استراتيجية التداول الرياضي

تجارة الرياضيات.
تطبيق التحليل الكمي للحصول على ميزة في الأسواق المالية.
دفاعا عن نهج كمي للأسواق المالية.
لدي شعور بأن هناك بعض خفية بعد انتشار سوء فهم حول البحوث التي تعتمد على البيانات في الأسواق المالية، وسوف تأخذ هذه المقالة: البحث عن ألفا & # 8211؛ لا حتى الخطأ: لماذا توقعات السوق الملغومة البيانات أسوأ من غير مجدية من قبل القاضي ليتل (تظهر أيضا في موقعه على الانترنت: المرتزقة التاجر) كنقطة انطلاق للمناقشة.
ولدت المادة نفسها كخطوة ضد هذه المادة على ياهو المالية: لماذا مملة هو الصاعد، الذي & # 8220؛ إنفيرز & # 8221؛ فرصة 89٪ للعمل الصعودي على S & أمب؛ P استنادا إلى عينة من 18 الحالات السابقة حيث كان لدينا مماثلة & # 8220؛ انخفاض فول & # 8221؛ الأن.
الآن، اسمحوا لي أن أقول بوضوح أن مقالة ياهو لا يمكن الدفاع عنها لعدد من الأسباب في رأيي (على سبيل المثال لا الحصر: طريقة حجم عينة صغيرة جدا، لا تحليل المتانة، لا ذكر لأعداد المحاكمات التي تم تشغيلها)، وذلك في هذا وأنا أتفق مع السيد ليتل.
لكن السيد ليتل يتجاوز ذلك ويوضح لماذا لا يمكن أن تكون أسواق الأسهم & # 8220؛ مملة & # 8221؛ الآن:
& # 8220؛ المسار المحتمل لأسواق الأسهم هو التأثير المباشر من مسار أسواق الدين والعملة (وهي أوبوسيت من مملة الآن). [& # 8230؛] & # 8220؛ الهدوء قبل العاصفة مملة، & # 8221؛ يمكن. عادي ممل مملة القديمة؟ آه، لا. & # 8221؛ [& # 8230؛]
وينتقل في نهاية المطاف منتقديه إلى استخراج البيانات في الأسواق المالية بشكل عام:
& # 8220؛ الأسواق بعيدة كل البعد عن البساطة. في الواقع أنها معقدة جدا. وعلى هذا النحو، فإن التنبؤات القائمة على استخراج البيانات من متغير تاريخي واحد أو مراقبة نمط واحد مختارة من الكرز هي أسوأ دائما تقريبا من غير مجدية لأنها تتجاهل التقاء الأساسية من العوامل. & # 8221؛ [& # 8230؛]
& # 8220؛ عندما يتعلق الأمر بالتنبؤ بالمخرجات المستقبلية للأنظمة المعقدة، فإن جميع أشكال التفكير الإحصائي الواحد المتغير تكون معيبة. & # 8221؛ [& # 8230؛]
& # 8220؛ الطريقة الوحيدة لتجنب الحصول على خداع من قبل بيانات زائفة أو التفكير السطحي هو وضع حقيقي الكوع الشحوم في فهم حقا ما يدفع الأسواق والسبب ... وبمجرد أن يكون لديك هذا الفهم الذي لا تحتاج إلى اختيار الكرز أو البيانات الألغام لأن لديك شيء أفضل: القدرة على تقييم التقاء العوامل الرئيسية في الوقت الحاضر، كما أثرت على علاقات السوق الهامة هنا والآن. & # 8221؛
الآن، بينما أنا أوافق على أن الأسواق المالية معقدة جدا، وأنه من السهل جدا أن ينخدع، وأعتقد أن هذه البيانات عن استخراج البيانات هي تاد عامة جدا.
باستخدام متغير تاريخي واحد أو مع الأخذ بعين الاعتبار تأثير عوامل متعددة يقول شيئا مطلقا في حد ذاته على مدى جيدة التنبؤ (ومع & # 8220؛ التنبؤ & # 8221؛ أشير إلى أي نوع من الاستدلال الإحصائي على المستقبل).
بشكل عام، لتكون قادرة على جعل التنبؤ مع بعض قيمة واحدة لتحديد بعض الميزات (المتغيرات) التي مجتمعة بطريقة معينة لديها بعض القدرة التنبؤية على الأحداث المستقبلية. وهذا ينطبق على أي مجال ولأي طريقة التنبؤ، سواء كان ذلك منظمة العفو الدولية أو العقل البشري.
الجزء الصعب بالطبع هو العثور على هذه الميزات والجمع بينهما.
وبالنظر إلى الأمور بهذه الطريقة، فإن مؤلف مقال ياهو يدعي فقط أن (تعريف معين من) مستوى منخفض من التقلب لديه بعض القوة التفسيرية على العائدات المستقبلية. ما يستجيب له ليتل هو أن السياسة النقدية والديون وأسواق العملات بدلا من ذلك هي ميزات أفضل للاستخدام، استنادا إلى خبرته ورؤيته للعالم.
هل هذا حقا مختلف عن استخراج البيانات بشكل صحيح؟
السؤال الكبير هو ما إذا كان & # 8220؛ فهم & # 8221؛ فإن أسباب بعض ديناميات السوق هي عامل رئيسي في جعلها قابلة للتنبؤ إلى حد ما (لاحظ علامات الاقتباس في & # 8220؛ فهم & # 8221؛).
أنا لا & # 8217؛ ر نعتقد أن هذا هو الحال.
لجعل موازاة مع عالم الفيزياء، والفيزيائيين بالتأكيد دون & # 8217؛ ر دائما نفهم لماذا بعض الأمور تتبع قانون معين. بل إنهم يراقبون سلوكا معينا ويحاولون وصفه. إذا على طول الطريق يمكن أن تجد نوعا من التفسير لذلك، كان ذلك أفضل. ولكن سيكون هناك دائما & # 8220؛ لماذا & # 8221؛ والتي تتطلب إجابة (لماذا يقع التفاح نحو الأرض؟ - & غ؛ الجاذبية - & غ؛ لماذا الجاذبية موجودة؟ - & غ؛ النسبية - & غ؛ الخ).
بالطبع هناك فرق رئيسي مع الفيزياء هو أن الأسواق المالية لا يمكن وصفها تماما من المعادلات، كونها نتائج التفاعلات المعقدة المليارات من الناس. من وجهة نظر عملية هذا يعني أنه مع نهج يحركها البيانات علينا أن نضع المزيد من الاهتمام في وضع إطار لتقييم القدرة التنبؤية الفعلية لأي نموذج، والتي أيضا سوف بالكاد تعمل & # 8220؛ إلى الأبد & # 8221؛.
ولكن هناك صعوبات مماثلة تنطبق على أي نوع من التجارة التقديرية. والحقيقة نفسها التي توجد فيها عوامل كثيرة في اللعب (وبالتالي الكثير من الضجيج) تجعل من الصعب على دماغنا تحليل الوضع بموضوعية، وبالتأكيد العديد من التحيزات المعرفية التي تؤثر علينا دون مساعدة.
لذلك لدينا & # 8220؛ فهم & # 8221؛ من أسباب تحركات السوق يمكن & # 8217؛ ر حقا الذهاب إلى هذا الحد. مثلا قد نفهم أن هناك عدم كفاءة معينة بسبب بعض المؤسسات العاملة تحت بعض القيود، ولكننا لم نعلم كم من الوقت سوف تبقى هذه القيود في مكان أو عندما بعض المنافسين سوف تختار على هذا عدم الكفاءة خفض هامش الربح لدينا أو حتى تسبب في الأسواق على التصرف بطريقة لا يمكن التنبؤ بها تماما.
مع هذا أنا لا أريد أن أقول أن استخدام بعض السلطة التقديرية لا طائل & # 8211؛ بدلا من أن أحاول أن أقول أن هناك مكانا لكلا في التداول ولا أرى ازدواجية هنا. تؤدي البحوث البحتة (التي يتم إجراؤها بشكل صحيح) والبحوث الكلية الكلية / التقديرية البحتة إلى مجموعتين مختلفتين من الفرص التي يمكن أن تتداخل أيضا في بعض الحالات.
من المحتمل أن يكون التداول الإختياري أكثر استجابة لديناميكيات السوق المتغيرة، في حين أن النهج القائم على البيانات قد يكون له قوته في قابلية العمليات إلى الأسواق المختلفة، وكيف يمكن قياسها كميا.
وعلى أي حال أعتقد بقوة أن أي تحليل يستند إلى البيانات هو فقط جيدة مثل الفكر الذي وضعنا فيه، وبالمثل أي نوع من التجارة التقديرية يمكن أن تستفيد فقط من الاستفادة من بعض التحليل الكمي.
للتعليق على النقطة الأخيرة التي أثارها السيد ليتل:
& # 8220؛ ومع ذلك فإننا ننفق ما يقرب من صفر من الوقت في استخراج البيانات، مع عدم الاهتمام في عبارات مثل & # 8220؛ على مدى السنوات الماضية X، و S & أمب؛ P فعلت هذا X في المئة من الوقت. & # 8221؛
لماذا هذا التباين؟ لأن الأسواق هي بحر معقد من المتغيرات المتشابكة والمتشابكة & # 8211؛ وهي الدوافع التاريخية والعلاقات النوعية السبب والنتيجة هي ما لها قيمة دائمة. ليس ناتج جدول بيانات يهم & # 8211؛ فإن اختيار الكرز القائم على نمط تفتقر إلى نظرة ثاقبة ما خلقت النتائج & # 8211؛ ولكن العلاقات النوعية تعزى حقا إلى السببية المشتركة من مختلف النتائج، على أساس كل حالة على حدة، مع إشارة كبيرة جدا للتاريخ والسياق. & # 8221؛
أوافق على أن ما يهم هو العثور على بعض & # 8220؛ العلاقات & # 8221؛ التي لديها قوة تنبؤية حقيقية على المستقبل. ولكن كيف يجد المرء أن هذه العلاقات هي مسألة معقدة ويجب على المرء أن يحفر في تفاصيل كل حالة لمعرفة ما إذا كان التحليل له بعض القيمة، لأن عموما الناتج من جدول البيانات يمكن أن تكون جيدة أو سيئة مثل أي علاقات نوعية قد يعتقد المرء أن عقد.
ترتيب خوارزميات مطابقة.
وفي أسواق اليوم التي تهيمن عليها الطحالب ذات التردد العالي، تتضاءل بشكل عام مساحة الأرباح بالنسبة لغير هف (والأهم من ذلك، غير هف) الرجال. من المرجح أن يكون تأثير الأداء النسبي للموجات الديكامترية (هف) أكبر كلما كان حجم التداول أقل وأقصر فترة عقدك.
ومع ذلك، في تجربتي هذا لا يجب أن تكون ضرورية الحالة: ببساطة، كما هو الحال في أي عمل لديك للتكيف مع المنافسين، وفي هذه الحالة طريقة واحدة للقيام بذلك هو إيلاء المزيد من الاهتمام وتحسين التنفيذ جانب التداول الخاص بك. هذا ليس دائما يمكن القيام به بسهولة (انظر & # 8220؛ الطابع الزمني الاحتيال & # 8221؛ ذكرت من قبل زيروهيدج)، ولكن هناك بعض الفواكه منخفضة شنقا التي يمكن اختيارها كخطوة أولى.
إذا كان هذا البيان قد يبدو غامضا لك، لدي مثال على أساس تجربتي التي تدعم ذلك، وأعتقد أنه يمكن أن يكون مفيدا للآخرين (في حين نأمل أن يكون لها الكثير من تأثير على استراتيجيات بلدي).
في حين أن جميع نماذج بلدي مؤتمتة بالكامل، ما زلت أحب أن ننظر إلى الأسواق وخاصة في الكتب النظام عندما يتم تنفيذ أوامر بلدي.
شيء لاحظته منذ بعض الوقت عندما كان تداول العقود الآجلة لسندات الولايات المتحدة 30 يوما أنه كلما تم تنفيذ أوامر الحد، كنت على الفور في حيرة.
ما يعنيه هذا هو أفضل مثال على ذلك. لنفترض أن لدينا كتاب طلب يشبه هذا:
وأن الأمر الخاص بالبيع قد تم تضمينه في تلك 750 @ 134.6.
كلما أعدمت، فإن منتصف السعر ثم تتحرك على الفور ضد لي، والكتاب ثم تبدو شيئا من هذا القبيل:
في الأساس كان ما يحدث هو أن طلبي كان دائما واحدا من آخر ليتم تنفيذها، وبالتالي فإن حقيقة بسيطة أن حصلت على شغل يعني أنه لم يكن هناك المزيد من العروض (العطاءات) على مستواي، وأفضل عرض والعطاء سوف تتحرك صعودا ( أسفل) علامة واحدة.
وكشف تحقيق سريع على موقع سم أن السبب في ذلك هو نوع من النظام مطابقة ألغو المستخدمة من قبل تبادل، الأول في، أولا خارج (فيفو) ألغو.
ما هي خوارزمية مطابقة؟
خوارزمية مطابقة هي تقنية لتخصيص الكميات المطابقة، وتستخدم عندما يتطابق ترتيب المعتدي مع واحد أو عدة أوامر يستريح. تنطبق الخوارزميات على كل من المطابقة الصريحة والضمنية.
في راجيف رانجان & # 8217؛ ق الموقع يمكنك العثور على مقدمة أكثر عمقا لخوارزميات ترتيب مطابقة (فضلا عن الموارد الأخرى على هفت / ألغو التداول).
في المثال أعلاه، تم توجيه نموذج التداول لي بإرسال أمر الحد فقط عندما كان السعر قريب بما فيه الكفاية إلى المستوى المطلوب، والذي جعلني دائما واحدا من آخر للانضمام إلى قائمة الانتظار، ومن ثم واحد من آخر أن يتم شغلها، وفقا ل إلى نموذج فيفو.
من الناحية العملية، ما يعنيه هذا هو أنني كنت أعدم دائما في أسوأ السيناريوهات الممكنة، وهذا هو عندما يستمر السعر في الاتجاه المعاكس من طلبي، وفي الوقت نفسه أنا لم ينفذ في أفضل السيناريوهات، وهذا هو عندما يكون السعر & # 8220؛ المس & # 8221؛ مستواي ثم عكسي في صالحي.
كما يمكنك أن تتخيل، كان الحل البديل بالنسبة لي لإرسال أوامر حد بلدي (عند التشغيل تحت الطحالب مطابقة فيفو) في أقرب وقت ممكن، ولكن عموما، هذه الملاحظة يمكن أن تشير أشياء مختلفة لمختلف الناس. بالنسبة لمتداولي اليوم الذين لا يتداولون بطريقة آلية، فإن التشغيل تحت خوارزميات مطابقة فيفو قد يعني في كثير من الأحيان زيادة الحد الأدنى للتنفيذ السلبي بواسطة علامة واحدة (والتي يمكن أن تكون كبيرة جدا، اعتمادا على ما يقوم به)، ما لم يكن واحدا غير قادرة على اللعب من حوله.
وبالمثل لهذه الحالة، هناك حالات أخرى عندما يكون ترتيب مطابقة ألغو في الاستخدام وتداول التنفيذ بشكل عام يمكن أن تصبح مهمة مثل الاستراتيجيات / الأفكار التجارية أنفسهم.
مثال آخر على الاستخدام الجيد للخوارزميات مطابقة النظام يمكن أن يكون للتاجر تعمل تحت خوارزمية مطابقة تناسبيا، نموذجية من العقود الآجلة اليورو دولار (إر). إذا كنت تريد حقا ملء X الكثير، هل يمكن أن ترسل فقط أمر الذي هو إلى حد ما أكبر من X & # 8211؛ مع كمية إضافية تمليها كيف العدوانية تريد / تحتاج إلى أن & # 8211؛ ومرة واحدة في محاولة لإلغاء الكثير المتبقية (تنويه: بطبيعة الحال من خلال القيام بذلك كنت المخاطرة بنشاط من شغلها في جميع الكثير، حتى مجرد لا & # 8217؛ ر تأخذ كلمتي على هذا يجري ممارسة جيدة وتفعل ذلك في الخاص بك المخاطر الخاصة).
بالطبع الانتباه إلى خوارزمية مطابقة هو مجرد خدش سطح العالم عالية التردد، ولكن أود أن أعتقد أنه في بعض الحالات انها & # 8217؛ s سهلة & # 8220؛ الصفر & # 8221؛ أن تفعل واحدة يمكن أن تضيف مباشرة بعض القيمة.
ولختتام هذه الوظيفة، اسمحوا لي أن أقول بوضوح أنه لمدى جيدة محاكاة السوق لدينا، يمكن تنفيذ الصفقات & # 8217؛ ر دائما أن يكون نموذجا مسبقا. وهذا لا يعني أننا يجب أن نتخلى عن محاولة جعل المحاكاة واقعية (ومتحفظة إلى حد ما) قدر الإمكان، على سبيل المثال. من حيث الملء والانزلاق (هنا & # 8217؛ s وظيفة لطيفة على ما هو الانزلاق من قبل البروفيسور تاكر بالش). بدلا من ذلك، ينبغي أن نتذكر فقط أنه لا يوجد بديل حقيقي للمراقبة الشخصية الأولى والتفاعل مع العالم.
الكل في الكل، فإنه لا ينبغي & # 8217؛ ر حقا تأتي بمثابة مفاجأة أن الملاحظة بسيطة هي أداة قوية، كونها الخطوة الأولى من المنهج العلمي.
اختيار ميزة في خوارزميات التداول.
في الآونة الأخيرة لقد كنت تبحث عن طريقة أكثر منهجية للالتفاف حول الإفراط وفي سعودي وجدت أنه من المفيد الاقتراض بعض التقنيات من مجال التعلم الآلي.
إذا كنت تفكر في ذلك، خوارزمية التداول هو مجرد شكل من أشكال منظمة العفو الدولية تطبيقها على سلسلة الأسعار. هذا البيان، على الرغم من أنه ربما واضح، يضعنا في وضع يمكنها من تطبيق عدد من تقنيات التعلم الآلي لتصميم استراتيجيات التداول لدينا.
توسيع ما نوقش هنا (وهنا)، يبدو بديهية أن المزيد من الميزات في نموذج، وبشكل عام نموذج قد تكون عرضة لالبث الزائد. وتعرف هذه المشكلة بمقايضة التباين بين التحيز، وعادة ما تلخصها الرسم البياني على اليمين.
ومع زيادة التعقيد، يزداد الأداء في مجموعة التدريب بينما تتراجع قوة التنبؤ.
ما هو أقل بديهية ربما هو أن الميزات المحددة المستخدمة في العلاقة مع ديناميات للتنبؤ تلعب دورا رئيسيا في تحديد ما إذا كنا الإفراط في تجهيز البيانات الماضية، بحيث سلوك الخطأ أظهرت في الرسم البياني هو مجرد تعميم.
وهناك شيء مثير للاهتمام بشكل خاص هو أن استخدام نفس الميزة (على سبيل المثال في تطبيقنا مؤشرا أو آلية للربح أو وقف الخسارة وما إلى ذلك) قد يتسبب أو قد لا يسبب الإفراط في التجميع وفقا للديناميات التي نحاول وضعها.
والسبب في ذلك هو أن بعض الظواهر (أو بعض الأوقات حتى المتغيرات من نفس الظاهرة) ببساطة يمكن وصفها من قبل بعض الميزات.
وكمثال على ذلك، تخيل أنك تحاول التنبؤ بالمبيعات المستقبلية لمتجر للأحذية الرياضية في أستراليا. A & # 8220؛ جيد & # 8221؛ ميزة للاستخدام يمكن أن يكون الموسم من السنة، كما (يقول) الأستراليون حريصون بشكل خاص في الرياضات المائية، وبالتالي الينابيع والصيف تميل إلى إظهار أفضل المبيعات لهذا العام.
الآن تخيل محاولة للتنبؤ المبيعات المستقبلية من متجر لبيع الملابس الرياضية مماثلة تقع في مكان ما في الولايات المتحدة. قد يكون الأمر كذلك هو أن المواطنين الأمريكيين لا يفضلون أي موسم معين، كما هو الحال في الصيف يمارسون الرياضات المائية وفي الشتاء يذهبون للتزلج. في هذا السيناريو الجديد، من المرجح أن يؤدي النموذج الذي يستخدم موسم السنة كميزة إلى نموذج محمل بسبب مختلف الديناميات الكامنة.
العودة إلى الأسواق المالية، مثال على ذلك يمكن أن يكون كيف أن آلية وقف الخسارة تميل إلى أن تكون (بشكل عام ووفقا لتجربتي) ميزة جيدة للاستراتيجيات التالية الاتجاه، ولكن ليس لاستراتيجيات المتوسط ​​انعكاس (والعكس لتحقيق الربح المستهدف أوامر). ويمكن أن يكون هناك تفسير محتمل لذلك أن الاتجاهات موصوفة جيدا بعدم وجود حركات ضارة كبيرة، ولكن تمديدها الكامل لا يمكن أن يعرف مسبقا (ولكن هذا هو مجرد محاولة لترشيد النتائج التجريبية).
لذلك، كيف يمكنك أن تفهم ما هي الميزات المرشحين جيدة؟
لحسن الحظ بالنسبة لنا، وهناك مجموعة كاملة من التقنيات المتقدمة في مجال التعلم الآلي لتشغيل ميزة التحديد. أوصي ورقة 2003 التالية للحصول على لمحة عامة عن الأساليب: مقدمة في متغير وميزة اختيار من قبل إيزابيل غويون. أي نص لتعلم الآلة يجب أن يغطي أيضا بعض التقنيات، كما يفعل استانفورد ستانفورد & # 8217؛ s آلة التعلم الطبقة في كورسيرا.
أي قراء آخرين & # 8217؛ التوصية (أو التعليق) هو بالطبع موضع ترحيب كبير.
تقديرات مقلدة للأداء.
هذا هو متابعة سريعة على منصبي السابق على التطبيع الكمي.
فبدلا من إزالة الكمية العليا من العوائد / الصفقات عند تحسين مساحة المعلمات الاستراتيجية، كان النهج الأخير لإزالة الكميات العلوية والسفلية X، وذلك باستخدام مقدر تقليم قوي للأداء بدلا من المقدر بحد ذاتها.
المزايا متماثلة لتلك التي نوقشت في الوظيفة السابقة، طالما باكتست الخاص يسمح للنمذجة واقعية من تنفيذ الصفقات & # 8211؛ مثلا إذا كنت تستخدم أوامر التوقف والقضبان التجارية (بدلا من بيانات القراد)، وربما كنت ترغب في إضافة كمية من الانزلاق في بعض الطريق يتناسب مع حجم شريط (مواصفات اللازمة لأن النمذجة المحافظ لأوامر الحد هو أسهل لتحقيق) .
ويعد تقليم أسوأ العوائد مفيدا بشكل خاص في حالة وجود استراتيجيات ذات خسائر كبيرة واحدة (مثل استراتيجيات الانعكاس المتوسط ​​من نوع ما عادة)، في حين أن تقليم أفضل العوائد يكون أكثر فائدة للاستراتيجيات التي لها أيام إيجابية كبيرة (مثل استراتيجيات الاتجاه) .
اثنان (من العديد) المتغيرات المحتملة هي:
- للحفاظ على أوتوكوريلاتيونس من استراتيجية & # 8217؛ عوائد، يمكن للمرء أن تقرر لإزالة كتل من الصفقات / أيام، بدلا من الصفقات الفردية / أيام (بطريقة مماثلة لما يفعله عند بوتسترابينغ كتل من الصفقات / أيام).
- للحفاظ على عدد العينات في نتائجنا بدلا من إزالة أعلى (أسوأ) أيام، يمكن للمرء أن يحل محلها مع متوسط ​​/ متوسط ​​إيجابية (فقدان) أيام.
شيء آخر هو أن نلاحظ أنه إذا كان قياس الأداء الخاص بك يجعل من استخدام الانحراف ستد (كما هو الحال بالنسبة ل شارب نسبة)، وتقليم ذيول العائد من حسابه من المرجح أن يؤدي إلى المبالغة في تقدير الأداء.
أخيرا، هنا & # 8217؛ s ماتلاب التعليمات البرمجية:
(عادة ما يكون المتغير normalise_excess_pnl تلقائيا إنيتياليزد إلى 1 أو 0 من البيئة الخارجية، وفقا لما إذا كان أو لا 'أنا تشغيل التحسين).
إلغاء تركيب برامج ألفا & # 8217 وإساءة فهمها وفهمها.
في حين أن التجاوز هو بالتأكيد التحدي، والسقوط على الطرف المعاكس هو أيضا إمكانية.
الإبلاغ عن جزء من مقابلة مع ويليام إشكاردت من مجلة فوتشرز (والتي أوصي بقراءتها بالكامل هنا):
& # 8220؛ أستطيع أن أتحدث أكثر قليلا عن الإفراط في تركيب، إن لم يكن بلدي تقنيات الملكية الشخصية. أولا وقبل كل شيء أحب [المدى] الإفراط في تركيب بدلا من منحنى المناسب لأن منحنى المناسب هو مصطلح من تحليل الانحدار غير الخطية. فمن حيث لديك الكثير من البيانات وكنت تركيب نقاط البيانات إلى بعض منحنى. حسنا، أنت لا تفعل ذلك مع العقود الآجلة. من الناحية الفنية ليس هناك منحنى المناسب هنا. لا ينطبق هذا المصطلح. ولكن ما يمكنك القيام به هو يمكنك الإفراط في صالح. السبب أنا أحب مصطلح أكثر من صالح بدلا من منحنى صالح هو أن الإفراط في صالح يدل على أنك أيضا يمكن أن يصلح مناسبا. الأشخاص الذين لا يحسنون هم أقل من المناسب. & # 8221؛
الإبطال والإساءة.
إذا كنا نستخدم عددا غير كاف من درجات الحرية، حتى أن نظامنا لا يفرق بين بعض التغييرات الرئيسية في سلوك السوق، ثم ما نقوم به هو نقص. ويمكن أن يكون مثال تافهة للتجهيز السفلي شراء مخزون عشوائي من الكون الأسهم في نقطة عشوائية في الوقت المناسب والاحتفاظ بها لفترة زمنية عشوائية.
ومن الواضح أن ما يجعل المتغير & # 8220؛ الحق & # 8221؛ لنموذج معين وأصل معين هو جدال للغاية.
وبالمثل لما قال عن الإفراط في الكتابة، لا أعتقد أننا يمكن أن أقول بسهولة في الشروط المطلقة ما إذا كان نموذج معيبة مع نقص أو سوء تجهيز (باستثناء حالات واضحة جدا). بدلا من ذلك، أود أن العقل من حيث احتمال وجود نموذج أفضل & # 8217؛ ق أننا نتجاهل، على سبيل المثال. يمكن أن يكون هناك عامل رئيسي في أن نموذجنا حساس بشكل خاص وأننا لا نحتسب (سواء من حيث الأصول المحددة التي نطبقها النموذج أو من حيث ديناميات السوق الحالية). أو يمكن أن يكون الحال أننا نستخدم بعض المتغيرات التي ترتبط فقط إلى عامل حقيقي، ولكنها ليست سائق ألفا الفعلي.
وتشمل تقنيات أداء هذا النوع من التحليل تحليل ال يكا وتحليل العوامل، ولكن وفقا لما يمكن تطبيقه بالضبط على العديد من التقنيات الكمية الأخرى (على مستوى المحفظة، يبدو أن شيئا مثل تجميع السوق المقدم من ديفيد فارادي يبشر بالخير).
بطبيعة الحال (ولسوء الحظ)، علينا أن نضع في اعتبارنا أنه كلما عملنا هذا النوع من التحليل الخلفي، والأرجح أننا سوف تذهب واحدة متطرفة (نقصان / سوء التجهيز) إلى الآخر (الإفراط في).
الدهون ذيول وتغيير ديناميات السوق.
في جزء آخر من المقابلة المذكورة أعلاه، السيد إشكاردت يرتبط بدقة عدد درجات الحرية لعدد من الصفقات في باكتست لدينا، مدعيا أن واحد يحتاج إلى المزيد من الصفقات مما كان متوقعا في العالم & # 8220؛ غوسيان العالم & # 8221؛ بسبب ذيل الدهون من الأسواق & # 8217؛ عائدات. بينما أنا أتفق مع العلاقة النوعية بين درجات الحرية وعدد الصفقات، لست متأكدا من أنني أتفق مع العلاقة الكمية الصارمة بين المتغيرين.
والسبب في ذلك ذو شقين:
1) ليس من الممكن دائما تحديد العدد الفعلي لدرجات الحرية المستخدمة أو كم من الوقت الذي نتدفق فيه في نمذجةنا (كما نوقش في منصبي السابق)؛
2) أعتقد الدهون الذيل هو جزء فقط من القصة. جزء كبير آخر هو التغيرات المستمرة التي تذهب الأسواق الحوض الصغير (تحت شكل غير متجانسة ولكن ليس فقط).
تخيل أنك اختبار نموذج أكثر من 2 سنوات من البيانات، وذلك لأن النموذج هو نموذج عالية التردد نسبيا (وهكذا تنتج عدد كبير جدا من الصفقات) كنت تعتقد أنك تحمي نفسك من الإفراط في الكتابة. ما قد تتجاهله هو أنه بعد اختبار النموذج خلال فترة زمنية قصيرة نسبيا، لا يمكن أن تختبره ضد ظروف السوق المختلفة. قد تكون الأسواق قبل 2.5 سنة كانت الأسواق مختلفة نوعا ما وكان نموذجك عديم الجدوى، مما يعني أنه بمجرد تغير الأسواق مرة أخرى سوف تفقد الحافة الخاصة بك. مثال يمكن أن يكون نموذجا يستفيد دون علم من بعض سلوك السوق ولدت من بنك الاحتياطي الفدرالي على الانتظار على مدى هذه الفترة الزمنية الطويلة.
وهذا شكل آخر من أشكال الإزدحام إذا أردت، ولكن يمكن حسابها من خلال النظر ببساطة في عدد الصفقات مقابل عدد من النماذج & # 8217؛ s المعلمات.
وبسبب هذا، أريد دائما اختبار أي إستراتيجية جديدة بشأن أكبر قدر ممكن من البيانات التاريخية. فيما يتعلق بهذا، أنا في خلاف جزئي مع الدكتور تشان، الذي يقول أنه نادرا ما يختبر استراتيجيات مع بيانات أقدم من عام 2007 (اقرأ المزيد هنا: علم الزائفة من الفرضية اختبار). كل الأشياء الأخرى على قدم المساواة، أجد استراتيجية عملت بشكل جيد لفترة طويلة لتكون أكثر عرضة للعمل في المستقبل القريب من استراتيجية عملت بشكل جيد على مدى تاريخ قصير (وهذا لا يعني أن شيئا بدأ العمل فقط مؤخرا يمكن & # 8217؛ ر الاستمرار في العمل). أيضا، حتى لو كان لديك شيء بدأ العمل فقط في الآونة الأخيرة، وجود نظرة على كيفية تصرفه عندما لم تفعل حقا يمكن بالتأكيد تقديم بعض الأفكار مثيرة للاهتمام & # 8211؛ خاصة إذا كنت غير متأكد من ما السائق وراء ألفا الخاص بك هو حقا.
وهذا يقودني إلى النقطة الأخيرة قبل اختتام هذا المنصب الطويل: هل علينا حقا أن نفهم ما يفعله نموذجنا ونوع عدم الكفاءة الذي نستغله؟
شخصيا، وأعتقد أن فهم محرك الكامنة وراء ألفا لدينا هو بالتأكيد زائد كبير، لأنه يتيح لك مراقبة مباشرة لسلوك السائق الرئيسي، والتي بدورها يمكن أن تعطيك بعض الأفكار العملية في الأوقات المضطربة. ومع ذلك، هذا ليس دائما كاف & # 8211؛ فكر في الأموال الكمية خلال الانهيار 07-08: كانوا على دراية كاملة من السائق وراء استراتيجيات حقوق الملكية الفكرية الأسهم، لكنها لا تزال محاصرة في تدفقات أوامر والتصفية القسري. مثال آخر يمكن أن يكون جيدا تفجير لسم.
من المعنوية من القصة أن هناك يمكن أن يكون هناك دائما طبقة إضافية من التعقيد لا ينظر فيها، بحيث (جزئيا) فهم لدينا ألفا & # 8217؛ ق السائق قد لا تقدم أي صعود إضافي.
لذلك، على الرغم من أنني لطيفة لا & # 8217؛ ر من الضروري أن نفهم السائق الحقيقي وراء ألفا & # 8211؛ شريطة أن يعطينا التحليل الإحصائي لنا الثقة الكافية لتداول إستراتيجيتنا.

نموذج استراتيجية التداول الرياضي.
تاريخ الدخول: 2018-06-26.
نموذج استراتيجية التداول الرياضي.
يمكن ل إي المبرمجة جيدا استخدام أدوات مي للمساعدة في بناء الأنظمة التي تعمل عبر أزواج العملات المتعددة. لقد ساعدت في تطوير اثنين من الأنظمة التي تعمل في الوقت الحقيقي وتظهر الربحية على المدى الطويل من خلال الاختبار الخلفي.
التوقعات الرياضية (مي) هي الإحصائية التي تقيس أكبر ربح مؤقت أن التجارة شهدت طوال الوقت الذي ظل مفتوحا. وقد تم الترويج له لأول مرة في إطار قواعد تحديد الحجم الأمثل و F-سيزينغ وإدارة الأموال التي وضعتها رالف فينس. والمعادلة هي:
أداة التنبؤ الرياضي يعطي التجار الفوركس متعدد العملات "الحافة" التنبؤية في تطوير النظم الفائزة. يتم تعريف مي وفقا لمفاهيم الرحلة القصوى المواتية (مف) والرحلة العكسية القصوى (مي). يمكن حساب قيمة مي في الوقت الحقيقي من قبل نظام التداول الميكانيكي.
عند تداول ور / أوسد، غبب / أوسد، أوسد / جبي و أوسد / تشف مع استراتيجية متعددة العملات على أساس التوقعات الرياضية، هذا المقياس عادة ما تكون إيجابية وعالية عموما، ومتشابهة بين أزواج العملات المختلفة.
إغلاق> السابق إغلاق.
وقد أظهر هذا النظام التجاري متعدد العملات بسيط الفوركس نتائج لائقة في التداول الحقيقي، والاختبار الخلفي على مدى فترة عشرين عاما يدل على أنه كان يمكن أن تتمتع نتائج مربحة لمدة لا تقل عن ستة عشر من أصل عشرين عاما اختبارها. وقد أظهرت نسبة مكافأة إلى خطر حوالي 1.7 ونسبة الفائز حوالي 45٪، في حين أن عامل الربح كان ما يقرب من 1.4.
كما ذكر سابقا، يمكن لنظام التداول الميكانيكي استخدام متوسط ​​المدى الحقيقي (أتر) كأداة تعتمد على التقلب لحساب مي و مف من أجل تعيين نقاط الخروج. يحدد النظام سعر الدخول زائد أو ناقص نسبة مئوية من أتر التي هي قابلة للتطبيق وفقا لتحليل مي. للحصول على عينة كبيرة بما فيه الكفاية، وعادة ما أتر تعيين أتر لحساب الإطارات 15 أو 20 السابقة.
التوقعات الرياضية هي أقل عموما للحرف "قصيرة"، وبعض المتداولين شهدت مي زيادة بنسبة تصل إلى ثمانية عشر القضبان بعد فتح، ثم تسوس خلال يتأرجح السعر من قبل بقدر ثمانين الحانات بعد فتح.

استراتيجية التداول الرياضي
المضاربين من ذوي الخبرة في كثير من الأحيان تقييم الأسواق المالية كعمليات عشوائية والعمل أساسا مع الاحتمالات. وبطبيعة الحال، عندما تعلم المبتدئين عن هذا، فإنها أيضا محاولة لتطبيق ذكرياتهم من دورة الرياضيات العليا في التداول. في النتيجة، تظهر مختلف الاستراتيجيات الرياضية الفوركس.
لسوء الحظ، هذه الحلول تؤدي إلى إضاعة الوقت في أحسن الأحوال، أو مبالغ كبيرة في أسوأ الأحوال. والحقيقة هي أن النظم "الرياضية" تعني عادة مارتينغال، وهو النهج الأكثر بدائية لإدارة عملية عشوائية وليس له علاقة مع نماذج الانحدار المعقدة والحسابات الإحصائية.
لذلك، منذ المبتدئين مهتمون في هذا الموضوع من جيل إلى جيل، اليوم سوف ننظر في مزايا وعيوب مارتينغال كنظام. أولا وقبل كل شيء، ينبغي أن نتذكر أن هذه التقنية جاءت إلى الأسواق المالية من الكازينوهات، أو بالأحرى من منازل القمار. التاريخ الدقيق لتطبيقه العملي الحقيقي غير معروف، ولكن في تقييم مستدير تقريبي، ظهر عند تقاطع القرنين الثامن عشر والتاسع عشر، واكتسب شعبية واسعة في القرن العشرين.
في الحالة العامة، وهذا هو مثل استراتيجية في القمار الذي يتضاعف بعد كل رهان خسر حتى يحصل على جائزة. وهكذا، لاعب يفترض مخاطر غير محدودة، ولكن يمكن أن يفوز فقط مبلغ يعادل الرهان الأولي في هذه السلسلة. ويطلق على نهج مماثل "مارتينغال الأساسية"، ويحاول المضاربون عديمي الخبرة تطبيقه على السوق.
الفروق الدقيقة الهامة التي تحتاج إلى أن تؤخذ بعين الاعتبار عند دراسة استراتيجيات الفوركس الرياضية.
وإذا حكمنا على استطلاعات الرأي حول المنتديات المستقلة، فإن الإيداع المؤقت غالبا ما يكون نتيجة لاستخدام مارتينغال. وبطبيعة الحال، يتهم الكثيرون مراكز التعامل (المشار إليها فيما يلي ب "دس") بالعمل غير العادل، ولكن في الواقع، دسس في هذه الحالة هي صادقة كما من أي وقت مضى، وانها التاجر الخاص خطأ. أدناه سنحاول النظر في الأخطاء الأساسية لل "علماء الرياضيات" حديثا.
أهم وهمية من وجهة نظر المنظرين هو محاولة لتحريك مبدأ "عملة" (أو أحمر أسود) على استراتيجيات الفوركس الرياضية دون تعديلات وتعديلات، وهو معيب قاتلة. وللإجابة على سؤال لماذا هذا النهج غير مقبول، ينبغي أن ننتقل مرة أخرى إلى التاريخ.
في البداية، كان لعبة الروليت اثنين فقط من المجالات: الأسود والأحمر. وبالتالي، من وجهة نظر نظرية الاحتمال، كانت نتائج القذف عملة والرهانات في الكازينو متطابقة تماما، أي في كل اختبار، كان احتمال النجاح 50٪. وكانت نتيجة هذه اللعبة في الرهان المستمر الرسم البياني التالي:
لمقارنة المثال التقليدي مع التداول، تم تحديد الإيداع الأولي بمبلغ 100 دولار، وكانت المخاطر لكل رهان واحد تقتصر على 1 $، أي 1٪ من الودائع. ويبدو أنه هو الكأس، لأنه نظريا، حتى من دون زيادة الرهان، فإنه يمكن تحقيق الربح. ولكن لم يكن هناك مثل هذا الحظ: أضيفت الصفر عديم اللون في وقت لاحق إلى حجم الروليت في مؤسسات القمار، والتي على مسافة محايدة مثل هذه الأنظمة، حيث أن احتمال نجاح النتيجة أصبحت أقل من 50٪.
ومنذ ذلك الحين، بدأ تاريخ تطور مارتينغال، لأنه أصبح من المستحيل البقاء واقفا على قدميه دون زيادة في الرهانات. وهكذا، حتى لو تجاهلنا الصفر، في المثال أعلاه تم تسجيل 7 خسائر متتالية في قطاع واحد، مما يعني أنه إذا كنت مضاعفة الرهان بعد كل فشل، نحصل على التسلسل التالي للخسائر: 1، 2، 4، 8، 16، 32، 64. والواقع أن الأموال لن تكون كافية حتى لفتح السلسلة الأخيرة.
حيث يظهر مارتينغال نتائج أفضل - في الكازينو أو على الفوركس؟
لذلك، إذا تلخصنا بإيجاز، يمكن صياغة سمتين للعب القمار في الروليت: أولا، احتمال الفوز في اختبار واحد هو أقل من 50٪ بسبب الصفر، وثانيا، نتائج كل اختبار جديد لا يعتمد على الماضي ، أي أن الترابط الذاتي غائب، ما لم تستخدم المؤسسة مخططات احتيالية.
لاحظ أن استراتيجيات الفوركس الرياضية تخضع لهذه العوامل بدرجة أكبر - على وجه الخصوص، دور الصفر الذي يقلل من احتمال الفوز في سوق الفوركس لعبت من قبل لجنة انتشار و دس، وأنها موجودة في كل معاملة واحدة، بغض النظر عما إذا كانت مربحة أو غير مربحة. ويوضح الشكل أدناه مثالا على عملية عشوائية دون مضاعفة المعاملات، والتي يتم تعديل نتائجها للخسارة المحتملة على العمولة:
وبالإضافة إلى ذلك، في معظم الحالات، خسارة الصفقات هي الاتجاه المعاكس، لذلك زيادة أخرى في الكثير ضد الاتجاه السائد يؤدي إلا إلى تفاقم الوضع. هذا الوضع هو نتيجة الارتباط الذاتي المذكور أعلاه، عندما تعتمد كل قيم جديدة للصف على السابق، مما يخلق الكثير من المشاكل عند البحث عن إشارات متكررة. وبالتالي، فإن مارتينغال في الأسواق المالية في شكلها النقي غير مقبول.
استراتيجيات الفوركس الرياضية في الممارسة العملية.
وكما سبق أن أوضحنا من التجارب، ينبغي إسقاط فكرة استخدام "مارتينغال الأساسي" على الفور، ولكن إذا نظرتم عن كثب، ستعرفون أن هذا النهج لا يزال من الممكن استخدامه في مناسبتين، أولهما بالإضافة إلى النظام القائم.
لنفترض أن المتداول لديه بعض نظام مربح (يمكنك أن تأخذ أي من قسم "استراتيجيات التداول" كمثال)، الذي يوفر قواعد لا لبس فيها لجعل الصفقات وتحديد وقف الخسائر، ولكن التوقعات التي لا يرضي المضارب. لحل هذه المشكلة، استراتيجيات الفوركس الرياضية تأتي إلى الإنقاذ.
في المرحلة الأولى من تحسين الخوارزمية، فمن الضروري جمع إحصاءات عن العمل على إشارات للنظام الرئيسي على مدى فترة طويلة (ستة أشهر أو أكثر). كما يتم حساب متوسط ​​طول سلسلة من الأوامر الخاسرة وأطول سلسلة من الخسائر. وفي هذه الحالة، ينبغي أيضا النظر في تكلفة الفرق والعمولات في النتيجة المالية.
في الخطوة الأخيرة، تحتاج إلى اختيار معايير لإدارة المخاطر، والتي تصبح ذات صلة بمجرد أن سجلت سلسلة متوسطة من الخسائر - على سبيل المثال، إذا كان متوسط ​​احتمال لإصلاح أربعة توقف متتالية في النظام منخفضة، ثم it is reasonable to increase the volume after three losing orders in the new deal. At that, multicoefficient does not have to be a double, it is permissible to use more conservative options as well.
The figure above shows a second variant of application of the Martingale, i. e. averaging in the area of the signal appearance. In this case, it is assumed that the first order is opened by the minimum volume, after which the deal volume is incremented as the price moves against the position.
In this case, the stop-loss is set simultaneously with the first order, and the risk of an aggregate position (including averages) should not violate the rules of money management. In all other cases, topping the lot with the multiplication would result in the account siphon off and can’t be called full-fledged strategies. المصدر: ديوينفوريكس.

أساسيات التداول الخوارزمي: المفاهيم والأمثلة.
الخوارزمية هي مجموعة محددة من التعليمات المحددة بوضوح تهدف إلى تنفيذ مهمة أو عملية.
التداول الحسابي (التداول الآلي، التداول في الصندوق الأسود، أو ببساطة التداول ألغو) هو عملية استخدام أجهزة الكمبيوتر المبرمجة لمتابعة مجموعة محددة من التعليمات لوضع التجارة من أجل توليد الأرباح بسرعة وتردد يستحيل على تاجر الإنسان. وتستند مجموعات القواعد المحددة إلى التوقيت أو السعر أو الكمية أو أي نموذج رياضي. وبصرف النظر عن فرص الربح للتاجر، ألغو التداول يجعل الأسواق أكثر سيولة ويجعل التداول أكثر منهجية من خلال استبعاد الآثار البشرية العاطفية على الأنشطة التجارية. (لمزيد من المعلومات، اطلع على اختيار برامج التداول الخوارزمية الصحيحة.)
لنفترض أن المتداول يتبع هذه المعايير التجارية البسيطة:
شراء 50 سهم من الأسهم عندما يكون المتوسط ​​المتحرك لمدة 50 يوما فوق المتوسط ​​المتحرك ل 200 يوم بيع أسهم السهم عندما يقل المتوسط ​​المتحرك ل 50 يوم عن المتوسط ​​المتحرك ل 200 يوم.
وباستخدام هذه المجموعة من تعليمين بسيطين، من السهل كتابة برنامج حاسوبي يقوم برصد سعر السهم تلقائيا (ومؤشرات المتوسط ​​المتحرك) ووضع أوامر الشراء والبيع عند استيفاء الشروط المحددة. التاجر لم يعد يحتاج إلى الحفاظ على مشاهدة للأسعار الحية والرسوم البيانية، أو وضعت في أوامر يدويا. نظام التداول الخوارزمية تلقائيا يفعل ذلك بالنسبة له، عن طريق تحديد بشكل صحيح فرصة التداول. (لمزيد من المعلومات عن المتوسطات المتحركة، اطلع على المتوسطات المتحركة البسيطة التي تجعل المؤشرات تتوقف.)
[إذا كنت ترغب في معرفة المزيد عن ثبت وإلى الاستراتيجيات نقطة التي يمكن في نهاية المطاف أن يعمل في نظام التداول حسابي، تحقق من إنفستوبيديا أكاديمية تصبح دورة اليوم التاجر. ]
فوائد التداول الخوارزمية.
ألغو التداول يوفر الفوائد التالية:
Trades executed at the best possible prices Instant and accurate trade order placement (thereby high chances of execution at desired levels) Trades timed correctly and instantly, to avoid significant price changes Reduced transaction costs (see the implementation shortfall example below) Simultaneous automated checks on multiple market conditions Reduced risk of manual errors in placing the trades Backtest the algorithm, based on available historical and real time data Reduced possibility of mistakes by human traders based on emotional and psychological factors.
إن الجزء الأكبر من التداول الحالي هو تداول عالي التردد (هفت)، والذي يحاول الاستفادة من وضع عدد كبير من الطلبات بسرعة عالية جدا عبر أسواق متعددة ومعلمات قرار متعددة، بناء على تعليمات مبرمجة مسبقا. (لمزيد من المعلومات حول التداول عالي التردد، راجع استراتيجيات وأسرار شركات التداول عالي التردد).
يستخدم ألغو-ترادينغ في العديد من أشكال الأنشطة التجارية والاستثمارية، بما في ذلك:
المستثمرون على المدى المتوسط ​​إلى الطويل أو شركات شراء (صناديق المعاشات التقاعدية وصناديق الاستثمار وشركات التأمين) الذين يشترون في الأسهم بكميات كبيرة ولكنهم لا يريدون التأثير على أسعار الأسهم مع استثمارات منفصلة وكبيرة الحجم. ويستفيد المتداولون على المدى القصير والمشتركون من جانب البيع (صناع السوق والمضاربون والمراجحون) من تنفيذ التجارة الآلي؛ بالإضافة إلى ذلك، المساعدات التجارية ألغو في خلق السيولة الكافية للبائعين في السوق. التجار المنتظمين (أتباع الاتجاه، أزواج التجار، صناديق التحوط، الخ) تجد أنها أكثر كفاءة بكثير لبرمجة قواعد التداول الخاصة بهم والسماح للتجارة البرنامج تلقائيا.
يوفر التداول الخوارزمي نهجا أكثر انتظاما للتداول النشط من الطرق القائمة على الحدس أو الغريزة للتاجر البشري.
استراتيجيات التداول الخوارزمية.
وتتطلب أي استراتيجية للتداول الخوارزمي فرصة محددة تكون مربحة من حيث تحسين الأرباح أو خفض التكاليف. وفيما يلي استراتيجيات التداول الشائعة المستخدمة في تجارة ألغو:
استراتيجيات التداول الأكثر خوارزمية تتبع الاتجاهات في المتوسطات المتحركة، هروب القناة، حركات مستوى الأسعار والمؤشرات الفنية ذات الصلة. هذه هي أسهل وأبسط الاستراتيجيات لتنفيذ من خلال التداول الحسابي لأن هذه الاستراتيجيات لا تنطوي على اتخاذ أي توقعات أو توقعات الأسعار. وتبدأ الصفقات على أساس حدوث الاتجاهات المستصوبة، التي تكون سهلة ومباشرة لتنفيذها من خلال الخوارزميات دون الدخول في تعقيد التحليل التنبئي. المثال المذكور أعلاه للمتوسط ​​المتحرك 50 و 200 يوم هو الاتجاه الشعبي التالي استراتيجية. (لمزيد من المعلومات حول استراتيجيات التداول الاتجاه، انظر: استراتيجيات بسيطة للاستفادة من الاتجاهات.)
شراء الأسهم المدرجة المزدوجة بسعر أقل في سوق واحد وبيعها في وقت واحد بسعر أعلى في سوق أخرى تقدم فرق السعر كما الربح خالية من المخاطر أو المراجحة. ويمكن تكرار نفس العملية بالنسبة للأسهم مقابل أدوات العقود الآجلة، حيث أن فروق الأسعار موجودة من وقت لآخر. تطبيق خوارزمية لتحديد مثل هذه الفروق السعرية ووضع أوامر يسمح فرص مربحة بطريقة فعالة.
وقد حددت صناديق المؤشرات فترات من إعادة التوازن لجعل حيازاتها متساوية مع مؤشراتها المرجعية. وهذا يخلق فرصا مربحة للمتداولين الخوارزميين الذين يستفيدون من الصفقات المتوقعة التي تقدم أرباح تتراوح بين 20 و 80 نقطة أساس اعتمادا على عدد الأسهم في صندوق المؤشرات، قبيل إعادة التوازن في مؤشر المؤشرات. يتم بدء هذه الصفقات عن طريق أنظمة التداول الحسابية للتنفيذ في الوقت المناسب وأفضل الأسعار.
وهناك الكثير من النماذج الرياضية المثبتة، مثل استراتيجية التداول دلتا المحايدة، والتي تسمح التداول على مجموعة من الخيارات والأمن الكامنة فيها، حيث يتم وضع الصفقات لتعويض الدلتا الإيجابية والسلبية بحيث يتم الحفاظ على دلتا محفظة في الصفر.
وتستند استراتيجية معدل العائد على فكرة أن الأسعار المرتفعة والمنخفضة للأصل هي ظاهرة مؤقتة تعود إلى قيمتها المتوسطة بشكل دوري. تحديد وتحديد النطاق السعري وتطبيق الخوارزمية بناء على ما يسمح بتداول الصفقات تلقائيا عندما يكسر سعر الأصول من نطاقه المحدد والخروج منه.
استراتيجية السعر المتوسط ​​المرجح لحجم الأسهم تفصل أمر كبير وتنشر قطع أصغر حجما من الترتيب إلى السوق باستخدام ملفات تعريف حجم المخزون التاريخية المحددة. والهدف من ذلك هو تنفيذ الأمر بالقرب من متوسط ​​السعر المرجح (فواب)، وبالتالي الاستفادة من متوسط ​​السعر.
وتؤدي استراتيجية متوسط ​​السعر المرجح للوقت إلى تفكيك أمر كبير وتنشر قطع أصغر حجما من النظام إلى السوق باستخدام فترات زمنية مقسمة بالتساوي بين بداية ونهاية الوقت. والهدف من ذلك هو تنفيذ أمر قريب من متوسط ​​السعر بين بداية ونهاية الوقت، وبالتالي تقليل تأثير السوق.
حتى يتم ملء النظام التجاري بالكامل، تستمر هذه الخوارزمية في إرسال أوامر جزئية، وفقا لنسبة المشاركة المحددة وحسب حجم التداول في الأسواق. وترسل "ستيبس ستراتيغي" ذات الصلة الطلبات بناء على النسبة المئوية المحددة من قبل المستخدم من أحجام السوق وتزيد أو تنقص من معدل المشاركة هذا عندما يصل سعر السهم إلى مستويات معرفة من قبل المستخدم.
وتهدف استراتيجية العجز في التنفيذ إلى التقليل من تكلفة تنفيذ أمر الشراء عن طريق التداول في السوق في الوقت الحقيقي، وبالتالي توفير تكلفة الطلب والاستفادة من تكلفة الفرصة البديلة للتأخير في التنفيذ. وستؤدي الاستراتيجية إلى زيادة معدل المشاركة المستهدف عندما يتحرك سعر السهم إيجابيا ويقلله عندما يتحرك سعر السهم سلبا.
هناك عدد قليل من فئات خاصة من الخوارزميات التي تحاول التعرف على "الأحداث" على الجانب الآخر. هذه "خوارزميات الاستنشاق"، المستخدمة، على سبيل المثال، من قبل صانع السوق الجانب بيع لديها المخابرات في الداخل لتحديد وجود أي خوارزميات على الجانب شراء من أجل كبير. هذا الكشف من خلال خوارزميات سوف يساعد صانع السوق تحديد فرص النظام كبيرة وتمكنه من الاستفادة من خلال ملء أوامر بسعر أعلى. This is sometimes identified as high-tech front-running. (لمزيد من المعلومات حول التداول عالي التردد والممارسات الاحتيالية، راجع: إذا اشتريت الأسهم عبر الإنترنت، فأنت تشارك في هفت.)
المتطلبات الفنية للتجارة الخوارزمية.
تنفيذ الخوارزمية باستخدام برنامج الكمبيوتر هو الجزء الأخير، نادب مع باكتستينغ. ويتمثل التحدي في تحويل الاستراتيجية التي تم تحديدها إلى عملية محوسبة متكاملة لها إمكانية الوصول إلى حساب تداول لوضع الأوامر. ويلزم ما يلي:
المعرفة البرمجة الحاسوبية لبرمجة استراتيجية التداول المطلوبة والمبرمجين استأجرت أو برامج التداول مسبقة الصنع شبكة الاتصال والوصول إلى منصات التداول لوضع أوامر الوصول إلى تغذية البيانات السوق التي سيتم رصدها من قبل خوارزمية للحصول على فرص لوضع أوامر القدرة والبنية التحتية من أجل إعادة النظر في النظام الذي تم بناؤه قبل بدء تشغيله في الأسواق الحقيقية. توفر البيانات التاريخية للاختبار المسبق، تبعا لتعقيد القواعد المطبقة في الخوارزمية.
وفيما يلي مثال شامل: رويال داتش شل (رديز) مدرج في بورصة أمستردام (إكس) وبورصة لندن (لس). دعونا نبني خوارزمية لتحديد فرص المراجحة. وفيما يلي بعض الملاحظات المثيرة للاهتمام:
تداول الفوركس باليورو، في حين يتداول سوق لندن للأوراق المالية بالجنيه الإسترليني بسبب فارق التوقيت لمدة ساعة واحدة، يفتح مؤشر إكس قبل ساعة من سوق لندن للأوراق المالية، يليه كلا من التبادل التجاري في وقت واحد للساعات القليلة القادمة ثم يتداول فقط في بورصة لندن خلال الساعة الأخيرة مع إغلاق إكس .
هل يمكننا أن نستكشف إمكانية التداول بالمراجحة على أسهم شركة رويال داتش شل المدرجة في هذين السوقين بعملتين مختلفتين؟
برنامج حاسوبي يمكنه قراءة أسعار السوق الحالية السعر يغذي من كل من لس و إكس إكس تغذية سعر صرف الفوركس مقابل سعر صرف غبب-ور القدرة على وضع الأمر الذي يمكن أن توجه النظام إلى الصرف الصحيح القدرة على الاختبار السابق على الأعلاف السعر التاريخية.
يجب أن يقوم برنامج الكمبيوتر بما يلي:
قراءة تغذية الأسعار الواردة من أسهم رديز من كلا التبادل باستخدام أسعار الصرف الأجنبي المتاحة، وتحويل سعر عملة واحدة إلى أخرى إذا كان هناك اختلاف كبير بما فيه الكفاية السعر (خصم تكاليف الوساطة) مما يؤدي إلى فرصة مربحة، ثم وضع شراء ترتيب على سعر صرف أقل وبيع النظام على ارتفاع سعر الصرف إذا تم تنفيذ أوامر كما هو مطلوب، فإن الأرباح التحكيم تتبع.
بسيطة وسهلة! ومع ذلك، فإن ممارسة التداول الخوارزمية ليست بهذه البساطة للحفاظ على وتنفيذ. تذكر، إذا كنت يمكن أن تضع التجارة ألغو ولدت، لذلك يمكن للمشاركين في السوق الأخرى. وبالتالي، تتقلب الأسعار في الملي ثانية وحتى الميكروثانية. في المثال أعلاه، ماذا يحدث إذا تم تنفيذ صفقة الشراء، ولكن تجارة البيع لا تتغير مع تغير أسعار البيع في الوقت الذي يصل فيه طلبك إلى السوق؟ سوف ينتهي بك الأمر يجلس مع موقف مفتوح، مما يجعل استراتيجية المراجحة الخاص بك لا قيمة له.
هناك مخاطر وتحديات إضافية: على سبيل المثال، مخاطر فشل النظام، وأخطاء الاتصال بالشبكة، والفترات الزمنية بين أوامر التجارة والتنفيذ، والأهم من ذلك كله، الخوارزميات الناقصة. وكلما كانت الخوارزمية الأكثر تعقيدا، فإن الأمر يحتاج إلى مزيد من الاختبار المسبق الأكثر صرامة قبل وضعها موضع التنفيذ.
الخط السفلي.
Quantitative analysis of an algorithm’s performance plays an important role and should be examined critically. انها مثيرة للذهاب لأتمتة بمساعدة أجهزة الكمبيوتر مع فكرة لكسب المال دون عناء. But one must make sure the system is thoroughly tested and required limits are set. يجب على التجار التحليليين النظر في تعلم البرمجة ونظم البناء من تلقاء نفسها، ليكونوا واثقين من تنفيذ الاستراتيجيات الصحيحة بطريقة مضمونة. Cautious use and thorough testing of algo-trading can create profitable opportunities. (لمزيد من المعلومات، راجع كيفية كتابة روبوت ألغو التجاري الخاص بك.)

Quant trading: How mathematicians rule the markets.
مشاركة هذا مع الفيسبوك.
مشاركة هذا مع التغريد.
مشاركة هذا مع مسنغر.
مشاركة هذا مع مسنغر.
مشاركة هذا مع البريد الإلكتروني.
شارك هذا مع.
هذه روابط خارجية وسيتم فتحها في نافذة جديدة.
مشاركة هذا مع البريد الإلكتروني.
مشاركة هذا مع الفيسبوك.
مشاركة هذا مع مسنغر.
مشاركة هذا مع مسنغر.
مشاركة هذا مع التغريد.
مشاركة هذا مع بينتيريست.
مشاركة هذا مع ال واتساب.
مشاركة هذا مع لينكيدين.
هذه روابط خارجية وسيتم فتحها في نافذة جديدة.
إغلاق لوحة المشاركة.
Trading floors were once the preserve of adrenalin-fuelled dealers aggressively executing the orders of brokers who relied on research, experience and gut instinct to decide where best to invest.
Long ago computers made dealers redundant, yet brokers and their ilk have remained the masters of the investment universe, free to buy and sell wherever they see fit .
But the last bastion of the old order is now under threat.
Investment decisions are no longer being made by financiers, but increasingly by PhD mathematicians and the immensely complex computer programs they devise.
Fundamental research and intuition are being usurped by algorithmic formulae. Quant trading is taking over the world's financial capitals.
New paradigm.
Mathematicians have long played a vital role in risk management at financial institutions, but their skill set is increasingly being used to make money, not just to stop losing it.
Firms are now employing gifted academic statisticians to track patterns or trends in trading behaviour and create formulae to predict future market movements. These formulae are then fed into powerful computers that buy and sell automatically according to triggers generated by the algorithms.
These so-called quantitative trading programs underpin all quickfire trades - known as high-frequency trading (HFT) - in which stocks can be held for just a matter of seconds.
They are also used in more traditional trading, where the holding period can be days, weeks or months.
Some are fully automated, but most require human oversight to ensure nothing goes too drastically wrong.
Scott Patterson, a Wall Street Journal reporter and author of The Quants, uses the analogy of a plane on autopilot, which can fly itself but where a specially-trained pilot can step in at any moment.
تحطم فلاش.
On 6 May 2018, the Dow Jones tanked 700 points then recovered within minutes. The culprit? A cascade of sales by quant trading programs.
Had the losses not been recovered when the programs were overridden, the Dow would have suffered one of its biggest one-day falls in history.
These programs are immensely powerful, constantly monitoring market movements, trading patterns and news flows and are capable of changing strategies within fractions of a second.
The most powerful even have artificial intelligence that can adapt strategies of their own accord.
No-one can be sure quite how successful these quant programs are, but as Mr Patterson says: "They have been around long enough now to assume they are extremely profitable".
Their proliferation would certainly suggest so. One commentator says two of the biggest HFT firms, Tradebot and Getco, alone account for about 15%-20% of all equity trading in the US.
As they are private companies, it is hard to know precisely how far their influence extends.
Indeed, a recent government-backed study in the UK estimated that between a third and a half of all share trading in Europe, and more than two-thirds in the US, was HFT.
"The vast majority of firms use quantitative trading," says Mr Patterson.
"It drives almost everything that goes on on Wall Street."
Chain reaction.
The impact and ramifications of quant trading are widespread, but ultimately unclear.
The UK study, commissioned by the Foresight programme, found that quant trading helped to reduce dealing costs and improve liquidity, and did not harm overall market efficiency.
In fact, it found that HFT and quant trading have "generally improved market quality".
However, it did highlight one important concern, known in the trade as self-reinforcing feedback loops.
This essentially means a small trigger leading to a series of similar events, each amplifying the last, until the overall impact is significant.
Imagine a share falls in value, triggering a sale on one quant program, pushing the share price even lower. This in turn triggers a sale on another program, pushing the price lower still, and so on and so on.
The problem is exacerbated by the fact that many programs run on the same formulae, and so are piling in and out of the same stocks.
Nowhere is this better demonstrated than by the so-called Flash Crash of May last year, when the US stock market plummeted 700 points in less than five minutes, wiping out about $800bn (£517bn).
When the auto-pilot switches were turned off and the systems overridden, order was restored and the market bounced back within half an hour.
An unfortunate one-off, some say. Others point to far more damaging consequences, citing quant trading as a key contributor to the massive sell-off in stocks in 2008 that saw the US market almost halve in value.
Hedge funds, they say, sold equities fast in order to balance heavy losses on their mortgage investments following the collapse of the US property market, triggering a domino effect across quant trading systems with devastating consequences.
The Foresight study found no direct evidence that automated trading has increased volatility in equity markets, but many disagree, Mr Patterson among them.
Stock market historian David Schwartz is another who is in no doubt that HFT has unsettled markets.
"I believe [certain types of HFT] cause a great deal of damage," he says.
"I've seen too many instances during the recent sell-off where a sudden spurt of frequent trades has sent share prices bouncing down."
The problem is proving it. No-one knows exactly who is making the trades, while the exchanges have no incentive to find out as they are making a great deal of money from them, Mr Schwartz says.
'Unintended consequences'
Others argue the problem is more fundamental. Mathematicians, they say, do not understand markets. They deal in absolutes, not the irrational human behaviour that drives so many investment decisions.
As one leading actuary says: "Prices are determined by supply and demand, not by mathematics."
Could it be, then, that academic statisticians are congenitally unsuited to the job they are being paid to do?
Paul Wilmott, a prominent lecturer in quantitative finance, has questioned whether they are "capable of thinking beyond maths and formulas".
"Do they appreciate the human side of finance, the herding behaviour of people, the unintended consequences?"
And if mathematicians do not, there is little chance the computer programmes they create will.
As the Foresight report concludes: "Future trading robots will be able to adapt and learn with little human input. Far fewer human traders will be needed in the major financial markets of the future".
No bad thing, some may say, particularly given recent cases of insider trading and fraud, but Mr Patterson is in no doubt that the proliferation of quant trading is both "inevitable and dangerous".
Far-fetched it may seem, given the widespread disdain in which traders are currently held, but if mathematicians and their algorithm programs prove a poor substitute, we could find ourselves clamouring for their return.
مشاركة هذه القصة عن المشاركة.
المزيد عن هذه القصة.
روابط الإنترنت ذات الصلة.
و بي بي سي ليست مسؤولة عن محتوى مواقع الإنترنت الخارجية.
أهم الأخبار.
The ex-Trump aide is summoned to testify before a grand jury in the US Russia inquiry, reports say.