پاورپوینت معاملات الگوریتمی

صفحه 1:
معاملات الگوریتمی 

صفحه 2:
0 معاملات الگوریتمی چیست؟ معاملات الگوریتمی (که با ام‌های معاملات خودکار. معاملات جعبه سیاه با معاملات الگویی نیز شناخته می‌شود) از یک برنامه کامپیوتری استفاده می‌کند که بر اساس مجموعه‌ای از دستورات مشخص (یک الگوریتم) عمل می‌کند تا یک معامله انجام دهد. اين معاملات می‌توانند با سرعت و فرکانسی انجام شوند که برای یک معامله‌گر انسانی غبرممکن است و سودآوری ایجاد کند ‎3p yep SWeb™‏ سق ‏*مدل کاملاً خودکار که با داده‌های جدید به‌روزرسانی می‌شود ‏*سفارش‌هاتوسط پلرم الكوريتمى تصميمكيرى بر اسأس فواتين تعريف شده سيستم الكوريئين تولید می‌شوند ‏*سفارش‌ها به‌طور خودکار از ریق نرم‌فزر معاملات خودکار به بورس‌ها ارسال می‌شه:: ‎ ‎Aortic | som | atl 

صفحه 3:
مقدمه * معاملات الگوریتمی در دوران کنونی بازارهای مالی جهانی, به‌عنوان یک استراتژی سرمایه‌گذاری برای دستیابی امداق عالت ‎[busy‏ اهمیت دارد. استفاده:از الگوریتم‌جا توسط .مغامله گران: بانک‌های سرمایهگذاری" صندوق‌های سرمایه‌گذاری و سایر فعالان مالی برای بهبود و اجرای استراتژی‌های معاملاتی, چه به‌طور کامل و ‎az‏ به‌صورت جزئی, بیش از سه دهه قدمت دارد. * پیشرفت تکنولوژٍی همراه با توسعه روش‌های جدید معاملات الگوریتمی, به بازارهای مالی کمک کرده است تا به حجم معاملات بالاتر, کارایی بیشتر در اجرای معاملات از طریق کاهش ‎wales gloat‏ بهیود عملکرد پرتفوی و شفافیت بهتر دست یابند. باتک تسویه‌حساب‌های بین‌المللی (2019) در گزارش «بررسی سه‌ساله پانک مرگزی: گردش معاملات ارزی در آوریل 2018» اعلام کرد که بازارهای ارزی به‌تتهابی در آوریل 2019 به گردش مالی چشمگیر 6.6 تریلیون دلار در روز دست یافتند (در مقایسه با 5.1 تریلیون دلار در سال 2016). * یکی از مزایای اساسی استراتژی‌های مبتنی بر روند لین است که معامله‌گر با دنبال کردن روند. در جهت بازار معامله می‌کند. بنابراین, معاملات مبتتی بر روند از منطق ذاتی برخوردارند. زیرا معامله در همان ‎SU cage‏ منطقی است. بدین ترتیب, اگر به‌درستی انجام شوند. سود حاصل از معاملات موفق می‌تواند به میزان قابل توجهی از زبان‌ها بیشتر باشد. 

صفحه 4:
ساختار پایه یک سیستم معاملاتی الگوریتمی یک مدل آلفا, یک مدل ریسک, و یک مدل هزینه تراکنش, سه ماژول ‎hol‏ هستند که ساختار پایه یک معاملاتی ‎eas by Gea sell‏ می‌دهند این ماژول‌ها اطلاعانی تولید می کنند که به مدل تساخت پورجقولیو داده مي‌شود و ان مدل 2 توبه خود با مدل اجرایی در تعامل است. مدل آلفا: بخشى از الكوريتم است كه براى ييشبينى قيمت دارايى طراحى شده است تا معاملهكر يتواند بازدهى إيجاد مدل ریسک: برای محدود کردن مواجهه‌هایی طراحی شده است که مئتواند معاملهكران را دجار زيان كند. مدل هزینه تراکنش: برای شناسایی هزینه‌های باز کردن یا بستن موقعیت‌های معاملائی 1 4 

صفحه 5:
مدل‌های آلفا * چندین نام مترادف برای مدل آلفا عبارت‌اند از ‎Lacie‏ عوامل, آلفاهاء مدل‌ها, استراتژی‌هاء تخمین‌زن‌ها با پیش‌بیتی‌کننده‌ها. همه مدل‌های آلفای موفق به گونه‌ای توسعه داده می‌شوند که بتوانند آینده را به اندازه کافی خوب پیش‌بینی کنند تا پس از در نظر گرفتن زیان در برخی معاملات, همچنان در بلندمدت سوداور باشند. از بين بخش‌هاي مختلف یگ استراتژی کمی, مدل آلفا خوش‌بین است, متمرکز بر کسب سود از طزیی پیش‌نیتی أيقدة اکثر معامله‌گران کمی نظریه‌محور هستند و بیشتر کارهایی که انجام می‌دهند در یکی از پنج دسته پدبده قرار می‌گیرد: روند, بازگشت به:میانگین؛ اززش/بازده» رشد, و کیفیت: ‎yal‏ موارد رأ منتواث آز طریق بررسی داده‌های مرتبط با قیمت یا داده‌های بنیادی درک کرد. درک ورودی‌های یک استراتژی برای فهم خود استراتژی حیاتی است. استراتژی‌های مبتنی بر روند و بازگشت به میانگین بر داده‌های مربوط به قیمت تکیه دارند. (تکتیکال) ۰ استراتژی‌های مبتنی بر ۱ ‏أرق استواز‎ 4 ae we 3 | 1 7 ramen) [Trond [Reverie] 

صفحه 6:
مزایای و چالش های مدل‌های داده‌محور * مزابای مدل‌های داده‌محور 1 شناسایی رفتارهای ناشناحته: استراتزی‌هایداده‌محور می‌توانند رتاهابی را شناسابی کند.چهپیش‌تر توسط نظریه‌ای شناسایی شدء باشند يا نه. اين قابليت به اين معناست كه مدلها مىتوانتد رويدادهابى را مشاهدة كتتد يدون إينكه نیز به درك علت وفوع آن‌ها داشته باشند 2 کارابی زمانی کوتاه‌مد. se ‏مشق ] لتقمفا سم‎ : / ‏تدای عام دورو یجان رن وید ماد ی اس سر چیه دای‎ ۹ ‏أن سره بل ججم ات ای دوجي در ين از زمانن آست که پزودشگر شاسس نی ری‎ ا ی ۱ مه مناه مالف ايسور اه و و | 2 انتخاب دقیق داده‌ها عمسم | #سصسكاعة | ‎Tine novan‏ بزوهشكر بايد به دقت تصميم بگیرد که چه داده‌ای بهمدل داده شود. اكر انتخاب داددها به درستى اتجام نشود. حجم داد‌هایی که الگوریتم‌هابید بررسی کنندم‌تان آنفدر زیدباشد که یز به یک ساحتا 2 سخت‌افزاری عطیم و برهزيته باشد تا بتواند ييشبيتىها را به موقع براى معامله اتجام دهد. ‎Sat:‏ تست هو 2. سیگنال‌های کادب: ‎Ser rem‏ | ممم استفاده از داده‌کاوی بهتتهایی بای تولید آلغ می‌تواند منجر به سیگنل‌های نادرستی شود که بهاصطلاح "تلههاى دادكاوى" ناميده م شوند. انوا اه | تم ‎Long Term‏ 

صفحه 7:
بر کنترل اندازه ‎charles‏ مطلوب یا مدیریت انواع مواجهه‌های نامطلوب تمرکز دارند * مدیریت ریسک شامل آگاهی از میزان سرمایه‌ای است که معامله‌گر مایل به ریسک کردن است, همراه با مقدار سود مورد انتظار. عدم درک اين موضوع می‌تواند متجر به نگه داشتن موقعیت‌های زیان‌ده برای مدت طولانی‌تر یا بستن زودهنگام موقعیت‌های سودآور شود * سه ابزار اصلی برای مدیریت ریسک عبارتند از: 1.محدود کردن اندازه موقعیت‌ها 2.نسبت ریسک-پاداش 3.دستور توقف-ضرر 0۲06۲ 5000-1055 

صفحه 8:
* 1. محدود کیدن اندازه موقعیت‌ها * معاملهكر, در نقش مدیر ریسک, باید تصمیم بگیرد که کدام مواجههها مناسب هستند و این تصمیم را به مدل ريسك منتفل کند تا ارزش معامله را آرزیای کند * دو روش اصلی رای محدودیت انداز: ۱ محدوديت سحت: تين سقف ثابت برلى اندازه موقعيتها (مثلاً يع موفعتی نید بزرگ‌تر از 903 موجودی حساب پاش * ايع جريمه: اجازه م دهد اندازه موقعيت بيشتر أز جدتعین‌نشدهباشد. ما جريمدهابي براي اين كار اعمال مىكند كه مئتوائد بر اساس ذاددها با ‎ape un el‏ 2۰ نسبت ریسک-پاداش * ابزاری قدرنمند برای حفط نسیت مثبت سود و زیان * اين نسبت مشخص می‌کند که معامله چه مقدار سود بای دز مقابل مقداز زیسکی که برای باز کردن موقعیت متحمل می‌شود. کسب کدد. * به عنوان یک قاعده سرانگشنی, اين نسبت تباید کمتر از 2:2 باشد. ۰ 3 دستور توفف-ضرر * ابزاری ضرورى براى محدود كردن ضررها, در هماهنگی با اندازه ریسک موقعیت. * جلوگیری از بازگشت تمام سود به بازار, حتی با وجود احتمال بالای معاملات سودآور. * توصیه می‌شود که * نس مهس ‎ise‏ نوسي قا انه رم هد سات يعمد دسم ميمه صرب عفر ريه سر يطل بسو * برخ استراتزىها بحشي از موفعيت را زمانى كه سود برابر با مقدار ریسک‌شده شود. میدن 

صفحه 9:
مدلهای هزینه تراکنش + مت هتکس یه فان زومی بزای ‎flee‏ مربب آنهام 1 1 1 7م ‎BS pe‏ مدل‌های فا و ریک برای تین بهترین برتوی قابلنتهداری استقده می‌شود ‎٠‏ هدف اصلى: بررسى اين كه آيا هزينه باز كردن يك موقعیت ارزشمند است یا خبر. ‏+ سين ‎aS ps aap Jae gs cabs‏ ‎٠‏ کم‌برآورد هزینه تراکنش: + می‌تواند الگوریتم را به اتجام معاملات بیش از حد سوق دهد. معاملاتی که سود کافی ندارند. ‏۰ بیش‌برآورد هزینه تراکنش ‎٠‏ ممكن است فرصت‌های معاملاتی از دست برود یا موقعبت‌ها بیش از حد نگه داشته شوند ‏+ انواع مدل‌های هرینه تراکنش ‏1 مدل هزینه تراکنش ثابت ۴۱۵۴ ‏هزيته معامله ثابت است. بدون توجه به اندازه سفارش ‏2. مدل هزينه تراكنش خطى 110686 ‏هزیته معامله با افزايش اندازه تراکنش, در همان مقیاس رشد مىكند ‏3. مدل‌های چندبخشی خطی و درجه دوم 003۵7۵86 6 196۵۲-عوببی: در اين مدلهاء هزینه تراکتش بر اساس اندازه معامله به صورت غیرخطی تغییر می‌کند ‎ 

صفحه 10:
مدل‌های ساخت پرتفوی (ترکیبی) * تصمیم‌گیری در تخصیص دارایی‌ها در یک پرتفوی بر اساس تعادل بین بازدهی مورد انتظار: یسک و هزینه تراکنش صورت می‌گیرد. ۰ انواع مدل‌های ساخت پرتفوی 1.مدل‌های مبتنی بر فوانین ‎Rule-based Models‏ 1. بر اساس هوریستیک‌ها (قوانین ابتکاری) که توسط معامله‌گر کمی تعریف شده‌اند. 2.مدل‌های بهیته‌سازی پرتفوی ‎Optimized Models‏ :شامل روش‌هایی مانند 1 نظریه برتقوی مدرن مارکووینز (1952): بی‌سازی پرتفوی با در نظر گرفتن رسک و بازدهی 2. نوری جداسازی دوصندوق تون (1958): فاد از مجموته توا ‎oy‏ به مرحك براك حركت از تقمك شروع نه نقطلة ‎Leda od ۰‏ به معامله‌گر اجازه می‌دهند تا با در نظر گرفتن تمام متغیرها, پرتفوبی بسازد که بازدهی مطلوب و ریسک قابل قبول داشته باشد؛ 

صفحه 11:
*تعیین حجم معاملات همراه با موتور خرید/فروش, که شامل نقاط ورود. حد ضرر. و حداکثر تخصیص ریسک برای هر معامله است. سه‌پایه ساختاری مدیریت ریسک در عملیات معاملاتی را تشکیل می‌دهد 

صفحه 12:
تکنیک‌های محبوب برای محاسبه حجم دو روش اصلی برای تعیین حجم یک معامله را پيشنهاد می‌شود: معاملات 1.روش اختلاف قیمت و حد ضرر *در اين تکنیک, ارزش پولی ریسک معامله به عنوان مقسوم علیه استفاده می‌شود. *مقدار ریسک پولی تقسیم بر اختلاف بین قیمت فعلی خرید/فروش و قیمت حد ضرر محاسبه می‌شود 2.روش استفاده از شاخص دامنه وافعی میاتگین ‎nase _ volume (ATR)‏ دی ‎ree ee es‏ *اين تکنیک از شاخص ۸۲ استفاده می‌کند که نوسانات دارایی در یک بازه رص‌بی ‎wane SHOT) your‏ "این روش براى دارایی‌هایی که نوسانات بیشتری دارند بسیار مناسب است. پارامترهای تعریف شده در فرمول‌ها ی ‎seurrentBalance:‏ ارشب ولمع وجود تجسابدر لخطه معامله. ب تست ۱۳۱3۳۵۲۰۵09 دیس ریسترات رکفت کصیساده شده لست ‎ATR‏ «ععصاهاه: مزارییست ی پلی رده ‎Mitesh‏ ‏3۰ مقدار شاخس‌دانه واقمباگی85008 ۸۵۳۵9۵1۳40 سرااراممورد تخر کاربرد در معاملات روش اختلاف قیمت و حد ضرر به معامله‌گران اجازه می‌دهد تا ریسک معامله را به صورت مستقیم با فاصله از حد ضرر بیق دهند. «استفاده از ۸۲8 به معامله‌گران کمک می‌کند تا حجم معاملات را با توجه به نوسانات دارایی در بازه زمانی مشخص تنظیم کنند. 

صفحه 13:
اندیکاتورهای تکنیکالی ۰ شاخص‌های قنی سیگثال‌های هبوزیستیک پا میتنن بر الگو هستند که به الگوهای گذشته , حجم, و/یا منافع باز(10۵6۲651 0060 دارایی‌ها برای شناسایی روندهای قیمتی که به‌طور پیش‌بینی‌شده به آینده گسترش خواهند یافت, اتکا دارند. * کاربرد شاخص‌های فنی - پیش‌بینی حرکات بازار: شاخص‌های فنی به تحلیلگران کمک می‌کنند تا روندهای بازار را شناسایی کرده و پیش‌بینی‌هایی برای چهت آینده قيمت‌ها ارائه دهند. اتکا به داده‌های گذشته: این شاخص‌ها عمدتاً از داده‌های تاریخی مانند قيمت‌های قبلی و حجم معاملات برای شناسایی الگوها و روندها استفاده می‌کنند. 

صفحه 14:
بررسی موردی: شاخص میانگین متحرک ‎Moving Average‏ ‎Indicator‏ * به‌عتوان یکی از اولین ابزارهای معاملاتی که اختراع شده‌اند و به دلیل سادگی و جذابیت شهودی آن, ميائكين متحرى ۷۸ یکی از مجوب‌ترین شاخص‌های ‎cil aad‏ - میانگین متحرک ابزاری در تحلیل تکنیکال است که داده‌های قیمتی را در یک دوره خاص ضاف ف كتد و مبالكين قبت يوطور جداوم به‌زفر شوه ایجاه فی‌کند. این صاخ ‎Tier‏ ‏شناسایی روندهای بازار و حذف نویزهای قیمتی مفید است. ۰ 1۵ مقدار میانگین‌متحرک ۰ فیمتدارلییدر دوه 8-1 ‎٠‏ © تعداد دوه‌هاوزمانی ‎٠‏ اين فرمول ميانكين قيمتها در طول يك دوره خاص (مثلً 24 روز, 50 روز؛ با 200 روز) را محاسبه می‌کند و په طور مداوم به‌روز می‌شود تا روندقیعتی را نان دهد ‏* مثال: معاملهكرى با بررسى متحرى 20 روزه و 50 روزه يك شرکت تصمیم به خرید سهام آن می‌گیرد. در زمانی که متحرک 20 روزه آن بالاتر از 50 روزه‌اش است. اين معامله‌گر سهام خریداری شده‌اش را در زمانی که متحرک 20 روزه پایین‌تر از متحرک 50 روزه قرار بگیرد می‌فروشد. 

صفحه 15:
کاربرد هوش مصنوعی در الگو ترندینگ * بستر کاملا کمی در بازارهای مالی, چه از نظر قیمتی و چه از نظر خروجی اندیکاتورهای تکنیکال, بهترین فضا برای یکارگیری تکتیک‌های هوش مصنوعی شناخته می‌شود. اساس کار الگو تریدینگ اطلاعات و تحلیل آن‌ها است و هوش مصنوعی می‌تواند به تحلیل و بررسی بهتر و عمیق‌تر این اطلاعات کمک کند و نسبت به آرزش‌ها و سهام موجود در بازار بینشی عمیق پیدا کند. بینشی که به تحلیل‌های دراز مدت و دیدهای آینده‌نگر منجر می‌شود. آلگوریتم‌های هوش مصنوعی که تا کنون دز بازرهای ‎wall‏ مورد استفاده قرار گرفته‌اند به دو دسته‌ی الگوریتم تصادفی و الگوریتم ژنتیک تقسیم می‌شوند. الگوریتم تصادفی: در این روش روش‌ها و ابزارهای مختلف تکنیکال با هم ترکیب شده و به یک استزاتزی واخد تبدیل می‌شوند. نتپس ان استراتری واحد مورد,آزمایش و بک‌تشت قراز می‌گیرن. * الگوریتم ژنتیک: در این روش استراتژی‌های سودآور سریع‌تر از روش قبلی به دست می‌آید. چرا که اشهراتزوهایبه دست آیده آل الكوريتس تصاد في نه لورت دادم ‎aq‏ هییفن مصنوعن: داوج شود و سبين سیستم آن‌ها را پرزشی کردح ف اسر ترف‌هانی مربظ با یکدیگر را جوریه ددرباهم ترکیب ی کند وربه یک استزانژی جدید یرس 

صفحه 16:
الگوریتمی مزایا: ۰ءصرفه‌جویی در زمان *کنترل احساسات در مدیریت معاملات »کاهش تخلفات و تقلب در با »کاهش هزینه *اجرای استراتژی‌های معاملاتی پیچیده »قابلیت پیش تست زار معایب: ۰دقت پایین در کد نویسی *نواقص قنی و مکانیکی *اشتباهات در پی تست 

صفحه 17:
چرخه حیات معاملات الگوریتمی ‎٠‏ چرخه معاملات الگوریتمی چگونه کار می‌کند؟ معاملات الگوریتمی با یک ایده معاملاتی آغاز می‌شود که سپس به یک کد استراتژی الگوریتمی طراحی و توسعه داده.می‌شود. این کد سيس در طول جندين سال و در بازارهاى مختلف ازمايش و ‏بهيندسازى مىشود. در نهايت, اين كد براى اجراى خودكار با استفاده از يى كد ‏الکوریتمی دیگز برای اجرا تنظيم مى شوو ‎ 

صفحه 18:
مسیرهای کاری معامله‌گر مست به‌عنوان یک قُرد خوداشتغال فعالیت کنید و به‌صورت تمام‌وقت از طریق الگوریتم‌های خود در بازار معامله کنید. راه‌اندازی میز معاملاتی اختصاصی خود یگ تیم کوچک استخدام کنید و میز معاملاتی اختصاصی (172009 ‎(Proprietary‏ 29 را راه‌اندازی کنید. اه‌اندازی صندوق سرمایه‌گذاری (۴۰۸۳0 ۲۷۵۵96) الگوزیمرهای بیچنده و کم پوسته دهیوریک پربامه ‎suai‏ چیه کنیم: رتیه آول جرب کب و دوگ سرمایه گذازی خود را راهاندازی کنید ستن به میز معاملاتی اختصاصی بانک/کار" بذك مير متاملاس الکوریتمن اختصاصی در یک شركث ‎sepsis‏ سرمایه‌گذاری یا خزانه‌داری بپیوندید. 

صفحه 19:
اتدارلیی .بایدیاد گرفتکه ‎ee mS.‏ سل كني آموزيش دن جارارهاقت بهينه سارو رليند يادكيروخود در بازاره وواقعس 3 بادگیری‌هر جز تسلطیر ما۳9 ی شناخکاملتمام اجزا 000 ركحرفملى .معاملهگ ری‌همانند صندووهای‌حرفه‌لی 5 لیجاد سیدهاعمتنوع | گوریتمی .لیجاد سبدهاعمعامالتومتنوع با ان ود تحلیلهایمعاملاتی ,درک عمیق ما هیا گوریتم‌هاعمعامللتی رلمانداز یک سبوکار سادگیریچنبه‌ایت_جارجو مدیریتی گوریم‌هاحمعامللتی 

صفحه 20:
طبقات دارايى * انواع بازارها سهام, فارکس, درآمد ثابت, کالاها معامله در طبقات مختلف دارایی در کدام طبقات مختلف دارایی معامله کنید و الگوریتم‌هایی بسازید که با شرایط و ساختارهای مختلف بازار سازگار باشند. * افق‌های معاملاتی خود را گسترش دهید بابياد ترق :معا قله در طيقات ذازاين محبلف..فرضيع فاق تتشترى :تزاف معامله كرى ايجاد كنيم. 

صفحه 21:
آموزش در بازارهای زنده ۰ بهینه‌سازی یادگیری ماشین ۰ 1. آموزش در بازارهای زنده | باید | ‎seh‏ نها ما الى را از ‎yb‏ ‏اید استراتژی‌های تی را از طریق آموزش در بازارهای زنده و محیط‌های شبیه‌سازی‌شده طراحی و پیاده‌سازی کنیم. Define Risk/Reward/Goals Define Set of Rules ۰ 2. اتوماسیون کامل معاملات و آیده‌های تحقیقاتی خود را ‎optimize simulate‏ موه به‌طور کامل خودکار کنیم. استراتژی‌های رم فک فلت ها ساره اه پلتفرم‌های مختلف پیاده‌سازی کنید. یک ‎ae‏ ۳ زیرساخت کاری خودکار و ‎ue‏ آیجاد کنید. ‎route Stas Bie ae‏ | تسس ‏يعمو ‎Development‏ 

صفحه 22:
چارچوب‌ها و فریم‌ورک‌های مختلف در حوزه معامله‌گری الگوریتمی و تحلیل lesb slut Data Warehouse len sot las a ‏قالت‌های پیشرفنه بای دسترسی‎ oo إنواع دادمه: قتمت. داذمهاى بنبادى. جريان اغبار. توسانيذيرق و سر ‎ale ae‏ بالات ‎anda‏ را هد خاوما ‎soln aig slab lis ey slag‏ سارگاری و ‎lal pi cd Jy‏ ‎‘Lusssgavozole Feature Engineering Framework ‏جارجوس برای ابجاد.میریت و غاب ویژگیه: ‎tan la‏ روى دادههاى قيملى و غير قبمنى. ‏تصويرسازى دقيق دادمها براى تجزيهوتخليل وار ‎ ‏كافش ايعاد دادمها: التخاب و استخراج وبزكنها. ‏مه و۴ وتا دامع 99ج جارجو سآيمون 9 ف ‏اجراى نستهاى اهميت براى بنش بن يديرى عوامل: ۰ تخليل رتيماى عوامل براى ارزيابت رقبار آزها ‎es bain‏ ‎Sa‏ 2238 شبن در طول زمان. تعاريف و طبقات داراين. كف لي نا ل ‎valyLorale Strategy Backtesting Framework Seal ‏جارجوس جامع و العطافيدير براى آزمايش سريع ايددهاى معاملاقى: یل سرت ‎sitll aj ae‏ ‏شیه‌ساری‌های ‎al Sly‏ هزی‌های معاملای دقق. تصويرسازى سفارشى دادمها: و ابزارهاى تجزيه وتخليل عملكرد. طراحن شده براى جلوكيرى از تعصبات بارآرمايى. ‏ممع سدع ومتصيهها #متاعد! جارجونيادكبرى ‎coal‏ ‏جارجوب بمشرفته بادكيرى مانشين براق بهيود فرآند سرمايدكتارى: طراحى مازولار براى اجراى سريع الكوريتهاى مختلف. ‏موارد استقاده؛ خوشمبندى دارايسهاء مدل سازى بازدم. تعيين وز داراس و خر ‏رویکردجمه‌سفید: ری درک عمیقمدل‌ها ‎ ‎ezule Parameter Optimization Framework ‏هیمس اریی ارامترها‎ ‏جارجوبى براى انتخاب بارامترهاى استرانزى و جلوگیری از تعصات؛ استفاده از روش هاى ‎ly La‏ سازى بارامترها. ‏بابدارى بارامترها: در طول رمان. طبقات دارابي و مجموعه دادمها. ‏داده ‎Portfolio Construction Framework‏ جارچوب ساح رتفوق ‏مازول ساعت برتقوى بويا با لهداف چندگاه ‎pled‏ جندكاه: بازده. كاهش اقت سرمايه. توسانيذيرق و ‎ary‏ ‏كاهش ریسک: از طریق خوشه‌بند دراه ‏لزكيب دارايت ها و عومل ریسک؛ رای تین پوی هید ‎Framework‏ و۵980 و50۳۵ چارجوبآرمونه شار مزول آزمون فر میتی بر ‎yal lagu‏ شی‌ساه: تخليل موسوفانیتطبر نیع ریسک: دای باه و ستاريوفاق: ‎oe ‏بارغورد به تخقيق؛ از طريق ستاسابى ريسكتفاق مديريتدة. 

صفحه 23:
معامله‌گری حرفه‌ای معامله مانند صندوق‌های حرفه‌ای 1.انتخاب فعال: با تجزیه‌وتحلیل دقیق, دارایی‌ها و استراتژی‌های معاملاتی را به‌صورت فعال انتخاب کنید ی از بازارهای نزولی: یاد بگیرید وی در بازارهای نزولی نیز سود کسب کنید. اهرم بهینه‌شده برای ریسک: استفاده از ‎Jal‏ وه با مدیریت دقیق ریسک برای افزایش بازده. 4.کاهش ریسک سیستما طراحی استراتژی‌هایی برای کاهش اثرات وهای سیستماتیک. 5.تنوع‌بخشی در بخش‌های مختلف: سرمایه‌گذاری در بخش‌های گوناگون کاهش ریسک پرتفوی. 6.زمان‌بندی بازار: پادگیری نحوه تشخیص زمان مناسب برای ورود و خروج از بازار. 

صفحه 24:
ساخت استراتژی‌ها/سبک‌ها مانند یک صندوق پوشش:ریسک حرفه‌ای 1- آينده مديريت شده / 8 عمدتً متتی بر ال کردن رود امكان كسب سود از بازارهاى نزولى و صعودى. مناسب براق تتوع بخشى بخشى به يرتفوى. استفاده كارآمد ار محصولات مشتقه با هزنه کم مشارکت در طیف گسترده‌ای از محصولات مالى و بازارهاين كه. در محصولات سرماب‌گذاری بستن (ماندکالاها در دسترمن" توانابى به حداقل رساندن ريسك سيستماتيك. 2- سهام بلند / کوتاه شامل سرمایگذری هم در موفعت‌های خرید اند و ‎len? SUAS Se a‏ بزرگ‌ترین بعش از استرنزی‌های سرماه‌ذاری صندق‌های بتاى کمتر و کاهش رسک سیستمانک ‎ete ale ls a‏ ارآ رنه فرست‌های منوع در بازارهاى نزولى و صعودى. 3- ارزش نسبی استفاده همزمان از موقعيتهاى خريد و فروش در بزاهای هره‌گیری از اشتبهات قیمتگذاری و سایرفرصت‌ها كسب سود از اخلاف ‎Saad‏ دو داراين. در حالی که نسیت. به سید خوامل خی بافی میاه عدم همیستگی با بازارهای سهام و اراق قرضه عمومی. 4- فرصت طلبانه تعصص در سرمایگذای دز بزارهای سرمای که ویزگی‌های ‎See aU Ss‏ بهره‌بداری از اکارآمدی‌های اساسی: اهجاری‌ها وتات در estat رویکد باه پاین برای شنانبایی فرصت‌های سرمابدگذری دکوتا مد استفاده از فرست‌های اضافی برای کسب پازده بل و مدبریت . ‎sa‏ 5- مدل‌های برتعوی کمی ‎aa‏ برسي عن ‎tad‏ از لب مزر ‎le eee Sa‏ کی رشن ‏استفادة از مدلهاى اختصاصى براى افرايش ‎ls‏ شكست ‏شامل استرائزى هاى ميننى بر حركت و استرائزىهاى معكوس. تمرکز بر نوعبخشی و کاهش ریسک‌های سپستمانک. ‏6- تنها موفعیت‌های کوتاه بويا ‎lf jlo‏ امل اوراق بهادارى كه در مقابسه با رز دا ‏ود قمت بای معامله م‌شود ‎als a‏ قبمت ابن أوراق در بازعهاى كوتاهمدت تا ميان مدت فروش اوراق بهاداری که یش از جدارزشگذاری شد‌ان؛ بر اساس ‎BOT tale ella‏ ‏كاهش ريسك سيستماتيك و بهرةورى در بازارهاى تزولى. 

صفحه 25:
۰ بازار پویا همانند بازار جهانی ارز با توجه به برخورداری از عمق بالای معاملاتی را متاسفانه نمی‌توان با بازار سرمایه ایران. مورد مقایسه قرار داد. زمان انجام معاملات را می‌توان به‌عنوان یکی از معضلات در بورس ایران محسوب کرد. عمق محدود معاملات هم جالش دیگری است. پنابراین نه به لحاظ زمانی و نه از نظر عمق و حجم معاملات با فارکس قابلیت مقایسه وجود ندارد. ۰ بازار سرمایه ایران یک رت آستت:(پوزین‌های-چهانن:آما لگوریيماژه یدوز نآزا زی موطرقت ‎ip‏ ‏مهمی را انجام می‌دهند. سرمایه‌گذار علاوه‌بر رشد قیمت از افت قیمت نیز به‌توعی منفعت کسب می‌کند. میاه از الکوریتم‌هایی که در بورس‌های جهانی مورد استفاده قرار می‌گیرند در بازار سهام نمی‌توان بهره رسنس ومو اراز آفزیسسأقت: دامنه نوسان حذف شد و از بسترهایی که بتوان از طریق آن اقدام به رف ‎ee ung‏ د م وان ‎bls as eae nail Gaul‏ کم ‎CE Ge‏ و حجم معاملات در ارقامی مطلوب وجود داشته باشد, هچ نوع الگوریتمی نمی‌تواند قيمت‌ها را سرکوب کند. 

صفحه 26:
ea a 00000 a ‏نتايج بررسی انجام شده سفارشات در بازه زمانی ابتدای سال جاری تا پایان مهرماه. نشان‌دهنده آن است‎ )1403( ‏که حدود ۱۰ درصد از ارزش سفارشات خرد سهام و حق تقدم. شامل سفارشات الگورینمی است.‎ شرکت‌های فعال در معاملات الگوریتمی هم باید فعالیت خود را به نهاد ناظر و بورس مربوطه اطلاع دهند و برای تأبید الگوریتم‌های مورد آستفاده خود باید مجوز الزام را از بورس اوراق بهادار دریافت کنند. 

صفحه 27:
۰ یکی از استراتژی‌های معاملات الگوریتمی که معمولاً مورد استفاده قرار می‌گیرد, تقسیم سفارش‌های بزرگ خرید و فروش به اندازه‌های کوچکتر به‌منظور به حداقل رساندن اثر سفارش‌های بزرگ بر قیمتِ بازار است. فناوری‌های معاملات الگوریتمی می‌توانند با قدرت محاسیاتی بالا فورا به اخبار باژار انواع دارایی‌ها واکنش نشان دهند. همچنین الگوریتم‌ها می‌توانند قيمت‌ها را از چندین بازار به طور قمزمانٍ مورد الکور, پررسی قرار دهند و در مسیر شناسایی فرصت‌های سودآور, نقد را در میان مجاری معاملاتی متعدد تسهیل کنند. بنابراین هدف از معاملات الگوریتمی کمک به سرمایه‌گذاران برای اجرای استراتژی‌های مالی خاص در سریع‌ترین ژمان ممکن به منظور به‌دست‌آوردن سود بیشتر است. ۰ از دیدگاه نهاد ناظر بازار سرمایه آمریکا, معاملات الگوریتمی با افزایش ریسک عملیاتی ناشی از توسعه, آزمون و اجرای نامناسب الگوریتم‌ها می‌تواند اثرات مخرب شدیدی بر ثبات شرکت‌ها و کل بازارها داشته باشد بنابراین عدم وجود الزامات و محدودیت‌های نظارتی برای معاملات الگوریتمی می‌تواند ریسک‌های زیادی را به بازاز وارد کرده و منجر به سقوط بازارهای مالی شود. 

صفحه 28:
سخن پایانی معاملات الكو يتم در سنطح جهاتن, از کشوزهای آمزیکا و ارویا گرفته تا هن چین و سنگاپوز به سرعت در حال جایگزینی معاملات سنتی هستند و شرکت‌هایی که از اين روش‌ها استفاده می‌کنند, به طور فزاینده‌ای بازارهای این کشورها را تحت سلطه خود قرار داده‌اند. رقابت مبان شرکت‌های سرمایهگذاری برای بهرمیرداری از ايين تکنیک‌های مدین شدت گرفته و معاملارت الگوریتمی به جزئی از ساختار اصلی بازارهای مالی تبدیل شده‌اند. * مزایای برجسته معاملات الگورتمی و اکسبرت‌ها (که از جمله مزاباى كامييوتر نسيت به اسان محتبوب مي‌شوند) مانتد: تسرعت,بالا در تجلیل. ی و اجرای دستورات. فمجنین .عدم خستگی, به تدریج فضای کمی برای روش‌های سنتی در بازارهای مالی باقی ‎ie‏ * در آینده. وظیفه انسان در بازارهای مالی جهانی به خلاقیت و طراحی استراتژی‌ها و روش‌های جدید محدود خواهد شد و دیگر نیازی به رصد بازار و انجام معاملات نیست, چرا که کامپیوترها هنوز نتواسته‌اند از نظر خلاقیت به سطح انسان برستد: * بتابراین, برای حضور موثر در بازارهای مالی آینده. یا باید به استفاده‌کنندگان از ‎ae‏ بریتمی بپيوندیم؛ يآ در زمره ان اين سیستم‌ها قرار میم و در هر دو حالت, ياد بیشتر در این حوزه از ضروریات حضور فعال در بازارهای آینده است. 

صفحه 29:
نمونه عملیاتی برنامه معاملات الگوریتمی با پایتون *پروژه با استفاده از کتابخانه های زیر برنامه نویسی شده است * Pandas + Numpy * Matplotlib * برنامه داده ها را از فایل 0363.65۷ 5061 می خواند و سیگنال ورود و خروج را بر اساس تقاطع میانگین متحرک 20 و 50 (کوتاه و بلند مدت) صادر می کند و آن را در فایل 65۷ ‎output,‏ 60۷ ذخیره میکند و نمودا فيمنت رما ‎oe eae‏ = هرجا میانگین متحرک 0 روز از میانگین متحرک 50 روزه بیشتر ‎no‏ شود می خرد و بالعکس. 

صفحه 30:


معامالت الگوریتمی 1 معامالت الگوریتمی چیست؟ ه خالص معامالت الگوریتمی (که با نام‌های معامالت خودکار ،معامالت جعبه سیاه یا معامالت الگویی نیز شناخته می‌شود) از یک برنام ه کامپیوتری استفاده می‌کند که بر اساس مجموعه‌ای از دستورات مشخص (یک الگوریت م) عم ل می‌کن د ت ا ی ک معامل ه انجام دهد .ای ن معامالت می‌توانن د ب ا س رعت و فرکانس ی انجام شوند که برای یک معامله‌گر انسانی غیرممکن است و سودآوری ایجاد کنند. *داده‌های زنده و ورودی در لحظه به سیستم *مدل کامال ً خودکار که با داده‌های جدید به‌روزرسانی می‌شود *س فارش‌ها توس ط پلتفرم الگوریتم ی تص میم‌گیری بر اس اس قوانی ن تعریف‌شده س یستم الگوریتمی تولید می‌شوند *سفارش‌ها به‌طور خودکار از طریق نرم‌افزار معامالت خودکار به بورس‌ها ارسال می‌شوند 2 مقدمه • معامالت الگوریتمی در دوران کنونی بازارهای مالی جهانی ،به‌عنوان یک استراتژی سرمایه‌گذاری برای دستیابی ب ه اهداف مال ی بس یار اهمی ت دارد .اس تفاده از الگوریتم‌ه ا توس ط معامله‌گران ،بانک‌های سرمایه‌گذاری، صندوق‌های سرمایه‌گذاری و سایر فعاالن مالی برای بهبود و اجرای استراتژی‌های معامالتی ،چه به‌طور کامل و چه به‌صورت جزئی ،بیش از سه دهه قدمت دارد. • پیشرفت تکنولوژی همراه با توسعه روش‌های جدید معامالت الگوریتمی ،به بازارهای مالی کمک کرده است تا به حجم معامالت باالتر ،کارایی بیشتر در اجرای معامالت از طریق کاهش هزینه‌های معامالتی ،بهبود عملکرد پرتفوی و شفافیت بهتر دست یابند .بانک تسویه‌حساب‌های بین‌المللی ( )2019در گزارش «بررسی سه‌ساله بانک مرکزی :گردش معامالت ارزی در آوریل »2019اعالم کرد که بازارهای ارزی به‌تنهایی در آوریل 2019به گردش مالی چشمگیر 6.6تریلیون دالر در روز دست یافتند (در مقایسه با 5.1تریلیون دالر در سال .)2016 • یکی از مزایای اساسی استراتژی‌های مبتنی بر روند این است که معامله‌گر با دنبال کردن روند ،در جهت بازار معامله می‌کند .بنابراین ،معامالت مبتنی بر روند از منطق ذاتی برخوردارند ،زیرا معامله در همان جهت بازار منطقی است .بدین ترتیب ،اگر به‌درستی انجام شوند ،سود حاصل از معامالت موفق می‌تواند به میزان قابل توجهی از زیان‌ها بیشتر باشد. 3 ساختار پایه یک سیستم معامالتی الگوریتمی • یک مدل آلفا ،یک مدل ریسک ،و یک مدل هزینه تراکنش ،سه ماژول اصلی هستند که ساختار پایه یک سیستم معامالتی الگوریتمی را تشکیل می‌دهند .این ماژول‌ها اطالعاتی تولید می‌کنند که به مدل ساخت پورتفولیو داده می‌شود و این مدل به نوبه خود با مدل اجرایی در تعامل است • مدل آلفا :بخشی از الگوریتم است که برای پیش‌بینی قیمت دارایی طراحی شده است تا معامله‌گر بتواند بازدهی ایجاد کند. • مدل ریسک :برای محدود کردن مواجهه‌هایی طراحی شده است که می‌تواند معامله‌گران را دچار زیان کند. • مدل هزینه تراکنش :برای شناسایی هزینه‌های باز کردن یا بستن موقعیت‌های معامالتی جدید استفاده می‌شود 4 مدل‌های آلفا • چندین نام مترادف برای مدل آلفا عبارت‌اند از پیش‌بینی‌ها ،عوامل ،آلفاها ،مدل‌ها ،استراتژی‌ها، تخمین‌زن‌ها یا پیش‌بینی‌کننده‌ها .همه مدل‌های آلفای موفق به گونه‌ای توسعه داده می‌شوند که بتوانن د آینده را ب ه اندازه کاف ی خوب پیش‌بین ی کنن د ت ا پ س از در نظ ر گرفت ن زیان در برخی معامالت ،همچنان در بلندمدت سودآور باشند .از بین بخش‌های مختلف یک استراتژی کمی ،مدل آلفا خوش‌بین است ،متمرکز بر کسب سود از طریق پیش‌بینی آینده • اکثر معامله‌گران کمی نظریه‌محور هستند و بیشتر کارهایی که انجام می‌دهند در یکی از پنج دسته پدیده قرار می‌گیرد :روند ،بازگشت به میانگین ،ارزش/بازده ،رشد ،و کیفیت .این موارد را می‌توان از طری ق بررس ی داده‌های مرتب ط ب ا قیم ت ی ا داده‌های بنیادی درک کرد .درک ورودی‌های یک استراتژی برای فهم خود استراتژی حیاتی است. • استراتژی‌های مبتنی بر روند و بازگشت به میانگین بر داده‌های مربوط به قیمت تکیه دارند( .تکنیکال) • استراتژی‌های مبتنی بر ارزش/بازده ،رشد ،و کیفیت بر داده‌های بنیادی استوار هستند. 5 مزایای و چالش های مدل‌های داده‌محور • مزایای مدل‌های داده‌محور .1شناسایی رفتارهای ناشناخته: استراتژی‌های داده‌محور می‌توانند رفتارهایی را شناسایی کنند ،چه پیش‌تر توسط نظریه‌ای شناسایی شده باشند یا نه .این قابلیت به این معناست که مدل‌ها می‌توانند رویدادهایی را مشاهده کنند بدون این‌که نیاز به درک علت وقوع آن‌ها داشته باشند .2کارایی زمانی کوتاه‌مدت: مدل‌های آلفای داده‌محور در افق‌های زمانی کوتاه‌مدت (مانند چند دقیقه یا کمتر) عملکرد بهتری دارند. زمانی است که به پژوهشگر شانس بهتری برای این امر به دلیل حجم باالی داده‌های موجود در این بازه یافتن نتایج معنادار از لحاظ آماری در آزمایش‌های خود می‌دهد • چالش‌ها و مشکالت مدل‌های داده‌محور .1انتخاب دقیق داده‌ها: پژوهشگر باید به دقت تصمیم بگیرد که چه داده‌ای به مدل داده شود .اگر انتخاب داده‌ها به درستی انجام نشود ،حجم داده‌هایی که الگوریتم‌ها باید بررسی کنند می‌تواند آن‌قدر زیاد باشد که نیاز به یک ساختار سخت‌افزاری عظیم و پرهزینه باشد تا بتواند پیش‌بینی‌ها را به موقع برای معامله انجام دهد. .2سیگنال‌های کاذب: استفاده از داده‌کاوی به‌تنهایی برای تولید آلفا می‌تواند منجر به سیگنال‌های نادرستی شود که به‌اصطالح "تله‌های داده‌کاوی" نامیده می‌شوند. 6 مدل های ریسک بر کنترل اندازه مواجهه‌های مطلوب یا مدیریت انواع مواجهه‌های نامطلوب تمرکز دارند • مدیریت ریسک شامل آگاهی از میزان سرمایه‌ای است که معامله‌گر مایل به ریسک کردن است، همراه با مقدار سود مورد انتظار. • عدم درک این موضوع می‌تواند منجر به نگه داشتن موقعیت‌های زیان‌ده برای مدت طوالنی‌تر یا بستن زودهنگام موقعیت‌های سودآور شود • سه ابزار اصلی برای مدیریت ریسک عبارتند از: .1محدود کردن اندازه موقعیت‌ها .2نسبت ریسک-پاداش .3دستور توقف-ضرر Stop-Loss Order 7 ابزارهای مدیریت ریسک • .1محدود کردن اندازه موقعیت‌ها • معامله‌گر ،در نقش مدیر ریسک ،باید تصمیم بگیرد که کدام مواجهه‌ها مناسب هستند و این تصمیم را به مدل ریسک منتقل کند تا ارزش معامله را ارزیابی کند. • دو روش اصلی برای محدودیت اندازه: • محدودیت سخت :تعیین سقف ثابت برای اندازه موقعیت‌ها (مثال ً هیچ موقعیتی نباید بزرگ‌تر از %3موجودی حساب باشد). • تابع جریمه :اجازه می‌دهد اندازه موقعیت بیشتر از حد تعیین‌شده باشد ،اما جریمه‌هایی برای این کار اعمال می‌کند که می‌تواند بر اساس داده‌ها یا نظریه تعیین شود • • • • .2نسبت ریسک-پاداش ابزاری قدرتمند برای حفظ نسبت مثبت سود و زیان. این نسبت مشخص می‌کند که معامله چه مقدار سود باید در مقابل مقدار ریسکی که برای باز کردن موقعیت متحمل می‌شود ،کسب کند. به عنوان یک قاعده سرانگشتی ،این نسبت نباید کمتر از 1:2باشد. • • • • .3دستور توقف-ضرر ابزاری ضروری برای محدود کردن ضررها ،در هماهنگی با اندازه ریسک موقعیت. جلوگیری از بازگشت تمام سود به بازار ،حتی با وجود احتمال باالی معامالت سودآور. توصیه می‌شود که: • به محض این‌که موقعیت به اندازه مبلغ ریسک شده سودآور شد ،دستور توقف-ضرر به نقطه سر به سر منتقل شود. • برخی استراتژی‌ها بخشی از موقعیت را زمانی که سود برابر با مقدار ریسک‌شده شود ،می‌بندند. 8 مدلهای هزینه تراکنش • مدل هزینه تراکنش به عنوان روشی برای کمی‌سازی هزینه انجام معامله با اندازه مشخص تعریف می‌شود .این اطالعات در کنار مدل‌های آلفا و ریسک برای تعیین بهترین پرتفوی قابل نگهداری استفاده می‌شود. • هدف اصلی :بررسی این که آیا هزینه باز کردن یک موقعیت ارزشمند است یا خیر. • اهمیت دقت در مدل هزینه تراکنش • کم‌برآورد هزینه تراکنش: • می‌تواند الگوریتم را به انجام معامالت بیش از حد سوق دهد ،معامالتی که سود کافی ندارند. • بیش‌برآورد هزینه تراکنش: • ممکن است فرصت‌های معامالتی از دست برود یا موقعیت‌ها بیش از حد نگه داشته شوند. • انواع مدل‌های هزینه تراکنش .1مدل هزینه تراکنش ثابت Flat .هزینه معامله ثابت است ،بدون توجه به اندازه سفارش .2مدل هزینه تراکنش خطی Linear .هزینه معامله با افزایش اندازه تراکنش ،در همان مقیاس رشد می‌کند .3مدل‌های چندبخشی خطی و درجه دوم Piecewise-linear & Quadratic در این مدل‌ها ،هزینه تراکنش بر اساس اندازه معامله به صورت غیرخطی تغییر می‌کند 9 مدل‌های ساخت پرتفوی (ترکیبی) • تصمیم‌گیری در تخصیص دارایی‌ها در یک پرتفوی بر اساس تعادل بین بازدهی مورد انتظار ،ریسک ،و هزینه تراکنش صورت می‌گیرد. • انواع مدل‌های ساخت پرتفوی .1مدل‌های مبتنی بر قوانین Rule-based Models .1بر اساس هوریستیک‌ها (قوانین ابتکاری) که توسط معامله‌گر کمی تعریف شده‌اند. .2مدل‌های بهینه‌سازی پرتفوی Optimized Models :شامل روش‌هایی مانند .1نظریه پرتفوی مدرن مارکوویتز ( :)1952بهینه‌سازی پرتفوی با در نظر گرفتن ریسک و بازدهی. .2تئوری جداسازی دو‌صندوق توبین ( :)1958استفاده از مجموعه قوانین مرحله به مرحله برای حرکت از نقطه شروع به نقطه مطلوب. • این مدل‌ها به معامله‌گر اجازه می‌دهند تا با در نظر گرفتن تمام متغیرها ،پرتفویی بسازد که بازدهی مطلوب و ریسک قابل قبول داشته باشد. 10 تعیین حجم موقعیت و تخصیص ریسک • تعیی ن حج م معامالت همراه ب ا موتور خری د/فروش ،ک ه شامل نقاط ورود ،حد ضرر ،و حداکثر تخصیص ریسک برای هر معامله اس ت ،س ه‌پایه س اختاری مدیری ت ریس ک در عملیات معامالتی را تشکیل می‌دهد 11 تکنیک‌های محبوب برای محاسبه حجم دو روش اصلی برای تعیین حجم یک معامله را پیشنهاد می‌شود: معامالت .1روش اختالف قیمت و حد ضرر •در این تکنیک ،ارزش پولی ریسک معامله به عنوان مقسوم علیه استفاده می‌شود. •مقدار ریسک پولی تقسیم بر اختالف بین قیمت فعلی خرید/فروش و قیمت حد ضرر محاسبه می‌شود. .2روش استفاده از شاخص دامنه واقعی میانگین ()ATR •این تکنیک از شاخص ATRاستفاده می‌کند که نوسانات دارایی در یک بازه زمانی خاص را اندازه‌گیری می‌کند. •این روش برای دارایی‌هایی که نوسانات بیشتری دارند بسیار مناسب است. پارامترهای تعریف‌شده در فرمول‌ها • :currentBalanceارزشپ ولیموجودیحسابدر ل حظه م ع امله. است . موقعیت خصیصداده ش ده ت • :riskPercentageدرصد ریسکیک ه ب رایی ک ‌ش ده ب رایم ع امله. • :stopLossم یزانریسکپ ولیت عیین • :ATRم قدار ش اخصدامنه واقعیم یانگین( )Average True Rangeب رایداراییمورد ن ظر. کاربرد در معامالت •روش اختالف قیمت و حد ضرر به معامله‌گران اجازه می‌دهد تا ریسک معامله را به صورت مستقیم با فاصله از حد ضرر تطبیق دهند. •استفاده از ATRبه معامله‌گران کمک می‌کند تا حجم معامالت را با توجه به نوسانات دارایی در بازه زمانی مشخص تنظیم 12 کنند. اندیکاتورهای تکنیکالی هیوریستیک یا مبتنی بر الگو هستند که به الگوهای گذشته • شاخص‌های فنی سیگنال‌های ِ قیمت ،حجم ،و/یا منافع باز( open interestدارایی‌ها برای شناسایی روندهای قیمتی که به‌طور پیش‌بینی‌شده به آینده گسترش خواهند یافت ،اتکا دارند. • کاربرد شاخص‌های فنی • پیش‌بین ی حرکات بازار :شاخص‌های فن ی ب ه تحلیلگران کمک می‌کنن د تا روندهای بازار را شناسایی کرده و پیش‌بینی‌هایی برای جهت آینده قیمت‌ها ارائه دهند. • اتکا به داده‌های گذشته :این شاخص‌ها عمدتا ً از داده‌های تاریخی مانند قیمت‌های قبلی و حجم معامالت برای شناسایی الگوها و روندها استفاده می‌کنند. 13 بررسی موردی :شاخص میانگین متحرک Moving Average ‏Indicator • به‌عنوان یک ی از اولی ن ابزارهای معامالت ی ک ه اختراع شده‌ان د و ب ه دلی ل س ادگی و جذابیت شهودی آن ،میانگین متحرک MAیکی از محبوب‌ترین شاخص‌های فنی است. • میانگین متحرک ابزاری در تحلیل تکنیکال است که داده‌های قیمتی را در یک دوره خاص صاف می‌کند و یک میانگین قیمت به‌طور مداوم به‌روز شده ایجاد می‌کند .این شاخص برای شناسایی روندهای بازار و حذف نویزهای قیمتی مفید است. • MAم قدار م یانگینم تحرک • Pnق یمتداراییدر دوره n-1 • nت ع داد دور ه‌هایزمانی • این فرمول میانگین قیمت‌ها در طول یک دوره خاص (مثال ً 20روز 50 ،روز ،یا 200روز) را محاسبه می‌کند و به‌طور مداوم به‌روز می‌شود تا روند قیمتی را نشان دهد. ه آن ه یک شرکت تصمیم به خرید سهام آن می‌گیرد ،در زمانی که متحرک 20روز ‌ • مثال :معامله‌گری با بررسی متحرک 20روزه و 50روز ‌ باالتر از 50روزه‌اش است .این معامله‌گر سهام خریداری شده‌اش را در زمانی که متحرک 20روزه پایین‌تر از متحرک 50روزه قرار بگیرد می‌فروشد. 14 کاربرد هوش مصنوعی در الگو ترندینگ • بستر کامال کمی در بازارهای مالی ،چه از نظر قیمتی و چه از نظر خروجی اندیکاتورهای تکنیکال، بهترین فضا برای بکارگیری تکنیک‌های هوش مصنوعی شناخته می‌شود .اساس کار الگو تریدینگ اطالعات و تحلیل آن‌ها است و هوش مصنوعی می‌تواند به تحلیل و بررسی بهتر و عمیق‌تر این اطالعات کمک کند و نسبت به ارزش‌ها و سهام موجود در بازار بینشی عمیق پیدا کند .بینشی که به تحلیل‌های دراز مدت و دیدهای آینده‌نگر منجر می‌شود .الگوریتم‌های هوش مصنوعی که تا کنون در بازرهای مالی مورد استفاده قرار گرفته‌اند به دو دسته‌ی الگوریتم تصادفی و الگوریتم ژنتیک تقسیم می‌شوند. • الگوریتم تصادفی :در این روش روش‌ها و ابزارهای مختلف تکنیکال با هم ترکیب شده و به یک استراتژی واحد تبدیل می‌شوند .سپس این استراتژی واحد مورد آزمایش و بک‌تست قرار می‌گیرد. • الگوریتم ژنتیک :در این روش استراتژی‌های سودآور سریع‌تر از روش قبلی به دست می‌آید .چرا ک ه اس تراتژی‌های ب ه دس ت آمده از الگوریت م تص ادفی ب ه ص ورت داده ب ه هوش مصنوعی داده می‌شود و سپس سیستم آن‌ها را بررسی کرده و استرتژی‌هایی مرتبط با یکدیگر را دو به دو باهم ترکیب می‌کند و به یک استراتژی جدید می‌رسد. 15 مزایای و معایب استفاده از معامالت الگوریتمی مزایا: • صرفه‌جویی در زمان • کنترل احساسات در مدیریت معامالت • کاهش تخلفات و تقلب در بازار • کاهش هزینه • اجرای استراتژی‌های معامالتی پیچیده ش تست • قابلیت پی ‌ معایب: • دقت پایین در کد نویسی • نواقص فنی و مکانیکی • اشتباهات در پی‌تست 16 چرخه حیات معامالت الگوریتمی • چرخ ه معامالت الگوریتم ی چگون ه کار می‌کن د؟ معامالت الگوریتم ی ب ا یک ایده معامالتی آغاز می‌شود که سپس به یک کد استراتژی الگوریتمی طراحی و توسعه داده می‌شود .این کد سپس در طول چندین سال و در بازارهای مختلف آزمایش و بهینه‌سازی می‌شود .در نهایت ،این کد برای اجرای خودکار با استفاده از یک کد الگوریتمی دیگر برای اجرا تنظیم می‌شود. 17 مسیرهای کاری چه کسانی باید شرکت کنند • معامله‌گر مستقل به‌عنوان یک فرد خوداشتغال فعالیت کنید و به‌صورت تمام‌وقت از طریق الگوریتم‌های خود در بازار معامله کنید. • راه‌اندازی میز معامالتی اختصاصی خود یک تیم کوچک استخدام کنید و میز معامالتی اختصاصی ( )Proprietary Tradingخود را راه‌اندازی کنید. • راه‌اندازی صندوق سرمایه‌گذاری ()Hedge Fund الگوریتم‌های پیچیده و کمی توسعه دهید ،یک برنامه کسب‌وکار تهیه کنید ،سرمایه اولیه جذب کنید و صندوق سرمایه‌گذاری خود را راه‌اندازی کنید. • پیوستن به میز معامالتی اختصاصی بانک/کارگزاری به یک میز معامالتی الگوریتمی اختصاصی در یک شرکت کارگزاری ،بانک سرمایه‌گذاری یا خزانه‌داری بپیوندید. 18 چه چیزی باید آموخت؟ 1 ط بقاتدارایی .ب اید ی اد گ رفتک ه چگونه در ط بقاتم ختلفداراییم ع امله ک رد 2 آموزشدر ب ازارهایزنده .ب هینه‌س ازیف رآیند ی ادگیریخود در ب ازارهایواقعی 3 ی ادگیریهر جز .ت سلط ب ر م ع امله‌گ ریا لگوریتمیب ا ش ناختک املت مام اجزا 4 م ع امله‌گ ریحرفه‌ای ‌هایحرفه‌ای .م ع امله‌گ ریهمانند ص ندوق 5 ایجاد س بدهایم تنوع ا لگوریتمی .ایجاد س بدهایم ع امالتیم تنوع ب ا استفاده از ا لگوریتم‌هایپ یشرفته 6 ‌هایم ع امالتی ت حلیل ماهیت لگوریتم‌هایم ع امالتی ا .درکعمیق 19 7 ‌وکار راه‌اندازیک سب .ی ادگیریجنبه‌هایت جاریو مدیریتیا لگوریتم‌هایم ع امالتی طبقات دارایی • انواع بازارها سهام ،فارکس ،درآمد ثابت ،کاالها • معامله در طبقات مختلف دارایی در کدام طبقات مختلف دارایی معامله کنید و الگوریتم‌هایی بسازید که با شرایط و ساختارهای مختلف بازار سازگار باشند. • افق‌های معامالتی خود را گسترش دهید با یادگیری معامله در طبقات دارایی مختلف ،فرصت‌های بیشتری برای معامله‌گری ایجاد کنیم. 20 آموزش در بازارهای زنده • بهینه‌سازی یادگیری ماشین • .1آموزش در بازارهای زنده / محیط‌های شبیه‌سازی‌شده باید استراتژی‌های معامالتی را از طریق آموزش در بازارهای زنده و محیط‌های شبیه‌سازی‌شده طراحی و پیاده‌سازی کنیم. • .2اتوماسیون کامل معامالت و ایده‌های تحقیقاتی خود را به‌طور کامل خودکار کنیم .استراتژی‌های جدید را یاد بگیریم و آن‌ها را از طریق پلتفرم‌های مختلف پیاده‌سازی کنید .یک زیرساخت کاری خودکار و جامع ایجاد کنید. مانند صندوق‌های حرفه‌ای معامله کنیم! 21 چارچوب‌ها و فریم‌ورک‌های مختلف در حوزه معامله‌گری الگوریتمی و تحلیل داده • Data Warehouseانبار داده‌ها • قابلیت‌های پیشرفته برای دسترسی به داده‌های تاریخی و پردازش آن‌ها: • انواع داده‌ها :قیمت ،داده‌های بنیادی ،جریان اخبار ،نوسان‌پذیری و غیره. • پوشش جغرافیایی :ایاالت متحده ،اروپا ،هند ،خاورمیانه. • بازه‌های زمانی :داده‌های لحظه‌ای ،روزانه ،فصلی. • سازگاری و کنترل کیفیت گسترده داده‌ها. • • • • • Portfolio Construction Frameworkچارچوب س اختپ رتفوی • Strategy Backtesting Frameworkچارچوبآزمایش استراتژی • چارچوبی جامع و انعطاف‌پذیر برای آزمایش سریع ایده‌های معامالتی: • ماژول ساخت پرتفوی پویا با اهداف چندگانه: • تبدیل سریع ایده‌ها به کد معامالتی. • اهداف چندگانه :بازده ،کاهش افت سرمایه ،نوسان‌پذیری و نقدینگی. • شبیه‌سازی‌های واقع‌گرایانه :با هزینه‌های معامالتی دقیق. • کاهش ریسک :از طریق خوشه‌بندی دارایی‌ها. • تصویرسازی سفارشی داده‌ها :و ابزارهای تجزیه‌وتحلیل عملکرد. • ترکیب دارایی‌ها و عوامل ریسک :برای تعیین پرتفوی بهینه. • طراحی‌شده برای جلوگیری از تعصبات بازآزمایی. • Feature Engineering Frameworkچارچوبم هندسی ‌ها ویژگی • چارچوبی برای ایجاد ،مدیریت و انتخاب ویژگی‌ها: • ایجاد ویژگی‌ها :روی داده‌های قیمتی و غیر قیمتی. • تصویرسازی دقیق داده‌ها برای تجزیه‌وتحلیل و ارزیابی. • کاهش ابعاد داده‌ها :انتخاب و استخراج ویژگی‌ها. • Hypothesis Testing Frameworkچارچوبآزمون ف رضیه‌ها • اجرای تست‌های اهمیت برای پیش‌بینی‌پذیری عوامل: • تحلیل رتبه‌ای عوامل برای ارزیابی رفتار آن‌ها در مقایسه با فرضیات. • • قدرت پیش‌بینی :در طول زمان ،تعاریف و طبقات دارایی. پایداری 22 • شناسایی منطق اقتصادی فراتر از روابط آماری. • Stress Testing Frameworkچارچوبآزمونف شار Machine Learning Frameworkچارچوبی ادگیری م اشین • ماژول آزمون فشار مبتنی بر سناریوهای تاریخی و شبیه‌سازی: چارچوب پیشرفته یادگیری ماشین برای بهبود فرآیند سرمایه‌گذاری: • تحلیل موضوعاتی نظیر توزیع ریسک ،پایداری بازده و سناریوهای شبیه‌سازی. • بازخورد به تحقیق :از طریق شناسایی ریسک‌های مدیریت‌نشده. طراحی ماژوالر برای اجرای سریع الگوریتم‌های مختلف. موارد استفاده :خوشه‌بندی دارایی‌ها ،مدل‌سازی بازده ،تعیین وزن دارایی و غیره. • رویکرد جعبه‌سفید :برای درک عمیق مدل‌ها. • Parameter Optimization Frameworkچارچوب ب هینه‌س ازیپ ارامترها • چارچوبی برای انتخاب پارامترهای استراتژی و جلوگیری از تعصبات: • استفاده از روش‌های پویا برای بهینه‌سازی پارامترها. پایداری پارامترها :در طول زمان ،طبقات دارایی و مجموعه داده‌ها. معامله‌گری حرفه‌ای معامله مانند صندوق‌های حرفه‌ای .1انتخاب فعال: با تجزیه‌وتحلیل دقیق ،دارایی‌ها و استراتژی‌های معامالتی را به‌صورت فعال انتخاب کنید. .2بهره‌گیری از بازارهای نزولی: یاد بگیرید چگونه در بازارهای نزولی نیز سود کسب کنید. .3اهرم بهینه‌شده برای ریسک: استفاده از اهرم مالی با مدیریت دقیق ریسک برای افزایش بازده. .4کاهش ریسک سیستماتیک: طراحی استراتژی‌هایی برای کاهش اثرات ریسک‌های سیستماتیک. .5تنوع‌بخشی در بخش‌های مختلف: سرمایه‌گذاری در بخش‌های گوناگون برای کاهش ریسک پرتفوی. .6زمان‌بندی بازار: یادگیری نحوه تشخیص زمان مناسب برای ورود و خروج از بازار. 23 ساخت استراتژی‌ها/سبک‌ها مانند یک صندوق پوشش ریسک حرفه‌ای • -1آینده مدیریت‌شده CTA / • -3ارزش نسبی • -5مدل‌های پرتفوی کمی • عمدتا ً مبتنی بر دنبال کردن روند. • • امکان کسب سود از بازارهای نزولی و صعودی. استفاده هم‌زمان از موقعیت‌های خرید و فروش در بازارهای مرتبط. • استراتژی پرتفوی کمی با استفاده از مدل‌سازی آماری و تحلیل‌های کمی برای شناسایی فرصت‌ها و کاهش ریسک. • مناسب برای تنوع‌بخشی بخشی به پرتفوی. • بهره‌گیری از اشتباهات قیمت‌گذاری و سایر فرصت‌ها. • • استفاده کارآمد از محصوالت مشتقه با هزینه کم. • کسب سود از اختالف قیمت بین دو دارایی ،در حالی که نسبت به سایر عوامل خنثی باقی می‌ماند. استفاده از مدل‌های اختصاصی برای افزایش توانایی شکست بازار. • شامل استراتژی‌های مبتنی بر حرکت و استراتژی‌های معکوس. • مشارکت در طیف گسترده‌ای از محصوالت مالی و بازارهایی که • در محصوالت سرمایه‌گذاری سنتی (مانند کاالها) در دسترس نیستند. عدم همبستگی با بازارهای سهام و اوراق قرضه عمومی. • تمرکز بر تنوع‌بخشی و کاهش ریسک‌های سیستماتیک. • توانایی به حداقل رساندن ریسک سیستماتیک. • -4فرصت‌طلبانه • -6تنها موقعیت‌های کوتاه پویا • • -2سهام بلند /کوتاه تخصص در سرمایه‌گذاری در بازارهای سرمایه که ویژگی‌های منحصربه‌فردی را ارائه می‌دهند. • به‌طور کلی شامل اوراق بهاداری که در مقایسه با ارزش ذاتی خود با قیمت باالتری معامله می‌شوند. • شامل سرمایه‌گذاری هم در موقعیت‌های خرید (بلند) و هم فروش (کوتاه) در بازار در بخش‌ها ،دسته‌ها و مناطق مختلف. • استفاده از فرصت‌های اضافی برای کسب بازدهی باال و مدیریت • ریسک. هدف کاهش قیمت این اوراق در بازه‌های کوتاه‌مدت تا میان‌مدت است. • بزرگ‌ترین بخش از استراتژی‌های سرمایه‌گذاری صندوق‌های پوشش ریسک. • بهره‌برداری از ناکارآمدی‌های اساسی ،ناهنجاری‌ها و اختالالت در • بازارهای مالی. فروش اوراق بهاداری که بیش از حد ارزش‌گذاری شده‌اند ،بر اساس ارزیابی چشم‌انداز آن‌ها. • بتای کمتر و کاهش ریسک سیستماتیک به دلیل ماهیت خنثی بازار. • رویکرد باال به پایین برای شناسایی فرصت‌های سرمایه‌گذاری بلند و کوتاه‌مدت. • ارائه فرصت‌های متنوع در بازارهای نزولی و صعودی. 24 • کاهش ریسک سیستماتیک و بهره‌وری در بازارهای نزولی. مقایسه معامالت الگوریتمی در ایران و جهان • بازار پویا همانند بازار جهانی ارز با توجه به برخورداری از عمق باالی معامالتی را متاسفانه نمی‌‌توان با بازار سرمایه ایران ،مورد مقایسه قرار داد .زمان انجام معامالت را می‌توان به‌عنوان یکی از معضالت در بورس ایران محسوب کرد .عمق محدود معامالت هم چالش دیگری است .بنابراین نه به لحاظ زمانی و نه از نظر عمق و حجم معامالت با فارکس قابلیت مقایسه وجود ندارد. • بازار سرمایه ایران یک‌ طرفه است .بورس‌های جهانی اما الگوریتم پیاده‌ می‌کنند و در بازاری دو‌طرفه چنین ه‌گذار عالوه‌بر رشد قیمت از افت قیمت نیز به‌نوعی منفعت کسب می‌کند. مهمی را انجام می‌دهند .سرمای ‌ متاسفانه از الگوریتم‌‌هایی که در بورس‌های جهانی مورد‌ استفاده قرار می‌گیرند در بازار سهام نمی‌‌توان بهره برد. ه نوسان حذف شد و از بستر‌‌هایی که بتوان از طریق آن اقدام به • زمانی‌که عمق بازار افزایش یافت ،دامن ‌ گرفتن بک‌تست کرد بهره برد ،می‌توان به سمت الگوریتم‌‌ها حرکت کرد .زمانی‌که در بازار تقاضا و به‌نوعی حجم معامالت در ارقامی مطلوب وجود داشته باشد ،هچ نوع الگوریتمی نمی‌تواند قیمت‌ها را سرکوب کند. 25 چند درصد معامالت خرد بورس الگوریتمی است نتایج بررسی انجام شده سفارشات در بازه زمانی ابتدای سال جاری تا پایان مهرماه ،نشان‌دهنده آن است که حدود ۱۰درصد از ارزش سفارشات خرد سهام و حق تقدم ،شامل سفارشات الگوریتمی است)1403( . شرکت‌های فعال در معامالت الگوریتمی هم باید فعالیت خود را به نهاد ناظر و بورس مربوطه اطالع دهند و برای تأیید الگوریتم‌های مورد استفاده خود باید مجوز الزام را از بورس اوراق بهادار دریافت کنند. 26 آمار معامالتی الگوریتمی در جهان • یک ی از اس تراتژی‌های معامالت الگوریتم ی ک ه معموال ً مورد استفاده قرار می‌گیرد، تقسیم سفارش‌های بزرگ خرید و فروش به اندازه‌های کوچکتر به‌منظور به حداقل رساندن اثر سفارش‌های بزرگ بر قیمت بازار است .فناوری‌های معامالت الگوریتمی می‌توانن د ب ا قدرت محاس باتی باال فورا ً ب ه اخبار بازار انواع دارایی‌ه ا واکنش نشان دهند .همچنین الگوریتم‌ها می‌توانند قیمت‌ها را از چندین بازار به طور هم‌زمان مورد بررسی قرار دهند و در مسیر شناسایی فرصت‌های سودآور ،نقدشوندگی را در میان مجاری معامالتی متعدد تس هیل کنند .بنابرای ن هدف از معامالت الگوریتمی کمک به سرمایه‌گذاران برای اجرای استراتژی‌های مالی خاص در سریع‌ترین زمان ممکن به منظور به‌دست‌آوردن سود بیشتر است. • از دیدگاه نهاد ناظ ر بازار س رمایه آمریک ا ،معامالت الگوریتم ی ب ا افزای ش ریسک عملیاتی ناشی از توسعه ،آزمون و اجرای نامناسب الگوریتم‌ها می‌تواند اثرات مخرب شدیدی بر ثبات شرکت‌ه ا و کل بازاره ا داشته باش د بنابراین عدم وجود الزامات و محدودیت‌های نظارتی برای معامالت الگوریتمی می‌تواند ریسک‌های زیادی را به بازار وارد کرده و منجر به سقوط بازارهای مالی شود. 27 سخن پایانی • معامالت الگوریتمی در سطح جهانی ،از کشورهای آمریکا و اروپا گرفته تا هند ،چین و سنگاپور ،به س رعت در حال جایگزین ی معامالت س نتی هس تند و شرکت‌های ی ک ه از ای ن روش‌ه ا استفاده می‌کنند ،به طور فزاینده‌ای بازارهای این کشورها را تحت سلطه خود قرار داده‌اند .رقابت میان شرکت‌های س رمایه‌گذاری برای بهره‌برداری از ای ن تکنیک‌های مدرن شدت گرفته و معامالت الگوریتمی به جزئی از ساختار اصلی بازارهای مالی تبدیل شده‌اند. • مزایای برجسته معامالت الگوریتمی و اکسپرت‌ها (که از جمله مزایای کامپیوتر نسبت به انسان محس وب می‌شوند) مانن د س رعت باال در تحلی ل ،تص میم‌گیری و اجرای دس تورات ،همچنین عدم خستگی ،به تدریج فضای کمی برای روش‌های سنتی در بازارهای مالی باقی می‌گذارد. • در آینده ،وظیفه انس ان در بازارهای مالی جهانی به خالقیت و طراحی استراتژی‌ها و روش‌های جدید محدود خواهد شد و دیگر نیازی به رصد بازار و انجام معامالت نیست ،چرا که کامپیوترها هنوز نتواسته‌اند از نظر خالقیت به سطح انسان برسند. • بنابرای ن ،برای حضور مؤث ر در بازارهای مال ی آینده ،ی ا بای د ب ه استفاده‌کنندگان از معامالت الگوریتمی بپیوندیم ،یا در زمره طراحان این سیستم‌ها قرار بگیریم و در هر دو حالت ،یادگیری و تسلط بیشتر در این حوزه از ضروریات حضور فعال در بازارهای آینده است. 28 نمونه عملیاتی برنامه معامالت الگوریتمی با پایتون • پروژه با استفاده از کتابخانه های زیر برنامه نویسی شده است • Pandas • Numpy • Matplotlib • برنامه داده ها را از فایل stock_data.csvمی خواند و سیگنال ورود و خروج را بر اساس تقاطع میانگین متحرک 20و ( 50کوتاه و بلند مدت) صادر می کند و آن را در فایل strategy_output.csvذخیره میکند و نمودار قیمت زمان را ترسیم می کند .هرجا میانگین متحرک 20روز از میانگین متحرک 50روزه بیشتر می شود می خرد و بالعکس. 29 تشکر از توجه شما 30