Grundlæggende om algoritmisk handel: koncepter og eksempler

Algoritmisk handel (også kaldet automatiseret handel, black-box-handel eller algo-handel) bruger et computerprogram, der følger et defineret sæt instruktioner (en algoritme) til at placere en handel. I teorien kan handel generere overskud med en hastighed og frekvens, som er umulig for en menneskelig erhvervsdrivende.

De definerede sæt instruktioner er baseret på timing, pris, mængde eller en hvilken som helst matematisk model. Bortset fra profitmuligheder for den erhvervsdrivende gør algo-handel markeder mere likvide og handel mere systematiske ved at udelukke virkningen af ​​menneskelige følelser på handelsaktiviteter.

Algoritmisk handel i praksis

Antag, at en erhvervsdrivende følger disse enkle handelskriterier:

• Køb 50 aktier af en bestand, når dens 50-dages glidende gennemsnit overstiger det 200-dages glidende gennemsnit. (Et bevægende gennemsnit er et gennemsnit af tidligere datapunkter, der udjævner den daglige prisudsving og derved identificerer tendenser.)
• Sælg aktier på aktien, når dens 50-dages glidende gennemsnit ligger under det 200-dages glidende gennemsnit.

Ved hjælp af disse to enkle instruktioner overvåger et computerprogram automatisk aktiekursen (og indikatorerne for det gennemsnitlige glidende gennemsnit) og placerer købs- og salgsordrer, når de definerede betingelser er opfyldt. Den erhvervsdrivende behøver ikke længere at overvåge live priser og grafer eller lægge ordrer manuelt. Det algoritmiske handelssystem gør dette automatisk ved korrekt at identificere handelsmuligheden.

Grundlæggende om algoritmisk handel

Fordelene ved algoritmisk handel

Algo-handel giver følgende fordele:

• Handler udføres til de bedst mulige priser.
• Handelsordreplacering er øjeblikkelig og nøjagtig (der er stor chance for udførelse på de ønskede niveauer).
• Handler er rettet korrekt og øjeblikkeligt for at undgå betydelige prisændringer.
• Reducerede transaktionsomkostninger.
• Samtidig automatiseret kontrol af flere markedsforhold.
• Reduceret risiko for manuelle fejl ved placering af handler.
• Algo-handel kan backtestes ved hjælp af tilgængelige historiske og realtidsdata for at se, om det er en bæredygtig handelsstrategi.
• Nedsat mulighed for fejl fra menneskelige handlende baseret på følelsesmæssige og psykologiske faktorer.

Den fleste algo-handel i dag er højfrekvent handel (HFT), der forsøger at udnytte med at placere et stort antal ordrer med hurtige hastigheder på tværs af flere markeder og flere beslutningsparametre baseret på forprogrammerede instruktioner.

Algo-handel bruges i mange former for handel og investeringsaktiviteter, herunder:

• Midt- til langtidsinvestorer eller købssider - pensionskasser, gensidige fonde, forsikringsselskaber - bruger algo-handel til at købe aktier i store mængder, når de ikke ønsker at påvirke aktiekurserne med diskrete investeringer i store mængder.
• Kortvarige forhandlere og deltagere på salgssiden - markeds beslutningstagere (såsom mæglerhuse), spekulanter og arbitrageurs - drage fordel af automatiseret handelsudførelse; derudover hjælper algo-handel med at skabe tilstrækkelig likviditet for sælgere på markedet.
• Systematiske forhandlere - trendfølgere, hedgefonde eller parthandlere (en markedsneutral handelsstrategi, der matcher en lang position med en kort position i et par meget korrelerede instrumenter, såsom to aktier, børshandlede fonde (ETF'er) eller valutaer) - find det meget mere effektivt at programmere deres handelsregler og lad programmet handle automatisk.

Algoritmisk handel giver en mere systematisk tilgang til aktiv handel end metoder, der er baseret på erhvervsdrivendes intuition eller instinkt.

Algoritmiske handelsstrategier

Enhver strategi til algoritmisk handel kræver en identificeret mulighed, der er rentabel med hensyn til forbedret indtjening eller omkostningsreduktion. Følgende er almindelige handelsstrategier, der bruges i algo-handel:

Trend-følgende strategier

De mest almindelige algoritmiske handelsstrategier følger tendenser i bevægelige gennemsnit, kanalopdelinger, prisniveaubevægelser og relaterede tekniske indikatorer. Dette er de nemmeste og enkleste strategier at implementere gennem algoritmisk handel, fordi disse strategier ikke indebærer foretagelse af forudsigelser eller prisprognoser. Handler indledes på baggrund af forekomsten af ​​ønskelige tendenser, som er lette og enkle at implementere gennem algoritmer uden at komme ind i kompleksiteten af ​​forudsigelig analyse. Brug af 50- og 200-dages glidende gennemsnit er en populær trend-følgende strategi.

Arbitrage muligheder

At købe en børsnoteret aktie til en lavere pris på et marked og samtidig sælge den til en højere pris på et andet marked tilbyder prisforskellen som risikofri fortjeneste eller arbitrage. Den samme operation kan replikeres for aktier kontra futuresinstrumenter, da der er prisforskelle fra tid til anden. Implementering af en algoritme for at identificere sådanne prisforskelle og placering af ordrer effektivt giver rentable muligheder.

Indeksfondsudbalancering

Indeksfonde har definerede perioder med rebalansering for at bringe deres beholdninger på niveau med deres respektive benchmark-indeks. Dette skaber rentable muligheder for algoritmiske erhvervsdrivende, der kapitaliserer på forventede handler, der tilbyder 20 til 80 basispoint overskud afhængigt af antallet af aktier i indeksfonden lige før indeksfondsudbalancering. Sådanne handler indledes via algoritmiske handelssystemer til rettidig udførelse og bedste priser.

Matematiske modelbaserede strategier

Påviste matematiske modeller, som den delta-neutrale handelsstrategi, tillader handel med en kombination af optioner og den underliggende sikkerhed. (Delta neutral er en porteføljestrategi, der består af flere positioner med modregning af positive og negative deltaer - et forhold, der sammenligner ændringen i et aktivs pris, normalt en omsættelig værdipapir, med den tilsvarende ændring i prisen på dets derivat), så det samlede deltaet af de pågældende aktiver er på nul.)

Handelsområde (gennemsnitsomvendelse)

Gennemsnitlig tilbageførselsstrategi er baseret på konceptet om, at et høje og lave priser på et aktiv er et midlertidigt fænomen, der periodisk vender tilbage til deres gennemsnitlige værdi (gennemsnitsværdi). Identificering og definition af et prisklasse og implementering af en algoritme baseret på det giver mulighed for at placere handler automatisk, når prisen på et aktiv bryder ind og ud af dets definerede interval.

Volumenvægtet gennemsnitspris (VWAP)

Volumenvægtet gennemsnitlig prisstrategi bryder en stor ordre og frigiver dynamisk bestemte mindre dele af ordren til markedet ved hjælp af aktiespecifikke historiske volumenprofiler. Målet er at udføre ordren tæt på den volumenvægtede gennemsnitspris (VWAP).

Tidsvægtet gennemsnitspris (TWAP)

Tidsvægtet gennemsnitlig prisstrategi bryder en stor ordre og frigiver dynamisk bestemte mindre dele af ordren til markedet ved hjælp af jævnt opdelte tidsvinduer mellem en start- og sluttid. Målet er at udføre ordren tæt på gennemsnitsprisen mellem start- og sluttidspunktet og derved minimere markedspåvirkningen.

Procentdel af volumen (POV)

Indtil handelsordren er fuldt ud, fortsætter denne algoritme med at sende delvise ordrer i henhold til det definerede deltagelsesforhold og i henhold til mængden, der handles på markederne. Den relaterede "trinstrategi" sender ordrer til en brugerdefineret procentdel af markedsvolumen og øger eller sænker denne deltagelsesgrad, når aktiekursen når brugerdefinerede niveauer.

Implementeringsmangel

Implementationsunderskudsstrategien sigter mod at minimere eksekveringsomkostningerne ved en ordre ved at handle fra realtidsmarkedet og derved spare på omkostningerne ved ordren og drage fordel af mulighedsomkostningerne ved forsinket gennemførelse. Strategien øger den målrettede deltagelsesfrekvens, når aktiekursen bevæger sig positivt og sænker den, når aktiekursen bevæger sig negativt.

Ud over de almindelige handelsalgoritmer

Der er et par særlige klasser af algoritmer, der forsøger at identificere “happenings” på den anden side. Disse "sniffe-algoritmer" - som f.eks. Bruges af en sælgende markedsproducent - har den indbyggede intelligens til at identificere eksistensen af ​​eventuelle algoritmer på købssiden af ​​en stor ordre. En sådan detektion gennem algoritmer vil hjælpe market maker med at identificere store ordremuligheder og give dem mulighed for at drage fordel ved at udfylde ordrene til en højere pris. Dette identificeres undertiden som high-tech front-running.

Tekniske krav til algoritmisk handel

Implementering af algoritmen ved hjælp af et computerprogram er den sidste komponent i algoritmisk handel, ledsaget af backtesting (afprøvning af algoritmen på historiske perioder med tidligere aktiemarkedspræstationer for at se, om det ville have været rentabelt at bruge den). Udfordringen er at omdanne den identificerede strategi til en integreret computeriseret proces, der har adgang til en handelskonto til ordrer. Følgende er kravene til algoritmisk handel:

• Computer-programmering viden til at programmere den påkrævede handelsstrategi, hyret programmerere eller præ-made handelssoftware.
• Netværksforbindelse og adgang til handelsplatforme for at afgive ordrer.
• Adgang til markedsdatafeeds, der overvåges af algoritmen for muligheder for at afgive ordrer.
• Evnen og infrastrukturen til at backtest systemet, når det først er bygget, før det går live på reelle markeder.
• Tilgængelige historiske data til backtesting afhængigt af kompleksiteten af ​​regler implementeret i algoritmen.

Et eksempel på algoritmisk handel

Royal Dutch Shell (RDS) er noteret på Amsterdam Stock Exchange (AEX) og London Stock Exchange (LSE). Vi starter med at opbygge en algoritme til at identificere arbitrage muligheder. Her er et par interessante observationer:

• AEX handler i euro, mens LSE handler i britisk pund.
• På grund af tidsforskellen på en time åbner AEX en time tidligere end LSE efterfulgt af begge børser samtidig i de næste timer og derefter kun handel med LSE i den sidste time, da AEX lukker.

Kan vi undersøge muligheden for arbitragehandel på Royal Dutch Shell-aktien, der er noteret på disse to markeder i to forskellige valutaer?

Krav:

• Et computerprogram, der kan læse aktuelle markedspriser.
• Prisfeeds fra både LSE og AEX.
• Et Forex-kurs (valutakurs) for feed til GBP-EUR.
• Ordreplaceringskapacitet, der kan dirigere ordren til den rigtige udveksling.
• Mulighed for backtesting på historiske prisfeeds.

Computerprogrammet skal udføre følgende:

• Læs det indkommende prisfoder for RDS-aktier fra begge børser.
• Brug de tilgængelige valutakurser til at konvertere prisen for den ene valuta til den anden.
• Hvis der er et stort tilstrækkeligt prisafvik (diskontering af mægleromkostningerne), der fører til en rentabel mulighed, skal programmet placere købsordren på den lavere prisbørs og sælge ordren på den højere prisbørs.
• Hvis ordrene udføres som ønsket, følger arbitrage-fortjenesten.

Enkelt og nemt! Imidlertid er praksis med algoritmisk handel ikke så enkel at vedligeholde og udføre. Husk, at hvis en investor kan placere en algo-genereret handel, kan også andre markedsdeltagere. Derfor svinger priserne i milli- og endda mikrosekunder. Hvad sker der i ovenstående eksempel, hvis en købshandel udføres, men salgshandelen skyldes ikke, at salgspriserne ændres, når ordren rammer markedet? Den erhvervsdrivende vil have en åben position, der gør arbitrage-strategien værdiløs.

Der er yderligere risici og udfordringer, såsom systemfejlrisici, netværksforbindelsesfejl, tidsforsinkelser mellem handelsordrer og udførelse og, vigtigst af alt, ufuldkomne algoritmer. Jo mere kompleks en algoritme er, desto strengere backtesting er nødvendig, før den sættes i gang.