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...جهت مطالعه ادامه متن، فایل را دریافت نمایید.