پاورپوینت معاملات الگوریتمی

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