알고리즘 트레이딩 전략 pty ltd

알고리즘 트레이딩 전략 pty ltd
무역 실행 및 위험 관리를 자동화하십시오.
라이브 거래.
자동 견적 및 헤징을 사용하여 옵션 거래 전략을 자동화하십시오. 대기 시간을 최소화하고 전략의 성과를 향상시킵니다. 어떤 옵션이 과소 또는 과대 평가되고 이점이 있는지에 관해 정보에 근거한 결정을하십시오.
대화 형 중개인 고객.
시뮬레이션 트레이딩.
실제 돈을 걸지 않고 발을 젖게하고 빅 리그 준비가되었는지 확인하십시오. 현실적인 교환 시뮬레이터와 정확한 tick-by-tick 마켓 데이터 재생을 제공합니다.
역 테스팅.
시뮬레이션 된 환경에 대한 자동 전략을 백 테스팅하십시오. AlgoEye API를 사용하여 옵션 거래 전략을 개발하고이를 다시 테스트하고 실시간 거래에 배포하십시오.

QuantStart.
빠르게 성장하는 소매점 퀀텀 트레이더 커뮤니티를 지원하는 Quantcademy 개인 회원 포털에 가입하십시오. 당신은 당신의 가장 중요한 퀀트 트레이딩 질문에 대답 할 준비가되어있는 지식이 풍부하고 마음이 맞는 퀀트 트레이더 그룹을 찾을 수 있습니다.
퀀트 트레이딩에 관한 나의 eBook을 확인해보십시오. 여기서 저는 파이썬 툴로 수익성 높은 체계적인 트레이딩 전략을 만드는 법을 가르쳐드립니다.
Python 및 R을 사용하여 시계열 분석, 기계 학습 및 베이지안 통계를 사용하는 고급 거래 전략에 관한 새로운 전자 책을 살펴보십시오.
2013 년 4 월 19 일 Michael Halls-Moore 작성
이 기사에서는 수익성있는 알고리즘 거래 전략을 식별하는 방법을 소개하고자합니다. 오늘 우리의 목표는 그러한 시스템을 찾고 평가하고 선택하는 방법을 자세히 이해하는 것입니다. 어떻게 전략을 식별하는 것이 개인의 선호에 관한 것인가와 전략의 성과, 테스트를위한 과거 데이터의 유형과 양을 결정하는 방법, 거래 전략을 냉정하게 평가하는 방법, 마지막으로 백 테스트 단계로 진행하는 방법에 대해 설명합니다. 전략 구현.
거래를위한 자신 만의 개인 선호도 확인.
성공적인 거래자가되기 위해서는 - 임의적으로 또는 알고리즘 적으로 - 정직한 질문을하는 것이 필요합니다. 트레이딩은 놀라운 속도로 돈을 잃을 수있는 능력을 제공하므로 선택한 전략을 이해하는 데 필요한만큼 "자신을 알아야합니다".
나는 거래에서 가장 중요한 고려 사항이 자신의 성격을 인식하고 있다고 말할 수 있습니다. 특히 거래 및 알고리즘 거래는 상당한 수준의 규율, 인내심 및 정서적 인 분리가 필요합니다. 알고리즘이 당신을 위해 당신의 거래를 수행하게하기 때문에, 그것이 실행될 때 전략에 간섭하지 않도록 해결할 필요가 있습니다. 이것은 특히 드로우 다운이 연장 된 기간에 매우 어려울 수 있습니다. 그러나 백 테스트에서 수익성이 높은 것으로 입증 된 많은 전략은 단순한 간섭으로 인해 망가질 수 있습니다. 당신이 알고리즘 트레이딩의 세계에 들어가기를 원한다면 감정적으로 테스트 될 것이고 성공하기 위해서는 이러한 어려움을 극복해야한다는 것을 이해하십시오!
다음 고려 사항은 시간 중 하나입니다. 풀 타임 직업이 있습니까? 파트 타임으로 일하십니까? 당신은 집에서 일하거나 매일 통근 통근을합니까? 이러한 질문은 귀하가 추구해야 할 전략의 빈도를 결정하는 데 도움이됩니다. 정규직 근무자의 경우, 일일 선물 전략이 적절하지 않을 수 있습니다 (적어도 완전히 자동화 될 때까지!). 시간 제약으로 인해 전략의 방법론이 결정됩니다. 당신의 전략이 빈번히 거래되고 값 비싼 뉴스 피드 (예 : 블룸버그 터미널)에 의존한다면 분명히 사무실에서이 전략을 성공적으로 실행할 수있는 능력에 대해 현실적이어야합니다! 많은 시간을 투자 한 사람들이나 전략을 자동화하는 기술을 배우려면보다 기술적 인 고 빈도 거래 (HFT) 전략을 고려해야합니다.
일관되게 수익성있는 포트폴리오를 유지하려면 거래 전략에 대한 지속적인 연구가 필요하다는 것이 나의 믿음입니다. "전략의 밑에 레이다"영원히 체재하십시오. 따라서 거래에 할당되는 상당 부분은 지속적인 연구 수행에 있습니다. 강력한 수익성 또는 손실에 대한 완만 한 쇠퇴의 차이가 될 수 있기 때문에 이것을 할 준비가되어 있는지 여부를 자문 해보십시오.
또한 거래 자본을 고려해야합니다. 양적 전략에 대해 일반적으로 받아 들여지는 이상적인 최소 금액은 50,000 USD입니다 (영국에서는 약 £ 35,000). 제가 다시 시작한다면, 아마 더 많은 금액, 아마 100,000 USD (약 £ 70,000)로 시작합니다. 그 이유는 중개 및 고주파 전략에서 거래 비용이 극도로 높을 수 있고 인출시 자본을 흡수 할 수있는 충분한 자본을 확보해야하기 때문입니다. 10,000 달러 미만으로 시작하는 것을 고려하고 있다면 거래 비용이 급격히 수익에 반영되므로 하나 또는 두 개의 자산으로 거래하는 저주파수 전략으로 제한해야합니다. 인터랙티브 브로커는 프로그래밍 기술을 가진 사람들에게 가장 친숙한 중개업자 중 하나 인 API로 인해 소매 계좌 최소 10,000 USD를 보유하고 있습니다.
프로그래밍 기술은 자동화 된 알고리즘 거래 전략을 수립하는 데 중요한 요소입니다. C ++, Java, C #, Python 또는 R과 같은 프로그래밍 언어에 익숙하면 엔드 투 엔드 데이터 저장소, 백 테스트 엔진 및 실행 시스템을 직접 만들 수 있습니다. 여기에는 여러 가지 장점이 있는데, 그 중 하나는 거래 인프라의 모든 측면을 완전히 인식 할 수있는 능력입니다. 또한 "기술 스택"을 완벽하게 제어 할 수 있도록 고주파수 전략을 탐색 할 수 있습니다. 이는 자신의 소프트웨어를 테스트하고 버그를 제거 할 수 있음을 의미하지만, 적어도 알 고 트레이딩 경력의 초기 부분에서는 인프라를 코딩하는 데 더 많은 시간을 소비하고 전략을 구현하는 데 더 적은 시간을 소비합니다. Excel 또는 MATLAB 거래가 편리하고 다른 구성 요소의 개발을 아웃소싱 할 수 있습니다. 그러나 나는 특히 높은 빈도로 거래하는 사람들에게 이것을 권장하지 않습니다.
알고리즘 거래를 통해 무엇을 성취하고자하는지 스스로 자문 해봐야합니다. 정기 수입에 관심이 있습니까? 이를 통해 귀하의 트레이딩 계좌에서 수입을 얻을 수 있습니다. 또는 장기 자본 이득에 관심이 있습니까? 그리고 자금을 인출 할 필요없이 거래 할 수 있습니까? 소득 의존성은 전략의 빈도를 결정합니다. 보다 정기적으로 수입을 인출하려면 변동성이 적은 (즉, 높은 Sharpe 비율) 고주파 거래 전략이 필요합니다. 장기 트레이더는보다 조용한 거래 빈도를 제공 할 수 있습니다.
마지막으로, 짧은 시간 안에 극도로 부유하게되는 개념에 속지 마십시오! Algo 거래는 부유 한 빠른 계획이 아닙니다. 무엇이든지 가난한 빠른 계획이 될 수있는 경우. 알고리즘 거래에 성공하려면 상당한 훈련, 연구, 부지런함 및 인내가 필요합니다. 일관성있는 수익성을 창출하는 데 몇 년이 걸릴 수도 있습니다.
소싱 알고리즘 거래 아이디어.
반대로 일반적인 인식에도 불구하고, 실제로 공개 도메인에서 수익성있는 거래 전략을 찾는 것은 매우 직접적입니다. 결코 오늘보다 더 쉽게 거래 아이디어를 구할 수 없었습니다. 학술 재무 저널, 인쇄 전 서버, 거래 블로그, 거래 포럼, 주간 거래 잡지 및 전문 텍스트는 아이디어를 바탕으로 수천 가지의 거래 전략을 제공합니다.
양적 거래 연구자로서의 우리의 목표는 지속적인 거래 아이디어를 제공 할 수있는 전략 파이프 라인을 수립하는 것입니다. 이상적으로 우리는 우리가 만나는 전략을 소싱, 평가 및 구현하는 체계적인 접근 방식을 만들고 싶습니다. 파이프 라인의 목표는 일정한 양의 새로운 아이디어를 생성하고 최소한의 감정적 인 배려로 이러한 아이디어의 대부분을 거부 할 수있는 틀을 제공하는 것입니다.
우리는인지 적 편향이 의사 결정 방법에 영향을 미치지 않도록 극도로주의해야합니다. 이것은 하나의 자산 클래스를 다른 자산 클래스보다 선호하는 것처럼 간단 할 수 있습니다 (금 및 기타 귀금속이 마음에 들었습니다). 우리의 목표는 항상 긍정적 인 기대와 함께 지속적으로 수익성있는 전략을 찾는 것입니다. 자산 클래스의 선택은 거래 자본 제약, 중개 수수료 및 레버리지 기능과 같은 다른 고려 사항을 기반으로해야합니다.
당신이 무역 전략의 개념에 완전히 익숙하지 않다면 처음 보는 것은 설립 된 교과서를 사용하는 것입니다. 클래식 텍스트는 양적 거래에 익숙해 지도록보다 간단하고 직관적 인 다양한 아이디어를 제공합니다. 다음은 목록을 통해 작업 할 때 점차 정교 해지는 양적 거래에 익숙하지 않은 사람들에게 내가 추천하는 선택입니다.
양적 거래 도서 목록을 더 보려면 QuantStart 독서 목록을 방문하십시오.
다음으로는 거래 포럼 및 거래 블로그를 통해보다 정교한 전략을 찾을 수 있습니다. 그러나주의 사항 : 많은 거래 블로그는 기술 분석의 개념에 의존합니다. 기술적 분석에는 자산 가격의 추세 또는 반전 패턴을 결정하기 위해 기본 지표 및 행동 심리를 활용하는 것이 포함됩니다.
전체 거래 공간에서 매우 인기가 있음에도 불구하고 기술적 분석은 양적 금융 분야에서 다소 비효율적이라고 여겨집니다. 일부 사람들은 별자리를 읽거나 예측력면에서 차를 연구하는 것보다 낫지 않다고 제안했습니다. 실제로 기술적 인 분석을 이용하는 성공적인 개인이 있습니다. 그러나보다 정교한 수학 및 통계 툴박스를 갖춘 콴트로서 우리는 그러한 "TA 기반"전략의 효과를 쉽게 평가하고 정서적 고려 또는 선입견에 기초하지 않고 데이터 기반 결정을 내릴 수 있습니다.
다음은 잘 알려진 알고리즘 거래 블로그 및 포럼의 목록입니다.
보다 간단한 전략을 평가 한 경험이 있으면보다 정교한 학업을 검토해야합니다. 구독료가 높거나 일회성 비용이 들지 않으면 일부 학술지에 액세스하기 어려울 수 있습니다. 대학의 회원 또는 동창 인 경우 이러한 재정적 저널 중 일부에 대한 액세스 권한을 얻을 수 있어야합니다. 그렇지 않으면 동료 검토가 진행되는 학술 논문 초안의 인터넷 저장소 인 인쇄 전 서버를 볼 수 있습니다. 우리가 성공적으로 복제하고 수익을 얻으려는 전략에만 관심이 있기 때문에 동료 평가는 우리에게별로 중요하지 않습니다.
학술 전략의 주된 단점은 종종 시대에 뒤떨어 지거나 모호하고 값 비싼 과거 데이터가 필요하거나 비유 동 자산 클래스에서 거래되거나 수수료, 미끄러짐 또는 확산을 고려하지 않을 수 있다는 것입니다. 또한 거래 전략이 시장 주문, 주문 제한 또는 중지 손실 등을 포함하는지 여부도 분명하지 않을 수 있습니다. 따라서 가능한 한 최선을 다해 전략을 반복적으로 재 테스트하고 현실적인 거래를 추가하는 것이 절대적으로 중요합니다 당신이 거래하고자하는 자산 클래스의 많은 양상을 포함하는 비용.
다음은 아이디어를 얻을 수있는 인기있는 사전 인쇄 서버 및 재무 저널 목록입니다.
자신의 양적 전략을 수립하는 것은 어떻습니까? 일반적으로 다음 범주 중 하나 이상의 전문 지식이 필요합니다.
시장 미세 구조 - 특히 고주파 전략의 경우 시장 미세 구조, 즉 수익성을 창출하기 위해 주문서 역학을 이해할 수 있습니다. 각기 다른 시장에는 다양한 기술 제한, 규제, 시장 참여자 및 특정 전략을 통한 착취에 대한 제약이있을 것입니다. 이것은 매우 정교한 분야이며, 소매업 종사자는이 분야에서 경쟁이 어렵다는 것을 알게 될 것입니다. 특히, 경쟁에는 강력한 기술적 능력을 갖춘 대규모의 잘 자본화 된 양적 헤지 펀드가 포함됩니다. 펀드 구조 - 연금 펀드, 민간 투자 파트너십 (헤지 펀드), 상품 거래 자문 및 뮤추얼 펀드와 같은 공동 투자 펀드는 대규모 규제와 대규모 자본 보유로 인해 제약을받습니다. 따라서 좀 더 민첩한 사람에게는 일정한 일관된 행동이 악용 될 수 있습니다. 예를 들어, 대규모 자금은 규모 때문에 용량 제약을받을 수 있습니다. 따라서 대량의 유가 증권을 신속하게 적재 (판매)해야하는 경우 "시장 이동"을 피하기 위해 비틀 거리게됩니다. 정교한 알고리즘은 자금 구조 차익 거래라고 알려진 일반적인 프로세스에서이 특이성 및 기타 특이성을 이용할 수 있습니다. 기계 학습 / 인공 지능 - 최근 몇 년 동안 금융 시장에서 기계 학습 알고리즘이 널리 보급되었습니다. Naive-Bayes 등의 분류 자 ​​(Classifier)와 비선형 함수 계산자 (신경망) 및 최적화 루틴 (유전 알고리즘)은 모두 자산 경로를 예측하거나 거래 전략을 최적화하는 데 사용되었습니다. 이 분야에 대한 배경 지식이 있다면 특정 알고리즘이 특정 시장에 어떻게 적용될 수 있는지에 대한 통찰력을 가질 수 있습니다.
물론 퀀트가 조사 할 수있는 많은 분야가있다. 이후 기사에서 맞춤 전략을 세우는 방법에 대해 자세히 설명합니다.
매주 또는 심지어 매일 이러한 소스를 지속적으로 모니터링함으로써 다양한 소스의 일관된 전략 목록을받을 수 있습니다. 다음 단계는 시간 낭비를 최소화하고 수익성이 없을 것으로 예상되는 전략에 대한 자원을 다시 테스트하는 방법으로 이러한 전략의 큰 부분 집합을 거부하는 방법을 결정하는 것입니다.
거래 전략 평가.
첫 번째, 그리고 틀림없이 가장 분명한 고려 사항은 실제로 전략을 이해하는지 여부입니다. 간결하게 전략을 설명 할 수 있습니까? 아니면 일련의 경고와 끝없는 매개 변수 목록이 필요합니까? 또한, 전략은 실제로 좋은, 견고한 기반을 가지고 있습니까? 예를 들어, 당신이 시도하고있는 패턴을 유발할 수있는 행동 적 근거 또는 자금 구조 제약을 지적 할 수 있습니까? 이 제약은 극적인 규제 환경의 혼란과 같은 정권 교체를 견디겠습니까? 전략은 복잡한 통계 또는 수학적 규칙에 의존합니까? 모든 금융 시계열에 적용됩니까 아니면 수익성이 있다고 주장되는 자산 클래스에만 해당합니까? 새로운 거래 방법을 평가할 때 이러한 요소에 대해 끊임없이 생각해야합니다. 그렇지 않으면 무익한 전략을 백 테스팅하고 최적화하는 데 많은 시간을 낭비 할 수 있습니다.
일단 전략의 기본 원칙을 이해했다면, 앞서 언급 한 성격 프로파일에 맞는지 여부를 결정해야합니다. 이것은 소리가 나지 않는 막연한 고려 사항은 아닙니다! 전략은 성능 특성이 크게 다를 것입니다. 더 중요한 기간의 인출을 처리하거나보다 큰 수익을 위해 더 큰 위험을 감수하고자하는 특정 성격 유형이 있습니다. 우리가 퀀트 (quants)로서 가능한 한 많은인지 적 편향을 시도하고 제거하고, 전략을 조심스럽게 평가할 수 있어야 함에도 불구하고, 편향은 언제나 기습적으로 변할 것입니다. 따라서 우리는 전략의 수행을 평가하기위한 일관성 있고 감정적 인 수단이 필요합니다 . 다음은 내가 잠재적 인 새로운 전략을 판단 할 수있는 기준 목록입니다.
방법론 - 전략 모멘텀은 시장 중심, 방향성, 방향성이 있습니까? 전략은 이해하기 어렵고 통계에서 박사 학위를 요구하는 정교한 (또는 복잡한!) 통계 또는 기계 학습 기술에 의존합니까? 이러한 기술로 인해 상당한 양의 매개 변수가 도입되어 최적화 편향으로 이어질 수 있습니까? 전략이 체제 변화 (즉, 금융 시장의 잠재적 새로운 규제)에 견딜 가능성이 있습니까? Sharpe Ratio - Sharpe 비율은 경험적으로 전략의 보상 / 위험 비율의 특성을 나타냅니다. 그것은 주식 곡선에 의해 견디는 변동성 수준에 대해 얼마나 많은 수익을 낼 수 있는지를 정량화합니다. 당연히, 우리는 이러한 수익률과 변동성 (즉, 표준 편차)이 측정되는 기간과 빈도를 결정해야합니다. 보다 높은 빈도 전략은 표준 편차의 샘플링 속도가 더 빨라지지만 예를 들어 전체 측정 시간이 더 짧아야합니다. 레버리지 - 수익성을 위해 전략에 상당한 영향력이 필요합니까? 전략은 수익을 내기 위해 레버리지 파생 상품 (선물, 옵션, 스왑)의 사용을 필요로합니까? 이러한 레버리지 계약은 막대한 변동성을 특징으로 할 수 있으며 이로 인해 마진 콜이 쉽게 발생할 수 있습니다. 그러한 변동성에 대한 거래 자본과 기질이 있습니까? 빈도 - 전략의 빈도는 기술 스택 (기술적 전문성), 샤프 비율 및 전반적인 거래 비용 수준과 밀접하게 관련되어 있습니다. 고려해야 할 다른 모든 문제, 높은 빈도 전략은 더 많은 자본을 필요로하며, 구현하기가 더 정교하고 어렵습니다. 그러나 백 테스팅 엔진이 정교하고 버그가없는 것으로 가정하면 훨씬 높은 Sharpe 비율을 갖게됩니다. 변동성 - 변동성은 전략의 "위험"과 강하게 관련됩니다. Sharpe 비율은 이것을 특징으로합니다. 기초 자산 군의 변동성이 크지 않다면 주식 곡선의 변동성이 커지며 샤프 비율도 작아진다. 나는 물론 긍정적 인 변동성이 거의 네거티브 변동성과 같다고 가정하고 있습니다. 일부 전략은 더 큰 불리한 변동성을 가질 수 있습니다. 이러한 속성을 알고 있어야합니다. 승패, 평균 손익 - 전략은 승패와 평균 손익 특성이 다릅니다. 잃어버린 거래의 수가 승리 한 거래의 수를 초과하더라도 매우 수익률 높은 전략을 가질 수 있습니다. 기세 전략은 수익성이 있기 위해 소수의 "대히트"에 의존하기 때문에이 패턴을 갖는 경향이 있습니다. 평균 회귀 전략은 거래가 "승리자"인 경우 반대되는 경향이 있지만 손실 거래는 매우 심할 수 있습니다. 최대 인출 - 최대 인출은 전략의 지분 곡선에서 가장 큰 전체적인 최저가 하락률입니다. 기세 전략은 장기간의 축소 (많은 증분 손실 거래로 인한 손실)로 고통받는 것으로 잘 알려져 있습니다. 역사적 테스트에서 이것이 전략과 관련하여 "통상적 인 업무"라고 제안한 경우에도 많은 상인은 연장 된 인출 기간에 포기할 것입니다. 당신은 당신의 전략 거래를 중단하기 전에 어느 정도의 연체율 (그리고 어느 기간 동안)을 받을지 결정할 필요가 있습니다. 이는 매우 개인적인 결정이므로 신중하게 고려해야합니다. 용량 / 유동성 - 소매 수준에서, 당신이 (비상주 주식처럼) 고도로 유동성이없는 수단으로 거래하지 않는 한, 당신은 전략 능력에 크게 신경 쓰지 않아도됩니다. 용량은 전략의 추가 자본에 대한 확장 성을 결정합니다. 대형 헤지 펀드의 대부분은 자본 배분에서 전략이 증가함에 따라 상당한 용량 문제로 어려움을 겪습니다. 매개 변수 - 특정 전략 (특히 기계 학습 커뮤니티에있는 전략)에는 많은 양의 매개 변수가 필요합니다. 전략에 필요한 추가 매개 변수가 있으면 최적화 바이어스 ( "곡선 맞춤"이라고도 함)에 취약 해집니다. 가능한 한 적은 수의 매개 변수로 전략을 타겟팅하고 전략을 테스트 할 수있는 충분한 양의 데이터가 있는지 확인해야합니다. 벤치 마크 - 거의 모든 전략 ( "절대 수익"으로 특징 지우지 않는 한)은 일부 성능 벤치 마크에 비해 측정됩니다. 벤치 마크는 일반적으로 전략이 거래하는 기본 자산 클래스의 큰 샘플을 특성화하는 지수입니다. 전략이 미국 주식을 거래 할 경우 S & P500은 전략을 측정하는 자연스러운 벤치 마크가됩니다. 이 유형의 전략에 적용되는 용어 "알파"및 "베타"가 들립니다. 이 계수에 대해서는 이후 기사에서 자세히 다룰 것입니다.
전략의 실제 수익률에 대해서는 언급하지 않았습니다. 왜 이런거야? 이와는 별도로 수익률은 실제로 전략의 효과에 대한 제한된 정보를 제공합니다. 그들은 레버리지, 변동성, 벤치 마크 또는 자본 요구 사항에 대한 통찰력을주지 못합니다. 따라서 전략은 드물게 자신의 수익만으로 판단됩니다. 수익을보기 전에 항상 전략의 위험 요소를 고려하십시오.
이 단계에서 귀사의 파이프 라인에서 발견되는 많은 전략은 자본 요건, 레버리지 제약, 최대 인출 허용 오차 또는 변동성 선호도를 충족시키지 않기 때문에 거부됩니다. 남아있는 전략은 이제 백 테스트로 고려 될 수 있습니다. 그러나 이것이 가능하기 전에 이러한 전략을 테스트 할 수있는 사용 가능한 과거 데이터의 최종 거부 기준을 고려해야합니다.
내역 데이터 얻기.
요즘에는 과거 데이터 저장을위한 자산 클래스 전반에 걸친 기술적 요구 사항의 폭이 넓습니다. 경쟁 우위를 유지하기 위해 구매자 (펀드)와 매도자 측 (투자 은행) 모두 기술 인프라에 막대한 투자를합니다. 그것의 중요성을 고려하는 것이 필수적입니다. 특히 적시성, 정확성 및 저장 요구 사항에 관심이 있습니다. 이제는 이력 데이터를 얻는 기본 및 저장 방법에 대해 간략하게 설명하겠습니다. 불행히도 이것은 매우 깊고 기술적 인 주제이므로이 기사의 모든 내용을 말할 수는 없습니다. 그러나 필자는 금융 산업에서의 이전 업계 경험이 주로 금융 데이터 수집, 저장 및 액세스에 관심을 가졌으므로 향후이 점에 대해 더 많이 쓰겠습니다.
이전 섹션에서는 우리 자신의 개인 거부 기준에 따라 특정 전략을 거부 할 수있는 전략 파이프 라인을 설정했습니다. 이 섹션에서는 과거 데이터를 얻으려는 우리 자신의 선호도에 따라 더 많은 전략을 필터링 할 것입니다. 주요 고려 사항 (특히 소매 실무자 수준)은 데이터 비용, 저장 요구 사항 및 기술 전문성 수준입니다. 우리는 또한 다양한 유형의 사용 가능한 데이터와 각 유형의 데이터가 우리에게 부과 할 다양한 고려 사항을 논의해야합니다.
사용 가능한 데이터의 유형과 고려해야 할 핵심 쟁점에 대해 논의하겠습니다.
기초 데이터 - 금리, 인플레이션 수치, 기업 활동 (배당, 주식 분할), SEC 신고, 기업 회계, 수익 수치, 작물보고, 기상 데이터 등과 같은 거시 경제 동향에 관한 데이터를 포함합니다. 가치있는 회사 또는 기타 자산을 기초로, 즉 미래의 예상 현금 흐름을 통해 제공해야합니다. 주식 가격 시리즈는 포함되지 않습니다. 일부 기본 데이터는 정부 웹 사이트에서 무료로 사용할 수 있습니다. 다른 장기간의 역사적인 기초 자료는 극도로 비쌀 수 있습니다. 수천 개의 회사가 한 번에 연구되지 않는 한, 스토리지 요구 사항은 대개 크지 않습니다. 뉴스 데이터 - 뉴스 데이터는 본질적으로 정 성적입니다. 기사, 블로그 게시물, 마이크로 블로그 게시물 ( "트윗") 및 사설로 구성됩니다. 감정을 해석하기 위해 분류 자와 같은 기계 학습 기술이 종종 사용됩니다. 이 데이터는 언론 매체를 통한 구독을 통해 종종 무료 또는 저렴한 가격으로 제공됩니다. 새로운 "NoSQL"문서 저장소 데이터베이스는 이러한 유형의 비정형, 정 성적 데이터를 저장하도록 설계되었습니다. 자산 가격 데이터 - 이것은 퀀트의 전통적인 데이터 도메인입니다. 자산 가격의 시계열로 구성됩니다. 주식 (주식), 채권 (채권), 상품 및 환율은 모두이 클래스에 포함됩니다. 주식 등의보다 간단한 자산 클래스를 얻기 위해서는 매일의 과거 데이터가 종종 간단합니다. 그러나 정확성과 청결도가 포함되고 통계 편향이 제거되면 데이터가 비쌀 수 있습니다. 또한 시계열 데이터는 특히 일중 데이터를 고려할 때 중요한 저장소 요구 사항을 가지고 있습니다. 금융 상품 - 주식, 채권, 선물 및 이국적인 파생 상품 옵션은 특성과 매개 변수가 매우 다릅니다. 따라서이를 수용 할 수있는 "한 가지 크기의 모든 것"데이터베이스 구조는 없습니다. 다양한 금융 상품에 대한 데이터베이스 구조의 설계 및 구현에 상당한주의를 기울여야합니다. 우리는 향후 기사에서 유가 증권 마스터 데이터베이스를 구축 할 때 그 상황을 충분히 논의 할 것입니다. 빈도 - 데이터 빈도가 높을수록 비용 및 저장 요구 사항이 커집니다. 저주파 전략의 경우 일일 데이터로 충분할 수 있습니다. 고 빈도 전략의 경우 틱 수준의 데이터와 특정 거래 교환 주문서 데이터의 기록 사본을 얻는 것이 필요할 수 있습니다. 이러한 유형의 데이터를위한 스토리지 엔진을 구현하는 것은 기술적으로 집중적이며 프로그래밍 / 기술적 배경이 강한 사람들에게만 적합합니다. 벤치 마크 - 위에서 설명한 전략은 종종 벤치 마크와 비교됩니다. 이것은 일반적으로 추가 금융 시간 시리즈로 나타납니다. 주식의 경우 S & P500 지수 (US) 또는 FTSE100 (UK)과 같은 국가 주식 벤치 마크입니다. 고정 수입 기금의 경우 채권 또는 채권 바구니와 비교하는 것이 유용합니다. "무위험 이자율"(즉, 적절한 이자율)은 널리 받아 들여지는 또 다른 벤치 마크입니다. 모든 자산 클래스 카테고리에는 선호되는 벤치 마크가 있으므로 외부 전략에 관심을 가지려면 특정 전략에 따라이를 조사해야합니다. 기술 - 재무 데이터 저장 센터 뒤의 기술 스택은 복잡합니다. 이 기사에서는 건물을 짓는 것과 관련된 것에 대해서만 표면을 긁을 수 있습니다. 그러나 MySQL, SQL Server, Oracle 또는 Document Storage Engine (예 : "NoSQL")과 같은 관계형 데이터베이스 관리 시스템 (RDBMS)과 같은 데이터베이스 엔진을 중심으로합니다. 데이터베이스를 쿼리하고 MATLAB, R 또는 Excel과 같은 외부 도구에 대한 액세스를 제공하는 "비즈니스 로직"응용 프로그램 코드를 통해 액세스 할 수 있습니다. 종종이 비즈니스 로직은 C ++, C #, Java 또는 Python으로 작성됩니다. 또한 개인용 컴퓨터 또는 인터넷 서버를 통해 원격으로이 데이터를 어딘가에 호스팅해야합니다. Amazon Web Services와 같은 제품은 최근 몇 년 동안이 방법을 더 간단하고 저렴하게 만들었지 만 강력한 기술력을 필요로합니다.
위에서 볼 수 있듯이 일단 전략이 파이프 라인을 통해 확인되면 특정 과거 데이터의 가용성, 비용, 복잡성 및 구현 세부 사항을 평가해야합니다. 과거 데이터 고려 사항만을 토대로 전략을 거부 할 필요가 있음을 알 수 있습니다. 이것은 큰 영역이며 PhD 팀은 가격이 정확하고시기 적절한지 확인하기 위해 대규모 기금에서 일합니다. 백 테스팅을 위해 강력한 데이터 센터를 구축하는 어려움을 과소 평가하지 마십시오!
그러나 많은 백 테스팅 플랫폼이 비용을 들이지 않고 자동으로이 데이터를 제공 할 수 있다고 말하고 싶습니다. 따라서 구현 통증을 당신에게서 멀리 벗어나게되고, 당신은 순전히 전략 구현과 최적화에 집중할 수 있습니다. TradeStation과 같은 도구에는이 기능이 있습니다. 그러나 내 개인적인 관점은 가능한 한 많은 것을 내부적으로 구현하고 스택의 일부를 소프트웨어 공급 업체에 아웃소싱하는 것을 피하는 것입니다. 더 매력적인 Sharpe 비율로 인해 더 높은 빈도 전략을 선호하지만 첨단 최적화가 중요한 기술 스택과 긴밀하게 결합되는 경우가 많습니다.
이제는 과거 데이터를 둘러싼 문제에 대해 논의 해 왔으며 이제는 백 테스트 엔진에서 전략을 구현할 때입니다. 이것은 토론의 동등한 큰 영역이기 때문에 다른 기사의 주제가 될 것입니다!
양적 거래 시작하기?
QuantStart 목록을 구독해야하는 3 가지 이유 :
1. 퀀트 트레이딩 레슨.
계량 거래를 시작하는 데 도움이되는 힌트와 팁으로 가득한 무료 10 일간 코스에 즉시 액세스 할 수 있습니다!
2. 모든 최신 내용.
매주 나는 퀀트 스타트에서 모든 활동의 포장을 보내드릴 것입니다. 그래서 당신은 결코 다시 글을 놓치지 않을 것입니다.
현실감 넘치는 퀀 트레이딩 팁.

알고리즘 트레이딩 전략, 패러다임 및 모델링 아이디어.
한 번 현명한 사람이 '외모는 속일 수있다'고 말했다. 문구는 알고리즘 트레이딩 전략에 적용됩니다. 알고리즘 트레이딩 전략이라는 용어는 매우 복잡하거나 너무 복잡하게 들릴 수 있습니다. 그러나 기본 개념이 명확 해지면 이해하기가 쉽습니다. 이 기사에서는 알고리즘 트레이딩 전략에 대해 몇 가지 흥미로운 예를 들어 설명하겠습니다.
외부에서 보면 알고리즘은 일련의 지시 또는 규칙 일뿐입니다. 이러한 일련의 규칙은 인적 개입없이 주문 실행을 자동화하기 위해 증권 거래소에서 사용됩니다. 이 개념을 알고리즘 거래 (Algorithmic Trading)라고합니다.
아주 간단한 거래 전략부터 시작하겠습니다. 이미 거래중인 사람들은 S. M.A와 그렇지 않은 사람들을 알게 될 것입니다. S. M.A는 단순 이동 평균입니다. S. M.A는 사전 정의되고 고정 된 일 수를 사용하여 계산할 수 있습니다. S. M.A에 기반한 알고리즘 트레이딩 전략은 다음 네 가지 간단한 단계로 단순화 할 수 있습니다.
5 일 SMA를 계산하십시오. 20 일 SMA를 계산하십시오. 5 일 SMA가 20 일 SMA보다 크거나 같을 때 긴 위치를 차지하십시오. 5 일 SMA가 20 일 SMA보다 작은 경우 짧은 위치를 차지하십시오.
이 알고리즘 트레이딩 전략을 이동 평균 크로스 오버 전략이라고합니다. 이것은 단순한 예일뿐입니다. 이제 모든 것이 장미의 침대가 될 것이라고 생각하지 마십시오. 그것이 있었 더라면 가시에 대비해야합니다. 매일의 거래에서 훨씬 복잡한 거래 알고리즘이 알고리즘 거래 전략을 생성하는 데 사용됩니다.
오늘날 사용되는 모든 알고리즘 트레이딩 전략은 크게 다음 범주로 분류 할 수 있습니다.
재향 군인 통계적 차익 거래 시장 추세에 따른 모멘텀 / 추세.
좀 자세히 설명하겠습니다.
모멘텀 기반 전략.
시장에서 특정 트렌드가 있다고 가정합니다. 알 고어 상인으로서, 당신은 그 추세를 따르고 있습니다. 우리의 가정에 더하여, 시장은 일주일 이내에 빠지게됩니다. 이제 통계를 사용하여 이러한 추세가 계속 될 것인지 판단 할 수 있습니다. 또는 앞으로 몇 주 내에 변경 될 경우. 따라서 다음 단계로 나아갈 것입니다. 알고리즘 거래 전략을 통계를 사용하여 결정한 시장 동향에 기반을 두었습니다.
추세를 따르는이 방법을 모멘텀 기반 전략이라고합니다.
이 알고리즘 트레이딩 전략을 구현하는 데는 여러 가지 방법이 있으며, 이전 기사에서 "자동화 트레이딩을위한 뉴스를 수량화하는 방법론"
제약 회사가 다른 회사에서 인수한다고 가정하면 우리 회사의 주가가 올라갈 수 있습니다. 이는 기업 이벤트 인 인수로 인해 발생합니다. 기업 이벤트 (이전 또는 이후) 중에 발생할 수있는 가격 비효율을 기반으로 투자를 계획하는 경우 이벤트 중심 전략을 사용하고 있습니다. 파산, 인수, 합병, 분사 등은 이러한 종류의 투자 전략을 유도하는 사건 일 수 있습니다.
이러한 전략은 시장 중립적 일 수 있으며 헤지 펀드 및 독점 상인에 의해 널리 사용됩니다.
통계적 차익 거래.
차익 거래 기회가 가격 오보 (misquoting)로 인해 발생하면 거래 전략을 수립하는 것이 매우 유리할 수 있습니다. 그러한 기회는 시장의 가격이 빨리 조정되기 때문에 매우 짧은 기간 동안 존재합니다. 이것이 자동화 된 기계가 그러한 변화를 즉시 추적 할 수 있기 때문에 이것이 알고리즘 트레이딩 전략을 사용하는 최선의 이유입니다.
예를 들어, 애플의 가격이 1 달러 미만으로 떨어지면 마이크로 소프트는 0.5 달러 하락할 것이지만 마이크로 소프트는 타락하지 않으므로 마이크로 소프트에게 가서 이익을 내기 위해 마이크로 소프트를 팔아야한다. 사람들은 통계적 차익 거래에 대한 일반적인 오해에 대해 읽을 수 있습니다.
시장 만들기.
마켓 제작을 이해하려면 마켓 메이커에 대해 먼저 이야기하겠습니다.
Wikipedia에 따르면 :
시장 제작자 또는 유동성 공급자는 재고로 보유하고있는 금융 상품이나 상품의 구매 가격과 판매 가격을 모두 인용하거나 입찰 제안 스프레드에서 수익을 내고자 할 것을 기대하는 회사 또는 개인입니다.
시장 형성은 증권 거래소에서 자주 거래되지 않는 유가 증권에 유동성을 제공합니다. 시장 제조사는 증권의 수요 공급 방정식을 향상시킬 수 있습니다. 내가 한 가지 예를 들어 보겠다.
Rs를 사 주시는 마켓 (market maker)이 있다고 가정 해 봅시다. 500 달러를 시장에서 팔아 505 달러에 팔아라. 그는 Rs에 대한 입찰 견적을 줄 것이다. 505-500. 루피의 이익. 5 가치있는 실질적인 손실없이 현금으로 판매하거나 교환 할 수 없습니다. 마틴이 더 높은 위험을 감수하면 이익도 높아집니다.
나는 Indian Bull Market에서 마이클 루이스 (Michael Lewis)의 저서 인 '플래시 보이즈 (Flash Boys)'를 매우 흥미롭게 발견했으며 유동성, 시장 창출 및 HFT에 대해 매우 자세히 이야기합니다. 이 기사를 읽은 후에 그것을 확인하십시오.
분석적이고 & amp; 알고리즘 트레이딩에 들어가거나 업그레이드 할 때 양적으로 프로그래밍을 배우고 (일부는 아닐지라도) 프로그래밍을 배우고 올바른 알고리즘 트레이딩 전략을 실행하는 것이 절대적으로 필요합니다. 대화 형 중개인이있는 자동 거래에 관한이 기사를 Python을 사용하여 읽으면 매우 유용합니다. 여기에서 기사를 읽을 수 있습니다.
패러다임 & amp; 아이디어 모델링.
이제 알고리즘 트레이딩 전략을 소개 했으므로 각 전략과 관련된 전략 패러다임과 모델링 아이디어에 대해 조명 해 보겠습니다.
시장 통계적 차별화 모멘텀 기계 기반 학습
시장 만들기.
앞에서 언급했듯이 시장 창출의 주요 목적은 증권 거래소에서 거래되지 않는 유가 증권에 유동성을 주입하는 것입니다. 유동성을 측정하기 위해 입찰가 스프레드와 거래량을 고려합니다.
거래 알고리즘은 입찰가 스프레드에서 이익을 얻는 경향이 있습니다. 이 절에서 우리 친구 인 마틴을 다시 언급 할 것입니다. Martin은 시장 매매자로, 매수 제안을 통해 이익을 얻고 자하는 금융 상품에 대해 매수와 매도를 동시에 할 수있는 유동성 공급자입니다. 마틴은 그가 가격을 인용 한 유가 증권을 보유 할 위험을 감수하며 주문이 접수되면 즉시 자신의 재고에서 팔 수 있습니다. 그는 몇 초 안에 상쇄 제안을 할 수도 있고 그 반대 일 수도 있습니다.
유동성이없는 유가 증권의 경우, 스프레드가 일반적으로 높아지고 이익도 마찬가지입니다. 이 경우 마틴은 더 높은 위험을 감수 할 것입니다. 시장의 여러 세그먼트는 특정 시점에서 여러 중소형주 주식의 출구를 얻을 수 없기 때문에 유동성 부족으로 인해 투자자의 관심이 부족합니다.
마틴 (Martin)과 같은 마켓 메이커 (Market Maker)는 언제나 그들이 제시 한 가격으로 사고 파는 준비가되어 있으므로 도움이됩니다. 사실, 고주파 거래 (HFT)의 대부분은 수동적 시장 만들기입니다. 전략은 시장의 양측에 (종종 동시에) 서로 경쟁하여 필요한 사람들에게 유동성을 제공합니다.
그렇다면이 전략이 가장 수익성이 높은 것은 언제입니까?
이 전략은 모델이 미래 가격 변동을 정확히 예측하는 한 수익성이 있습니다.
이 패러다임을 기반으로 아이디어를 모델링합니다.
유동성 공급자가 지불 한 유동성 비용 곡선을 얻기 위해 입찰가 스프레드와 거래량을 함께 모델링 할 수 있습니다. 유동성 채권자가 최상의 입찰가로 주문을 실행하고 묻는다면, 수수료는 매도 호가를 곱한 금액과 동일 할 것입니다. 거래가가 최상의 입찰가를 넘어서서 더 많은 거래량을 요구할 때 수수료는 거래량의 함수가됩니다.
유동성 인수자의 실행 전략에 따라 거래량을 모델링하기가 어렵습니다. 목표는 가격 변동성에 부합하는 거래량 모델을 찾는 것입니다. 시장을 만드는 모델은 일반적으로 두 가지 중 하나를 기반으로합니다.
첫 번째는 재고 위험에 초점을 맞 춥니 다. 이 모델은 위험 선호도에 따라 선호하는 재고 위치 및 가격을 기준으로합니다. 두 번째는 정보에 입각 한 거래와 소음 거래를 구별하는 불리한 선택을 기반으로합니다. 소음 거래는 정보통 거래가하는 반면 시장에 대한 어떠한 시각도 갖고 있지 않습니다. 유동성 공급자의 견해가 단기적 일 때, 그 목적은 통계적 우위를 활용하여 단기 이익을 창출하는 것입니다. 장기적인 관점에서 볼 때, 목적은 거래 비용을 최소화하는 것입니다. 장기 전략과 유동성 제약은 단기 실행 전략을 둘러싼 소음으로 모델링 할 수 있습니다.
마켓 메이커에 대해 더 알고 싶다면 QuantInsti의 블로그에서이 흥미로운 기사를 확인하십시오.
통계적 차익 거래.
시장 창출이 입찰가 스프레드를 사용하는 전략 인 경우 통계적 차선 거래자는 이러한 자산의 예상 가치를 기준으로 한 가지 이상의 자산에 대한 통계적 오류로 이익을 얻고 자합니다.
통계적 재정 거래를 설명하는 좀 더 학술적인 방법은 대량의 법칙으로부터 이익을 얻으려는 기대감으로 매우 짧은 유지 시간에 수천 번에서 수백 번의 거래로 위험을 분산시키는 것입니다. Statistical Arbitrage Algorrage 알고리즘은 평균 회귀 가설을 기반으로합니다.
쌍 거래는 통계적 차익 거래 전략으로 통칭되는 여러 전략 중 하나입니다. 쌍 무역 전략에서 가격의 역사적 동조를 나타내는 주식은 근본적 또는 시장 기반 유사성을 사용하여 짝을 이룬다. 이 전략은 시장의 상대 가격이 평형에 있다는 개념과이 평형으로부터의 편차가 결국 수정 될 것이라는 견해를 바탕으로합니다.
하나의 주식이 다른 주식보다 우월 할 때, 단기 성과는 컨버전스에서 끝날 것이라는 예상과 함께, 초과 수익률은 단기 매도하고 다른 주식은 오랫동안 매입됩니다. 이것은 종종 불리한 시장 움직임으로 인해 시장 위험을 헤지하는데, 즉 전략 베타를 중립으로 만든다. 그러나 포지션의 전체 시장 위험은 각 주식에 투자 된 자본의 양과 그러한 위험에 대한 주식의 민감성에 달려 있습니다.
모멘텀 전략은 시장 동향을 이용하여 기존 추세가 지속됨에 따라 이익을 추구합니다.
"간단히 말하면, 높은 것을 사서 더 많이 팔고 그 반대도 마찬가지입니다."
그리고 어떻게 이것을 성취합니까?
이 특별한 알 고 - 트레이딩 전략에서 우리는 반전의 징후가 나타날 때까지 위 또는 아래로가는 주식에서 단기 포지션을 취할 것입니다. 거의 모든 다른 잘 알려진 전략에 반 직관적입니다. 가치 투자는 일반적으로 평균 반전이 발생하기 전에 장기간 반전에 기반한 반면, 모멘텀 투자는 평균 반전이 발생하기 전의 시간 간격을 기반으로합니다.
모멘텀은 성능을 추구하지만 정서적 인 결정을 내리는 다른 성능 체이서를 체계적으로 활용합니다. 역사적으로 효과가 입증 된 전략에는 일반적으로 두 가지 설명이 있습니다. 전략은 추가 위험에 대해 보상되거나 보험료가 존재하는 행동 요인이 있습니다.
기세가 작동하기 때문에 투자자가 보여주는 행동상의 편향과 정서적 실수의 긴 목록이 있습니다. 그러나 트렌드가 영원히 지속되지 않고 끝나고 끝날 때 신속한 반전을 나타낼 수 있기 때문에 이렇게하는 것이 쉽지 않습니다. 모멘텀 트레이딩은 다른 대부분의 전략보다 높은 변동성을 보이며 시장의 변동성을 이용하려고합니다. 적절한 위험 관리 기법을 사용하고 손실을 막음으로써 손실을 피하기 위해 구매를 시간을 정하는 것이 중요합니다. 모멘텀 투자는 이러한 심각한 충돌을 방지하기 위해 적절한 모니터링과 적절한 다각화가 필요합니다.
첫째, 가격 모멘텀이나 추세를 감지하는 방법을 알아야합니다. 당신이 이미 거래를하고 있기 때문에 며칠, 몇 주 또는 몇 달 연속으로 계속 올라간 주식 및 ETF를 통해 추세가 감지 될 수 있음을 알고 있습니다. 예를 들어 52 주 최고치의 10 % 이내에서 주식 거래를 확인하거나 최근 12 주 또는 24 주간의 주가 변동률을 살펴보십시오. 마찬가지로 짧은 경향을 파악하기 위해 단기적인 가격 변화를 포함 시키십시오.
2008 년 다시 석유와 에너지 부문이 붕괴되는 동안 계속해서 최고 부문 중 하나로 선정되었습니다. 주식 가격 변동을 이해하기 위해 수입을 볼 수도 있습니다. 과거 수익률 ( "가격 모멘텀 전략") 또는 어닝 서프라이즈 ( "이익 모멘텀 전략")에 기반한 전략은 다양한 정보에 대한 시장 과소 반응을 이용합니다. 이익 모멘텀 전략은 단기 수익과 관련된 정보에 대한 과소 반응으로 이익을 얻을 수 있습니다. 마찬가지로, 가격 모멘텀 전략은 장기적인 수익성을 포함하여 더 광범위한 일련의 정보에 대한 시장의 느린 응답으로부터 이익을 얻을 수 있습니다.
기계 학습 기반.
기계 학습 기반 거래에서 알고리즘은 특정 신뢰 구간에서 매우 단기간의 가격 변동 범위를 예측하는 데 사용됩니다. 인공 지능 (AI)을 사용하면 인간이 초기 소프트웨어를 개발하고 AI 자체가 모델을 개발하고 시간이 지남에 따라 향상된다는 이점이 있습니다. 많은 수의 펀드는 데이터 과학자 및 퀀트에 의해 만들어진 컴퓨터 모델에 의존하지만 일반적으로 정적입니다. 즉 시장과 함께 변경되지 않습니다. 한편, ML 기반 모델은 대량의 데이터를 고속으로 분석 할 수 있으며 그러한 분석을 통해 스스로를 향상시킬 수 있습니다.
"베이지안 네트워크 (Bayesian networks)"라고 불리는 컴퓨터 기울기 형식은 몇 대의 기계를 활용하면서 시장 추세를 예측하는 데 사용할 수 있습니다. 진화론 적 계산 (유전학에서 영감을 얻음)과 심층 학습 같은 기술을 포함하는 인공 지능은 수 백대 또는 수천 대의 기계에 적용될 수 있습니다. 디지털 주식 거래자를 크고 무작위로 수집하여 과거 데이터에 대한 실적을 테스트 할 수 있습니다. 그런 다음 최고의 연기자를 선정하고 자신의 스타일 / 패턴을 사용하여 진화 된 상인을 새로 만듭니다. 이 프로세스는 여러 번 반복되며 자체에서 완전히 작동 할 수있는 디지털 상인이 만들어집니다.
이 프로세스는 여러 번 반복되며 자체에서 완전히 작동 할 수있는 디지털 상인이 만들어집니다.
이것들은 몇 가지 중요한 전략 패러다임과 모델링 아이디어였습니다. 다음으로, 우리는 단계별 절차를 거쳐 거래 전략을 수립 할 것입니다.
QuantInsti의 알고리즘 트레이딩 (Executive Transaction) 프로그램 (Executive Trading Program) (EPAT)에서 강의 패러다임과 평생 액세스 및 지원을 통해 온라인으로 이용할 수있는 가장 광범위한 알고리즘 트레이닝 코스 중 하나 인이 패러다임을 아주 자세히 배울 수 있습니다.
알고리즘 거래 전략 수립.
algo 거래 전략부터 패러다임 및 모델링 아이디어에 이르기까지 필자는 기사의 해당 섹션에서 기본적인 알고리즘 거래 전략을 수립하는 방법을 설명합니다.
algo 거래 전략의 구현부터 어떻게 시작합니까?
그것은 당신의 마음에 왔을 것임에 틀림없는 첫 번째 질문입니다. 요점은 이미이 기사를 읽는 동안 알고리즘 거래 전략의 기본과 패러다임을 알면 시작했다고합니다. 자, 우리의 악 대차에 엔진이 켜져 있고, 가속기를 누를 때입니다.
그리고 이것이 정확히 어떻게 이루어 졌습니까?
나는 어떻게 알고리즘 트레이딩 전략이 단계적으로 구축되는지 설명 할 것이다. 간결한 설명은 전체 프로세스에 대한 아이디어를 제공합니다.
첫 번째 단계는 전략 패러다임을 결정하는 것입니다. 마켓 메이킹, 차익 거래 기반, 알파 생성, 헤지 또는 실행 기반 전략이 될 수 있습니다. 이 특정 사례에서는 시장 중립적 인 베타 중립적 인 통계적 재정 거래 전략 인 페어 트레이딩을 선택하고 시장 움직임에 관계없이 알파를 생성합니다.
시장 전망이나 시각적 상관 관계 (쌍 거래 전략의 경우)에 따라 거래하고자하는 실제 증권을 결정할 수 있습니다. 선택한 증권에 대해 전략이 통계적으로 중요한지 여부를 결정합니다. 예를 들어, 쌍 거래의 경우 선택한 쌍의 공동 통합을 확인하십시오.
이제 전략에서 구매 / 판매 신호를 생성 할 논리를 코딩하십시오. 쌍 거래에 대해 "평균 회귀"를 확인합니다. 쌍의 확산에 대한 z - 점수를 계산하고 그것이 평균으로 되돌릴 것으로 예상 할 때 구매 / 판매 신호를 생성합니다. "Stop Loss"및 "Profit Taking"조건을 결정하십시오.
손실 중지 & # 8211; Stop-loss order는 보안상의 입장에서 투자자의 손실을 제한합니다. 그것은 더 이상의 손실을 피하기 위해 기존의 장단기를 축소하라는 명령을 내리고 거래 결정에서 감정을 제거하는 데 도움을줍니다. 이익을 얻으십시오 & # 8211; 이익을 창출하는 명령은 유리한 방향으로 움직이는 경우 이익을 잠 그려면 기존 위치를 자동으로 닫는 데 사용됩니다. 인용 또는 타격 전략.
전략이 "인용"또는 "타격"이 될지를 결정하는 것은 매우 중요합니다. 실행 전략은 전략이 얼마나 공격적이고 수동적인지를 결정합니다.
인용 & # 8211; 한 쌍의 거래에서 한 가지 보안에 대해 인용하고 그 위치가 채워지는지 여부에 따라 다른쪽에 대한 주문을 보냅니다. 이 경우 채우기 확률은 낮지 만 한 쪽에서는 입찰가를 저장하지 않아도됩니다. 타격 - 이 경우 두 증권에 대해 동시에 시장 주문을 발송합니다. 채우기를 할 확률은 높지만 동시에 미끄러짐이 더 많고 양측에서 입찰가를 지불합니다.
채우기 확률과 미끄러짐 및 시간 집행자의 관점에서 최적화 된 실행 사이의 선택은 내가 그렇게해야만하는 경우입니다. 따옴표를 선택하면 따옴표를 결정해야합니다. 이것은 쌍 거래의 작동 방식입니다. 덜 유동적 인 보안에 대한 견적을 결정하면 미끄러짐은 줄어들지 만 거래량은 낮아지고 유동성 증권은 다른 한편으로는 미끄러짐 위험이 증가하지만 거래량은 높아질 것입니다.
인과 관계를 확인하기 위해 통계를 사용하는 것은 결정에 도달하는 또 다른 방법입니다. 즉, 보안이 다른 보안에서 변화를 일으키고 어떤 것이 인도 하는지를 변경하는 것입니다. 인과 관계 테스트는 "lead-lag"쌍을 결정합니다. 선두에 대한 견적과 뒤늦은 보안 보장.
선택한 전략이 좋든 나쁘 든 어떻게 결정합니까?
가설을 어떻게 판단합니까?
여기서 전략을 백 테스트하는 것은 과거 데이터를 기반으로 설계된 가설의 성능을 평가하는 데 필수적인 도구입니다. 백 테스트 결과와 실적 통계가 가설을 뒷받침하는 경우 전략이 좋은 것으로 간주 될 수 있습니다.
따라서 충분한 수의 데이터 요소를 사용하여 히스토리 데이터를 선택하는 것이 중요합니다. 이것은 다양한 시장 시나리오 (강세, 약세 등)를 다루는 충분한 수의 견본 거래 (최소 100 개 이상의 거래)를 창출하는 것입니다. 중개 및 미끄러짐 비용에 대한 조항을 마련했는지 확인하십시오. 이렇게하면 좀 더 사실적인 결과를 얻을 수 있지만 다시 테스트하는 동안 근사치를 만들어야 할 수도 있습니다. 예를 들어, 견적 전략을 백 테스팅하는 동안 채우기를 얻는 시점을 파악하는 것은 어렵습니다. 따라서 일반적인 관행은 직위가 마지막 거래 가격으로 가득 차 있다고 가정하는 것입니다.
어떤 유형의 도구를 사용해야합니까?
알고리즘 트레이딩 전략에 대한 백 테스트에는 엄청난 양의 데이터가 관련되어 있으므로 특히 진드기 데이터로 진드기를 사용할 경우 특히 그렇습니다. 따라서, 엄청난 양의 데이터를 처리 할 수있는 도구를 찾아야합니다.
R 또는 MATLAB?
R은 방대한 양의 데이터를 처리하는 데 탁월하며 높은 계산 능력도 갖추고 있습니다. 따라서 백 테스팅 (backtesting)을위한 더 나은 도구 중 하나로 만들 수 있습니다. 또한 R은 오픈 소스이며 무료입니다. 우리는 MATLAB도 사용할 수 있지만 라이센스 비용이 따릅니다.
좋아, 나는 단지 스파이더 맨 영화 (유명한 영화가 아니라)에서 벤 파커의 유명한 인용문을 찢어 버렸다. 그러나 저를 신뢰하십시오, 그것은 100 % 사실입니다. 전략에 대한 확신이 얼마나 있든 또는 이전에 성공할 수 있었는지에 관계없이 각 단계와 모든 것을 세부적으로 평가해야합니다. 전략의 성능과 위험을 분석 할 때 모니터링해야하는 몇 가지 매개 변수가 있습니다. 몇 가지 중요한 측정 항목 / 비율은 다음과 같습니다.
총 수익률 (CAGR) - 복합 연간 성장률 (CAGR). 이는 1 년 이상 특정 기간 동안 투자의 연평균 성장률입니다. 적중률 - 거래 대 주문 비율. 거래 당 평균 이익 - 총 이익을 거래 수로 나눈 것 거래 당 평균 손실 - 총 손실을 거래 수로 나눈 최대 Drawdown & # 8211; 모든 거래에서 최대 손실 수익률의 변동성 - "수익률"의 표준 편차 Sharpe Ratio - 위험 조정 수익률, 즉 단위 변동성 또는 총 위험 당 초과 수익률 (위험 대비 이자율 대비).
알고리즘 트레이딩 전략의 전체 과정은 여기서 끝나지 않습니다. 이 기사에서 내가 제공 한 것은 끝없는 에베레스트의 발자국 일 뿐이다. 이를 극복하기 위해서는 올바른 지식을 갖추고 올바른 가이드가 멘토링해야합니다. 그것이 QuantInsti가이 여행을 통해 당신을 인도하기 위해 들어오는 곳입니다. QuantInsti는 에베레스트를 끝내는 데 도움이 될 것입니다. 알고리즘 거래 전략에 대해 더 알고 싶다면 여기를 클릭하십시오.

알고리즘 트레이딩 전략 pty ltd
TraderDesign에서 우리는 완전히 자동화 된 거래 솔루션으로 거래 전략을 변화시키는 것을 전문으로합니다. Metatrader, Tradestation 또는 NinjaTrader를 선호하는 플랫폼 이건간에 우리의 전문 개발자는 비용의 일부만을위한 완전 자동화 된 트레이딩 솔루션을 제공합니다.
때때로 로봇 거래라고도하는 알고리즘 트레이딩의 이점은 이제 TraderDesign 덕분에보다 쉽고 저렴하게 구입할 수 있습니다. 지금 저희에게 연락하시면 귀하가 선택한 플랫폼에서 전문 어드바이저 또는 외환 로봇으로 거래 전략을 전환하는 다음 단계에 대해 기꺼이 논의 할 것입니다.