این اولین پست در سری 3 قسمتی ما به اصول اولیه است که به عنوان مقدمه ای برای تجارت الگوریتمی خدمت می کند. شما ممکن است علاقه مند به بررسی سایر پست های این سری باشید:

این اولین بار در یک سری از پست ها است که در آن ما چرخ دنده ها را کمی تغییر خواهیم داد و به برخی از اصول تجارت الگوریتمی نگاهی می اندازیم. تا کنون ، Robot Wealth بر یادگیری ماشین و تحقیقات کمی تجارت متمرکز شده است ، اما من اخیراً چندین مکالمه داشتم که به من انگیزه داد تا برخی از سؤالات اساسی پیرامون تجارت الگوریتمی را کشف کنم. در چند پست بعدی ، ما سؤالاتی مانند:

• تجارت الگوریتمی چیست؟
• تجارت الگوریتمی برای من چه کاری می تواند انجام دهد؟
• پیش نیازها چیست؟قبل از شروع کار باید درباره چه فکر کنم؟
• این همه هیاهو در مورد متناسب بودن منحنی و بهینه سازی قوی چیست؟چرا باید اهمیت بدهم؟

بنابراین بدون آزار و اذیت بیشتر ، اجازه دهید شیرجه بزنیم!

تجارت الگوریتمی چیست؟

در ابتدایی ترین سطح خود ، تجارت الگوریتمی به سادگی خرید خودکار و فروش ابزارهای مالی مانند سهام ، اوراق قرضه و معاملات آینده است. این امر نیاز به اتصال شبکه ای به یک مبادله الکترونیکی ، کارگزار یا همتای و وسیله ای برای خرید برنامه ای ، فروش و انجام سایر کارهای مرتبط با تجارت ، مانند نظارت بر عملکرد قیمت و قرار گرفتن در معرض بازار دارد.

تجارت الگوریتمی به لطف ظهور مبادلات الکترونیکی - یک پدیده نسبتاً اخیر - فعال می شود. روزگاری ، محصولات مالی با استفاده از روش "بازپرداخت باز" به اصطلاح "گودال" در داخل ساختمان مبادله معامله می شدند. این شامل کارگزاران و بازرگانان بود که از نظر جسمی در گودال حضور داشتند و قیمت هایی را که در آن مایل به خرید و فروش بودند ، فریاد می زدند. شرکت کنندگان حتی از سیگنال های دستی برای انتقال اهداف خود استفاده کردند. این به تدریج شروع به ایجاد جای تجارت تلفنی و در نهایت به تجارت الکترونیکی کرد. این تغییر در اواخر دهه 1980 آغاز شد و تا به امروز ادامه دارد ، اما اکثریت قریب به اتفاق در سراسر جهان اکنون الکترونیکی هستند.

به طور طبیعی ، این تکامل پویایی روند تجارت را تغییر داد. به طور غیرقانونی ، معامله گران گودال بعضی اوقات می توانند اهداف یکدیگر را از طریق تماس فیزیکی که در گودال وجود دارد ، بخوانند - بدیهی است که وقتی شرکت کنندگان در بازار به صورت الکترونیکی تجارت می کنند و می توانند با فضاهای بالقوه گسترده از هم جدا شوند ، این امر بسیار غیرممکن است. داستانهای زندگی در گودال باعث می شود خواندن جالب و غالباً سرگرم کننده باشد. برخی از پیوندهای سرپرستی:

• دانشکده بازرگانی شیکاگو بازتاب تعدادی از بازرگانان گودال را گردآوری کرد
• مانند این "داستان های گودال".
• حتی یک وبلاگ در مورد تجارت گودال وجود دارد!

همچنین شایان ذکر است که تجارت الگوریتمی فقط برای بازارهای مبادله ای نیست: بازارهای بدون نسخه (OTC) نیز به صورت الگوریتمی معامله می شوند. بازار OTC یکی از مواردی است که سفارشات از طریق مبادله مرکزی اجرا نمی شوند بلکه بین دو طرف هستند. تجارت الگوریتمی OTC به طور معمول از طریق یک شبکه ارتباطی الکترونیکی (ECN) یا استخر تاریک صورت می گیرد. اولی به طور معمول توسط سازندگان بازار برای پخش و مطابقت با سفارشات با شبکه همتایان خود استفاده می شود. مورد دوم بیشتر شبیه یک مکان اعدام خصوصی است که در آن نقدینگی توسط شرکت کنندگان در استخر تاریک ، به دور از مبادله فراهم می شود.

طرفداران تجارت الکترونیکی خاطرنشان می کنند که شرکت کننده باعث افزایش کارایی بازار و کاهش فرصت دستکاری می شود. تجارت الکترونیکی نیز به طور معمول ارزان تر است و با ظهور اینترنت ارزان قیمت ، برای هر کسی که دارای اتصال مناسب باشد ، در دسترس است. این بدان معنی است که یک فرد می تواند یک محصول مالی را از اتاق نشیمن خود خریداری یا بفروشد.

همچنین لازم به ذکر است که با از بین رفتن معاملات الکترونیکی ، نمونه "تصادفات فلش" - سنبله های عظیم در نوسانات در دوره های کوتاه مدت - نیز افزایش یافته است. یک مورد می تواند ایجاد شود که نشان می دهد الگوریتم ها چنین تصادف را تشدید می کنند زیرا آنها بسیار سریعتر از آن عمل می کنند که یک انسان مداخله کند. اما از طرف دیگر ، اپراتورهای تبادل در حال یافتن راه هایی برای رسیدگی به این محیط جدید به روش های ایمن تر ، به عنوان مثال مکانیسم های الکترونیکی برای مهار نوسانات شدید ، سفارش هماهنگی مسیریابی بین مبادلات و فکر مجدد نقش سازندگان بازار هستند. این که آیا مقصر بودن سقوط فلش در تجارت الکترونیکی عادلانه است ، موضوعی عظیم و گاه بحث برانگیز است.

به منظور اجرای الگوریتمی معاملات ، ما از یک برنامه رایانه ای متصل به مبادله (مستقیم یا از طریق یک کارگزار) استفاده می کنیم که رفتار تجاری مورد نظر ما را از طرف ما انجام می دهد. چنین برنامه یا الگوریتم به سادگی مجموعه ای از دستورالعمل های مفصل است که یک کامپیوتر آن را درک می کند. یک مثال بی اهمیت ممکن است چیزی مانند "برخی از داده های قیمت را بخوانید ، میانگین و انحراف استاندارد آن را محاسبه کنید ، پس اگر جدیدترین ارزش داده های قیمت بالاتر از حد متوسط آن است و انحراف استاندارد کمتر از برخی آستانه است ، ارسال سفارش خرید به بازار. "این یک نمونه بی اهمیت است و البته بیشتر الگوریتم های معاملاتی بسیار پیچیده تر هستند ، اما شما این ایده را می گیرید.

الگوریتم ساده که در بالا توضیح داده شد ، برخی از جنبه های مشترک یک سیستم تجارت الگوریتمی را داشت:

• روشی برای به دست آوردن داده ها ("خواندن برخی از داده های قیمت") ، با توجه به اینکه این به خودی خود می تواند یک الگوریتم مستقل کاملاً پیچیده باشد و نیاز به اتصال به منبع داده های بازار دارد ، معمولاً در زمان واقعی.
• برخی از تجزیه و تحلیل این داده ها ("میانگین و انحراف استاندارد آن را محاسبه کنید").
• وسیله ای برای بررسی اینکه آیا برخی از شرایط بر اساس تجزیه و تحلیل قبلی برآورده شده است ("اگر جدیدترین قیمت بالاتر از میانگین آن باشد و انحراف استاندارد کمتر از برخی آستانه باشد").
• اجرای منطق تجارت ، که دوباره می تواند یک الگوریتم مستقل پیچیده باشد که نیاز به وسیله ای برای برقراری ارتباط با یک کارگزار یا مبادله ، مدیریت آن پیوند ارتباطی و پیگیری سفارشات و پر کردن دارد.

سایر مؤلفه های متداول چنین سیستمهایی عبارتند از:

• ماژول های مدیریت ریسک ، به عنوان مثال محاسبات اندازه گیری موقعیت ، ردیابی و تنظیم قرار گرفتن در معرض و ابزاری برای ردیابی عملکرد و رفتار سیستم.
• ابزارهای مدیریت نمونه کارها ، که تا حدودی مربوط به موارد فوق هستند.
• انتقال و ذخیره سازی داده ها.
• آشتی و تجزیه و تحلیل پس از تجارت.

اصطلاحات گیج کننده در سیستم های تجارت الگوریتمی

فرض توضیحات الگوریتم فوق این است که هدف آن اجرای یک سیستم معاملاتی مبتنی بر سیگنال است که اساساً از منطق اساسی "اگر این اتفاق بیفتد ، خرید و اگر این اتفاق بیفتد ، بفروشید."اصطلاح تجارت الگوریتمی در واقع می تواند ظرافت کمی متفاوت ، به ویژه در یک محیط نهادی ، داشته باشد که از آن آگاه باشد. در این تنظیم ، تجارت الگوریتمی می تواند به تقسیم خودکار یک سفارش بزرگ مراجعه کند تا بهترین اجرای ممکن را بدست آورد. چنین الگوریتم ها به طور معمول یک سفارش بزرگ را به قطعات کوچکتر تقسیم کرده و قطعات را به گونه ای به بازار عرضه می کنند که هزینه کلی معامله را بهینه می کند.

یک صندوق پرچین بزرگ را در نظر بگیرید که می خواهد موقعیت قابل توجهی را در سهام داشته باشد ، می گویند چند درصد از سرمایه گذاری در بازار خود. خرید چنین سفارش در یک معامله تأثیر می گذارد بر قیمت آن سهام (بسته به نقدینگی آن) که برای صندوق مضر خواهد بود. ورود به تدریج مطابق با ظرفیت سهام برای جذب سفارش ، اغلب هزینه کلی معامله را کاهش می دهد ، گاهی اوقات به طور قابل توجهی.

بسیاری از افراد در فضای نهادی به تجارت الگوریتمی به عنوان نوعی که نظم بزرگی را تقسیم می کند ، اشاره می کنند. همین افراد به طور معمول به سیستم مبتنی بر سیگنال به عنوان یک سیستم معاملاتی خودکار مراجعه می کنند. در تجربه من ، این اصطلاحات تا حد زیادی به صورت متناوب مورد استفاده قرار می گیرد ، و بنابراین می پردازد تا هنگام صحبت در مورد تجارت الگوریتمی ، زمینه را درک کنید.

سکته های مختلف برای افراد مختلف

نوع تجارت الگوریتمی که بیشتر خوانندگان ثروت ربات به آن علاقه مند هستند ، نوعی است که به دنبال شناسایی فرصت های سود با خرید کم و فروش بالاتر است. این نوع سیستم مبتنی بر سیگنال است که در بالا ذکر شد. در این گروه گسترده ، زیر مجموعه های مختلف الگوریتم تجارت وجود دارد. در حالی که هیچ کس نامگذاری شده برای طبقه بندی سیستم های تجارت الگوریتمی پذیرفته نشده است ، اما به طور کلی می توان آنها را به شرح زیر توصیف کرد.

تجزیه و تحلیل فنی

تجزیه و تحلیل فنی (TA) به طور گسترده به تجزیه و تحلیل الگوهای قیمت و حجم برای پیش بینی حرکت آینده بازار اشاره دارد. بنابراین مبتنی بر این فرض است که الگوهای تکراری در عملکرد قیمت یک بازار وجود دارد. مجموعه ابزار TA شامل مجموعه ای از شاخص ها (تحولات قیمت/حجم) مانند شاخص قدرت نسبی (RSI) و واگرایی متوسط همگرایی در حال حرکت (MACD) است. این مجموعه همچنین شامل مجموعه ای از خطوط روند ، خطوط پشتیبانی و مقاومت ، سازندهایی مانند "پرچم" و "peant" و الگوهای "سر و شانه ها" است. جهت بازار. در انتهای باطنی تر طیف ، ما مواردی مانند نظریه موج الیوت را داریم که ادعا می کند بازارها در "امواج" قابل پیش بینی حرکت می کنند.

در حالی که برخی از ابزارهای TA گاهی اوقات در تجارت کمی علمی دقیق تر مورد استفاده قرار می گیرند (به تصویر زیر مراجعه کنید) ، نظر در مورد اینکه آیا TA به عنوان رویکردی برای پیش بینی بازار دارای هرگونه ابزار است ، تقسیم می شود. در واقع ، مقالات دانشگاهی منتشر شده است که از هر دو طرف این استدلال پشتیبانی می کند (به عنوان مثال LO ، Mamaysky و Wang ، 2000 و Chan ، Jagadeesh and Lakonishok ، 1996). ما در قسمت دوم این سری به این سؤال باز خواهیم گشت.

تجارت کمی

تجارت کمی به معنای چیزهای مختلف برای افراد مختلف است. برای برخی ، ممکن است این یک نام دیگر برای تجارت مبتنی بر TA باشد. برای من ، ویژگی متمایز تجارت کمی حذف ذهنیت است (تصمیمات بر اساس اطلاعات قابل اندازه گیری است). این بدان معنی است که تجارت کمی بر اساس نوعی مدل ریاضی یا آماری رفتار بازار است.

تعداد نامحدودی از مدل ها برای رفتار بازار وجود دارد ، اما پیدا کردن یک مورد که به اندازه کافی دقیق برای تولید سود است ، هیچ تلاشی بی اهمیت نیست. بعضی اوقات ، ابزاری از جهان TA ممکن است در یک مدل کمی مورد استفاده قرار گیرد ، از این رو ، متقاطع که در بالا به آن اشاره کردم. نمونه ای از یک مدل محبوب ، استراتژی حرکت مقطعی است که اساساً برای خرید برندگان و فروش بازندگان کاهش می یابد. یکی دیگر از محبوب ترین استراتژی های معنادار است که اساساً با فروش برندگان و خرید بازنده برابر است.

همانطور که در مقیاس پیچیدگی حرکت می کنیم ، ممکن است با یک مدل جفت همبستگی روبرو شویم. در این مدل ، ما یک جفت اوراق بهادار پیدا می کنیم که می توانند به گونه ای ترکیب شوند که در کنار هم یک سری معنادار را تشکیل دهند. چنین استراتژی هایی جذاب است زیرا می توان آنها را برای حفظ خنثی بودن بازار معامله گر یا نزدیک به آن ، با هدف به حداقل رساندن ریسک بازار ، مهندسی کرد. فقط با فرضیات اساسی چنین استراتژی مراقب باشید - یعنی اینکه یک رابطه یکپارچه گذشته به آینده ادامه خواهد یافت. ما همچنین می توانیم بر اساس داده های اساسی مدل های کمی بسازیم. داده های اساسی مانند اعلامیه های درآمد فقط تعداد هستند و اکنون ما ابزاری برای پردازش کارآمد و خودکار نسخه های خبری و پرونده های شرکت را که از آن این شماره ها گرفته می شود ، داریم.

زیر مجموعه ای از معاملات کمی وجود دارد که در حال حاضر در حال افزایش روند صعودی بسیار زیاد است. من مطمئناً به یادگیری ماشین و هوش مصنوعی اشاره می کنم ، که به نظر می رسد تصور هر دو تکنسین را به خود جلب کرده و مردم را در سراسر جهان قرار داده است. با دلیل خوب ممکن است اضافه کنم. در ابتدایی ترین سطح خود ، یادگیری ماشین به سادگی مشتق بینش از داده ها با استفاده از مدلهای آماری است. به این ترتیب ، رگرسیون خطی می تواند یک الگوریتم یادگیری ماشین سطح پایین در نظر گرفته شود. امروز ما ابزارهای بسیار پیچیده تری داریم ، مانند شبکه های عصبی مصنوعی و یادگیری عمیق ، دستگاه های بردار پشتیبانی و افزایش الگوریتم ها. چنین ابزارهایی در حال حاضر به طور گسترده ای برای حمایت از تصمیم گیری در مورد تجارت و بهبود عملکرد سیستم های پیچیده مورد استفاده قرار می گیرند. به نظر می رسد یک قدم بسیار طبیعی و واضح برای استفاده از این ابزارها در بازارها است.

واقعیت این است که اگرچه چنین ابزارهایی فوق العاده قدرتمند هستند ، استفاده از آنها برای مدل سازی مستقیم بازارها دشوار است (اما غیرممکن نیست). استفاده از رویکرد علوم داده "کلاسیک" به طور کلی در مورد داده های مالی ، حداقل در تجربه من کار نمی کند. به نظر می رسد که برنامه های مشهور یادگیری ماشین در امور مالی ، به طور مؤثر بینش هایی از مجموعه داده های غیر بازار بزرگ و پیچیده مانند کتابخانه های تصاویر ماهواره ای ، فیدهای رسانه های اجتماعی و سایر مجموعه داده های اختصاصی و باز استخراج می شود. کتابهای کل را می توان در مورد این موضوع نوشت ، اما اگر واقعاً به یادگیری ماشین علاقه دارید ، زمینه عظیمی برای استفاده از آن در تصمیم گیری مالی وجود دارد - فقط انتظار یک سواری آسان را ندارید.

تجارت فرکانس بالا

تجارت فرکانس بالا (HFT) به طور قطع چیزی نیست که من تجربه مستقیم زیادی با آن داشته باشم ، اما من با مردمی کار کرده ام که مستقیماً درگیر فعالیت هستند. HFT با تعریف باید الگوریتمی باشد زیرا در مقیاس میکرو ثانیه - یا کمتر - رخ می دهد. هیچ انسانی نمی تواند بدون پشتیبانی رایانه در HFT شرکت کند. در حالی که HFT به طور کلی مبتنی بر سیگنال است - یعنی چیزی برای ایجاد یک سیگنال خرید یا فروش رخ می دهد - سرعت و تأخیر به طور کلی از خود سیگنال واقعی مهمتر است. پیامدهای این امر این است که مکان مشترک الگوریتم یا در مبادله یا تا حد امکان نزدیک است ، پیش نیاز است و کد باید برای سرعت بهینه شود و معمولاً در یک زبان سطح پایین مانند C ++ نوشته می شود. این منجر به موانعی می شود که برای معامله گران DIY بسیار زیاد است و در واقع برای بسیاری از شرکت های تجاری. از مکالمات من با معامله گران HFT ، این یک مسابقه تسلیحاتی است و یک مورد گران قیمت در آن است.

چرا باید به تجارت الگوریتمی اهمیت دهید؟

گرایش به سمت تجارت الگوریتمی و اتوماسیون به طور کلی ، مدتی در فضای تجارت نهادی در حال انجام است. به عنوان مثال ، بلومبرگ (2016) اخیراً گزارش داد:

"صندوق های تامینی تقریباً دو برابر شده است که آنها از تجارت الگوریتمی در بازار فارکس سال گذشته ... اجرای 61 ٪ از معاملات خود را از طریق سیستم های رایانه ای خودکار انجام داد."

این روند را می توان در بازارهای دیگر نیز مشاهده کرد. در سال 2006 ، 40 ٪ از کل سفارشات توسط معامله گران ALGO در بورس اوراق بهادار لندن وارد شد و در سال 2007 به 60 ٪ افزایش یافت. در سال 2010 ، این تخمین بیش از 80 ٪ بود (Thefinancer.com ، 2010). بنابراین چرا این تغییر به سمت تجارت الگوریتمی؟بیشتر معامله گران آلگو که من با آنها صحبت می کنم می گویند که آنها هرگز به هیچ وجه تجارت نمی کنند ، به طور معمول دلایل مشابهی را که مربوط به غلبه بر محدودیت های انسانی است ، نقل می کنند:

• رایانه ها مقادیر زیادی از داده ها را در چشمان چشم پردازش می کنند و این امکان را به آنها می دهد تا به طور مداوم ده ها یا صدها بازار را به طور همزمان برای فرصت های معاملاتی اسکن کنند. یک معامله گر انسانی نمی تواند از این نوع بار کار خودداری کند.
• رایانه ها مستعد همان مشکلات اعدام نیستند که انسان با آن روبرو است: خطاهای محاسبه ، زمان لازم برای ورود دستی جزئیات به یک سکوی کارگزار ، خطاهای "انگشتان چربی".
• رایانه ها هیچ دلبستگی عاطفی به تجارت یا بازار ندارند. یا یک فرصت تجاری وجود دارد یا وجود ندارد.
• کامپیوترها می توانند یک سیستم را به طور پیوسته و پیوسته اجرا کنند. این را با انسانی که به چند ساعت زمان در نمودار در روز محدود می شود، از خستگی رنج می برد و نیاز به دنبال کردن یک زندگی اجتماعی دارد، مقایسه کنید (نه اینکه من هرگز از رها کردن یک الگوریتم بدون نظارت انسانی دفاع کنم).

چیزی که برای من جالب است این است که اکثر معامله گران الگوریتمی که می شناسم احترام زیادی برای معامله گران دستی یا اختیاری موفق قائل هستند. این به این دلیل است که هر کسی که از طریق معاملات الگوریتم درآمد کسب کرده باشد، دقیقاً می داند که واقعاً چقدر دشوار است، حتی با وجود تمام مزایای الگوریتم ها و محاسبات خودکار که در بالا توضیح داده شد. این چیزها ابزار قدرتمندی برای پیمایش در بازارها هستند و افرادی که می توانند بدون آنها بازار را شکست دهند، شایسته احترام فوق العاده هستند.

شخصاً، علاوه بر مزایای ذکر شده در بالا، تجارت الگوریتمی را وسیله ای برای تخصیص وظایف به منبعی می دانم که بیشترین توانایی را برای انجام آنها دارد. این نیاز به توضیح بیشتر دارد:

با خواندن نکات بالا، این تصور را خواهید داشت که انسان ها در دنیای تجارت در حال منسوخ شدن هستند. درست نیست! همانطور که بسیاری از کارها وجود دارد که الگوها برای آنها مناسب تر هستند، به همین ترتیب چیزهای خاصی وجود دارد که انسان ها به سادگی در آنها مهارت دارند. ما این خلاقیت را داریم که بازارها را به روش های جدید ببینیم و ایده های جدیدی برای سیستم های معاملاتی ارائه دهیم. ما می توانیم تحقیقات انجام دهیم و با محیط اقتصاد کلان به روش هایی آشنا شویم که یک ماشین به سادگی نمی تواند (حداقل در حال حاضر).

استفاده از الگوها برای معامله در بازارها، معامله گر را آزاد می کند تا کارهای معناداری را دنبال کند که از مجموعه مهارت های او استفاده می کند. من شما را نمی دانم، اما از خیره شدن به نمودارها در تمام روز لذت زیادی نمی برم. من به ویژه در تقطیر معنی از آنها خوب نیستم. زمان من برای تحقیق و نظارت بهتر از جستجو و اجرای فرصت های معاملاتی است.

یکی دیگر از محصولات جانبی خوب که از طریق تجارت الگوریتمی به وجود می آید، یک محیط تحقیق و توسعه خودکار است. اگر معامله گر الگوریتمی برای اجرای معاملات در بازار زنده بنویسد، می توان الگوریتم را بر روی داده های تاریخی یا مصنوعی قبل از اجرای زنده آزمایش کرد. این بازخورد حیاتی در مورد عملکرد گذشته الگوریتم و همچنین بینشی در مورد زمان، مکان و چرایی ممکن است شکست ارائه می دهد. دریافت چنین بازخوردی اگر غیرممکن نباشد، با یک سیستم معامله دستی یا اختیاری دشوار است.

بدیهی است که من کاملاً در اردوگاه تجارت الگوریتمی هستم و تاکنون با استفاده از این رویکرد به بازارها ، به مزایایی که یک معامله گر دریافت می کند متمرکز شده ام. البته طرف دیگری برای هر داستان وجود دارد و این هیچ تفاوتی ندارد. برخی از اشکالات تجارت الگوریتمی شامل موارد زیر است:

• این به مهارت های خاصی نیاز دارد که شخص باید شخصاً به آن دست یابد یا به دیگران اعتماد کند. برنامه نویسی پیش نیاز آشکار است ، اما دانستن در مورد ریزساختار بازار و سخت افزار رایانه ، نرم افزار و شبکه نیز مفید است. ابزارهایی که از طریق تجارت محاسباتی مانند بهینه سازی و یادگیری ماشین در دسترس قرار می گیرند ، فوق العاده قدرتمند هستند و برای استفاده مناسب به دانش خاصی نیاز دارند. تجارت Algo در واقع بسیار دشوار است و به مهارت های مختلف نیاز دارد.
• تجارت الگوریتمی با ملاحظات زیرساختی خاصی مانند قدرت پشتیبان و اتصال شبکه همراه است. این مسئله با افزایش سرورهای خصوصی مدیریت شده مقرون به صرفه و خدمات مبتنی بر ابر کمتر مشکل دارد ، اما قطعاً باید در نظر گرفته شود.
• وابستگی سخت افزاری - اگر سرور میزبان الگوریتم پایین بیاید ، چه اتفاقی می افتد؟
• عدم کنترل (درک شده) بر رفتار الگوریتم.
• برای برخی از معامله گران ، از دست دادن اختیار یا "احساس روده" که همراه با تجارت الگوریتمی است مشکل ساز است.

من همچنین هر از گاهی تصور می کنم که سیستم های معاملاتی الگوریتمی به سادگی تنظیم شده و سپس فراموش می شوند. این قطعاً اینگونه نیست! مدیریت یک سیستم معاملات الگوریتمی در واقع نشان دهنده میزان قابل توجهی از کار است و نظارت زیادی دارد. هر سیستمی که در فرکانس داخل روز تجارت کند ، در زمان واقعی کنترل می شود.

در جایی که این امکان پذیر نیست ، ترجیح شخصی من این است که هنگام ورود یا بسته شدن معاملات یا وقتی سیستم من ارتباط خود را به حساب کارگزاری من از دست می دهد ، هشدارهایی را به تلفن من ارسال کنم. معاملات نیز نیاز به آشتی دارند ، ترجیحاً روزانه. این مهم است که اطمینان حاصل شود که سیستم همانطور که انتظار می رود رفتار می کند ، و همچنین برای نظارت بر هرگونه انحراف بین عملکرد شبیه سازی شده و واقعی. اشکالات می توانند و به هر برنامه رایانه ای بپردازند و یک الگوریتم معاملاتی نیز از این قاعده مستثنی نیست!

از کجا در اصول اولیه تجارت الگوریتمی قرار بگیرید؟

امیدوارم این مقاله برای افرادی مفید بوده باشد که در تجارت الگوریتمی تازه کار هستند یا سوالاتی در مورد اصول اولیه دارند - مطمئناً این یک تغییر از محتوای معمولی متمرکز بر تحقیق است که من در robotwealth.com پست می کنم. در هفته های آتی، دو مقاله باقی مانده در این مجموعه را پست خواهم کرد، که امیدوارم هم برای مبتدیان و هم برای پیشکسوتان جذاب باشد، قبل از اینکه به کاوش خود در استفاده از یادگیری ماشینی و عمیق در معاملات الگوریتمی بازگردم.

اگر علاقه مند به یادگیری جنبه های اساسی تجارت الگوریتمی هستید - چیزهایی که شخصاً آرزو می کنم در سال های اولیه بازی در این بازی می دانستم - لطفاً دوره ما را به نام مبانی تجارت الگوریتمی بررسی کنید.

منابع

چان، L. K. C. جگادیش، ن. Lakonishok، J. 1996، "استراتژی های حرکت". مجله مالی. مجله مالی، جلد. 51، شماره 5. 51 (5): 1681 1713. لو، ا. مامایسکی اچ. و وانگ، J. 2000، "مبانی تجزیه و تحلیل فنی: الگوریتم های محاسباتی، استنتاج آماری، و پیاده سازی تجربی"، مجله مالی 55 (2000)، 1705-1765.[/vc_column_text][/vc_column][/vc_row]