Dasar-Dasar Perdagangan Algorithmik: Konsep dan Contoh Algoritma adalah seperangkat instruksi yang didefinisikan secara jelas yang bertujuan untuk melaksanakan tugas atau proses. Perdagangan Algoritma (perdagangan otomatis, perdagangan kotak hitam, atau perdagangan algo-trading) adalah proses menggunakan komputer yang diprogram untuk mengikuti serangkaian instruksi yang ditetapkan untuk menempatkan perdagangan agar menghasilkan keuntungan dengan kecepatan dan frekuensi yang tidak mungkin dilakukan. Pedagang manusia Kumpulan aturan yang ditetapkan didasarkan pada timing, price, quantity atau model matematis. Terlepas dari peluang keuntungan bagi trader, algo-trading membuat pasar lebih likuid dan membuat perdagangan lebih sistematis dengan mengesampingkan dampak emosional manusia pada aktivitas perdagangan. Anggaplah seorang pedagang mengikuti kriteria perdagangan sederhana ini: Beli 50 saham dari saham ketika rata-rata pergerakan 50 hari di atas rata-rata pergerakan 200 hari Menjual saham saat rata-rata pergerakan 50 hari di bawah rata-rata pergerakan 200 hari Dengan menggunakan dua instruksi sederhana ini, mudah untuk menulis program komputer yang secara otomatis memantau harga saham (dan indikator rata-rata bergerak) dan menempatkan pesanan beli dan jual saat kondisi pasti terpenuhi. Pedagang tidak perlu lagi berjaga-jaga untuk harga langsung dan grafik, atau dimasukkan ke dalam pesanan secara manual. Sistem perdagangan algoritmik secara otomatis melakukannya untuknya, dengan mengidentifikasi peluang trading dengan benar. (Untuk informasi lebih lanjut mengenai moving average, lihat: Simple Moving Averages Membuat Trends Stand Out.) Algo-trading memberikan keuntungan sebagai berikut: Perdagangan dilaksanakan dengan harga terbaik. Penempatan order perdagangan instan dan akurat (dengan demikian kemungkinan eksekusi yang tinggi pada tingkat yang diinginkan) Perdagangan Berjangka waktu dengan benar dan seketika, untuk menghindari perubahan harga yang signifikan Mengurangi biaya transaksi (lihat contoh penerapan kekurangan di bawah ini) Pemeriksaan otomatis simultan pada beberapa kondisi pasar Mengurangi risiko kesalahan manual dalam menempatkan perdagangan Backtest algoritma, berdasarkan data historis dan real time yang ada Dikurangi Kemungkinan kesalahan oleh pedagang manusia berdasarkan faktor emosional dan psikologis Bagian terbesar dari perdagangan algo hari ini adalah perdagangan frekuensi tinggi (HFT), yang mencoba memanfaatkan penempatan sejumlah besar pesanan pada kecepatan yang sangat cepat di beberapa pasar dan beberapa keputusan. Parameter, berdasarkan instruksi yang telah diprogram sebelumnya. (Perdagangan valas yang lebih banyak, lihat: Strategi dan Rahasia Perusahaan Perdagangan Frekuensi Tinggi (HFT)) Algo-trading digunakan dalam berbagai bentuk aktivitas perdagangan dan investasi, termasuk: Investor jangka menengah hingga jangka panjang atau perusahaan penjual beli (dana pensiun , Reksadana, perusahaan asuransi) yang membeli saham dalam jumlah banyak namun tidak ingin mempengaruhi harga saham dengan investasi besar dan volume. Pedagang berjangka pendek dan pelaku jualan (pelaku pasar, spekulan, dan arbitrase) mendapat keuntungan dari pelaksanaan perdagangan otomatis di samping itu, alat bantu perdagangan algo untuk menciptakan likuiditas yang cukup bagi penjual di pasar. Pedagang yang sistematis (pengikut tren, pedagang pasang, hedge fund dll) merasa jauh lebih efisien untuk memprogram peraturan perdagangan mereka dan membiarkan program bertransaksi secara otomatis. Perdagangan algoritma menyediakan pendekatan yang lebih sistematis terhadap perdagangan aktif daripada metode yang didasarkan pada intuisi atau naluri pedagang manusia. Strategi Perdagangan Algoritmik Setiap strategi untuk perdagangan algoritmik memerlukan peluang teridentifikasi yang menguntungkan dalam hal peningkatan pendapatan atau pengurangan biaya. Berikut adalah strategi perdagangan umum yang digunakan dalam algo-trading: Strategi trading algoritmik yang paling umum mengikuti tren dalam moving averages. Saluran berjerawat Pergerakan tingkat harga dan indikator teknis terkait. Ini adalah strategi termudah dan paling sederhana untuk diterapkan melalui perdagangan algoritmik karena strategi ini tidak melibatkan prediksi atau perkiraan harga. Perdagangan dimulai berdasarkan terjadinya tren yang diinginkan. Yang mudah dan lugas untuk diimplementasikan melalui algoritma tanpa masuk ke kompleksitas analisis prediktif. Contoh yang disebutkan di atas tentang rata-rata pergerakan 50 dan 200 hari adalah tren yang populer mengikuti strategi. (Untuk informasi lebih lanjut tentang strategi perdagangan tren, lihat: Strategi Sederhana untuk Memanfaatkan Tren.) Membeli saham yang tercatat ganda dengan harga lebih rendah di satu pasar dan sekaligus menjualnya dengan harga lebih tinggi di pasar lain menawarkan selisih harga sebagai keuntungan bebas risiko Atau arbitrase Operasi yang sama dapat direplikasi untuk instrumen saham versus futures, karena perbedaan harga memang ada dari waktu ke waktu. Menerapkan algoritma untuk mengidentifikasi perbedaan harga tersebut dan menempatkan pesanan memungkinkan peluang menguntungkan secara efisien. Dana indeks telah menetapkan periode penyeimbangan ulang untuk membawa kepemilikan mereka setara dengan indeks benchmark masing-masing. Hal ini menciptakan peluang menguntungkan bagi pedagang algoritmik, yang memanfaatkan perdagangan yang diharapkan yang menawarkan keuntungan 20-80 basis poin bergantung pada jumlah saham dalam dana indeks, sebelum penyeimbangan dana indeks. Perdagangan semacam itu dimulai melalui sistem perdagangan algoritmik untuk eksekusi tepat waktu dan harga terbaik. Banyak model matematis yang telah terbukti, seperti strategi perdagangan delta-netral, yang memungkinkan perdagangan kombinasi pilihan dan keamanan mendasarnya. Dimana perdagangan ditempatkan untuk mengimbangi delta positif dan negatif sehingga delta portofolio dipertahankan pada nol. Strategi pengembalian rata-rata didasarkan pada gagasan bahwa harga aset tinggi dan rendah merupakan fenomena sementara yang kembali ke nilai rata-rata mereka secara berkala. Mengidentifikasi dan menentukan kisaran harga dan menerapkan algoritma berdasarkan pada yang memungkinkan perdagangan ditempatkan secara otomatis saat harga aset turun masuk dan keluar dari kisaran yang ditentukan. Strategi harga rata-rata tertimbang volume memecah pesanan besar dan melepaskan potongan pesanan yang ditentukan secara dinamis dari pesanan ke pasar dengan menggunakan profil volume historis tertentu. Tujuannya adalah untuk melaksanakan order mendekati Volume Weighted Average Price (VWAP), sehingga menguntungkan pada harga rata-rata. Strategi harga rata-rata tertimbang waktu mematahkan pesanan besar dan melepaskan potongan pesanan yang ditentukan secara dinamis dari pesanan ke pasar dengan menggunakan slot waktu yang dibagi rata antara waktu mulai dan akhir. Tujuannya adalah untuk melaksanakan perintah mendekati harga rata-rata antara waktu mulai dan akhir, sehingga meminimalkan dampak pasar. Sampai urutan perdagangan terisi penuh, algoritma ini terus mengirimkan sebagian pesanan, sesuai dengan rasio partisipasi yang ditentukan dan sesuai dengan volume yang diperdagangkan di pasar. Strategi langkah terkait mengirim pesanan pada persentase volume pasar yang ditentukan pengguna dan meningkatkan atau menurunkan tingkat partisipasi ini saat harga saham mencapai tingkat yang ditentukan pengguna. Strategi pelemahan implementasi bertujuan untuk meminimalkan biaya eksekusi suatu pesanan dengan melakukan perdagangan dari pasar real-time, sehingga menghemat biaya pesanan dan mendapatkan keuntungan dari biaya peluang eksekusi yang tertunda. Strategi ini akan meningkatkan tingkat partisipasi yang ditargetkan ketika harga saham bergerak dengan baik dan menurunkannya saat harga saham bergerak negatif. Ada beberapa kelas algoritma khusus yang mencoba mengidentifikasi kejadian di sisi lain. Algoritma sniffing ini, yang digunakan, misalnya, oleh pembuat pasar sell side memiliki kecerdasan bawaan untuk mengidentifikasi adanya algoritma pada sisi pembelian dengan pesanan besar. Deteksi seperti itu melalui algoritma akan membantu pembuat pasar mengidentifikasi peluang ketertiban besar dan memungkinkannya mendapatkan keuntungan dengan memenuhi pesanan dengan harga lebih tinggi. Ini kadang-kadang diidentifikasi sebagai front-running berteknologi tinggi. (Untuk informasi lebih lanjut tentang praktik perdagangan dan penipuan frekuensi tinggi, lihat: Jika Anda Membeli Saham Secara Online, Anda Terlibat dalam HFTs.) Persyaratan Teknis untuk Trading Algoritma Menerapkan algoritma yang menggunakan program komputer adalah bagian terakhir, dipukuli dengan backtesting. Tantangannya adalah mengubah strategi yang teridentifikasi menjadi proses terkomputerisasi terpadu yang memiliki akses ke akun trading untuk menempatkan pesanan. Berikut ini adalah yang diperlukan: Pengetahuan pemrograman komputer untuk memprogram strategi perdagangan yang dibutuhkan, pemrogram yang dipekerjakan atau perangkat lunak perdagangan pra-dibuat Konektivitas jaringan dan akses ke platform perdagangan untuk menempatkan pesanan Akses ke umpan data pasar yang akan dipantau oleh algoritme untuk mendapatkan kesempatan Perintah Kemampuan dan infrastruktur untuk mendukung kembali sistem yang pernah dibangun, sebelum diluncurkan di pasar riil Data historis yang ada untuk backtesting, tergantung pada kompleksitas peraturan yang diterapkan dalam algoritma Berikut adalah contoh komprehensif: Royal Dutch Shell (RDS) terdaftar di Amsterdam Stock Exchange (AEX) dan London Stock Exchange (LSE). Mari kita membangun sebuah algoritma untuk mengidentifikasi peluang arbitrase. Berikut adalah beberapa pengamatan yang menarik: Perdagangan AEX dalam Euro, sementara perdagangan LSE di Sterling Pounds Karena perbedaan waktu satu jam, AEX dibuka satu jam lebih awal dari LSE, diikuti oleh perdagangan bursa secara bersamaan selama beberapa jam berikutnya dan kemudian diperdagangkan hanya di LSE selama Jam terakhir saat AEX ditutup Dapatkah kita menjelajahi kemungkinan perdagangan arbitrase pada saham Royal Dutch Shell yang terdaftar di dua pasar ini dalam dua mata uang yang berbeda Program komputer yang dapat membaca harga pasar saat ini Harga feed dari kedua LSE dan AEX A feed valuta untuk Nilai tukar GBP-EUR Ketertiban menempatkan kemampuan yang dapat mengarahkan pesanan ke pertukaran yang benar Kemampuan pengujian kembali pada umpan harga historis Program komputer harus melakukan hal berikut: Baca umpan harga yang masuk dari saham RDS dari kedua bursa Dengan menggunakan kurs valuta asing yang tersedia . Mengubah harga satu mata uang ke mata uang lainnya Jika ada selisih harga yang cukup besar (diskon biaya broker) yang mengarah ke peluang yang menguntungkan, maka letakkan pesanan beli pada kurs dengan harga lebih rendah dan pesan jual pada harga yang lebih tinggi Jika pesanan dieksekusi sebagai Yang diinginkan, keuntungan arbitrase akan mengikuti Simple and Easy Namun, praktik perdagangan algoritmik tidak sesederhana itu untuk dipelihara dan dijalankan. Ingat, jika Anda bisa menempatkan perdagangan yang dihasilkan secara algo, demikian juga para pelaku pasar lainnya. Akibatnya, harga berfluktuasi dalam milenium dan bahkan mikrodetik. Dalam contoh di atas, apa yang terjadi jika perdagangan beli Anda akan dieksekusi, tapi menjual perdagangan tidak seperti harga jual berubah pada saat pesanan Anda menyentuh pasar Anda akan akhirnya duduk dengan posisi terbuka. Membuat strategi arbitrase Anda tidak berharga Ada risiko dan tantangan tambahan: misalnya, risiko kegagalan sistem, kesalahan konektivitas jaringan, kelambanan waktu antara pesanan dan eksekusi perdagangan, dan yang terpenting dari semua algoritma yang tidak sempurna. Algoritma yang lebih kompleks, backtesting yang lebih ketat diperlukan sebelum dilakukan. Analisis kuantitatif kinerja algoritma memainkan peran penting dan harus diperiksa secara kritis. Its menarik untuk pergi untuk otomatisasi dibantu oleh komputer dengan gagasan untuk menghasilkan uang dengan mudah. Tapi kita harus memastikan sistem diuji secara menyeluruh dan batas yang dibutuhkan ditetapkan. Analitik pedagang harus mempertimbangkan belajar pemrograman dan membangun sistem mereka sendiri, untuk yakin tentang pelaksanaan strategi yang tepat dengan cara yang sangat mudah. Penggunaan hati-hati dan pengujian menyeluruh terhadap algo-trading dapat menciptakan peluang yang menguntungkan. Ukuran hubungan antara perubahan kuantitas yang diminta dari barang tertentu dan perubahan harga. Harga. Total nilai pasar dolar dari seluruh saham perusahaan yang beredar. Kapitalisasi pasar dihitung dengan cara mengalikan. Frexit pendek untuk quotFrench exitquot adalah spinoff Prancis dari istilah Brexit, yang muncul saat Inggris memilih. Perintah ditempatkan dengan broker yang menggabungkan fitur stop order dengan pesanan limit. Perintah stop-limit akan. Ronde pembiayaan dimana investor membeli saham dari perusahaan dengan valuasi lebih rendah daripada valuasi yang ditempatkan pada. Teori ekonomi tentang pengeluaran total dalam perekonomian dan pengaruhnya terhadap output dan inflasi. Ekonomi Keynesian dikembangkan. Sebagai Pemimpin dalam Implementasi Desain Sistem Algoritma Perdagangan, Kekurangan Kami Memberikan Strategi Perdagangan Otomatis Bagi Pedagang Dayak Investor. Paket Pedagang Swing Paket ini menggunakan algoritma performa terbaik kami sejak ditayangkan. Kunjungi halaman pedagang ayun untuk melihat harga, statistik perdagangan lengkap, daftar perdagangan lengkap dan banyak lagi. Paket ini sangat ideal bagi orang yang skeptis yang menginginkan untuk menukar sistem yang kuat yang telah berjalan dengan baik dalam perdagangan walkout-out-of-sample buta. Bosan dengan model optimis back-tested yang sepertinya tidak pernah bekerja saat diperdagangkan live Jika demikian, perhatikan sistem perdagangan ini. Rincian Pada Sistem Pedagang Swing Paket SampP Crusher v2 Paket ini menggunakan tujuh strategi perdagangan untuk mendiversifikasi akun Anda dengan lebih baik. Paket ini menggunakan swing trades, day trades, condors besi dan call tertutup untuk memanfaatkan berbagai kondisi pasar. Paket ini diperdagangkan dalam ukuran unit 30.000 dan diluncurkan ke publik pada bulan Oktober 2016. Kunjungi halaman produk SampP Crusher untuk melihat hasil uji balik berdasarkan laporan tradestasi. Rincian Pada The Crusher SampP Yang Memisahkan Perdagangan Algoritma Dari Teknik Perdagangan Teknik Lainnya Akhir-akhir ini, sepertinya setiap orang memiliki pendapat mengenai teknik Trading Teknis. Pola Bahu kepala kepala, Salib Bullish MACD, VWAP Divergences, daftarnya terus berlanjut dan terus berlanjut. Dalam blog video ini, insinyur perancang utama kami menganalisis beberapa contoh strategi perdagangan yang ditemukan secara online. Dia mengambil Tip Trading mereka. Kode itu dan menjalankan tes balik sederhana untuk melihat seberapa efektif mereka sebenarnya. Setelah menganalisis hasil awal mereka, dia mengoptimalkan kode untuk melihat apakah pendekatan kuantitatif terhadap perdagangan dapat memperbaiki temuan awal. Jika Anda baru mengenal perdagangan algoritmik, blog video ini akan cukup menarik. Perancang kami menggunakan mesin negara yang terbatas untuk mengkodekan tip dasar perdagangan ini. Bagaimana Algorithmic Trading berbeda dari perdagangan teknik tradisional Sederhananya, Algorithmic Trading membutuhkan presisi dan memberi sebuah jendela ke dalam algoritma yang berdasarkan pada pengujian balik yang memang memiliki keterbatasan. Cara Membuat Video Tutorial Algoritma Alami Secara Alami Untuk Video Tonton beberapa presentasi video edukatif oleh perancang utama kami dalam perdagangan algoritmik untuk memasukkan video yang mencakup Metodologi Desain Perdagangan Algoritma dan Tutorial Perdagangan Algoritma. Video gratis ini memberikan contoh pengkodean perdagangan algoritmik dan mengenalkan Anda pada pendekatan kami untuk memperdagangkan pasar menggunakan analisis kuantitatif. Dalam video ini Anda akan melihat banyak alasan mengapa perdagangan otomatis dibuka untuk mencakup membantu menghilangkan emosi Anda dari perdagangan. AlgorithmicTrading menyediakan algoritma trading berdasarkan sistem komputerisasi, yang juga tersedia untuk digunakan pada komputer pribadi. Semua pelanggan menerima sinyal yang sama dalam paket algoritma tertentu. Semua saran bersifat impersonal dan tidak disesuaikan dengan situasi unik individu tertentu. AlgorithmicTrading, dan prinsip-prinsipnya, tidak diharuskan untuk mendaftar ke NFA sebagai CTA dan secara terbuka mengklaim pengecualian ini. Informasi yang diposkan secara online atau didistribusikan melalui email TIDAK telah ditinjau oleh instansi pemerintah mana pun termasuk namun tidak terbatas pada laporan, laporan, dan materi pemasaran lainnya yang telah diuji balik. Pertimbangkan ini dengan seksama sebelum membeli algoritme kami. Untuk informasi lebih lanjut tentang pembebasan yang kami klaim, silakan kunjungi situs web NFA: nfa. futures. orgnfa-registrationctaindex. html. Jika Anda membutuhkan saran profesional yang unik untuk situasi Anda, berkonsultasilah dengan broker broker yang berlisensi. DISCLAIMER: Commodity Futures Trading Commission Perdagangan berjangka memiliki potensi keuntungan yang besar, namun juga memiliki potensi risiko yang besar. Anda harus sadar akan risikonya dan bersedia menerimanya agar bisa berinvestasi di pasar berjangka. Jangan berdagang dengan uang yang tidak bisa Anda rugi. Ini bukan ajakan atau tawaran untuk membeli masa depan BuySell. Tidak ada perwakilan yang dibuat bahwa akun mana pun akan atau kemungkinan akan mencapai keuntungan atau kerugian yang serupa dengan yang dibahas di situs ini atau pada laporan apa pun. Kinerja masa lalu dari setiap sistem perdagangan atau metodologi tidak selalu menunjukkan hasil di masa depan. Kecuali dinyatakan lain, semua pengembalian yang diposting di situs ini dan di video kami dianggap sebagai Hipotesis Kinerja. HASIL KINERJA HIPOTESIS MEMILIKI BATASAN INHERENT BANYAK, BEBERAPA YANG DIPERLUKAN DI BAWAH INI. TIDAK ADA REPRESENTASI YANG DIBUAT BAHWA SETIAP AKUN AKAN ATAU CUKUP UNTUK MENCAPAI KEUNTUNGAN ATAU KERUGIAN YANG SESUAI DENGAN MEREKA YANG DIMILIKI. DALAM FAKTA, ADA PERBEDAAN YANG BENAR-BENAR DAPAT DITETAPKAN HASIL KINERJA HIPOTHETIK DAN HASIL SEBENARNYA YANG DAPAT DIMILIKI OLEH PROGRAM PERDAGANGAN KHUSUS. SALAH SATU BATASAN HASIL KINERJA HIPOTHETIS ADALAH BAHWA MEREKA SECARA UMUM DIPERLUKAN DENGAN MANFAAT HINDSIGHT. DALAM PENAMBAHAN, PERDAGANGAN HIPOTESIS TIDAK MELAWAN RISIKO KEUANGAN, DAN TIDAK ADA PERDAGANGAN PERDAGANGAN HIPOTESIS DAPAT DILARANG SECARA NYATA UNTUK DAMPAK RISIKO KEUANGAN DALAM PERDAGANGAN YANG SEBENARNYA. UNTUK CONTOH, KEMAMPUAN UNTUK MELALUI KERUGIAN ATAU ADHERE TERHADAP PROGRAM PERDAGANGAN TERTENTU DALAM KELENGKAPAN RUGI PERDAGANGAN ADALAH POINAN MATERIAL YANG JUGA ADVERSELY AFFECT HASIL PERDAGANGAN YANG SEBENARNYA. ADA FAKTOR LAIN YANG LAIN YANG BERKAITAN DENGAN PASAR DI UMUM ATAU TERHADAP PELAKSANAAN PROGRAM TRADING KHUSUS YANG TIDAK BISA DITERBITKAN SEBAGAI PERSIAPAN HASIL KINERJA HIPOTHETIK DAN SEMUA YANG DAPAT MENGATASI HASIL PERDAGANGAN YANG AKAN DAPAT MENGATAKAN. Kecuali pernyataan yang diposkan dari akun live di Tradestation andor Gain Capital, semua hasil, grafik dan klaim yang dibuat di situs ini dan di blog video dan juga email newsletter berasal dari hasil pengujian ulang algoritme kami selama tanggal yang ditunjukkan. Hasil ini bukan dari live accounts yang memperdagangkan algoritma kita. Mereka berasal dari akun hipotetis yang memiliki keterbatasan (lihat RUU CFTC 4.14 di bawah dan penafian kinerja hipotetis di atas). Hasil sebenarnya bervariasi karena hasil simulasi bisa di bawah atau di atas mengkompensasi dampak faktor pasar tertentu. Selanjutnya, algoritma kami menggunakan pengujian balik untuk menghasilkan daftar perdagangan dan laporan yang tidak memiliki manfaat dari penglihatan belakang. Sementara hasil yang telah diuji kembali mungkin memiliki hasil yang spektakuler, setelah selip, komisi dan biaya perizinan diperhitungkan, pengembalian sebenarnya akan bervariasi. Penarikan maksimum yang akan dihitung diukur pada bulan penutupan sampai bulan penutupan. Selanjutnya, mereka didasarkan pada data yang diuji kembali (lihat batasan pengujian balik di bawah). Penurunan aktual bisa melampaui tingkat ini saat diperdagangkan di akun live. ATURAN CFTC 4.41 - Hasil kinerja hipotetis atau simulasi memiliki keterbatasan tertentu. Tidak seperti catatan kinerja aktual, hasil simulasi tidak mewakili perdagangan aktual. Juga, karena perdagangan belum dieksekusi, hasilnya mungkin di bawah atau di atas mengkompensasi dampaknya, jika ada, faktor pasar tertentu, seperti kurangnya likuiditas. Simulasi program perdagangan pada umumnya juga tunduk pada kenyataan bahwa mereka dirancang dengan keuntungan dari belakang. Tidak ada perwakilan yang dibuat bahwa akun mana pun akan atau kemungkinan akan mencapai keuntungan atau kerugian yang serupa dengan yang ditunjukkan. Pernyataan yang diposkan dari pelanggan aktual kami melakukan perdagangan algoritme (algos) mencakup selip dan komisi. Pernyataan yang diposting tidak diaudit atau diverifikasi sepenuhnya dan harus dianggap sebagai testimonial pelanggan. Hasil individu bervariasi. Mereka adalah pernyataan nyata dari orang-orang nyata yang menukar algoritme kami dengan auto pilot dan sejauh yang kami ketahui, TIDAK menyertakan perdagangan bebas. Tradelist yang dipasang di situs ini juga termasuk selip dan komisi. Ini ketat untuk tujuan demonstrasi. AlgorithmicTrading tidak membuat membeli, menjual atau menyimpan rekomendasi. Pengalaman unik dan pertunjukan masa lalu tidak menjamin hasil masa depan. Anda harus berbicara dengan CTA atau perwakilan keuangan, agen broker, atau analis keuangan Anda untuk memastikan bahwa strategi softwarest yang Anda gunakan sesuai untuk profil investasi Anda sebelum melakukan trading di akun perantara bisnis. Semua saran dan saran yang diberikan di sini ditujukan untuk menjalankan perangkat lunak otomatis hanya dalam mode simulasi. Perdagangan berjangka bukan untuk semua orang dan memang membawa tingkat risiko tinggi. AlgorithmicTrading, atau prinsip-prinsipnya, TIDAK terdaftar sebagai penasihat investasi. Semua saran yang diberikan bersifat impersonal dan tidak disesuaikan dengan individu tertentu. Persentase yang dipublikasikan per bulan didasarkan pada hasil uji balik (lihat batasan pengujian balik di atas) dengan menggunakan paket yang sesuai. Ini termasuk slip dan komisi yang wajar. Ini TIDAK termasuk biaya yang kami tetapkan untuk memberi lisensi algoritma yang bervariasi berdasarkan ukuran akun. Lihat perjanjian lisensi kami untuk pengungkapan risiko penuh. 2016 AlgorithmicTrading Semua hak dilindungi undang-undang. Kebijakan PrivasiBagaimana Mengidentifikasi Strategi Perdagangan Algoritma Pada artikel ini saya ingin mengenalkan metode kepada saya dimana saya sendiri mengidentifikasi strategi perdagangan algoritmik yang menguntungkan. Tujuan kami hari ini adalah untuk memahami secara rinci bagaimana menemukan, mengevaluasi dan memilih sistem seperti itu. Saya menjelaskan bagaimana mengidentifikasi strategi adalah sebanyak tentang preferensi pribadi karena ini tentang kinerja strategi, bagaimana menentukan jenis dan jumlah data historis untuk pengujian, bagaimana mengevaluasi strategi perdagangan secara tidak hati-hati dan akhirnya bagaimana melangkah menuju fase backtesting dan implementasi strategi. . Mengidentifikasi Preferensi Pribadi Anda Sendiri untuk Perdagangan Agar menjadi trader yang sukses - entah secara discretionally atau algorithmically - Anda perlu bertanya pada diri sendiri beberapa pertanyaan jujur. Trading memberi Anda kemampuan untuk kehilangan uang pada tingkat yang mengkhawatirkan, jadi perlu diketahui diri Anda sebanyak yang diperlukan untuk memahami strategi yang Anda pilih. Saya akan mengatakan pertimbangan terpenting dalam trading adalah menyadari kepribadian Anda sendiri. Perdagangan, dan perdagangan algoritmik pada khususnya, membutuhkan tingkat disiplin, kesabaran dan keterasingan emosional yang signifikan. Karena Anda membiarkan sebuah algoritma melakukan trading Anda untuk Anda, Anda perlu memutuskan untuk tidak mengganggu strategi saat dijalankan. Ini bisa sangat sulit, terutama pada periode penarikan yang diperpanjang. Namun, banyak strategi yang telah terbukti sangat menguntungkan dalam backtest dapat dirusak oleh gangguan sederhana. Pahami bahwa jika Anda ingin memasuki dunia perdagangan algoritmik, Anda akan diuji secara emosional dan agar berhasil, perlu untuk mengatasi kesulitan ini. Pertimbangan selanjutnya adalah salah satu dari waktu. Apakah Anda memiliki pekerjaan penuh waktu Apakah Anda bekerja paruh waktu Apakah Anda bekerja dari rumah atau memiliki perjalanan panjang setiap hari Pertanyaan-pertanyaan ini akan membantu menentukan frekuensi strategi yang harus Anda cari. Bagi Anda yang bekerja penuh waktu, strategi berjangka intraday mungkin tidak sesuai (setidaknya sampai sepenuhnya otomatis). Kendala waktu Anda juga akan menentukan metodologi strategi. Jika strategi Anda sering diperdagangkan dan bergantung pada umpan berita mahal (seperti terminal Bloomberg), Anda pasti harus realistis mengenai kemampuan Anda untuk berhasil menjalankan ini saat berada di kantor. Bagi Anda yang memiliki banyak waktu, atau keterampilan. Untuk mengotomatisasi strategi Anda, Anda mungkin ingin melihat strategi perdagangan frekuensi tinggi yang lebih teknis (HFT). Keyakinan saya adalah bahwa Anda perlu melakukan penelitian terus menerus mengenai strategi trading Anda untuk mempertahankan portofolio yang konsisten menguntungkan. Beberapa strategi tetap berada di bawah radar selamanya. Oleh karena itu porsi yang signifikan dari waktu yang dialokasikan untuk perdagangan akan dilakukan dalam melakukan penelitian yang sedang berlangsung. Tanyakan pada diri Anda apakah Anda siap melakukan ini, karena bisa jadi perbedaan antara profitabilitas yang kuat atau penurunan yang lambat terhadap kerugian. Anda juga perlu mempertimbangkan modal trading Anda. Jumlah minimum ideal ideal yang diterima secara umum untuk strategi kuantitatif adalah 50.000 USD (sekitar 35.000 untuk kami di Inggris). Jika saya mulai lagi, saya akan mulai dengan jumlah yang lebih besar, mungkin mendekati 100.000 USD (sekitar 70.000). Ini karena biaya transaksi bisa sangat mahal untuk strategi frekuensi menengah hingga tinggi dan perlu memiliki modal yang cukup untuk menyerapnya pada saat penarikan. Jika Anda mempertimbangkan untuk memulai dengan kurang dari 10.000 USD maka Anda perlu membatasi diri pada strategi frekuensi rendah, berdagang dalam satu atau dua aset, karena biaya transaksi akan cepat memakan keuntungan Anda. Pialang Interaktif, yang merupakan salah satu pialang ramah bagi mereka yang memiliki keahlian pemrograman, karena API-nya, memiliki akun ritel minimal 10.000 USD. Keterampilan pemrograman merupakan faktor penting dalam menciptakan strategi trading algoritmik otomatis. Menjadi berpengetahuan luas dalam bahasa pemrograman seperti C, Java, C, Python atau R akan memungkinkan Anda membuat penyimpanan data end-to-end, mesin backtest dan sistem eksekusi sendiri. Ini memiliki sejumlah keunggulan, kepala yang merupakan kemampuan untuk sepenuhnya menyadari semua aspek infrastruktur perdagangan. Ini juga memungkinkan Anda untuk mengeksplorasi strategi frekuensi yang lebih tinggi karena Anda akan sepenuhnya mengendalikan tumpukan teknologi Anda. Meskipun ini berarti bahwa Anda dapat menguji perangkat lunak Anda sendiri dan menghilangkan bug, ini juga berarti lebih banyak waktu yang dihabiskan untuk menyusun infrastruktur dan kurang menerapkan strategi, setidaknya di bagian awal karir algo trading Anda. Anda mungkin menemukan bahwa Anda merasa nyaman melakukan trading di Excel atau MATLAB dan dapat melakukan outsourcing pengembangan komponen lainnya. Saya tidak akan merekomendasikan ini namun, terutama untuk perdagangan pada frekuensi tinggi. Anda perlu bertanya pada diri sendiri apa yang ingin Anda capai dengan perdagangan algoritmik. Apakah Anda tertarik dengan penghasilan tetap, di mana Anda berharap dapat menarik penghasilan dari akun trading Anda Atau, apakah Anda tertarik dengan keuntungan modal jangka panjang dan mampu melakukan perdagangan tanpa perlu mencairkan dana Ketergantungan pendapatan akan menentukan frekuensi strategi Anda. . Penarikan pendapatan rutin lebih banyak akan memerlukan strategi perdagangan frekuensi yang lebih tinggi dengan volatilitas yang lebih rendah (yaitu rasio Sharpe yang lebih tinggi). Pedagang jangka panjang mampu menghasilkan frekuensi perdagangan yang lebih tenang. Akhirnya, jangan tertipu oleh gagasan untuk menjadi sangat kaya dalam waktu singkat. Perdagangan Algo BUKAN skema cepat kaya - jika memang itu bisa menjadi skema yang cepat-cepat. Dibutuhkan disiplin, penelitian, ketekunan dan kesabaran yang signifikan untuk sukses dalam perdagangan algoritmik. Ini bisa memakan waktu berbulan-bulan, jika tidak bertahun-tahun, untuk menghasilkan profitabilitas yang konsisten. Sourcing Ide Perdagangan Algoritma Meskipun ada persepsi umum sebaliknya, sebenarnya cukup mudah untuk menemukan strategi perdagangan yang menguntungkan di ranah publik. Tidak pernah ada ide trading yang lebih mudah didapat daripada saat ini. Jurnal keuangan akademis, server pra-cetak, blog perdagangan, forum perdagangan, majalah perdagangan mingguan dan teks khusus memberikan ribuan strategi trading untuk mendasari gagasan Anda. Tujuan kami sebagai peneliti perdagangan kuantitatif adalah untuk membentuk strategi pipa yang akan memberi kita aliran ide perdagangan yang sedang berlangsung. Idealnya kami ingin membuat pendekatan metodis untuk mencari, mengevaluasi dan menerapkan strategi yang kami temukan. Tujuan dari pipeline adalah untuk menghasilkan sejumlah gagasan baru yang konsisten dan memberi kita kerangka untuk menolak sebagian besar gagasan ini dengan minimal pertimbangan emosional. Kita harus sangat berhati-hati untuk tidak membiarkan bias kognitif mempengaruhi metodologi pengambilan keputusan kita. Ini bisa sesederhana memiliki preferensi untuk satu kelas aset di atas yang lain (emas dan logam mulia lainnya muncul dalam pikiran) karena dianggap lebih eksotis. Tujuan kami harus selalu mencari strategi yang menguntungkan secara konsisten, dengan harapan positif. Pilihan kelas aset harus didasarkan pada pertimbangan lain, seperti kendala perdagangan modal, biaya perantara dan kemampuan leverage. Jika Anda benar-benar tidak terbiasa dengan konsep strategi trading maka tempat pertama untuk melihat adalah dengan buku teks mapan. Teks klasik memberikan berbagai gagasan sederhana dan lebih mudah, untuk membiasakan diri dengan perdagangan kuantitatif. Berikut adalah pilihan yang saya rekomendasikan untuk mereka yang baru mengenal perdagangan kuantitatif, yang secara bertahap menjadi lebih canggih saat Anda mengerjakan daftar: Untuk daftar buku kuantitatif trading yang lebih panjang, silakan kunjungi daftar bacaan QuantStart. Tempat berikutnya untuk menemukan strategi yang lebih canggih adalah dengan forum perdagangan dan blog trading. Namun, perhatikan hati-hati: Banyak blog trading mengandalkan konsep analisa teknikal. Analisis teknis melibatkan penggunaan indikator dasar dan psikologi perilaku untuk menentukan tren atau pola pembalikan dalam harga aset. Meskipun sangat populer di ruang perdagangan secara keseluruhan, analisis teknis dianggap agak tidak efektif dalam komunitas keuangan kuantitatif. Beberapa orang menyarankan bahwa itu tidak lebih baik daripada membaca horoskop atau mempelajari daun teh dalam hal kekuatan prediktifnya. Pada kenyataannya ada orang sukses yang memanfaatkan analisis teknis. Namun, sebagai quants dengan kotak peralatan matematis dan statistik yang lebih canggih, kita dapat dengan mudah mengevaluasi keefektifan strategi berbasis TA tersebut dan membuat keputusan berdasarkan data daripada mendasarkan pertimbangan emosional atau prasangka. Berikut adalah daftar blog dan forum perdagangan algoritmik yang sangat dihormati: Begitu Anda memiliki beberapa pengalaman dalam mengevaluasi strategi yang lebih sederhana, sekarang saatnya untuk melihat penawaran akademis yang lebih canggih. Beberapa jurnal akademis akan sulit diakses, tanpa langganan tinggi atau biaya satu kali. Jika Anda adalah anggota atau alumni universitas, Anda harus bisa mendapatkan akses ke beberapa jurnal keuangan ini. Jika tidak, Anda bisa melihat server pra-cetak. Yang merupakan repositori internet dari draf akhir makalah akademis yang sedang menjalani peer review. Karena kita hanya tertarik pada strategi yang dapat berhasil kita tiru, backtest dan dapatkan keuntungan, maka peer review kurang penting bagi kita. Kelemahan utama dari strategi akademis adalah bahwa mereka seringkali bisa ketinggalan zaman, memerlukan data historis yang tidak jelas dan mahal, perdagangan kelas aset tidak likuid atau tidak memperhitungkan biaya, selip atau spread. Juga tidak jelas apakah strategi trading harus dilakukan dengan perintah pasar, membatasi pesanan atau apakah itu berisi stop loss dll. Jadi, sangat penting untuk meniru strategi itu sebaik mungkin, mendukungnya dan menambahkan transaksi realistis. Biaya yang mencakup banyak aspek kelas aset yang Anda inginkan untuk diperdagangkan. Berikut adalah daftar server pra-cetak dan jurnal keuangan yang paling populer sehingga Anda dapat mengemas ide dari: Bagaimana dengan membentuk strategi kuantitatif Anda sendiri Biasanya ini memerlukan ( Namun tidak terbatas pada) keahlian dalam satu atau beberapa kategori berikut: Struktur pasar - Untuk strategi frekuensi yang lebih tinggi, seseorang dapat menggunakan struktur mikro pasar. Yaitu pemahaman dinamika buku pesanan agar bisa menghasilkan profitabilitas. Pasar yang berbeda akan memiliki berbagai keterbatasan teknologi, peraturan, pelaku pasar dan batasan yang semuanya terbuka untuk eksploitasi melalui strategi tertentu. Ini adalah area yang sangat canggih dan praktisi ritel akan merasa sulit untuk bersaing di ruang ini, terutama karena kompetisi tersebut mencakup dana lindung nilai kuantitatif yang besar dan memiliki kapabilitas yang kuat dengan kemampuan teknologi yang kuat. Struktur dana - Dana investasi yang dipusatkan, seperti dana pensiun, kemitraan investasi swasta (hedge fund), penasihat perdagangan komoditas dan reksadana dibatasi oleh peraturan berat dan cadangan modal besar mereka. Dengan demikian perilaku konsisten tertentu bisa dimanfaatkan dengan mereka yang lebih gesit. Misalnya, dana besar tergantung pada keterbatasan kapasitas karena ukurannya. Jadi jika mereka perlu dengan cepat melepaskan (menjual) sejumlah sekuritas, mereka harus terhuyung-huyung untuk menghindari pergerakan pasar. Algoritma yang canggih dapat memanfaatkan hal ini, dan keistimewaan lainnya, dalam proses umum yang dikenal sebagai arbitrase struktur dana. Mesin belajar kecerdasan buatan - Algoritma pembelajaran mesin telah menjadi lebih umum dalam beberapa tahun terakhir di pasar keuangan. Classifiers (seperti Naive-Bayes, dkk.) Pencocokan fungsi non-linear (jaringan syaraf tiruan) dan rutinitas pengoptimalan (algoritma genetika) semuanya telah digunakan untuk memprediksi jalur aset atau strategi perdagangan yang optimal. Jika Anda memiliki latar belakang di bidang ini, Anda mungkin memiliki beberapa wawasan tentang bagaimana algoritme tertentu dapat diterapkan ke pasar tertentu. Ada, tentu saja, banyak daerah lain yang perlu diselidiki. Nah diskusikan bagaimana cara membuat strategi kustom secara detail di artikel selanjutnya. Dengan terus memantau sumber-sumber ini setiap minggu, atau bahkan setiap hari, Anda menyiapkan diri untuk menerima daftar strategi yang konsisten dari beragam sumber. Langkah selanjutnya adalah menentukan cara menolak sebagian besar strategi ini agar meminimalkan pemborosan waktu dan sumber daya backtesting terhadap strategi yang kemungkinan tidak menguntungkan. Mengevaluasi Strategi Perdagangan Pertimbangan pertama, dan bisa dibilang paling jelas adalah apakah Anda benar-benar memahami strateginya. Maukah Anda menjelaskan strategi secara ringkas atau apakah itu memerlukan serangkaian peringatan dan daftar parameter tanpa akhir. Selain itu, apakah strategi tersebut memiliki dasar yang baik dan solid dalam kenyataan Misalnya, dapatkah Anda menunjuk pada beberapa dasar pemikiran atau struktur dana yang membatasi bahwa Mungkin menyebabkan pola yang ingin Anda eksploitasi Apakah kendala ini bertahan terhadap perubahan rezim, seperti gangguan lingkungan peraturan yang dramatis Apakah strategi tersebut bergantung pada peraturan statistik atau matematis yang kompleks Apakah ini berlaku untuk rangkaian waktu keuangan atau Ini spesifik untuk kelas aset yang diklaim menguntungkan pada Anda harus terus memikirkan faktor-faktor ini saat mengevaluasi metode perdagangan baru, jika tidak, Anda mungkin akan membuang banyak waktu untuk melakukan backtest dan mengoptimalkan strategi yang tidak menguntungkan. Setelah Anda menentukan bahwa Anda memahami prinsip dasar strategi yang Anda perlukan untuk memutuskan apakah sesuai dengan profil kepribadian Anda di atas. Ini bukan sebagai pertimbangan yang samar karena kedengarannya Strategi akan berbeda secara substansial dalam karakteristik kinerjanya. Ada tipe kepribadian tertentu yang dapat menangani periode penarikan yang lebih signifikan, atau bersedia menerima risiko lebih besar untuk pengembalian yang lebih besar. Terlepas dari kenyataan bahwa kita, sebagai quants, mencoba dan menghilangkan sebanyak mungkin bias kognitif dan harus dapat mengevaluasi strategi tanpa perasaan, bias akan terus berlanjut. Dengan demikian, kita memerlukan sarana yang konsisten dan tidak emosional untuk mengukur kinerja strategi. . Berikut adalah daftar kriteria yang saya menilai strategi baru yang potensial dengan: Metodologi - Apakah strategi berbasis momentum, revaluasi rata-rata, netral pasar, terarah Apakah strategi mengandalkan teknik statistik atau teknik teknik yang canggih (atau kompleks) yang sulit Untuk memahami dan memerlukan gelar PhD dalam statistik untuk dipegang Apakah teknik ini mengenalkan sejumlah parameter yang signifikan, yang dapat menyebabkan bias optimasi Apakah strategi tersebut cenderung bertahan terhadap perubahan rezim (misalnya peraturan baru yang potensial mengenai pasar keuangan) Rasio Sharpe - Rasio Sharpe Secara heuristik mencirikan rasio rewardrisk strategi. Ini mengkuantifikasi berapa banyak pengembalian yang dapat Anda capai untuk tingkat volatilitas yang dialami oleh kurva ekuitas. Tentu, kita perlu menentukan periode dan frekuensi bahwa tingkat pengembalian dan volatilitas ini (yaitu standar deviasi) diukur di atas. Strategi frekuensi yang lebih tinggi akan memerlukan tingkat sampling deviasi standar yang lebih besar, namun periode pengukuran waktu keseluruhan yang lebih pendek, misalnya. Leverage - Apakah strategi memerlukan leverage yang signifikan agar menguntungkan Apakah strategi tersebut memerlukan penggunaan kontrak derivatif leveraged (futures, options, swaps) untuk mendapatkan pengembalian Kontrak leverage ini dapat memiliki karakteristik volatilitas yang tinggi dan dengan demikian dapat dengan mudah menyebabkan Margin call Apakah Anda memiliki modal perdagangan dan temperamen untuk volatilitas semacam itu Frekuensi - Frekuensi strategi terkait erat dengan tumpukan teknologi Anda (dan dengan demikian keahlian teknologi), rasio Sharpe dan keseluruhan tingkat biaya transaksi. Semua masalah lainnya dipertimbangkan, strategi frekuensi yang lebih tinggi memerlukan modal lebih banyak, lebih canggih dan sulit untuk diterapkan. Namun, dengan asumsi mesin backtesting Anda canggih dan bebas bug, mereka seringkali memiliki rasio Sharpe yang jauh lebih tinggi. Volatilitas - Volatilitas sangat terkait dengan risiko strategi. Rasio Sharpe mencirikan ini. Volatilitas yang lebih tinggi dari kelas aset yang mendasarinya, jika tidak berubah, sering menyebabkan volatilitas yang lebih tinggi pada kurva ekuitas dan dengan demikian rasio Sharpe yang lebih kecil. Saya tentu saja mengasumsikan bahwa volatilitas positif kira-kira sama dengan volatilitas negatif. Beberapa strategi mungkin memiliki volatilitas downside yang lebih besar. Anda harus menyadari atribut ini. WinLoss, Average ProfitLoss - Strategi akan berbeda dalam karakteristik winloss dan average profitloss mereka. Seseorang dapat memiliki strategi yang sangat menguntungkan, bahkan jika jumlah kehilangan perdagangan melebihi jumlah perdagangan yang menang. Strategi Momentum cenderung memiliki pola ini karena mereka mengandalkan sejumlah kecil hit besar agar bisa menguntungkan. Strategi pembalikan rata-rata cenderung memiliki profil yang berlawanan dimana lebih banyak perdagangan adalah pemenang, namun perdagangan yang kalah bisa sangat parah. Drawdown Maksimum - Penarikan maksimum adalah penurunan persentase keseluruhan dari puncak ke puncak terbesar pada kurva ekuitas strategi. Momentum strategi terkenal menderita periode penarikan diperpanjang (karena serangkaian banyak kehilangan perdagangan). Banyak trader akan menyerah pada periode penarikan yang diperpanjang, bahkan jika pengujian historis telah menyarankan bahwa ini adalah bisnis seperti biasa untuk strategi. Anda perlu menentukan berapa persentase penarikan (dan berapa periode waktu) yang dapat Anda terima sebelum menghentikan perdagangan strategi Anda. Ini adalah keputusan yang sangat pribadi dan karenanya harus diperhatikan dengan hati-hati. CapacityLiquidity - Pada tingkat ritel, kecuali jika Anda melakukan perdagangan dengan instrumen yang sangat tidak likuid (seperti saham kecil), Anda tidak perlu terlalu memikirkan kapasitas strategi. Kapasitas menentukan skalabilitas strategi untuk modal lebih lanjut. Banyak dana lindung nilai yang lebih besar mengalami masalah kapasitas yang signifikan karena strategi mereka meningkatkan alokasi modal. Parameter - Strategi tertentu (terutama yang ditemukan di komunitas pembelajaran mesin) memerlukan sejumlah besar parameter. Setiap parameter tambahan bahwa strategi memerlukan daun lebih rentan terhadap bias pengoptimalan (juga dikenal sebagai kurva-pas). Anda harus mencoba dan menargetkan strategi dengan parameter sesedikit mungkin atau pastikan Anda memiliki data dalam jumlah cukup untuk menguji strategi Anda. Benchmark - Hampir semua strategi (kecuali ditandai sebagai return absolut) diukur terhadap beberapa tolok ukur kinerja. Tolok ukur biasanya merupakan indeks yang menjadi ciri sampel besar dari kelas aset dasar yang menjadi strategi perdagangan. Jika strategi memperdagangkan saham AS yang besar, maka SP500 akan menjadi patokan alami untuk mengukur strategi Anda. Anda akan mendengar istilah alpha dan beta, diterapkan pada strategi tipe ini. Kita akan membahas koefisien-koefisien ini secara mendalam dalam artikel selanjutnya. Perhatikan bahwa kita belum membahas pengembalian strategi yang sebenarnya. Mengapa dalam isolasi ini, pengembalian benar-benar memberi kita informasi yang terbatas mengenai keefektifan strategi. Mereka tidak memberi Anda wawasan tentang leverage, volatilitas, tolok ukur atau persyaratan modal. Jadi strategi jarang dinilai pada keuntungan mereka sendiri. Selalu pertimbangkan atribut risiko strategi sebelum melihat hasilnya. Pada tahap ini banyak strategi yang ditemukan dari jaringan pipa Anda akan ditolak, karena mereka tidak memenuhi persyaratan modal, batasan leverage, toleransi penarikan maksimum atau preferensi volatilitas. Strategi yang masih ada sekarang dapat dipertimbangkan untuk melakukan backtesting. Namun, sebelum ini memungkinkan, perlu mempertimbangkan satu kriteria penolakan terakhir - data historis yang tersedia untuk menguji strategi ini. Mendapatkan Data Historis Saat ini, luasnya persyaratan teknis di seluruh kelas aset untuk penyimpanan data historis cukup besar. Agar tetap kompetitif, baik sisi beli (dana) maupun sisi jual (investment bank) banyak berinvestasi di infrastruktur teknis mereka. Sangat penting untuk mempertimbangkan kepentingannya. Secara khusus, kami tertarik pada ketepatan waktu, ketepatan dan persyaratan penyimpanan. Sekarang saya akan menjelaskan dasar-dasar mendapatkan data historis dan bagaimana cara menyimpannya. Sayangnya ini adalah topik yang sangat dalam dan teknis, jadi saya tidak dapat mengatakan semuanya dalam artikel ini. Namun, saya akan menulis lebih banyak tentang hal ini di masa depan karena pengalaman industri terdahulu saya di industri keuangan terutama berkaitan dengan perolehan, penyimpanan, dan akses data keuangan. Pada bagian sebelumnya kami telah menyiapkan strategi pipa yang memungkinkan kami menolak strategi tertentu berdasarkan kriteria penolakan pribadi kami sendiri. Pada bagian ini, kami akan memfilter lebih banyak strategi berdasarkan preferensi kami sendiri untuk mendapatkan data historis. Pertimbangan utama (terutama pada tingkat praktisi ritel) adalah biaya data, persyaratan penyimpanan dan tingkat keahlian teknis Anda. Kita juga perlu membahas berbagai jenis data yang tersedia dan berbagai pertimbangan yang masing-masing jenis data akan berikan pada kita. Mari kita mulai dengan membahas jenis data yang tersedia dan isu utama yang perlu dipikirkan: Data Fundamental - Ini mencakup data tentang tren makroekonomi, seperti suku bunga, angka inflasi, tindakan korporasi (dividen, pembagian saham), pengajuan SEC , Akun perusahaan, angka pendapatan, laporan tanaman, data meteorologi, dll. Data ini sering digunakan untuk menilai perusahaan atau aset lainnya secara fundamental, yaitu melalui beberapa cara arus kas masa depan yang diharapkan. Ini tidak termasuk seri harga saham. Beberapa data fundamental tersedia secara bebas dari situs web pemerintah. Data fundamental historis jangka panjang lainnya bisa sangat mahal. Persyaratan penyimpanan seringkali tidak terlalu besar, kecuali ribuan perusahaan sedang dipelajari sekaligus. Data Berita - Data berita sering bersifat kualitatif. Ini terdiri dari artikel, posting blog, posting microblog (tweets) dan editorial. Teknik belajar mesin seperti pengklasifikasi sering digunakan untuk menginterpretasikan sentimen. Data ini juga sering tersedia secara gratis atau murah, via berlangganan media. Database penyimpanan dokumen NoSQL yang lebih baru dirancang untuk menyimpan data kualitatif terstruktur ini. Data Harga Aset - Ini adalah domain data tradisional dari kuota. Ini terdiri dari deret waktu harga aset. Ekuitas (saham), produk pendapatan tetap (obligasi), komoditas dan harga valuta asing semuanya berada di dalam kelas ini. Data historis harian seringkali mudah diperoleh untuk kelas aset sederhana, seperti ekuitas. Namun, begitu akurasi dan kebersihan disertakan dan bias statistik dilepas, datanya bisa menjadi mahal. Selain itu, data deret waktu sering memiliki persyaratan penyimpanan yang signifikan terutama saat data intraday dipertimbangkan. Instrumen Keuangan - Ekuitas, obligasi, futures dan opsi derivatif yang lebih eksotis memiliki karakteristik dan parameter yang sangat berbeda. Dengan demikian tidak ada satu ukuran yang sesuai dengan semua struktur database yang bisa menampungnya. Perhatian yang signifikan harus diberikan pada perancangan dan implementasi struktur database untuk berbagai instrumen keuangan. Kita akan membahas situasi panjang lebar saat kita membangun database master sekuritas di artikel mendatang. Frekuensi - Semakin tinggi frekuensi data, semakin besar pula kebutuhan biaya dan penyimpanan. Untuk strategi frekuensi rendah, data harian seringkali cukup memadai. Untuk strategi frekuensi tinggi, mungkin perlu untuk mendapatkan data tingkat-tik dan bahkan salinan historis dari data buku pesanan perdagangan dagang tertentu. Menerapkan mesin penyimpanan untuk tipe data ini sangat teknologinya intensif dan hanya cocok untuk mereka yang memiliki latar belakang teknis yang kuat. Tolok ukur - Strategi yang diuraikan di atas akan sering dibandingkan dengan tolok ukur. Ini biasanya memanifestasikan dirinya sebagai rangkaian waktu keuangan tambahan. Untuk ekuitas, ini sering menjadi benchmark saham nasional, seperti indeks SP500 (AS) atau FTSE100 (Inggris). Untuk dana pendapatan tetap, ada gunanya membandingkan dengan sekeranjang obligasi atau produk pendapatan tetap. Tingkat bebas risiko (yaitu suku bunga yang sesuai) juga merupakan tolok ukur yang banyak diterima. Semua kategori kelas aset memiliki tolok ukur yang disukai, jadi perlu dilakukan penelitian berdasarkan strategi khusus Anda, jika Anda ingin menarik minat strategi Anda secara eksternal. Teknologi - Tumpukan teknologi di belakang pusat penyimpanan data keuangan sangat kompleks. Artikel ini hanya bisa menggores permukaan tentang apa saja yang terlibat dalam membangunnya. Namun, ini berpusat di sekitar mesin database, seperti Relational Database Management System (RDBMS), seperti MySQL, SQL Server, Oracle atau Document Storage Engine (yaitu NoSQL). Ini diakses melalui kode aplikasi logika bisnis yang menanyakan database dan menyediakan akses ke alat eksternal, seperti MATLAB, R atau Excel. Seringkali logika bisnis ini ditulis di C, C, Java atau Python. Anda juga perlu meng-host data ini di suatu tempat, baik di komputer pribadi Anda, atau dari jarak jauh melalui server internet. Produk seperti Amazon Web Services telah membuat ini lebih sederhana dan murah dalam beberapa tahun terakhir, namun masih memerlukan keahlian teknis yang signifikan untuk dicapai dengan cara yang kuat. Seperti dapat dilihat, sekali strategi telah diidentifikasi melalui pipa, perlu untuk mengevaluasi ketersediaan, biaya, kompleksitas dan rincian pelaksanaan serangkaian data historis tertentu. Anda mungkin merasa perlu untuk menolak strategi yang hanya didasarkan pada pertimbangan data historis. Ini adalah area yang luas dan tim PhD bekerja dengan dana besar memastikan harga akurat dan tepat waktu. Jangan meremehkan kesulitan untuk menciptakan pusat data yang kuat untuk tujuan backtesting Anda, namun saya ingin mengatakan bahwa platform backtesting dapat menyediakan data ini untuk Anda secara otomatis - dengan biaya tertentu. Dengan demikian akan membawa banyak rasa sakit pelaksanaan dari Anda, dan Anda dapat berkonsentrasi murni pada implementasi dan pengoptimalan strategi. Alat seperti TradeStation memiliki kemampuan ini. Namun, pandangan pribadi saya adalah menerapkan sebanyak mungkin secara internal dan menghindari bagian outsourcing dari tumpukan ke vendor perangkat lunak. Saya lebih memilih strategi frekuensi yang lebih tinggi karena rasio Sharpe mereka yang lebih atraktif, namun seringkali digabungkan dengan teknologi stack, di mana pengoptimalan lanjutan sangat penting. Sekarang setelah kita membahas masalah seputar data historis, saatnya untuk mulai menerapkan strategi kita di mesin backtesting. Ini akan menjadi subyek artikel lain, karena ini adalah area diskusi yang sama besar. Memulai dengan Perdagangan Kuantitatif
No comments:
Post a Comment