알고리즘 트레이딩 시스템 위키

March 14, 2018

알고리즘 트레이딩 시스템 위키

알고리즘 트레이딩의 기초 : 개념과 예제.

알고리즘은 작업 또는 프로세스를 수행하기 위해 명확하게 정의 된 지침 집합입니다.

알고리즘 트레이딩 (자동 트레이딩, 블랙 박스 트레이딩, 또는 단순한 알 고 트레이딩)은 a 컴퓨터가 불가능한 속도와 빈도로 이익을 창출하기 위해 거래를하기 위해 정의 된 명령어 세트를 따르도록 프로그래밍 된 컴퓨터를 사용하는 프로세스입니다. 인간 상인. 정의 된 규칙 집합은 타이밍, 가격, 수량 또는 모든 수학적 모델을 기반으로합니다. 상인에 대한 이익 기회와는 별도로, 알 고향 거래는 시장을보다 유동적으로 만들고 무역 활동에 대한 정서적 인적 영향을 배제함으로써보다 체계적인 거래를 만듭니다. (자세한 내용은 올바른 알고리즘 트레이딩 소프트웨어 선택을 확인하십시오.)

거래자가 다음과 같은 간단한 거래 기준을 따랐다 고 가정 해보십시오.

50 일 이동 평균이 200 일 이동 평균보다 커지면 50주의 주식을 매수하십시오. 50 일 이동 평균이 200 일 이동 평균보다 낮아지면 주가는 주식의 주식을 매도합니다.

이 두 가지 간단한 지침을 사용하면 정의 된 조건이 충족 될 때 주가 및 이동 평균 지표를 자동으로 모니터링하고 구매 및 판매 주문을하는 컴퓨터 프로그램을 작성하기 쉽습니다. 상인은 더 이상 실시간 가격 및 그래프를 감시하거나 수동으로 주문할 필요가 없습니다. 알고리즘 거래 시스템은 거래 기회를 정확하게 식별함으로써 자동으로 거래를 수행합니다. 이동 평균에 대한 자세한 내용은 단순 이동 평균을 참조하십시오.

[입증 된 전략과 궁극적으로 알 고리즘 트레이딩 시스템으로 작업 할 수있는 포인트 전략에 대해 자세히 알아 보려면 Investopedia Academy의 Become a Day Trader 코스를 확인하십시오. ]

알고리즘 트레이딩의 이점.

Algo-trading은 다음과 같은 이점을 제공합니다.

가능한 최상의 가격으로 실행되는 거래 신속하고 정확한 거래 주문 배치 (따라서 원하는 수준의 실행 가능성 높음) 중요한 가격 변동을 피하기 위해 정확하고 즉각적인 거래 시간 단축 트랜잭션 비용 절감 (아래의 구현 부족 예 참조) 여러 항목에 대한 동시 자동 점검 시장 조건 거래 배치시 수동 오류 위험 감소 사용 가능한 과거 및 실시간 데이터를 기반으로 알고리즘 백 테 스트 정서적 및 심리적 요인에 기반한 인적 자원 거래자의 실수 가능성 감소.

현재의 고액 거래의 가장 큰 부분은 고주파 거래 (high frequency trading, HFT)입니다. 이 프로그램은 미리 프로그래밍 된 지침에 따라 여러 시장 및 여러 결정 매개 변수에 걸쳐 매우 빠른 속도로 대량 주문을 활용하려고 시도합니다. (고주파 거래에 대한 자세한 내용은 고주파 거래 (HFT) 회사의 전략과 비밀을 참조하십시오.)

Algo-trading은 다음과 같은 다양한 거래 및 투자 활동에 사용됩니다.

주식을 대량 구매하지만 불특정 다수의 투자로 주식 가격에 영향을 미치고 싶지 않은 중장기 투자자 또는 매수 측 회사 (연기금, 뮤추얼 펀드, 보험 회사). 단기 거래자 및 매도자 측 참가자 (시장 형성 자, 투기자 및 중개인)는 자동 거래 실행의 혜택을받습니다. 또한, algo-trading은 시장에있는 판매자에게 충분한 유동성을 창출하는 데 도움을줍니다. 체계적인 거래자 (추종자, 쌍 거래자, 헤지 펀드 등)는 거래 규칙을 프로그래밍하고 프로그램이 자동으로 거래되도록하는 것이 훨씬 더 효율적이라는 것을 알게됩니다.

알고리즘 거래는 인간 상인의 직감이나 본능에 기반한 방법보다 적극적인 거래에 대한 체계적인 접근 방식을 제공합니다.

알고리즘 트레이딩 전략.

알고리즘 거래를위한 모든 전략에는 향상된 수익 또는 비용 절감 측면에서 수익성이 확인 된 기회가 필요합니다. 다음은 algo-trading에서 사용되는 일반적인 거래 전략입니다.

가장 일반적인 알고리즘 트레이딩 전략은 이동 평균, 채널 이탈, 가격 수준 이동 및 관련 기술 지표의 추세를 따릅니다. 이러한 전략은 예측이나 가격 예측을하지 않기 때문에 알고리즘 거래를 통해 구현하는 가장 쉽고 간단한 전략입니다. 거래는 바람직한 추세의 발생을 기반으로 시작되며, 이는 예측 분석의 복잡성에 빠지지 않고 알고리즘을 통해 구현하기 쉽고 간단합니다. 위에서 언급 한 50 일과 200 일 이동 평균의 예는 인기있는 추세 전략입니다. (추세 거래 전략에 대한 자세한 내용은 추세를 활용하는 간단한 전략을 참조하십시오.)

한 시장에서 더 낮은 가격에 이중 상장 주식을 매수하고 다른 시장에서 더 높은 가격으로 동시에 매각하는 것은 가격 차이를 무위험 수익 또는 차익 거래로 제공합니다. 가격 차이가 수시로 존재하기 때문에 동일한 작업이 주식 대 선물 상품에 대해 복제 될 수 있습니다. 이러한 가격 차이를 식별하고 주문을하는 알고리즘을 구현하면 효율적인 방식으로 수익성있는 기회를 얻을 수 있습니다.

인덱스 펀드는 보유 자산을 각각의 벤치 마크 지수와 동등하게 유지하기 위해 재조정 기간을 정했습니다. 이는 인덱스 펀드 재조정 직전에 인덱스 펀드의 주식 수에 따라 20-80의 베이시스 포인트 이익을 제공하는 예상 거래를 활용하는 알고리즘 트레이더에게 수익성있는 기회를 창출합니다. 이러한 거래는 적시 실행 및 최적의 가격을 위해 알고리즘 거래 시스템을 통해 시작됩니다.

델타 중립적 인 거래 전략과 같이 입증 된 많은 수학 모델은 포트폴리오 델타가 0으로 유지되도록 양수 및 음수 델타를 상쇄하기 위해 거래가 이루어지는 옵션과 기본 보안의 조합에 대한 거래를 허용합니다.

평균 회귀 전략은 자산의 고가와 저가가 주기적으로 평균값으로 되돌아가는 일시적인 현상이라는 생각에 기반합니다. 가격 범위를 식별하고 정의하고이를 기반으로 알고리즘을 구현하면 자산 가격이 정의 된 범위를 벗어날 때 거래가 자동으로 배치됩니다.

볼륨 가중 평균 가격 전략은 대량의 주문을 분해하고 주식 관련 과거 볼륨 프로파일을 사용하여 동적으로 결정된 작은 주문 청량을 출시합니다. 목표는 VWAP (Volume Weighted Average Price)에 가까운 주문을 실행하여 평균 가격으로 이익을 얻는 것입니다.

시간 가중 평균 가격 전략은 대량 주문을 해체하고 시작 시간과 종료 시간 사이의 균등하게 나뉘어 진 시간 슬롯을 사용하여 동적으로 결정된 작은 주문 청량을 출시합니다. 목표는 시작 및 종료 시간 사이의 평균 가격에 가까운 주문을 실행하여 시장 영향을 최소화하는 것입니다.

거래 주문이 완전히 채워질 때까지이 알고리즘은 정의 된 참여율과 시장에서 거래되는 거래량에 따라 부분 주문을 계속 전송합니다. 관련 "단계 전략"은 사용자 정의 시장 볼륨 비율로 주문을 보내고 주가가 사용자 정의 수준에 도달하면이 참여율을 높이거나 낮 춥니 다.

구현 부족 전략은 실시간 시장을 거래함으로써 주문의 실행 비용을 최소화함으로써 주문 비용을 절감하고 지연된 실행의 기회 비용으로부터 이익을 얻는 것을 목표로합니다. 이 전략은 주식 가격이 호의적으로 움직일 때 목표로하는 참여율을 높이고, 주가가 반대로 움직이면 목표 참여율을 낮출 것입니다.

다른 측면에서 "사건"을 식별하려고 시도하는 몇 가지 특별한 클래스의 알고리즘이 있습니다. 예를 들어, 판매 측 시장에서 사용되는 이러한 "스니핑 알고리즘"은 대규모 주문의 구매 측면에서 알고리즘의 존재를 식별 할 수있는 내장 인텔리전스를 갖추고 있습니다. 이러한 알고리즘을 통한 탐지는 시장에서 대량 주문 기회를 파악하고 더 높은 가격으로 주문을 작성함으로써 이익을 얻을 수있게 해줍니다. 이것은 때로는 하이테크 전방 주행으로 확인됩니다. (고주파 거래 및 사기 행위에 대한 자세한 내용은 다음을 참조하십시오 : 주식을 온라인으로 구입할 경우 HFT에 관여 함)

알고리즘 거래에 대한 기술적 요구 사항.

컴퓨터 프로그램을 사용하여 알고리즘을 구현하는 것이 마지막 부분으로, 백 테스트가 있습니다. 문제는 식별 된 전략을 주문 거래 계정에 액세스 할 수있는 통합 된 전산 프로세스로 변환하는 것입니다. 다음이 필요합니다.

필요한 거래 전략, 고용 된 프로그래머 또는 미리 만들어진 거래 소프트웨어를 프로그래밍하기위한 컴퓨터 프로그래밍 지식 주문을하기위한 네트워크 연결 및 거래 플랫폼에 대한 액세스 주문을 할 수있는 기회를 알고리즘이 모니터 할 시장 데이터 피드에 액세스 능력 및 인프라 실제 시장에 출시되기 전에 빌드 된 시스템을 백 테스팅하기 알고리즘에서 구현 된 규칙의 복잡성에 따라 백 테스트를위한 사용 가능한 과거 데이터.

다음은 포괄적 인 예입니다 : Royal Dutch Shell (RDS)은 암스테르담 증권 거래소 (AEX)와 런던 증권 거래소 (LSE)에 상장되어 있습니다. 차익 거래 기회를 식별하는 알고리즘을 구축해 보겠습니다. 흥미로운 관찰은 거의 없습니다.

AEX는 유로화로 거래되며, LSE는 스털링 파운드로 거래됩니다. AEX는 1 시간의 시간차로 인해 LSE보다 1 시간 빠르며, 다음 두 시간 동안 동시에 거래가 이루어지며 AEX가 마감되면서 지난 1 시간 동안 LSE에서만 거래됩니다 .

이 두 시장에 상장 된 Royal Dutch Shell 주식에 대해 서로 다른 통화로 차익 거래를 할 수 있는지 알아볼 수 있습니까?

현재 시장 가격을 읽을 수있는 컴퓨터 프로그램 LSE 및 AEX의 가격 피드 GBP-EUR 환율에 대한 외환 환율 피드 주문을 올바른 교환으로 전달할 수있는 주문 배치 기능 과거 가격 피드에 대한 백 테스트 기능.

컴퓨터 프로그램은 다음을 수행해야합니다.

두 거래소의 RDS 주식의 수신 가격 피드를 읽습니다. 사용 가능한 환율을 사용하여 한 통화의 가격을 다른 통화로 변환합니다. 수익성있는 기회로 이어지는 충분히 큰 가격 불일치 (중개 비용을 할인)가 존재하는 경우, 낮은 가격의 거래소에서 주문하고 높은 가격의 거래소에서 주문을 판매합니다. 원하는대로 주문을 실행하면 차익 거래 이익이 발생합니다.

간단하고 쉬운! 그러나 알고리즘 트레이딩의 실행은 유지 관리 및 실행이 간단하지 않습니다. 알 고가 생성 한 거래를 배치 할 수 있다면 다른 마켓 참여자도 마찬가지입니다. 따라서 가격은 밀리 초 및 심지어 마이크로 초 단위로 변동합니다. 위의 예에서 구매 주문 거래가 실행되면 어떻게되지만 주문이 시장에 출시 될 때까지 판매 가격이 변경되지 않습니다. 당신은 개방적인 자세로 앉아 결국 귀하의 차용액 전략을 쓸모 없게 만들 것입니다.

시스템 장애 위험, 네트워크 연결 오류, 거래 주문과 실행 간의 시간 지연, 그리고 무엇보다 불완전한 알고리즘과 같은 추가 위험과 과제가 있습니다. 알고리즘이 복잡할수록 더 엄격한 백 테스팅이 필요합니다.

결론.

알고리즘의 성능을 정량적으로 분석하는 것은 중요한 역할을하므로 비판적으로 검사해야합니다. 돈을 쉽게 벌기위한 개념을 가진 컴퓨터의 도움을 받아 자동화하는 것은 흥미로운 일입니다. 그러나 시스템을 철저히 테스트하고 필요한 한계를 설정해야합니다. 분석적 거래자는 올바른 전략을 확실하게 구현하는 데 자신감을 갖기 위해 스스로 프로그래밍 및 시스템을 학습하는 것을 고려해야합니다. 신중한 사용과 철저한 거래로 수익성 높은 기회를 창출 할 수 있습니다. (자세한 내용은 자신의 Algo 거래 로봇을 코딩하는 방법을 참조하십시오.)

알고리즘 트레이딩 시스템의 견고성 (그 작업)

이것은 최적화 및 커브 피팅, 시장 선택, 백 테스팅, 워크 포워드 테스트, 포트폴리오 생성, 일중 알고리즘 트레이딩 (intraday algorithmic trading), 거래 분석, 거래 분석 및 거래 분석 등 소매 투자자를위한 알고리즘 트레이딩 시스템의 주제를 심도있게 논의 할 일련의 기사 중 첫 번째 기사입니다. 기타 등등.

이 첫 번째 기사에서는 특정 거래 시스템이 견고한 지 여부를 확인하는 방법에 대해 설명합니다.

Wikipedia의 견고성 (robustness)에 정의 된 바와 같이, 금융 거래 시스템이 다른 시장 및 시장 조건 하에서 효과를 발휘할 수있는 능력 또는 경제 모델이 다른 가정, 매개 변수 및 초기 조건. & # 8221;

일중 거래 시스템의 견고성을 평가하기위한 네 가지 주요 테스트가 있습니다.

시스템이 다양한 매개 변수 조합으로 작동합니까? 시스템이 다양한 시간 프레임에서 작동합니까? 시스템이 다양한 계측기에서 작동합니까? 이 시스템은 자주 재 최적화 할 필요없이 지난 6 년간의 데이터를 처리합니까?

ES (S & amp; P 500 Mini)에 대한 예를 만들기 위해 간단한 변동 변동 일중 시스템을 사용합시다. 이는 PeriodS (느린 표시기 막대에서의 되돌아보기 기간) 및 PeriodF (빠른 표시기 막대에서의 되돌아보기 기간)와 같이 최적화 할 수있는 두 가지 주요 매개 변수 만있는 간단한 시스템입니다. 시스템의 특성은 다음과 같습니다.

하루 종일 진입 : 변동성이 증가하면서 빠르게 움직입니다. 출구 : 정지 손실, 추세 변화, 일과 종료 위험 관리 : 변동성 기반 정지 손실, 후행 정지 손실, 범위 축소 필터, 하루 최대 거래 수 제한 위치 결정 : 1 계약.

시스템이 다양한 매개 변수 조합으로 작동합니까?

다양한 매개 변수 조합의 견고성을 확인하기 위해 Periods를 100 bars에서 500 bars까지 25 steps, PeriodF를 10 bars에서 40 bars까지 10 단계로 최적화합니다.

우리는 SQN 평균이 4.4, 최소 1.9, 최대 5.8이라는 것을 알 수 있습니다.

시스템 품질 번호 (System Quality Number, SQN)는 밴 타프 (Van Tharpe)가 대중화하고 다음과 같이 정의 된 통계적 t - 점수를 기반으로 시스템 품질을 나타내는 지표입니다.

SQN = 제곱근 (N) 평균 (N 이익 및 손실 중) / 표준 편차 (N 이익 및 손실 중).

기본적으로 평균 거래량을 평균 거래량의 표준 편차로 나눈 값과 거래 횟수의 제곱근을 곱한 값입니다. 따라서 많은 거래, 높은 평균 거래 및 평균 거래의 낮은 변동성이 높은 SQN을 제공합니다.

아래에서 더 많은 정보를 찾을 수 있습니다. 일반적으로 2.5 이상의 값은 좋은 시스템을 나타냅니다.

NinjaTrader의 코드는 저희 사이트에서 무료로 다운로드 할 수 있습니다 : vbosystems. info/download. html.

위의 분석은이 시스템이 다양한 매개 변수 조합에 대해 견고 함을 보여줍니다.

시스템이 다양한 시간 프레임에서 작동합니까?

두 번째 테스트는 시간 프레임과 관련됩니다. 견고한 시스템은 다양한 시간 프레임에서 좋은 결과를 유지합니다. 다양한 시간 프레임에 대한 견고성을 확인하기 위해 두 매개 변수를 300 (PeriodS) 및 30 (PeriodF)으로 고정하고 시간 프레임을 10에서 50까지 5 단계로 최적화합니다.

가장 낮은 SQN 값은 3.6이고 시간 프레임은 25입니다. 이 차트는이 시스템이 전반적으로 좋은 SQN 값을 유지하지만 낮고 높은 시간 프레임에서 가장 효과적임을 나타냅니다.

시스템이 다양한 계측기에서 작동합니까?

견고한 시스템은 다양한 계측기에서 우수한 결과를 유지합니다. 가장 견고한 시스템은 여러 기기에서 동일한 매개 변수를 사용하여 좋은 결과를 얻을 수 있습니다. 최소한 최상의 매개 변수가 다를지라도, 다른 계측기에서 실제로 작동 할 수있는 시스템에 중점을 두어야합니다.

다양한 도구를 통해 견고성을 확인하기 위해 27 분 막대에서 최적화합니다. 100 개 막대에서 600 막대까지 단계별로 25 개 및 PeriodF, 5 개 막대에서 50 개 막대까지 5 개 단계, 12 개 선물 계약 바구니에서 인덱스, forex , 에너지 및 이자율 : 6B, 6E, CL, EMD, ES, FDAX, FGBL, IBEX35, NG, RT, TF, ZB. 최적화는 다음과 같은 결과를 제공합니다.

2006 년 1 월부터 2013 년 4 월까지의 결과는이 특정 시스템이 수익을 낼 수 있음을 보여줍니다. 다른 매개 변수로 & # 8211; 몇몇 미래 시장에. 그러나 가장 견고한 시스템은 동일한 매개 변수를 유지하면서 여러 거래 내역간에 우수한 결과를 유지합니다. 모든 교역 재에 걸친 평균 SQN의 히트 맵을 분석하면 다음 결과가 표시됩니다.

위의 표는 모든 매개 변수에 걸쳐 모든 교역 재에 걸친 평균 SQN이 최소값 2로 비교적 안정적임을 보여줍니다. 가장 안정된 매개 변수를 찾으려면 가장 좋은 방법은 평균 SQN을 다음과 같은 표준 편차로 나눈 것입니다 다음 히트 맵 :

12 가지 선물 모두에서 가장 안정적인 매개 변수 조합은 다음 결과를 제공하는 PeriodF = 15 및 PeriodS = 425입니다.

위의 결과는이 시스템이 지수, 외환, 에너지 및 금리에 걸쳐 다양 화 된 12 가지 선물 계약 전반에 걸쳐 강력한 결과를 나타냄을 나타냅니다.

이 시스템은 자주 재 최적화 할 필요없이 지난 6 년간의 데이터를 처리합니까?

견고한 시스템은 빈번히 재 최적화 할 필요없이 여러 해 동안 좋은 결과를 유지할 것입니다. 최상의 SQN을 제공 한 첫 번째 테스트에서 매개 변수를 고려해 봅시다 : PeriodS = 150 및 PeriodF = 30. ES 15 분 막대의 결과는 다음과 같습니다.

거래 건수는 매년 일치합니다 (2013 년은 4 월 중순까지만 데이터가 표시됨).

결론적으로, 거래 시스템의 견고성을 평가할 때 수행 할 4 가지 핵심 테스트가 있습니다. 시스템이 다양한 매개 변수 조합, 다양한 시간 프레임, 다양한 계측기 및 지난 6 년간의 과거 데이터에 대해 자주 최적화를 다시 수행하지 않고도 잘 수행되는 경우에만 완전히 강력한 것으로 간주 할 수 있습니다.

이 기사에 설명 된 모든 최적화 작업은 NinjaTrader 및 Kinetick 1 분 데이터를 사용하여 수행되었습니다. 거래 시스템에 대한 자세한 내용은 다음 웹 사이트를 방문하십시오 : vbosystems. info.

& # 8212; VbO Systems의 Amon Licini 작성. VbO Systems는 거의 모든 자산 클래스에서 자동 거래가 가능한 NinjaTrader로 코딩 된 100 % 자동화 된 거래 시스템을 개발하고 있습니다. Vbo Systems의 설립자 인 Amon Licini는 15 년 동안 개인 상인이었으며 이탈리아의 다양한 회사에서 상급 관리자를 지 냈습니다. Amon의 주요 거래 이익은 일중 시스템에 대한 변동성 및 개방 범위 이탈 영역에 있습니다. 그는 밀라노에서 아내와 2 명의 자녀와 함께 살며 새로운 시스템을 개발하지 않을 때 여행하는 것을 좋아합니다. Amon은 밀라노 폴리 테크닉 대학교 (Polytechnic University of Milan)에서 기계 공학 학위를 취득했습니다.

저자 소개 시스템 상인 성공 기여자.

기고서 작성자는 금융 시장에 적극적으로 참여하고 기술 또는 정량 분석에 전념합니다. 그들은 System Trader Success에 대한 이야기, 통찰력 및 발견 사항을 공유하고 더 나은 시스템 상인이되기를 바랍니다. 공헌을하고 세계와 메시지를 공유하고 싶다면 Google에 문의하십시오.

인기 게시물.

2013 년 Connors 2 기간 RSI 업데이트.

이 단순한 지표는 돈을 다시 벌어들입니다.

아이비 포트폴리오.

Simple Gap 전략 개선, Part 1.

다시 로그인하십시오. 로그인 페이지가 새 창에서 열립니다. 로그인 한 후 닫고이 페이지로 돌아갈 수 있습니다.

알고리즘 트레이딩.

알고리즘 거래는 시간, 가격 및 볼륨과 같은 변수를 설명하는 자동화 된 사전 프로그래밍 된 거래 지시를 사용하여 대량 주문 (한꺼번에 기입하기에는 너무 큼)을 실행하여 작은 주문 주문 (하위 주문)을 시간이 지남에 따라 시장. 그들은 상인들이 주식을 끊임없이보고 반복적으로 그 조각들을 수동으로 보낼 필요가 없도록 개발되었습니다. 인기있는 "알 고스 (algos)"는 볼륨 백분율, Pegged, VWAP, TWAP, 구현 빈도, 대상 닫기를 포함합니다. 지난 몇 년 동안 알 고 트레이딩은 소매 업체 및 기관 거래자 모두에게 인기를 얻고 있습니다. 알고리즘 트레이딩을위한 인기있는 플랫폼으로는 MetaTrader, NinjaTrader, IQBroker 및 Quantopian이 있습니다.

알고리즘 트레이딩은 거래 이익을 창출하려는 시도가 아닙니다. 이것은 단순히 주문 실행시 비용, 시장 영향 및 위험을 최소화하는 방법입니다. 이 기관 트레이더들은 모든 규모를 동시에 지원할 수없는 시장에서 대규모 주문을 수행해야하기 때문에 투자 은행, 연기금, 뮤추얼 펀드 및 헤지 펀드에 널리 사용됩니다.

이 용어는 또한 자동화 된 거래 시스템을 의미하는 데 사용됩니다. 이들은 실제로 이익을내는 목표를 가지고 있습니다. 블랙 박스 트레이딩이라고도하며 복잡한 수학 공식과 고속 컴퓨터 프로그램에 크게 의존하는 거래 전략을 포함합니다.

이러한 시스템은 시장 만들기, 시장 간 퍼짐, 차익 거래 또는 추세 추적과 같은 순수한 추측을 포함한 전략을 실행합니다. 많은 기업들이 고수익 거래 및 높은 주문 대 거래 비율을 특징으로하는 고주파 거래 (HFT) 범주에 속합니다. 그 결과 2012 년 2 월 CFTC (Commodity Futures Trading Commission)는 학계 및 업계 전문가를 포함하는 특별 실무 그룹을 구성하여 HFT를 정의하는 최선의 방법에 대해 CFTC에 조언했습니다. HFT 전략은 인간 상인이 관찰하는 정보를 처리 할 수 있기 전에 전자적으로받은 정보를 기반으로 주문을 시작하기 위해 정교한 결정을 내리는 컴퓨터를 사용합니다. 알고리즘 거래와 HFT는 특히 유동성이 제공되는 방식에서 시장 미세 구조의 극적인 변화를 초래했습니다.

미국 주식 HFT 산업에 대한 TABB 그룹의 TABB Group의 수익 예상은 2014 년 비용 지출 전에 미화 13 억 달러였으며 최대 210 억 달러를 크게 밑도는 것으로 당시 전문화 된 300 개의 증권 회사 및 헤지 펀드 이러한 유형의 거래는 2008 년에 이익을 창출했으며, 그 결과 저자는 시장의 전체 거래량과 비교했을 때 "상대적으로 작고"놀랍도록 겸손하다고 말했습니다. 2014 년 3 월 고주파 거래 회사 인 Virtu Financial은 5 년 동안 1,278 일 거래일 중 1,277 건에 대해 수익을 올렸으며 단 하루 만에 손실을 보았으며 경험적으로 거래 이익이 많다는 법을 입증했습니다 매 거래일마다 수천에서 수백만 개의 작고, 위험이 적으며, 낮은 엣지 거래가 가능합니다.

2006 년 유럽 연합과 미국 주식 거래의 3 분의 1은 자동 프로그램 또는 알고리즘에 의해 주도되었습니다. 2009 년 현재, HFT 기업이 미국 주식 거래량의 60-73 %를 차지했으며, 2012 년에는 약 50 %로 감소했습니다. 2006 년 런던 증권 거래소에서 40 % 이상의 주문이 알고리즘 거래자는 2007 년에 60 %가 예상됩니다. 미국 시장과 유럽 시장은 일반적으로 다른 시장보다 알고리즘 거래의 비율이 높으며 일부 시장에서는 2008 년 범위가 80 %에 이르는 것으로 추정됩니다. 외환 시장 또한 적극적인 알고리즘 트레이딩 (2006 년 약 25 %의 주문)을하고 있습니다. 선물 시장은 2010 년까지 컴퓨터로 생산 될 것으로 예상되는 약 20 %의 옵션 물량으로 알고리즘 트레이딩에 쉽게 통합 될 것으로 간주됩니다. 채권 시장은 알고리즘 트레이더에 대한 더 많은 접근을 향해 움직이고 있습니다.

알고리즘 거래와 HFT는 미국 증권 거래위원회와 상품 선물 거래위원회가 뮤추얼 펀드 회사가 입력 한 알고리즘 거래가 2010 년 플래시 충돌로 이어지는 파동의 물결을 일으켰다 고 보도 한 이후 많은 공개 논쟁의 대상이되어왔다 . 같은 보고서에 따르면 HFT 전략은 시장에서 유동성을 빠르게 끌어 냄으로써 후속 변동성에 기여했을 수 있습니다. 이 사건의 결과로, 다우 존스 산업 평균 지수는 그날까지 두 번째로 큰 intraday 포인트 스윙을 겪었지만 가격은 빠르게 회복되었습니다. 2011 년 7 월 국제 증권 감독기구 (IOSCO) 보고서에 따르면 증권 감독 당국의 국제기구 인 "IOSCO"는 "알고리즘 및 HFT 기술은 시장 참여자들이 그들의 거래 및 위험을 관리 할 수있게 해준다면 그들의 사용은 분명히 2010 년 5 월 6 일의 플래시 충돌 사건에 기여한 요인이되었습니다. 그러나 다른 연구자들은 다른 결론에 도달했습니다. 한 가지 2010 년 연구에 따르면 HFT가 플래시 충돌 동안 거래 인벤토리를 크게 변경하지 않았습니다. 인덱스 펀드 재조정에 앞서 일부 알고리즘 거래는 투자자로부터 이익을 이전합니다.

금융 시장에서의 주문 흐름의 컴퓨터 화는 뉴욕 증권 거래소의 "지정된 주문 처리"시스템 (DOT 및 이후의 SuperDOT)의 도입으로 인해 일부 거래가 시작되어 전자 주문을 적절한 거래처로 라우팅했으며, 수동으로 실행했습니다. "개방형 자동보고 시스템"(OARS)은 시장 개장 개방 가격 (SOR; Smart Order Routing) 결정 전문가를 도왔습니다.

프로그램 거래는 뉴욕 증권 거래소 (New York Stock Exchange)에 의해 총 1 백만 달러가 넘는 15 개 이상의 주식을 매매하기위한 주문으로 정의됩니다. 실제로 이것은 모든 프로그램 거래가 컴퓨터의 도움으로 이루어짐을 의미합니다. 1980 년대에 프로그램 거래가 S & P 500 주식과 선물 시장 거래에서 널리 사용되었습니다.

주가 지수 차익 거래자는 S & P 500 선물과 같은 주가 지수 선물 계약을 매입 (또는 매도)하고 뉴욕 증권 거래소 (NYSE) 매칭 매도시 500 종목 (매우 작은 대표적인 서브 세트가 될 수 있음)의 포트폴리오를 매도 (또는 매수) 선물 거래 반대. NYSE의 프로그램 거래는 컴퓨터에 사전 프로그래밍되어 선물 가격과 주가 지수가 이익을 내기에 충분히 떨어져있는 시점에 NYSE의 전자 주문 라우팅 시스템에 자동으로 주문을 입력하게됩니다.

거의 동시에 포트폴리오 보험은 Black-Scholes 옵션 가격 결정 모델을 기반으로 한 컴퓨터 모델에 따라 주가 지수 선물을 동적으로 거래함으로써 주식 포트폴리오에 합성 풋 옵션을 생성하도록 설계되었습니다.

1987 년 주식 시장의 위기를 더욱 악화 시키거나 심지어 시작하기까지 한 많은 전략들이 (예를 들어 Brady 보고서를 통해) "프로그램 거래"로 묶여있는 두 가지 전략 모두를 비난했다. 그러나 주식 시장 위기에 대한 컴퓨터 기반 거래의 영향은 불분명하며 학계에서는 널리 논의됩니다.

1980 년대와 1990 년대 후반에 개발 된 완전 전자 실행 및 유사한 전자 통신 네트워크를 갖춘 금융 시장. 미국의 경우 최소 틱 크기를 1/16 달러 (0.0625 달러)에서 주당 0.01 달러로 변경 한 소수점 처리는 입찰가와 제안 가격의 차이를 줄임으로써 시장 미세 구조를 변경함으로써 알고리즘 거래를 장려했을 수 있습니다 시장의 유동성을 증가시켜 시장의 거래 우위를 감소시킨다.

이렇게 증가한 시장 유동성으로 인해 제도적 거래자가 컴퓨터 알고리즘에 따라 주문을 나누어보다 나은 평균 가격으로 주문을 실행할 수있게되었습니다. 이러한 평균 가격 벤치 마크는 시간 가중 평균 가격 또는 일반적으로 가중 평균 가격을 적용하여 컴퓨터에 의해 측정되고 계산됩니다.

금융 시장에서의 알고리즘 거래의 채택에 대한 한층 더 격려는 2001 년에 IBM 연구원 팀이 인공 지능에 관한 국제 합동 회의에서 논문을 발표 한 곳으로, 금융 시장에서 사용 된 전자 경매의 실험실 버전에서 , 두 가지 알고리즘 전략 (IBM 자체 MGD 및 Hewlett-Packard의 ZIP)이 지속적으로 인적 자원을 능가 할 수 있습니다. MGD는 Steven Gjerstad & amp;가 발명 한 "GD"알고리즘의 수정 버전입니다. 1996/7 년 John Dickhaut; ZIP 알고리즘은 1996 년 데이브 클리프 (Dave Cliff) 교수에 의해 HP에서 개발되었습니다. IBM 팀은 자신의 논문에서 MGD와 ZIP가 인간 상인보다 월등히 뛰어나다 고 보여주는 결과의 재정적 인 영향은 "매년 수십억 달러로 측정 될 수 있습니다" ; IBM의 논문은 국제 언론의 보도를 창출했다.

더 많은 전자 시장이 개설됨에 따라 다른 알고리즘 거래 전략이 도입되었습니다. 이러한 전략은 컴퓨터가보다 쉽게 구현할 수 있습니다. 기계가 일시적으로 가격을 잘못 계산하고 여러 시장의 가격을 동시에 조사 할 수 있기 때문입니다. 예를 들어, Bame Paribas가 개발 한 Chameleon, Deutsche Bank가 개발 한 Stealth, Credit Suisse가 개발 한 Sniper 및 Guerilla, 차익 거래, 통계 차익 거래, 추세 추종 및 평균 회귀 등이 그 예입니다.

이러한 유형의 거래는 저 대기 시간 근접 호스팅 및 글로벌 교환 연결에 대한 새로운 요구를 주도하고 있습니다. 전자 거래 전략을 수립 할 때 어떤 대기 시간인지 이해하는 것이 중요합니다. 대기 시간은 소스에서 정보를 전송하고 목적지에서 정보를 수신하는 사이의 지연을 나타냅니다. 지연 시간은 빛의 속도에 따라 결정됩니다. 이것은 광섬유 1,000 킬로미터 당 약 3.3 밀리 초에 해당합니다. 모든 신호 재생 또는 라우팅 장비는이 초고속 기준선보다 더 긴 대기 시간을 발생시킵니다.

인덱스 펀드 재조정보다 앞서 거래.

개인 연금 펀드 또는 미국의 401 (k) 및 개인 은퇴 계좌와 같은 대부분의 퇴직 저축은 뮤추얼 펀드에 투자되며, 가장 인기있는 것은 인덱스 펀드이며, 정기적으로 "재조정"하거나 새로운 포트폴리오에 맞게 포트폴리오를 조정해야합니다 주식 및 기타 추적 지표의 기초 유가 증권 가격 및 시가 총액. 이익은 수동 지수 투자자에서 능동형 투자자로 전환되며 일부 투자자는 특히 지수 재조정 효과를 이용하는 알고리즘 거래자입니다. 패시브 투자자들이 초래 한 이러한 손실의 규모는 S & amp; P 500의 경우 연간 21-28bp, Russell 2000의 경우 연간 38-77bp로 추정됩니다. Bridgeway Capital Management의 John Montgomery는 " 뮤추얼 펀드를 앞두고 거래에서 "놀랍게도, 사람들이 얘기하고 있지 않은"방안의 코끼리입니다.

쌍 거래.

페어 트레이딩이나 페어 트레이딩은 길고 짧고 이상적인 시장 중립적 인 전략으로 거래자는 가까운 대체물의 상대 가치에 일시적인 불일치로 이익을 얻을 수 있습니다. 고전적 차익 거래의 경우와 달리 쌍 거래의 경우 한 가격의 법칙은 가격의 수렴을 보장 할 수 없습니다. 이것은 전략이 개별 주식에 적용될 때 특히 그렇습니다. 이러한 불완전한 대체물은 사실 무한정 발산 할 수 있습니다. 이론적으로 전략의 오랜 단점은 주식 시장의 방향에 관계없이 전략을 작동시켜야합니다. 실제로 실행 위험, 지속성 및 큰 변동성, 변동성 감소로 인해이 전략은 장기간 이익을 잃을 수 있습니다 (예 : 2004-7). 그것은 통계적 재정 거래, 융합 거래 및 상대 가치 전략의 더 넓은 범주에 속합니다.

델타 중립 전략.

금융 분야에서 델타 중립은 관련 증권 유가 증권 포트폴리오를 기술하며, 포트폴리오 가치는 기본 유가 증권 가치의 작은 변화로 인해 변하지 않습니다. 이러한 포트폴리오에는 일반적으로 옵션 및 해당 기본 증권이 포함되어 양수 및 음수의 델타 구성 요소가 상쇄되므로 포트폴리오의 가치는 기본 보안의 가치 변동에 상대적으로 덜 민감합니다.

경제 및 금융 분야에서, arbitrage / ɑːr b ɪ tr ɑː ʒ /는 두 개 이상의 시장 간 가격 차이를 활용하는 관행입니다. 불균형을 이용하여 매칭되는 거래를 조합하여 이익을 창출합니다. 시장 가격. 학자에 의해 사용될 때, 재정 거래는 임의의 확률 론적 또는 일시적인 상태에서 부정적인 현금 흐름을 포함하지 않고 적어도 하나의 주에서 긍정적 인 현금 흐름을 포함하는 거래입니다. 간단히 말하면 무위험 이익이 제로 비용으로 발생할 가능성이 있습니다. 예 : 가장 인기있는 Arbitrage 거래 기회 중 하나는 S & P 선물과 S & amp; P 500 주식으로 이루어집니다. 대부분의 거래 일 동안이 두 회사는 두 회사 간의 가격 차이가 발생합니다. 이것은 NYSE와 NASDAQ 시장에서 주로 거래되는 주식의 가격이 CME 시장에서 거래되는 S & P 선물보다 앞서거나 뒤쳐지면 발생합니다.

재정 거래 조건.

차변 거래는 다음 세 가지 조건 중 하나가 충족 될 때 가능합니다.

동일한 자산이 모든 시장에서 동일한 가격으로 거래되지 않습니다 ( "한 가격의 법"이 일시적으로 위반됨). 현금 흐름이 동일한 두 자산은 동일한 가격으로 거래하지 않습니다. 미래에 알려진 가격의 자산은 현재 무위험 이자율로 할인 된 미래의 가격으로 거래하지 않습니다 (또는 자산이 무시할 수있는 저장 비용을 가지지 않으므로 예를 들어이 조건은 곡물에 대해 유지되지만 유가 증권은 아님).

Arbitrage는 단순히 한 시장에서 제품을 구입하여 나중에 다른 가격으로 판매하는 행위가 아닙니다. 장기 및 단기 거래는 시장 위험에 대한 노출을 최소화하기 위해 동시에 발생해야하며 두 거래가 완료되기 전에 한 시장에서 가격이 변할 수있는 위험을 가져야합니다. 실용적인 측면에서 이것은 일반적으로 전자 상거래가 가능한 유가 증권 및 금융 상품에 한해서 가능하며 심지어 첫 번째 거래가 실행되면 다른 다리의 가격이 악화되어 보장 된 상태로 고정 될 수 있습니다 손실. 거래의 다리 중 하나를 놓치고 (그리고 더 나쁜 가격으로 그것을 열어야하는) 것을 '실행 위험'또는 더 구체적으로 '다리 인 및 다리 아웃 위험'이라고합니다.

가장 단순한 예에서 한 시장에서 판매되는 모든 상품은 다른 시장에서 동일한 가격으로 판매되어야합니다. 예를 들어, 상인들은 밀 가격이 도시보다 농업 지역에서 더 낮고, 재화를 구매하고 그것을 다른 지역으로 운반하여 더 높은 가격으로 판매 할 수 있습니다. 이러한 유형의 가격 조정은 가장 일반적이지만이 간단한 예는 운송, 보관, 위험 및 기타 요인의 비용을 무시합니다. "진정한"재정 거래는 시장 위험이 관여하지 않을 것을 요구합니다. 유가 증권이 하나 이상의 교환기에서 거래되는 경우, 하나를 동시에 구매하고 다른 하나를 판매함으로써 차익 거래가 발생합니다. 이러한 완벽한 동시 대행은 자본의 필요성을 최소화 시키지만 실제로는 많은 자금원들이 이론에 따라 추측하는 것처럼 "자기 자금 조달"(자유) 지위를 창출하지 못한다. 두 다리의 시장 가치와 위험성에 약간의 차이가있는 한, 장단기 차익 거래 포지션을 유지하려면 자본을 올려야 할 것입니다.

평균 복귀.

평균 회귀는 때때로 주식 투자에 사용되는 수학적 방법론이지만 다른 프로세스에도 적용될 수 있습니다. 일반적으로 주식의 고가와 저가 모두 일시적이며 주식 가격은 시간이 지남에 따라 평균 가격이되는 경향이 있다는 개념입니다. 평균 복귀 과정의 예로는 Ornstein-Uhlenbeck 확률 방정식이 있습니다.

평균 회귀는 먼저 주식의 거래 범위를 확인한 다음 자산, 이익 등과 관련된 분석 기법을 사용하여 평균 가격을 계산하는 것과 관련됩니다.

현재 시장 가격이 평균 가격보다 낮 으면 주가는 상승 할 것으로 기대하면서 구매에 매력적이라고 간주됩니다. 현재 시장 가격이 평균 가격보다 높으면 시장 가격이 하락할 것으로 예상됩니다. 다시 말해서, 평균 가격의 편차는 평균으로 되돌아 갈 것으로 예상됩니다.

가장 최근 가격의 표준 편차 (예 : 지난 20 일)는 종종 구매 또는 판매 지표로 사용됩니다.

재고보고 서비스 (예 : Yahoo! Finance, MS Investor, Morningstar 등)는 일반적으로 50 일 및 100 일과 같은 기간 동안 이동 평균을 제공합니다. 보고 서비스가 평균을 제공하는 반면, 연구 기간 동안 높은 가격과 낮은 가격을 식별하는 것은 여전히 필요합니다.

스캘핑은 비 전통적 마켓 메이커에 의한 유동성 공급으로, 거래자는 매도 호가 스프레드를 획득 (또는 생성)하려고합니다. 이 절차는 가격 변동이이 스프레드보다 적 으면 일반적으로 수분 이내로 신속하게 포지션을 설정하고 청산하는 것과 관련하여 수익을 허용합니다.

마켓 메이커는 기본적으로 전문적인 scalper입니다. 마켓 제조사가 거래하는 거래량은 평균 개인 스 캐 퍼보다 수 배 이상 많으며보다 정교한 거래 시스템 및 기술을 활용할 것입니다. 그러나 등록 시장은 최소 견적 의무를 규정 한 교환 규정에 구속됩니다. 예를 들어, NASDAQ은 각 시장 메이커가 적어도 하나의 입찰을 게시하고 하나는 가격 수준을 요구하여 각 주식에 대한 양면 시장을 유지할 것을 요구합니다.

거래 비용 절감.

알고리즘 거래 (알고리즘 적 유동성 추구뿐만 아니라)라고하는 대부분의 전략은 비용 절감 범주에 속합니다. 기본 아이디어는 대규모 주문을 소규모 주문으로 분해하여 시간이 지남에 따라 시장에 배치하는 것입니다. 알고리즘의 선택은 주식의 변동성 및 유동성이 가장 중요한 다양한 요소에 따라 달라집니다. 예를 들어 유동성이 높은 주식의 경우 전체 주식 주문의 일정 비율 (볼륨 인라인 알고리즘이라고 함)을 일치시키는 것이 일반적으로 좋은 전략이지만 고도로 유동성이 낮은 주식의 경우 알고리즘이 유리한 가격의 모든 주문을 일치 시키려고합니다 소위 유동성 추구 알고리즘).

이러한 전략의 성공은 일반적으로 전체 주문이 실행 된 평균 가격과 동일한 기간 동안 벤치 마크 실행을 통해 달성 된 평균 가격을 비교하여 측정됩니다. 일반적으로 가중 평균 가격이 벤치 마크로 사용됩니다. 때로는 집행 가격이 주문할 때의 계좌 가격과 비교됩니다.

이러한 알고리즘의 특수 클래스는 다른 쪽에서 알고리즘 또는 빙산 주문을 감지하려고 시도합니다 (즉, 구매하려는 경우 알고리즘은 판매 측의 주문을 감지하려고 시도합니다). 이러한 알고리즘을 스니핑 알고리즘이라고합니다. 전형적인 예가 "비밀"입니다.

알고리즘의 몇 가지 예는 TWAP, VWAP, 구현 부족, POV, 디스플레이 크기, 유동성 추구 자 및 은폐입니다. 현대 알고리즘은 종종 정적 또는 동적 프로그래밍을 통해 최적으로 구성됩니다.

어두운 수영장에만 관련된 전략.

최근 HFT는 판매 측면의 거래자뿐만 아니라 구매자의 광범위한 세트로 구성되어있어보다 눈에 띄고 논란이되고 있습니다. 이러한 알고리즘이나 기술은 일반적으로 "스텔스"(Deutsche Bank가 개발), "Iceberg", "Dagger", "Guerrilla", "Sniper", "BASOR"(Quod Financial에서 개발) 및 "Sniffer" . 다크 풀은 본질적으로 사적이며 따라서 공공 질서의 흐름과 상호 작용하지 않는 대체 거래 시스템이며 큰 증권 블록에 비공개 유동성을 제공하기 위해 대신 추구합니다. 어두운 수영장에서는 익명으로 거래가 이루어지며 대부분의 명령은 숨겨져 있거나 "빙빙이 낀 상태"입니다. 게이머 또는 "상어"는 구매 및 판매 할 수있는 작은 시장 주문을 핑 (ping)하여 대량 주문을 감지합니다. 소규모 주문이 여러 번 채워지면 상어들은 거대한 빙산 질서의 존재를 발견했을 것입니다.

"지금은 군비 경쟁입니다."라고 매사추세츠 공과 대학교의 금융 공학 연구실 책임자 인 Andrew Lo는 말했습니다. "모두가보다 정교한 알고리즘을 구축하고 있으며 경쟁이 많을수록 이익이 적습니다."

시장 타이밍.

알파를 생성하기위한 전략은 시장 타이밍 전략으로 간주됩니다. 이러한 유형의 전략은 백 테스트, 전달 테스트 및 실제 테스트를 포함하는 방법론을 사용하여 설계되었습니다. 시장 타이밍 알고리즘은 일반적으로 이동 평균과 같은 기술 지표를 사용하지만 Finite State Machine을 사용하여 구현 된 패턴 인식 로직을 포함 할 수도 있습니다.

일반적으로 알고리즘을 백 테스트하는 것은 첫 번째 단계이며 샘플 내 데이터 기간을 통해 가설적인 거래를 시뮬레이트하는 것을 포함합니다. 최적의 입력을 결정하기 위해 최적화가 수행됩니다. 과도한 최적화의 가능성을 줄이기 위해 취한 조치에는 입력을 +/- 10 % 수정하고, 큰 단계로 입력을 분석하고, 몬테 카를로 시뮬레이션을 실행하고, 미끄러짐 및 커미션을 보장하는 단계가 포함될 수 있습니다.

알고리즘을 전방 테스트하는 것은 다음 단계이며 알고리즘이 백 테스팅 된 기대치 내에서 수행되도록 보장하기 위해 샘플 데이터 세트를 벗어난 알고리즘을 실행하는 과정을 포함합니다.

라이브 테스트는 개발의 최종 단계이며 개발자가 실제 라이브 거래를 다시 테스트 된 모델과 앞으로 테스트 한 모델 모두와 비교해야합니다. 비교 된 메트릭스에는 수익률, 수익률, 최대 손실 및 무역 당 평균 이익이 포함됩니다.

위에서 언급했듯이 고주파 거래 (high frequency trading, HFT)는 높은 회전율과 높은 주문 대 거래 비율을 특징으로하는 알고리즘 거래의 한 형태입니다. HFT에 대한 단일 정의는 없지만 주요 특성으로는 고도로 정교한 알고리즘, 특수 주문 유형, 동일 위치, 매우 짧은 투자 기간 및 주문 취소 비율이 높습니다. 미국에서 고주파 거래 (HFT) 회사는 현재 운영중인 약 20,000 개의 회사 중 2 %를 차지하지만 전체 주식 거래량의 73 %를 차지합니다. 2009 년 1 분기 현재 HFT 전략이 적용된 헤지 펀드의 총자산은 1,410 억 달러로 최고치 대비 약 21 % 하락했습니다. HFT 전략은 르네상스 테크놀로지 (Renaissance Technologies)가 처음으로 성공 시켰습니다. 고주파 펀드는 2007 년과 2008 년에 특히 인기를 얻었습니다. 많은 HFT 회사는 시장 개척자로서 시장에 유동성을 제공하여 변동성을 낮추고 거래 제안을 좁히고 거래를 도우며 다른 시장 참여자에게 더 저렴한 비용으로 투자 할 수있었습니다. HFT는 미국 증권 거래위원회와 상품 선물 거래위원회가 알고리즘 거래와 HFT가 2010 년 플래시 충돌의 변동성에 기여했기 때문에 공공의 주목을 받고있다. 주요 미국 고주파 거래 회사에는 Chicago Trading, Virtu Financial, Timber Hill, ATD, GETCO 및 Citadel LLC가 있습니다.

HFT 전략에는 네 가지 주요 범주가 있습니다. 주문 흐름을 기반으로 한 시장 만들기, 진드기 데이터 정보를 기반으로 한 시장 만들기, 이벤트 재정 거래 및 통계적 재정 거래입니다. 모든 포트폴리오 할당 결정은 전산화 된 계량 모델에 의해 결정됩니다. 전산화 된 전략의 성공은 대부분의 사람들이 할 수없는 정보량을 동시에 처리 할 수있는 능력에 의해 크게 좌우됩니다.

시장 만들기.

시장 창출은 입찰가 스프레드를 포착하기 위해 현재 가격보다 높은 현재 주문 가격 (또는 제안 가격)을 현행 가격보다 낮은 가격으로 매매 (또는 제안)하기 위해 정기적으로 그리고 연속적으로 제한 주문을하는 것입니다. 2007 년 7 월 Citigroup에서 매입 한 자동화 트레이딩 데스크는 NASDAQ과 뉴욕 증권 거래소에서 총 거래량의 약 6 %를 차지하는 적극적인 시장 조사 기관이었습니다.

통계적 재정 거래.

Another set of HFT strategies in classical arbitrage strategy might involve several securities such as covered interest rate parity in the foreign exchange market which gives a relation between the prices of a domestic bond, a bond denominated in a foreign currency, the spot price of the currency, and the price of a forward contract on the currency. If the market prices are sufficiently different from those implied in the model to cover transaction cost then four transactions can be made to guarantee a risk-free profit. HFT allows similar arbitrages using models of greater complexity involving many more than 4 securities. The TABB Group estimates that annual aggregate profits of low latency arbitrage strategies currently exceed US$21 billion.

A wide range of statistical arbitrage strategies have been developed whereby trading decisions are made on the basis of deviations from statistically significant relationships. Like market-making strategies, statistical arbitrage can be applied in all asset classes.

Event arbitrage.

A subset of risk, merger, convertible, or distressed securities arbitrage that counts on a specific event, such as a contract signing, regulatory approval, judicial decision, etc., to change the price or rate relationship of two or more financial instruments and permit the arbitrageur to earn a profit.

Merger arbitrage also called risk arbitrage would be an example of this. Merger arbitrage generally consists of buying the stock of a company that is the target of a takeover while shorting the stock of the acquiring company. Usually the market price of the target company is less than the price offered by the acquiring company. The spread between these two prices depends mainly on the probability and the timing of the takeover being completed as well as the prevailing level of interest rates. The bet in a merger arbitrage is that such a spread will eventually be zero, if and when the takeover is completed. The risk is that the deal "breaks" and the spread massively widens.

One strategy that some traders have employed, which has been proscribed yet likely continues, is called spoofing. It is the act of placing orders to give the impression of wanting to buy or sell shares, without ever having the intention of letting the order execute to temporarily manipulate the market to buy or sell shares at a more favorable price. This is done by creating limit orders outside the current bid or ask price to change the reported price to other market participants. The trader can subsequently place trades based on the artificial change in price, then canceling the limit orders before they are executed.

Suppose a trader desires to sell shares of a company with a current bid of $20 and a current ask of $20.20. The trader would place a buy order at $20.10, still some distance from the ask so it will not be executed, and the $20.10 bid is reported as the National Best Bid and Offer best bid price. The trader then executes a market order for the sale of the shares they wished to sell. Because the best bid price is the investor’s artificial bid, a market maker fills the sale order at $20.10, allowing for a $.10 higher sale price per share. The trader subsequently cancels their limit order on the purchase he never had the intention of completing.

Quote stuffing.

Quote stuffing is a tactic employed by malicious traders that involves quickly entering and withdrawing large quantities of orders in an attempt to flood the market, thereby gaining an advantage over slower market participants. The rapidily placed and canceled orders cause market data feeds that ordinary investors rely on to delay price quotes while the stuffing is occurring. HFT firms benefit from proprietary, higher-capacity feeds and the most capable, lowest latency infrastructure. Researchers showed high-frequency traders are able to profit by the artificially induced latencies and arbitrage opportunities that result from quote stuffing.

Network-induced latency, a synonym for delay, measured in one-way delay or round-trip time, is normally defined as how much time it takes for a data packet to travel from one point to another. Low latency trading refers to the algorithmic trading systems and network routes used by financial institutions connecting to stock exchanges and electronic communication networks (ECNs) to rapidly execute financial transactions. Most HFT firms depend on low latency execution of their trading strategies. Joel Hasbrouck and Gideon Saar (2013) measure latency based on three components: the time it takes for 1) information to reach the trader, 2) the trader’s algorithms to analyze the information, and 3) the generated action to reach the exchange and get implemented. In a contemporary electronic market (circa 2009), low latency trade processing time was qualified as under 10 milliseconds, and ultra-low latency as under 1 millisecond.

Low-latency traders depend on ultra-low latency networks. They profit by providing information, such as competing bids and offers, to their algorithms microseconds faster than their competitors. The revolutionary advance in speed has led to the need for firms to have a real-time, colocated trading platform to benefit from implementing high-frequency strategies. Strategies are constantly altered to reflect the subtle changes in the market as well as to combat the threat of the strategy being reverse engineered by competitors. This is due to the evolutionary nature of algorithmic trading strategies – they must be able to adapt and trade intelligently, regardless of market conditions, which involves being flexible enough to withstand a vast array of market scenarios. As a result, a significant proportion of net revenue from firms is spent on the R&D of these autonomous trading systems.

Most of the algorithmic strategies are implemented using modern programming languages, although some still implement strategies designed in spreadsheets. Increasingly, the algorithms used by large brokerages and asset managers are written to the FIX Protocol's Algorithmic Trading Definition Language (FIXatdl), which allows firms receiving orders to specify exactly how their electronic orders should be expressed. Orders built using FIXatdl can then be transmitted from traders' systems via the FIX Protocol. Basic models can rely on as little as a linear regression, while more complex game-theoretic and pattern recognition or predictive models can also be used to initiate trading. More complex methods such as Markov Chain Monte Carlo have been used to create these models.

Algorithmic trading has been shown to substantially improve market liquidity among other benefits. However, improvements in productivity brought by algorithmic trading have been opposed by human brokers and traders facing stiff competition from computers.

Cyborg finance.

Technological advances in finance, particularly those relating to algorithmic trading, has increased financial speed, connectivity, reach, and complexity while simultaneously reducing its humanity. Computers running software based on complex algorithms have replaced humans in many functions in the financial industry. Finance is essentially becoming an industry where machines and humans share the dominant roles – transforming modern finance into what one scholar has called, “cyborg finance.”

While many experts laud the benefits of innovation in computerized algorithmic trading, other analysts have expressed concern with specific aspects of computerized trading.

"The downside with these systems is their black box-ness," Mr. Williams said. "Traders have intuitive senses of how the world works. But with these systems you pour in a bunch of numbers, and something comes out the other end, and it’s not always intuitive or clear why the black box latched onto certain data or relationships."

"The Financial Services Authority has been keeping a watchful eye on the development of black box trading. In its annual report the regulator remarked on the great benefits of efficiency that new technology is bringing to the market. But it also pointed out that 'greater reliance on sophisticated technology and modelling brings with it a greater risk that systems failure can result in business interruption'."

UK Treasury minister Lord Myners has warned that companies could become the "playthings" of speculators because of automatic high-frequency trading. Lord Myners said the process risked destroying the relationship between an investor and a company.

Other issues include the technical problem of latency or the delay in getting quotes to traders, security and the possibility of a complete system breakdown leading to a market crash.

"Goldman spends tens of millions of dollars on this stuff. They have more people working in their technology area than people on the trading desk. The nature of the markets has changed dramatically."

On August 1, 2012 Knight Capital Group experienced a technology issue in their automated trading system, causing a loss of $440 million.

This issue was related to Knight's installation of trading software and resulted in Knight sending numerous erroneous orders in NYSE-listed securities into the market. This software has been removed from the company's systems. [..] Clients were not negatively affected by the erroneous orders, and the software issue was limited to the routing of certain listed stocks to NYSE. Knight has traded out of its entire erroneous trade position, which has resulted in a realized pre-tax loss of approximately $440 million.

Algorithmic and high-frequency trading were shown to have contributed to volatility during the May 6, 2010 Flash Crash, when the Dow Jones Industrial Average plunged about 600 points only to recover those losses within minutes. At the time, it was the second largest point swing, 1,010.14 points, and the biggest one-day point decline, 998.5 points, on an intraday basis in Dow Jones Industrial Average history.

Recent developments.

Financial market news is now being formatted by firms such as Need To Know News, Thomson Reuters, Dow Jones, and Bloomberg, to be read and traded on via algorithms.

"Computers are now being used to generate news stories about company earnings results or economic statistics as they are released. And this almost instantaneous information forms a direct feed into other computers which trade on the news."

"Increasingly, people are looking at all forms of news and building their own indicators around it in a semi-structured way," as they constantly seek out new trading advantages said Rob Passarella, global director of strategy at Dow Jones Enterprise Media Group. His firm provides both a low latency news feed and news analytics for traders. Passarella also pointed to new academic research being conducted on the degree to which frequent Google searches on various stocks can serve as trading indicators, the potential impact of various phrases and words that may appear in Securities and Exchange Commission statements and the latest wave of online communities devoted to stock trading topics.

"Markets are by their very nature conversations, having grown out of coffee houses and taverns," he said. So the way conversations get created in a digital society will be used to convert news into trades, as well, Passarella said.

"There is a real interest in moving the process of interpreting news from the humans to the machines" says Kirsti Suutari, global business manager of algorithmic trading at Reuters. "More of our customers are finding ways to use news content to make money."

An example of the importance of news reporting speed to algorithmic traders was an advertising campaign by Dow Jones (appearances included page W15 of the Wall Street Journal, on March 1, 2008) claiming that their service had beaten other news services by two seconds in reporting an interest rate cut by the Bank of England.

In July 2007, Citigroup, which had already developed its own trading algorithms, paid $680 million for Automated Trading Desk, a 19-year-old firm that trades about 200 million shares a day. Citigroup had previously bought Lava Trading and OnTrade Inc.

In late 2010, The UK Government Office for Science initiated a Foresight project investigating the future of computer trading in the financial markets, led by Dame Clara Furse, ex-CEO of the London Stock Exchange and in September 2011 the project published its initial findings in the form of a three-chapter working paper available in three languages, along with 16 additional papers that provide supporting evidence. All of these findings are authored or co-authored by leading academics and practitioners, and were subjected to anonymous peer-review. Released in 2012, the Foresight study acknowledged issues related to periodic illiquidity, new forms of manipulation and potential threats to market stability due to errant algorithms or excessive message traffic. However, the report was also criticized for adopting "standard pro-HFT arguments" and advisory panel members being linked to the HFT industry.

A traditional trading system consists of primarily of two blocks – one that receives the market data while the other that sends the order request to the exchange. However, an algorithmic trading system can be broken down into three parts.

Exchange(s) provide data to the system, which typically consists of the latest order book, traded volumes, and last traded price (LTP) of scrip. The server in turn receives the data simultaneously acting as a store for historical database. The data is analyzed at the application side, where trading strategies are fed from the user and can be viewed on the GUI. Once the order is generated, it is sent to the order management system (OMS), which in turn transmits it to the exchange.

Gradually, old-school, high latency architecture of algorithmic systems is being replaced by newer, state-of-the-art, high infrastructure, low-latency networks. The complex event processing engine (CEP), which is the heart of decision making in algo-based trading systems, is used for order routing and risk management.

With the emergence of the FIX (Financial Information Exchange) protocol, the connection to different destinations has become easier and the go-to market time has reduced, when it comes to connecting with a new destination. With the standard protocol in place, integration of third-party vendors for data feeds is not cumbersome anymore.

Though its development may have been prompted by decreasing trade sizes caused by decimalization, algorithmic trading has reduced trade sizes further. Jobs once done by human traders are being switched to computers. The speeds of computer connections, measured in milliseconds and even microseconds, have become very important.

More fully automated markets such as NASDAQ, Direct Edge and BATS (formerly an acronym for Better Alternative Trading System) in the US, have gained market share from less automated markets such as the NYSE. Economies of scale in electronic trading have contributed to lowering commissions and trade processing fees, and contributed to international mergers and consolidation of financial exchanges.

Competition is developing among exchanges for the fastest processing times for completing trades. For example, in June 2007, the London Stock Exchange launched a new system called TradElect that promises an average 10 millisecond turnaround time from placing an order to final confirmation and can process 3,000 orders per second. Since then, competitive exchanges have continued to reduce latency with turnaround times of 3 milliseconds available. This is of great importance to high-frequency traders, because they have to attempt to pinpoint the consistent and probable performance ranges of given financial instruments. These professionals are often dealing in versions of stock index funds like the E-mini S&Ps, because they seek consistency and risk-mitigation along with top performance. They must filter market data to work into their software programming so that there is the lowest latency and highest liquidity at the time for placing stop-losses and/or taking profits. With high volatility in these markets, this becomes a complex and potentially nerve-wracking endeavor, where a small mistake can lead to a large loss. Absolute frequency data play into the development of the trader's pre-programmed instructions.

In the U. S., spending on computers and software in the financial industry increased to $26.4 billion in 2005.

Algorithmic trading has caused a shift in the types of employees working in the financial industry. For example, many physicists have entered the financial industry as quantitative analysts. Some physicists have even begun to do research in economics as part of doctoral research. This interdisciplinary movement is sometimes called econophysics. Some researchers also cite a "cultural divide" between employees of firms primarily engaged in algorithmic trading and traditional investment managers. Algorithmic trading has encouraged an increased focus on data and had decreased emphasis on sell-side research.

Algorithmic trades require communicating considerably more parameters than traditional market and limit orders. A trader on one end (the "buy side") must enable their trading system (often called an "order management system" or "execution management system") to understand a constantly proliferating flow of new algorithmic order types. The R&D and other costs to construct complex new algorithmic orders types, along with the execution infrastructure, and marketing costs to distribute them, are fairly substantial. What was needed was a way that marketers (the "sell side") could express algo orders electronically such that buy-side traders could just drop the new order types into their system and be ready to trade them without constant coding custom new order entry screens each time.

FIX Protocol is a trade association that publishes free, open standards in the securities trading area. The FIX language was originally created by Fidelity Investments, and the association Members include virtually all large and many midsized and smaller broker dealers, money center banks, institutional investors, mutual funds, etc. This institution dominates standard setting in the pretrade and trade areas of security transactions. In 2006–2007 several members got together and published a draft XML standard for expressing algorithmic order types. The standard is called FIX Algorithmic Trading Definition Language (FIXatdl).

알고리즘 트레이딩.

Algorithmic trading , also called automated trading , black-box trading , or algo trading , is the use of electronic platforms for entering trading orders with an algorithm which executes pre-programmed trading instructions whose variables may include timing, price, or quantity of the order, or in many cases initiating the order by a "robot", without human intervention. Algorithmic trading is widely used by investment banks, pension funds, mutual funds, and other buy-side (investor-driven) institutional traders, to divide large trades into several smaller trades to manage market impact and risk. [1] [2] Sell side traders, such as market makers and some hedge funds, provide liquidity to the market, generating and executing orders automatically.

A special class of algorithmic trading is "high-frequency trading" (HFT). Many types of algorithmic or automated trading activities can be described as HFT. As a result, in February 2012, the Commodity Futures Trading Commission (CFTC) formed a special working group that included academics and industry experts to advise the CFTC on how best to define HFT. [3] [4] HFT strategies utilize computers that make elaborate decisions to initiate orders based on information that is received electronically, before human traders are capable of processing the information they observe. Algorithmic trading and HFT have resulted in a dramatic change of the market microstructure, particularly in the way liquidity is provided. [5] Algorithmic trading may be used in any investment strategy, including market making, inter-market spreading, arbitrage, or pure speculation (including trend following). 투자 결정 및 구현은 알고리즘 지원을 통해 모든 단계에서 보완 될 수 있거나 완전히 자동으로 운영 될 수 있습니다. One of the main issues regarding HFT is the difficulty in determining how profitable it is. A report released in August 2009 by the TABB Group, a financial services industry research firm, estimated that the 300 securities firms and hedge funds that specialize in this type of trading took in a maximum of US$21 billion in profits in 2008, [6] which the authors called "relatively small" and "surprisingly modest" when compared to the market's overall trading volume.

A third of all European Union and United States stock trades in 2006 were driven by automatic programs, or algorithms, according to Boston-based financial services industry research and consulting firm Aite Group. [7] As of 2009, studies suggested HFT firms accounted for 60-73% of all US equity trading volume, with that number falling to approximately 50% in 2012. [8] [9] In 2006, at the London Stock Exchange, over 40% of all orders were entered by algorithmic traders, with 60% predicted for 2007. American markets and European markets generally have a higher proportion of algorithmic trades than other markets, and estimates for 2008 range as high as an 80% proportion in some markets. Foreign exchange markets also have active algorithmic trading (about 25% of orders in 2006). [10] Futures markets are considered fairly easy to integrate into algorithmic trading, [11] with about 20% of options volume expected to be computer-generated by 2010. Script error Script error [ dated info ] [12] Bond markets are moving toward more access to algorithmic traders. [13]

Algorithmic and HFT have been the subject of much public debate since the U. S. Securities and Exchange Commission and the Commodity Futures Trading Commission said in reports that an algorithmic trade entered by a mutual fund company triggered a wave of selling that led to the 2010 Flash Crash. [14] [15] [16] [17] [18] [19] [20] [21] The same reports found HFT strategies may have contributed to subsequent volatility. As a result of these events, the Dow Jones Industrial Average suffered its second largest intraday point swing ever to that date, though prices quickly recovered. (See List of largest daily changes in the Dow Jones Industrial Average.) A July, 2011 report by the International Organization of Securities Commissions (IOSCO), an international body of securities regulators, concluded that while "algorithms and HFT technology have been used by market participants to manage their trading and risk, their usage was also clearly a contributing factor in the flash crash event of May 6, 2010." [22] [23] Some algorithmic trading ahead of index fund rebalancing transfers profits from investors. [24] [25] [26]

History Edit.

Computerization of the order flow in financial markets began in the early 1970s, with some landmarks being the introduction of the New York Stock Exchange's “designated order turnaround” system (DOT, and later SuperDOT), which routed orders electronically to the proper trading post, which executed them manually. The "opening automated reporting system" (OARS) aided the specialist in determining the market clearing opening price (SOR; Smart Order Routing).

Program trading is defined by the New York Stock Exchange as an order to buy or sell 15 or more stocks valued at over US$1 million total. In practice this means that all program trades are entered with the aid of a computer. In the 1980s, program trading became widely used in trading between the S&P500 equity and futures markets.

In stock index arbitrage a trader buys (or sells) a stock index futures contract such as the S&P 500 futures and sells (or buys) a portfolio of up to 500 stocks (can be a much smaller representative subset) at the NYSE matched against the futures trade. The program trade at the NYSE would be pre-programmed into a computer to enter the order automatically into the NYSE’s electronic order routing system at a time when the futures price and the stock index were far enough apart to make a profit.

At about the same time portfolio insurance was designed to create a synthetic put option on a stock portfolio by dynamically trading stock index futures according to a computer model based on the Black–Scholes option pricing model.

Both strategies, often simply lumped together as "program trading", were blamed by many people (for example by the Brady report) for exacerbating or even starting the 1987 stock market crash. Yet the impact of computer driven trading on stock market crashes is unclear and widely discussed in the academic community. [27]

Financial markets with fully electronic execution and similar electronic communication networks developed in the late 1980s and 1990s. In the U. S., decimalization, which changed the minimum tick size from 1/16 of a dollar (US$0.0625) to US$0.01 per share, may have encouraged algorithmic trading as it changed the market microstructure by permitting smaller differences between the bid and offer prices, decreasing the market-makers' trading advantage, thus increasing market liquidity.

This increased market liquidity led to institutional traders splitting up orders according to computer algorithms so they could execute orders at a better average price. These average price benchmarks are measured and calculated by computers by applying the time-weighted average price or more usually by the volume-weighted average price.

A further encouragement for the adoption of algorithmic trading in the financial markets came in 2001 when a team of IBM researchers published a paper [28] at the International Joint Conference on Artificial Intelligence where they showed that in experimental laboratory versions of the electronic auctions used in the financial markets, two algorithmic strategies (IBM's own MGD , and Hewlett-Packard's ZIP ) could consistently out-perform human traders. MGD was a modified version of the "GD" algorithm invented by Steven Gjerstad & John Dickhaut in 1996/7; [29] the ZIP algorithm had been invented at HP by Dave Cliff (professor) in 1996. [30] In their paper, the IBM team wrote that the financial impact of their results showing MGD and ZIP outperforming human traders ". might be measured in billions of dollars annually"; the IBM paper generated international media coverage.

As more electronic markets opened, other algorithmic trading strategies were introduced. These strategies are more easily implemented by computers, because machines can react more rapidly to temporary mispricing and examine prices from several markets simultaneously. For example Stealth (developed by the Deutsche Bank ), Sniper and Guerilla (developed by Credit Suisse [31] ), arbitrage, statistical arbitrage, trend following, and mean reversion.

This type of trading is what is driving the new demand for Low Latency Proximity Hosting and Global Exchange Connectivity. It is imperative to understand what latency is when putting together a strategy for electronic trading. Latency refers to the delay between the transmission of information from a source and the reception of the information at a destination. Latency has as a lower bound the speed of light; this corresponds to about 3.3 milliseconds per 1,000 kilometers of optical fibre. Any signal regenerating or routing equipment introduces greater latency than this lightspeed baseline.

Strategies Edit.

Trading ahead of index fund rebalancing Edit.

Most retirement savings, such as private pension funds or 401(k) and individual retirement accounts in the US, are invested in mutual funds, the most popular of which are index funds which must periodically "rebalance" or adjust their portfolio to match the new prices and market capitalization of the underlying securities in the stock or other index that they track. [32] [33] This allows algorithmic traders (80% of the trades of whom involve the top 20% most popular securities [32] ) to anticipate and trade ahead of stock price movements caused by mutual fund rebalancing, making a profit on advance knowledge of the large institutional block orders. [24] [34] This results in profits transferred from investors to algorithmic traders, estimated to be at least 21 to 28 basis points annually for S&P 500 index funds, and at least 38 to 77 basis points per year for Russell 2000 funds. [25] John Montgomery of Bridgeway Capital Management says that the resulting "poor investor returns" from trading ahead of mutual funds is "the elephant in the room" that "shockingly, people are not talking about." [26] Related "time zone arbitrage" against mutual funds and their underlying securities traded on overseas markets is likely "damaging to financial integration between the United States, Asia and Europe." [35]

Trend following Edit.

Trend following is an investment strategy that tries to take advantage of long-term, medium-term, and short-term movements that sometimes occur in various markets. The strategy aims to take advantage of a market trend on both sides, going long (buying) or short (selling) in a market in an attempt to profit from the ups and downs of the stock or futures markets. Traders who use this approach can use current market price calculation, moving averages and channel breakouts to determine the general direction of the market and to generate trade signals. Traders who subscribe to a trend following strategy do not aim to forecast or predict specific price levels; they initiate a trade when a trend appears to have started, and exit the trade once the trend appears to have ended. [36]

Pairs trading Edit.

Pairs trading or pair trading is a long-short, ideally market-neutral strategy enabling traders to profit from transient discrepancies in relative value of close substitutes. Unlike in the case of classic arbitrage, in case of pairs trading, the law of one price cannot guarantee convergence of prices. This is especially true when the strategy is applied to individual stocks - these imperfect substitutes can in fact diverge indefinitely. In theory the long-short nature of the strategy should make it work regardless of the stock market direction. In practice, execution risk, persistent and large divergences, as well as a decline in volatility can make this strategy unprofitable for long periods of time (e. g. 2004-7). It belongs to wider categories of statistical arbitrage, convergence trading, and relative value strategies. [37]

Delta-neutral strategies Edit.

In finance, delta-neutral describes a portfolio of related financial securities, in which the portfolio value remains unchanged due to small changes in the value of the underlying security. Such a portfolio typically contains options and their corresponding underlying securities such that positive and negative delta components offset, resulting in the portfolio's value being relatively insensitive to changes in the value of the underlying security.

Arbitrage Edit.

In economics and finance, arbitrage / ˈ ɑr b ɨ t r ɑː ʒ / is the practice of taking advantage of a price difference between two or more markets: striking a combination of matching deals that capitalize upon the imbalance, the profit being the difference between the market prices. When used by academics, an arbitrage is a transaction that involves no negative cash flow at any probabilistic or temporal state and a positive cash flow in at least one state; in simple terms, it is the possibility of a risk-free profit at zero cost.

Conditions for arbitrage Edit.

Arbitrage is possible when one of three conditions is met:

The same asset does not trade at the same price on all markets (the "law of one price" is temporarily violated). Two assets with identical cash flows do not trade at the same price. An asset with a known price in the future does not today trade at its future price discounted at the risk-free interest rate (or, the asset does not have negligible costs of storage; as such, for example, this condition holds for grain but not for securities).

Arbitrage is not simply the act of buying a product in one market and selling it in another for a higher price at some later time. The long and short transactions should ideally occur simultaneously to minimize the exposure to market risk, or the risk that prices may change on one market before both transactions are complete. In practical terms, this is generally only possible with securities and financial products which can be traded electronically, and even then, when first leg(s) of the trade is executed, the prices in the other legs may have worsened, locking in a guaranteed loss. Missing one of the legs of the trade (and subsequently having to open it at a worse price) is called 'execution risk' or more specifically 'leg-in and leg-out risk'. [note 1]

In the simplest example, any good sold in one market should sell for the same price in another. Traders may, for example, find that the price of wheat is lower in agricultural regions than in cities, purchase the good, and transport it to another region to sell at a higher price. This type of price arbitrage is the most common, but this simple example ignores the cost of transport, storage, risk, and other factors. "True" arbitrage requires that there be no market risk involved. Where securities are traded on more than one exchange, arbitrage occurs by simultaneously buying in one and selling on the other. Such simultaneous execution, if perfect substitutes are involved, minimizes capital requirements, but in practice never creates a "self-financing" (free) position, as many sources incorrectly assume following the theory. As long as there is some difference in the market value and riskiness of the two legs, capital would have to be put up in order to carry the long-short arbitrage position.

Mean reversion Edit.

Mean reversion is a mathematical methodology sometimes used for stock investing, but it can be applied to other processes. In general terms the idea is that both a stock's high and low prices are temporary, and that a stock's price tends to have an average price over time.

Mean reversion involves first identifying the trading range for a stock, and then computing the average price using analytical techniques as it relates to assets, earnings, etc.

When the current market price is less than the average price, the stock is considered attractive for purchase, with the expectation that the price will rise. When the current market price is above the average price, the market price is expected to fall. In other words, deviations from the average price are expected to revert to the average.

The Standard deviation of the most recent prices (e. g., the last 20) is often used as a buy or sell indicator.

Stock reporting services (such as Yahoo! Finance, MS Investor, Morningstar, etc.), commonly offer moving averages for periods such as 50 and 100 days. While reporting services provide the averages, identifying the high and low prices for the study period is still necessary.

Scalping Edit.

Scalping (trading) is a method of arbitrage of small price gaps created by the bid-ask spread. Scalpers attempt to act like traditional market makers or specialists. To make the spread means to buy at the bid price and sell at the ask price, to gain the bid/ask difference. This procedure allows for profit even when the bid and ask do not move at all, as long as there are traders who are willing to take market prices. It normally involves establishing and liquidating a position quickly, usually within minutes or even seconds.

The role of a scalper is actually the role of market makers or specialists who are to maintain the liquidity and order flow of a product of a market. A market maker is basically a specialized scalper. The volume a market maker trades are many times more than the average individual scalpers. A market maker has a sophisticated trading system to monitor trading activity. However, a market maker is bound by strict exchange rules while the individual trader is not. For instance, NASDAQ requires each market maker to post at least one bid and one ask at some price level, so as to maintain a two-sided market for each stock represented.

Transaction cost reduction Edit.

Most strategies referred to as algorithmic trading (as well as algorithmic liquidity-seeking) fall into the cost-reduction category. The basic idea is to break down a large order into small orders and place them in the market over time. The choice of algorithm depends on various factors, with the most important being volatility and liquidity of the stock. For example, for a highly liquid stock, matching a certain percentage of the overall orders of stock (called volume inline algorithms) is usually a good strategy, but for a highly illiquid stock, algorithms try to match every order that has a favorable price (called liquidity-seeking algorithms).

The success of these strategies is usually measured by comparing the average price at which the entire order was executed with the average price achieved through a benchmark execution for the same duration. Usually, the volume-weighted average price is used as the benchmark. At times, the execution price is also compared with the price of the instrument at the time of placing the order.

A special class of these algorithms attempts to detect algorithmic or iceberg orders on the other side (i. e. if you are trying to buy, the algorithm will try to detect orders for the sell side). These algorithms are called sniffing algorithms. A typical example is "Stealth."

Some examples of algorithms are TWAP, VWAP, Implementation shortfall, POV, Display size, Liquidity seeker, and Stealth.

Strategies that only pertain to dark pools Edit.

Recently, HFT, which comprises a broad set of buy-side as well as market making sell side traders, has become more prominent and controversial. [38] These algorithms or techniques are commonly given names such as "Stealth" (developed by the Deutsche Bank), "Iceberg", "Dagger", "Guerrilla", "Sniper", "BASOR" (developed by Quod Financial) and "Sniffer". [39] Dark pools are alternative electronic stock exchanges where trading takes place anonymously, with most orders hidden or "iceberged." [40] Gamers or "sharks" sniff out large orders by "pinging" small market orders to buy and sell. When several small orders are filled the sharks may have discovered the presence of a large iceberged order.

“Now it’s an arms race,” said Andrew Lo, director of the Massachusetts Institute of Technology’s Laboratory for Financial Engineering. “Everyone is building more sophisticated algorithms, and the more competition exists, the smaller the profits.” [41]

High-frequency trading Edit.

In the U. S., high-frequency trading (HFT) firms represent 2% of the approximately 20,000 firms operating today, but account for 73% of all equity trading volume. [42] As of the first quarter in 2009, total assets under management for hedge funds with HFT strategies were US$141 billion, down about 21% from their high. [43] The HFT strategy was first made successful by Renaissance Technologies. [44] High-frequency funds started to become especially popular in 2007 and 2008. [43] Many HFT firms are market makers and provide liquidity to the market, which has lowered volatility and helped narrow Bid-offer spreads making trading and investing cheaper for other market participants. [43] [45] [46] HFT has been a subject of intense public focus since the U. S. Securities and Exchange Commission and the Commodity Futures Trading Commission stated that both algorithmic and HFT contributed to volatility in the 2010 Flash Crash. Major players in HFT include GETCO LLC, Jump Trading LLC, Tower Research Capital, Hudson River Trading as well as Citadel Investment Group, Goldman Sachs, DE Shaw, Renaissance Technologies. [14] [15] [16] [17]

There are four key categories of HFT strategies: market-making based on order flow, market-making based on tick data information, event arbitrage and statistical arbitrage. All portfolio-allocation decisions are made by computerized quantitative models. The success of HFT strategies is largely driven by their ability to simultaneously process volumes of information, something ordinary human traders cannot do.

Market making Edit.

Market making is a set of HFT strategies that involves placing a limit order to sell (or offer) above the current market price or a buy limit order (or bid) below the current price to benefit from the bid-ask spread. Automated Trading Desk, which was bought by Citigroup in July 2007, has been an active market maker, accounting for about 6% of total volume on both NASDAQ and the New York Stock Exchange. [47]

Statistical arbitrage Edit.

Another set of HFT strategies is classical arbitrage strategy might involve several securities such as covered interest rate parity in the foreign exchange market which gives a relation between the prices of a domestic bond, a bond denominated in a foreign currency, the spot price of the currency, and the price of a forward contract on the currency. If the market prices are sufficiently different from those implied in the model to cover transaction cost then four transactions can be made to guarantee a risk-free profit. HFT allows similar arbitrages using models of greater complexity involving many more than 4 securities. The TABB Group estimates that annual aggregate profits of low latency arbitrage strategies currently exceed US$21 billion. [8]

Event arbitrage Edit.

Low-latency trading Edit.

HFT is often confused with low-latency trading that uses computers that execute trades within microseconds, or "with extremely low latency" in the jargon of the trade. Low-latency traders depend on ultra-low latency networks. They profit by providing information, such as competing bids and offers, to their algorithms microseconds faster than their competitors. [8] The revolutionary advance in speed has led to the need for firms to have a real-time, colocated trading platform to benefit from implementing high-frequency strategies. [8] Strategies are constantly altered to reflect the subtle changes in the market as well as to combat the threat of the strategy being reverse engineered by competitors. There is also a very strong pressure to continuously add features or improvements to a particular algorithm, such as client specific modifications and various performance enhancing changes (regarding benchmark trading performance, cost reduction for the trading firm or a range of other implementations). This is due to the evolutionary nature of algorithmic trading strategies – they must be able to adapt and trade intelligently, regardless of market conditions, which involves being flexible enough to withstand a vast array of market scenarios. As a result, a significant proportion of net revenue from firms is spent on the R&D of these autonomous trading systems. [8]

Strategy implementation Edit.

Most of the algorithmic strategies are implemented using modern programming languages, although some still implement strategies designed in spreadsheets. Increasingly, the algorithms used by large brokerages and asset managers are written to the FIX Protocol's Algorithmic Trading Definition Language (FIXatdl), which allows firms receiving orders to specify exactly how their electronic orders should be expressed. Orders built using FIXatdl can then be transmitted from traders' systems via the FIX Protocol. [49] Basic models can rely on as little as a linear regression, while more complex game-theoretic and pattern recognition [50] or predictive models can also be used to initiate trading. Neural networks and genetic programming have been used to create these models.

Issues and developments Edit.

Algorithmic trading has been shown to substantially improve market liquidity [51] among other benefits. However, improvements in productivity brought by algorithmic trading have been opposed by human brokers and traders facing stiff competition from computers.

Concerns Edit.

“The downside with these systems is their black box-ness,” Mr. Williams said. “Traders have intuitive senses of how the world works. But with these systems you pour in a bunch of numbers, and something comes out the other end, and it’s not always intuitive or clear why the black box latched onto certain data or relationships.” [41]

“The Financial Services Authority has been keeping a watchful eye on the development of black box trading. In its annual report the regulator remarked on the great benefits of efficiency that new technology is bringing to the market. But it also pointed out that ‘greater reliance on sophisticated technology and modelling brings with it a greater risk that systems failure can result in business interruption’.” [52]

Other issues include the technical problem of latency or the delay in getting quotes to traders, [54] security and the possibility of a complete system breakdown leading to a market crash. [55]

"Goldman spends tens of millions of dollars on this stuff. They have more people working in their technology area than people on the trading desk. The nature of the markets has changed dramatically." [56]

On 1 August 2012 Knight Capital Group experienced a technology issue in their automated trading system, [57] causing a loss of $440 million.

Algorithmic and HFT were shown to have contributed to volatility during the May 6, 2010 Flash Crash, [14] [16] when the Dow Jones Industrial Average plunged about 600 points only to recover those losses within minutes. At the time, it was the second largest point swing, 1,010.14 points, and the biggest one-day point decline, 998.5 points, on an intraday basis in Dow Jones Industrial Average history. [58]

Recent developments Edit.

Financial market news is now being formatted by firms such as Need To Know News, Thomson Reuters, Dow Jones, and Bloomberg, to be read and traded on via algorithms.

The algorithms do not simply trade on simple news stories but also interpret more difficult to understand news. Some firms are also attempting to automatically assign sentiment (deciding if the news is good or bad) to news stories so that automated trading can work directly on the news story. [60] "Increasingly, people are looking at all forms of news and building their own indicators around it in a semi-structured way," as they constantly seek out new trading advantages said Rob Passarella, global director of strategy at Dow Jones Enterprise Media Group. His firm provides both a low latency news feed and news analytics for traders. Passarella also pointed to new academic research being conducted on the degree to which frequent Google searches on various stocks can serve as trading indicators, the potential impact of various phrases and words that may appear in Securities and Exchange Commission statements and the latest wave of online communities devoted to stock trading topics. [60]

"Markets are by their very nature conversations, having grown out of coffee houses and taverns", he said. So the way conversations get created in a digital society will be used to convert news into trades, as well, Passarella said. [60]

“There is a real interest in moving the process of interpreting news from the humans to the machines” says Kirsti Suutari, global business manager of algorithmic trading at Reuters. "More of our customers are finding ways to use news content to make money." [59]

An example of the importance of news reporting speed to algorithmic traders was an advertising campaign by Dow Jones (appearances included page W15 of the Wall Street Journal, on March 1, 2008) claiming that their service had beaten other news services by 2 seconds in reporting an interest rate cut by the Bank of England.

In July 2007, Citigroup, which had already developed its own trading algorithms, paid $680 million for Automated Trading Desk, a 19-year-old firm that trades about 200 million shares a day. [61] Citigroup had previously bought Lava Trading and OnTrade Inc.

In late 2010, The UK Government Office for Science initiated a Foresight project investigating the future of computer trading in the financial markets, [62] led by Dame Clara Furse, ex-CEO of the London Stock Exchange and in September 2011 the project published its initial findings in the form of a three-chapter working paper available in three languages, along with 16 additional papers that provide supporting evidence. [63] All of these findings are authored or co-authored by leading academics and practitioners, and were subjected to anonymous peer-review. The Foresight project is set to conclude in late 2012.

In September 2011, RYBN has launched "ADM8", [64] an open source Trading Bot prototype, already active on the financial markets.

Technical design Edit.

The technical designs of such systems are not standardized. Conceptually, the design can be divided into logical units:

The data stream unit (the part of the systems that receives data (e. g. quotes, news) from external sources) The decision or strategy unit The execution unit.

With the wide use of social networks, some systems implement scanning or screening technologies to read posts of users extracting human sentiment and influence the trading strategies. [65]

Effects Edit.

More fully automated markets such as NASDAQ, Direct Edge and BATS, in the US, have gained market share from less automated markets such as the NYSE. Economies of scale in electronic trading have contributed to lowering commissions and trade processing fees, and contributed to international mergers and consolidation of financial exchanges.

Competition is developing among exchanges for the fastest processing times for completing trades. For example, in June 2007, the London Stock Exchange launched a new system called TradElect that promises an average 10 millisecond turnaround time from placing an order to final confirmation and can process 3,000 orders per second. [68] Since then, competitive exchanges have continued to reduce latency with turnaround times of 3 milliseconds available. This is of great importance to high-frequency traders, because they have to attempt to pinpoint the consistent and probable performance ranges of given financial instruments. These professionals are often dealing in versions of stock index funds like the E-mini S&Ps, because they seek consistency and risk-mitigation along with top performance. They must filter market data to work into their software programming so that there is the lowest latency and highest liquidity at the time for placing stop-losses and/or taking profits. With high volatility in these markets, this becomes a complex and potentially nerve-wracking endeavor, where a small mistake can lead to a large loss. Absolute frequency data play into the development of the trader's pre-programmed instructions. [69]

Spending on computers and software in the financial industry increased to $26.4 billion in 2005. [1]

Communication standards Edit.

Search This Blog

거래 龍仁市

알고리즘 트레이딩 시스템 위키

Comments

Post a Comment

Popular Posts

외환 클럽 jnpsds

외환 스트레스 환율