Estratégias de negociação baseadas em carteira de pedidos.
Nos últimos anos, os pedidos de limite eletrônico, que coletam pedidos de limite de entrada e correspondem automaticamente às ordens de mercado contra a melhor ordem de limite disponível, foram introduzidos por quase todas as principais bolsas de valores. A introdução de livros de ordens com limites alterou significativamente as estratégias de negociação, pois a velocidade de negociação aumentou drasticamente e os traders têm a escolha entre diferentes tipos de ordens, o que automaticamente impõe a questão de qual deles deve ser usado e sob quais condições. Isso representa uma grande quantidade de dados financeiros eletrônicos que podem ser armazenados e processados para explorar padrões subjacentes. As instituições financeiras estão usando esses dados para criar vantagem para eles no mercado. Uma das aplicações são as estratégias de negociação automatizadas que usam esses padrões para negociar com vantagem competitiva.
Analise os dados do histórico de pedidos de limite e tente encontrar padrões, que possam ser reutilizados na criação de futuras estratégias de negociação algorítmica ou na engenharia reversa. Para conseguir o que precisamos, vamos usar algoritmos genéticos para diferentes estratégias de negociação.
Candidatar-se ao TotalView-ITCH histórico do LOBSTER / TradingPhysics NASDAQ. Análise dos conjuntos de dados de amostra disponíveis (7 a 10 dias)
Treinamento + Mecanismo do sistema (analisador, analisador, processador de dados) básico (4 semanas).
2.1 Algoritmos Genéticos (descrição do Vidor)
2.2 Especifique interfaces e necessidades do nosso System Engine.
2.3 Iniciando a implementação do nosso System Engine.
Conclusão do mecanismo do sistema para testar diferentes algoritmos / estratégias (1 semana)
4. Implementação de algoritmos e estratégias em simulações com dados históricos (1 semana)
4.1 Iniciando a implementação de diferentes algoritmos de negociação.
4.2 Iniciar a implementação de estratégias baseadas em algoritmos de negociação.
5. Otimização, teste e avaliação do sistema final (1 semana)
5.1 Teste e otimização de algoritmos de negociação.
5.2 Avaliação dos resultados das estratégias de negociação e do sistema final.
Obteremos os dados da seguinte maneira:
A LOBSTER oferece dados de limite de pedidos derivados dos arquivos Historical TotalView-ITCH da NASDAQ somente para pesquisa acadêmica. (Lobster. wiwi. hu-berlin. de/info/help_faq_general. php)
Como ingressar na LOBSTER: lobster. wiwi. hu-berlin. de/info/HowToJoin. php.
O processo pode levar até duas semanas. No entanto, existem conjuntos de dados de amostra fornecidos que podem ser usados para começar. O preço é de 300 EUR excl. IVA, a pagar antecipadamente. Esta é uma taxa anual mais um bloco de crédito pré-pago (por exemplo, 100 dias de um nível de ação (por exemplo, Amazon) 10 (4 vezes mais dias para dados de nível 1).
Já fez uma consulta para acesso gratuito aos arquivos históricos do TotalView-ITCH. Esperando pelo replay. (tradingphysics / Feeds / DownloadHistoricalItch. aspx). Preço normal para dados derivados e brutos ilimitados - US $ 199,95. OU 500 Créditos - US $ 99,95 para até 500 downloads de arquivos históricos (
Algoritmos Genéticos e Estratégias Evolutivas.
Muitas estratégias de negociação estão por aí. Para a maioria deles é alegado que eles são bem sucedidos, embora ainda não exista uma estratégia final que todos usam. (Existem teorias que sugerem que tal algoritmo não pode existir.)
A fim de fazer uso de todas as estratégias, usaremos algoritmos genéticos e estratégias evolutivas para encontrar o algoritmo mais eficiente, que é talvez uma mistura de muitos outros algoritmos. Para obter nosso algoritmo, precisamos:
1. Colete o máximo possível de algoritmos de negociação, estratégias que pudermos.
2. Implemente-os (ou alguns deles) como benchmarks, para que possamos comparar nosso algoritmo derivado com eles.
3. Encontre uma maneira de extrair os recursos deles. É essencial ser capaz de discernir os recursos, pois cada um deles representará um cromossomo em nossa evolução.
4. Construa um sistema no qual possamos executar a evolução (já existe um kit de ferramentas de algoritmo genético baseado em scala, do qual podemos fazer uso). Além disso, teremos que garantir que o conjunto de recursos seja facilmente modificável. Com o tempo, podemos adicionar novos recursos derivados de novas estratégias de negociação exatas ou novas possibilidades devido a novos dados.
4.a. a disponibilidade dos dados determinará que tipo de estratégias podemos usar.
Se o período de tempo for curto, não podemos avaliar as estratégias de longo prazo, já que na evolução temos que calcular a adequação da população, e teremos que ter gerações suficientes para descobrir uma boa estratégia.
Se pudermos obter apenas preços diários, não poderemos implementar tantos algoritmos quanto pudéssemos se tivéssemos um dado do livro de pedidos.
4.b. Existem estratégias que usam, por exemplo, a análise de sentimentos de notícias, tweets, ou tirar conclusões pelo volume de pesquisas em algumas palavras-chave no google. Apesar de não nos concentrarmos nesta parte, teremos uma interface comum com outras equipes, que estão trabalhando nisso. Dessa forma, poderemos fazer uso de seu progresso.
5. Invente novas ideias para melhorar as estratégias. Por exemplo, descubra como avaliar uma adequação da estratégia de longo prazo em comparação com uma estratégia de curto prazo, ou para tornar algumas características mais relevantes se for provado que sua contribuição é maior para o sucesso do que outra.
6. Como sempre neste tipo de projetos, não podemos prever como o nosso investimento mudaria a estrutura do mercado e o movimento de preços. Mas este não é o escopo do nosso projeto.
Dados financeiros estão disponíveis, mas muitas vezes são muito caros (a exceção é a LOBSTER para pesquisa acadêmica)
Existem algumas dúvidas sobre o uso de técnicas de aprendizado de máquina na análise dos mercados financeiros (www-stat. wharton. upenn. edu/
As estratégias de negociação baseadas em dados do livro de ordens não levam em consideração a transação estabelecida em dark pools. Estas são principalmente grandes transações que teriam um grande impacto no mercado (manequins / como fazer / conteúdo / investigar-o-encomendar-livro-para-uptotheminute-stock. html)
Visualização de dados dos resultados coletados. Integração da análise de notícias de sentimentos em nosso sistema. Aplicação de estratégias de negociação em dados em tempo real.
& # 65279; Atualmente, somos 6 pessoas neste projeto.
Alexios Voulimeneas (comunicação com outras equipes para interface comum)
As habilidades necessárias para este projeto são Data Mining, Machine Learning, algumas estatísticas, Java, Scala, Hadoop / Spark.
No início, todos nós nos concentraremos na coleta de dados e na busca de diferentes estratégias de negociação que possam ser implementadas. Assim que fizermos isso, vamos nos separar e todos terão sua própria atribuição, alguns trabalharão no aprendizado de máquina e outros se concentrarão na criação do mecanismo do sistema.
No momento, não podemos fornecer um plano detalhado de requisitos de recursos. No entanto, temos certeza de que não precisaremos de processamento paralelo pesado em tempo real. Vamos criar nossos algoritmos e fazer a mineração de dados de forma paralela, que pode ser executada algumas vezes em um cluster. É claro que também usaremos nossas máquinas locais para que possamos fazer testes em conjuntos de dados menores.
Estratégias de negociação de carteiras de pedidos
As carteiras de ordens de troca são frequentemente escondidas como as chamadas "Dark Pools". A medida foi tomada para evitar estratégias aparentes de manipulação de mercado executadas por traders na época.
Quais dessas estratégias de arbitragem / manipulação são possíveis se a carteira de pedidos for pública?
Explique as estratégias em detalhes.
Dica # 1: Existem três estratégias de exemplo nos comentários abaixo.
Um livro de ordens público fornece aos comerciantes informações não apenas sobre o preço atual de um título, mas também sobre o volume e a estrutura de todo o cronograma de oferta e demanda.
Tais informações podem ser usadas para estratégias de arbitragem e manipulação de mercado de várias maneiras:
Spoofing: Inserir uma ordem de limite grande como um sinal de compra ou venda aparente que é cancelado a qualquer momento antes de poder ser executado. Citação recheio: Inserindo uma seqüência rápida de limite ou ordens de mercado para dar ao mercado a impressão de um grande movimento próximo. Encerramento do Fogo: Muitas instituições financeiras usam apenas preços de fechamento, mas não preços intradiários para seus modelos financeiros. Portanto, é possível alterar rapidamente o preço de fechamento antes do final do dia, se o livro de ofertas não for suficientemente espesso, e não pode haver pedidos posteriores após esse período. Intermitente: algoritmos de negociação de alta velocidade podem identificar uma ordem pública e, em seguida, negociar com antecedência para "acompanhar" seu impacto no mercado. Sabe-se para amplificar falhas de mercado de grandes encomendas. Arbitragem de Latência: usa diferenças de preço entre trocas e ordens de velocidade rápida para capturar desvios da lei de um preço. Aprendizado de Máquina: O livro de pedidos público e seu fluxo de pedidos podem ser usados para extrair informações valiosas sobre as mudanças de preço esperadas.
Não tenho certeza se Dark Pools (DP) foram criados para evitar "manipulação de mercado". Eles foram criados por firmas porque encontraram uma vantagem para criá-los (veja Market Microtructure in Practice, L e Laruelle Eds.). As principais razões foram:
taxas de reposição de mercado, para DP criadas por corretores (como o UBS MTF); impacto de mercado de reposição, para pools de bloco (como ITG / POSIT); Metade sobressalente do bid ask spread, para DP criado por market makers (como o Knight Link).
É possível uma negociação otimizada em DP, veja por exemplo Divisão ideal de ordens em pools de liquidez: uma abordagem de algoritmo estocástico, por Laruelle, Pagès e L (publicado no SIAM Journal em Financial Mathematics, Vol. 2 (2011), pp. 1042-1076 ). Você pode dar uma olhada em estratégias de alocação ideal para o problema do Dark Pool, por Agarwal, Bartlett e Dama. E à exploração censurada e ao problema do dark pool, por Ganchev, Nevmyvaka, Kearns e Vaughan também.
Em termos de negociação ideal em carteiras de pedidos, você tem poucos documentos interessantes:
um para negociação de muito curto prazo: Preço de postagem ótimo de ordens limitadas: aprendendo por negociação, por Laruelle, Pagès e L (de novo), publicado em Mathematics and Financial Economics, vol. 7, No. 3. (11 de junho de 2013), pp. 359-403. um para fazer o mercado: Lidando com o risco de estoque: uma solução para o problema de criação de mercado, por Guéant, Fernandez-Tapia e L, em Mathematics and Financial Economics, vol. 4, No. 7. (3 de setembro de 2013), pp. 477-507. Compre Low Sell High: uma perspectiva de negociação de alta frequência, por Cartea, Jaimungal e Ricci.
Você encontrará aqui tudo o que precisa para construir sua própria estratégia de pedidos.
Aprimorando Estratégias de Negociação com os Sinais do Livro de Ordens.
38 Pages Publicado: 3 Out 2015 Última revisão: 14 Oct 2015.
Álvaro Cartea.
Universidade de Oxford; Universidade de Oxford - Oxford-Man Institute of Quantitative Finance.
Ryan Francis Donnelly.
Universidade de Washington - Departamento de Matemática Aplicada.
Sebastian Jaimungal.
Universidade de Toronto - Departamento de Estatística.
Data de Escrita: 1 de outubro de 2015.
Utilizamos dados de alta frequência da bolsa Nasdaq para construir uma medida de desequilíbrio de volume no livro de pedidos de limite (LOB). Mostramos que nossa medida é um bom preditor do sinal da próxima ordem de mercado (MO), ou seja, comprar ou vender, e também ajuda a prever mudanças de preço imediatamente após a chegada de um MO. Com base nesses resultados empíricos, introduzimos e calibramos um modelo de salto puro modulado por cadeia de Markov de preço, spread, chegadas LO e MO e desequilíbrio de volume. Como uma aplicação do modelo, colocamos e resolvemos um problema de controle estocástico para um agente que maximiza a riqueza terminal, sujeito a penalidades de estoque, executando operações usando LOs. Utilizamos dados amostrais (janeiro a junho de 2014) para calibrar o modelo para dez ações negociadas na bolsa Nasdaq e usamos dados fora da amostra (julho a dezembro de 2014) para testar o desempenho da estratégia. Mostramos que a introdução da medida de desequilíbrio de volume no problema de otimização aumenta consideravelmente os lucros da estratégia. Os lucros aumentam porque o uso de nossa medida de desequilíbrio reduz os custos de seleção adversos e posiciona os LOs no livro para aproveitar os movimentos favoráveis de preços.
Palavras-chave: desequilíbrio de ordem, negociação algorítmica, negociação de alta frequência, fluxo de pedidos, criação de mercado, seleção adversa.
Aprimorando Estratégias de Negociação com os Sinais do Livro de Ordens.
38 Pages Publicado: 3 Out 2015 Última revisão: 14 Oct 2015.
Álvaro Cartea.
Universidade de Oxford; Universidade de Oxford - Oxford-Man Institute of Quantitative Finance.
Ryan Francis Donnelly.
Universidade de Washington - Departamento de Matemática Aplicada.
Sebastian Jaimungal.
Universidade de Toronto - Departamento de Estatística.
Data de Escrita: 1 de outubro de 2015.
Utilizamos dados de alta frequência da bolsa Nasdaq para construir uma medida de desequilíbrio de volume no livro de pedidos de limite (LOB). Mostramos que nossa medida é um bom preditor do sinal da próxima ordem de mercado (MO), ou seja, comprar ou vender, e também ajuda a prever mudanças de preço imediatamente após a chegada de um MO. Com base nesses resultados empíricos, introduzimos e calibramos um modelo de salto puro modulado por cadeia de Markov de preço, spread, chegadas LO e MO e desequilíbrio de volume. Como uma aplicação do modelo, colocamos e resolvemos um problema de controle estocástico para um agente que maximiza a riqueza terminal, sujeito a penalidades de estoque, executando operações usando LOs. Utilizamos dados amostrais (janeiro a junho de 2014) para calibrar o modelo para dez ações negociadas na bolsa Nasdaq e usamos dados fora da amostra (julho a dezembro de 2014) para testar o desempenho da estratégia. Mostramos que a introdução da medida de desequilíbrio de volume no problema de otimização aumenta consideravelmente os lucros da estratégia. Os lucros aumentam porque o uso de nossa medida de desequilíbrio reduz os custos de seleção adversos e posiciona os LOs no livro para aproveitar os movimentos favoráveis de preços.
Palavras-chave: desequilíbrio de ordem, negociação algorítmica, negociação de alta frequência, fluxo de pedidos, criação de mercado, seleção adversa.
Negociação com profundidade de mercado.
A profundidade do mercado é uma lista eletrônica de ordens de compra e venda, organizada por nível de preço e atualizada para refletir a atividade do mercado em tempo real. A maioria das plataformas de negociação de hoje oferecem algum tipo de exibição de profundidade de mercado que permite que os operadores vejam as ordens de compra e venda esperando para serem executadas - e não apenas a melhor oferta e preços, mas as ofertas e pedidos dos dois lados do mercado. bem como o tamanho de todos os lances e ofertas.
Toda essa informação pode ser útil para os traders porque mostra não apenas onde o preço está agora, mas onde é provável que esteja em um futuro próximo. Aqui, analisamos a profundidade do mercado, desde o básico até como você pode adicionar profundidade de mercado à sua caixa de ferramentas de negociação.
A profundidade do mercado exibe informações sobre os preços nos quais os negociadores estão dispostos a comprar e vender um determinado símbolo comercial em um único ponto no tempo. Os dados de profundidade de mercado são também conhecidos como Nível II, profundidade de mercado (DOM) e o livro de ordens, uma vez que mostra ordens pendentes para um instrumento de negociação.
Como a profundidade do mercado é em tempo real, ela muda constantemente durante o pregão. Em um instrumento como o contrato de futuros E-mini S & P 500 (ES), que negocia com volumes extremamente altos, a profundidade do mercado é atualizada várias vezes a cada segundo. Em instrumentos pouco negociados, os lances e ofertas podem ser atualizados a cada poucos segundos, minutos ou até mesmo horas.
Independentemente da frequência com que novos lances e ofertas chegam ao mercado, a profundidade do mercado mostra os diferentes preços e o número de pedidos alinhados em cada preço para comprar ou vender.
Os dados de profundidade de mercado podem ser visualizados em uma janela de Nível II separada ou em uma escala de preços e mostram os compradores (lance) e os vendedores (pergunte). (Observação: os regulamentos dos EUA exigem que os preços de lances sempre apareçam à esquerda e solicitem que os preços sejam exibidos à direita.)
Uma escala de preços ou exibição de DOM mostra cada nível de preço na coluna do meio, com o número de compradores em cada nível de preço à esquerda e o número de vendedores em cada nível de preço à direita, como mostrado em & quotdescalando o mercado & rdquo; (certo).
Outra maneira de ver a profundidade do mercado é sobrepô-lo em um gráfico de preços, conforme mostrado em & ldquo; Profundidade de gráficos & rdquo; (certo). Esses são os mesmos dados que apareceriam em uma janela de nível II ou DOM, apenas apresentados de uma maneira diferente e mais visual. Neste exemplo, os níveis de profundidade de mercado são exibidos no lado direito de um gráfico de preços, próximo aos vários preços.
As barras verdes representam as ordens de compra; estes são chamados os preços de oferta. O tamanho de cada barra verde reflete o número relativo de ações, contratos ou lotes que os compradores gostariam de comprar. A localização vertical dessas barras de ofertas se correlaciona com o preço específico pelo qual os comerciantes estão interessados em comprar. A barra superior do preço verde é conhecida como o lance interno e representa o preço mais alto pelo qual há compradores interessados. Isso pode ser considerado como o preço de atacado do símbolo.
As barras vermelhas indicam participantes do mercado que querem vender; estes são conhecidos como os preços de venda para o símbolo. O tamanho de cada barra vermelha reflete o número de ações, contratos ou lotes que os comerciantes gostariam de vender, e a localização vertical corresponde ao preço específico pelo qual os comerciantes estão atualmente interessados em vender. A barra vermelha mais baixa é conhecida como a pergunta interna e representa o preço mais baixo ao qual existem vendedores interessados, ou o preço atual de varejo do símbolo.
Essa exibição de profundidade de mercado também exibe numericamente o tamanho dos lances e pergunta em cada nível de preço. Por exemplo, existem 1.515 contratos para venda ao preço de 1.880,00. Ele também mostra a atividade cumulativa: o número total de compradores (exibido como um total e como uma porcentagem abaixo das barras de lances) e os vendedores (mostrados acima das barras de solicitação).
Independentemente de como a profundidade do mercado é vista, ela fornece informações sobre o lance interno e pergunta & mdash; o preço pelo qual você pode comprar ou vender agora com uma ordem de mercado & mdash; além de vários níveis de preços de compra e venda em espera na fila.
Para simplificar a forma como a profundidade do mercado funciona, pode ser útil ver como a exibição muda quando um comerciante faz um pedido. & ldquo; Encomendar & rdquo; à direita, mostra duas exibições do DOM. O da esquerda mostra uma oferta interna de 1634,50 com um tamanho de 153. Imagine que um comerciante faça um pedido para comprar 10 contratos nesse nível. O tamanho em 1634.50 aumenta imediatamente para 163 (veja o DOM à direita), refletindo a ordem para comprar 10 contratos. Dessa forma, a profundidade do mercado muda continuamente durante o pregão, à medida que compradores e vendedores fazem seus pedidos no mercado e os pedidos são preenchidos, modificados ou cancelados.
Комментариев нет:
Отправить комментарий