناوب و سرعت سود کسب کند که این برای یک تاجر انسانی غیرممکن است.
مجموعه دستورالعملهای تعیین شده بر اساس زمان، قیمت، کمیت یا هر مدل ریاضی است. به غیر از فرصتهای سودآوری که برای معامله گر وجود دارند، تجارت الگو با رد کردن تأثیرات عواطف انسانی بر فعالیتهای تجاری، بازارها را با نقدینگی بیشتری و معاملات را به صورت سیستماتیک تر در می آورد.
تجارت الگوریتمی در عمل چگونه است؟
فرض کنید یک تاجر از این معیارهای تجاری ساده پیروی می کند:
- وقتی میانگین متحرک 50 روزه آن از میانگین متحرک 200 روزه فراتر رفت. 50 سهم از سهام انواع الگوریتمهای معاملاتی را بخرید. (میانگین متحرک میانگین نقاط داده گذشته است، که نوسانات قیمت روز به روز را متعادل می دهد و در نتیجه روندها را مشخص می کند.)
- سهام بازار را زمانی که میانگین متحرک 50 روزه آن از میانگین متحرک 200 روزه پایین تر باشد، بفروشید.
با استفاده از این دو دستورالعمل ساده، یک برنامه کامپیوتری به طور خودکار قیمت سهام (و شاخص های میانگین متحرک) را کنترل کرده و در صورت تحقق شرایط تعریف شده، سفارشات خرید و فروش را ثبت می کند. در این صورت معامله گر دیگر نیازی به نظارت بر قیمت ها و نمودارها به صورت زنده یا سفارشات به صورت دستی ندارد. سیستم معاملات الگوریتمی با شناسایی صحیح فرصت معامله به صورت خودکار این کار را انجام می دهد.
مزایای تجارت الگوریتمی در بورس
- معاملات با بهترین قیمت ممکن انجام می شود.
- ترتیب قرار دادن سفارشات تجاری بلافاصله و دقیق انجام می شود (احتمال اجرای آن در سطوح مورد نظر زیاد است.
- معاملات به درستی زمان بندی شده و فوری انجام می شوند تا از تغییرات چشمگیر قیمت جلوگیری شود.
- کاهش هزینه های معامله
- بررسی خودکار همزمان در شرایط بازاری مختلف
- کاهش خطاهای دستی هنگام انجام معاملات
- معاملات الگوریتمی در بورس را می توان با استفاده از داده های موجود در زمان واقعی آزمایش مجدد کرد تا ببینید آیا این یک استراتژی تجاری کارامد است یا خیر.
- احتمال بروز خطاهای انسانی بر اساس عوامل عاطفی و روانی توسط معامله گران را کاهش می دهد.
امروزه بیشتر معاملات با تناوب بالا یا high-frequency trading (HFT) است. در قرار دادن تعداد زیادی سفارش با سرعت بالا در بازارهای مختلف و پارامترهای تصمیم گیری چندگانه بر اساس دستورالعمل های از پیش برنامه ریزی شده، سرمایه گذاری کند.
برای دستیابی به اطلاعات روز دنیا در حوزه فناوری و تکنولوژی ما را در شبکه های اجتماعی دنبال کنید.
دیدگاه شما