انواع روبات های تجاری رایگان

انواع استراتژی های تجارت الگوریتمی (ربات های معاملاتی)!

نویسنده: مارتین مایر-کربس

وقتی نوبت به ایجاد رباتهای تجاری و تجارت الگوریتمی به طور کلی می رسد ، رویکردهای بی شماری وجود دارد که می توان آن را. اجرای چندین مورد از آنها نه تنها یک تمرین جالب برای به دست آوردن تجربه در این زمینه است ، بلکه به دلیل تنوع در نتیجه داشتن چندین الگوریتم نامربوط به طور همزمان ، بسیار ارزشمند است.

در این مقاله ، من سعی خواهم کرد که توضیحات مختصری در مورد دسته های مختلف ربات های تجاری که امروزه توسط موسسات بزرگ و بازرگانان خرده فروشی مورد استفاده قرار می گیرند ، ارائه دهم.

اگر علاقه ای به خواندن کل مقاله ندارید ، این نمونه های مختلف ربات های تجاری است که می توان از آنها استفاده کرد:

رباتهای معاملاتی مشترک (الگوریتم های تجاری مورد استفاده) به طور معمول در دسته های میانگین بازده ، حرکت ، مدل سازی یادگیری ماشین ، تجارت مبتنی بر احساسات ، الگوریتم های ساخت بازار و تجارت داوری (یا داوری خالص یا آماری) قرار می گیرند.

فهرست مطالب

میانگین استراتژی های برگشت

میانگین بازگرداندن استراتژی ها سعی کنید از تغییرات ناگهانی و بزرگ قیمت و تمایل آنها برای بازگشت به قیمت "اصلی" خود یا حداقل در این جهت سود ببرید.

این استراتژی ها نه تنها برای خرید بلکه برای فروش دارایی مورد استفاده قرار می گیرند ، زیرا بیشتر الگوریتم های میانگین در حال اصلاح آموزش داده می شود که پس از افزایش قیمت قابل توجه ، و مدتها پس از کاهش ، کوتاه شوند.

یک استراتژی ساده برگشت پذیر با استفاده از دو میانگین متحرک می تواند ایجاد شود:

• میانگین حرکت سریع: میانگین جدیدترین قیمت های پایانی. مقدار محبوب برای میانگین سریع حرکت 30 (میله) است.
• میانگین حرکت آهسته: یک میانگین ساده که به موقع بیشتر از یک حرکت سریع برمی گردد. مقدار معمولی 90 (میله) است. بنابراین ، نسبت به تغییرات فعلی در قیمت کندتر واکنش نشان می دهد.

هر زمان که میانگین سریع حرکت سریع از بالا عبور کند ، یک الگوریتم معنادار طولانی خواهد بود ، در نتیجه کاهش قیمت قوی.

در مقابل ، هنگامی که میانگین حرکت سریع به دلیل تغییر قوی قیمت مثبت ، دارایی را از پایین حرکت می دهد ، دارایی را به فروش می رساند.

همانطور که انتظار می رود ، چنین الگوریتم ساده با مجموعه ای از پارامترهای دلخواه (30 میله ، 90 میله) احتمالاً در صورت اجرای عملکرد ضعیف عمل خواهد کرد.

با بیان این موضوع ، ادبیات دانشگاهی نشان می دهد که شواهد قابل توجهی در مورد الگوهای معنادار در قیمت سهام وجود دارد. می توانید به منظور مرور یک تجزیه و تحلیل قوی از معنا ، به این مقاله مراجعه کنید.

بازگرداندن میانگین می تواند از نظر ریاضی با یک فرآیند Ostein-Uhlenbeck مدل سازی شود. به طور خلاصه ، این فرآیند دارای سه مؤلفه اصلی است: میزان بازده میانگین ، میانگین بلند مدت و میانگین نوسانات فرآیند (حرکت براون). جزئیات Ostein-Uhlenbeck قطعاً خارج از محدوده این مقاله نیست ، اما می توانید در این مقاله عالی در مورد آن بیشتر بخوانید.

از نظر آماری ، می توان با استفاده از آزمون دوربین واتسون ، هر دو معکوس یا حرکت یک سری از قیمت ها را آزمایش کرد. من توضیح مختصری در مورد این آزمون در بخش زیر ارائه می دهم.

استراتژی های حرکت

استراتژی های حرکت شامل مجموعه ای از قوانین است که هدف آن بهره برداری از تمایل قیمت دارایی برای ادامه تغییر در یک جهت معین است. مقادیر علمی عظیمی وجود دارد که به طور جدی تجزیه و تحلیل می کنند که چگونه افزایش قیمت ها به طور متوسط با افزایش قیمت های بعدی و برعکس ، به طور متوسط دنبال می شوند.

در ابتدا ، به نظر می رسد فرضیه تجارت حرکت با پایان نامه الگوریتم های معنادار متناقض است. دارایی های مختلف تمایل به رفتارهای مختلف دارند و تغییرات رژیم بازار همچنین برتری کلی یکی از دیگری را تعیین می کند ، استفاده از هر دو تکنیک به طور همزمان متناقض نیست.

غیر معمول نیست که دو الگوریتم به طور همزمان تجارت کنند ، یکی از الگوهای میانگین اصلاح و دیگری یک حرکت. تحقیقات قبلی ممکن است نشان دهد که یک دارایی معین دارای بازده میانگین کوتاه مدت است ، اما حرکت در یک افق زمانی طولانی تر است. بنابراین ، استفاده از یک استراتژی میانگین بازگرداندن داخلی همراه با یک استراتژی بین روز حرکت قابل قبول است.

حرکت به عنوان "همبستگی مثبت" در آمار تعریف می شود. به طور غیررسمی ، این بدان معنی است که خطای تخمین با یک علامت معین (مثبت یا منفی) تمایل دارد که خطای تخمین همان علامت را دنبال کند.

روش های مختلفی برای تعیین همبستگی یک سری از قیمت های تاریخی (یا هر سری زمانی دیگر) وجود دارد که متداول ترین آن آزمایش دوربین واتسون است. این فرمول این آزمون به یک مقدار واحد منجر می شود که از 0 تا 4 متغیر است ، که نشان دهنده موارد زیر است:

• مقادیر نزدیک به 0 نشانگر همبستگی مثبت قوی (حرکت)
• مقادیر نزدیک به 2 نشانگر عدم همبستگی است
• مقادیر نزدیک به 4 نشانگر همبستگی منفی قوی (میانگین معکوس)

پزشکانی که از شاخص های فنی استفاده می کنند ، تمایل دارند از موارد زیر برای بهره برداری از الگوهای حرکت استفاده کنند:

• شاخص قدرت نسبی (RSI): این نشانگر با هدف ارائه روش ساده برای معامله گران برای ارزیابی حرکت به سمت بالا (صعودی) و رو به پایین (نزولی) ، نشان می دهد که آیا این بیش از حد بوده یا بیش از حد.
• حرکت میانگین واگرایی متقاطع: یک نشانگر دنبال کننده روند که حرکت یک دارایی را با استفاده از دو میانگین متحرک نشان می دهد. این میانگین های متحرک معمولاً میانگین حرکت ساده (SMA) یا میانگین های متحرک نمایی (EMA) هستند.
• شاخص جهت متوسط (ADX): شاخصی که هدف آن تخمین استحکام حرکت است و در نتیجه مقدار بین 0 (بدون روند) و 100 (روند بسیار قوی) حاصل می شود.

استراتژی های یادگیری ماشین

تکنیک های یادگیری ماشین (ML) در سالهای اخیر به طور فزاینده ای برای تجارت محبوب شده اند. در نتیجه ، تعداد معدودی از شرکتهای اختصاصی بسیار سودآور پدید آمده اند و کل بخش های تحقیقاتی در صندوق های پرچین ایجاد شده ایجاد شده است.

بارزترین کاربرد یادگیری ماشین برای اهداف تجاری تخمین (پیش بینی) قیمت آینده دارایی. با استفاده از صدها متغیر ورودی مختلف ، مانند قیمت ها ، شاخص ها ، مجموعه داده های جایگزین و سیگنال های سفارشی ، مدل های یادگیری ماشین اغلب در پیش بینی حرکات قیمت می توانند به طور قابل توجهی بهتر از تصادفی باشند.

همچنین رویکردهای ظریف تری وجود دارد که در آن از مدل های یادگیری ماشین برای اهداف تجاری استفاده می شود. به جای تلاش برای پیش بینی قیمت در T+1 ، معمولاً برای ایجاد سیگنال ها و متغیرهای مورد استفاده به عنوان ورودی برای تجارت استفاده می شود. مدلی که می تواند به طور دقیق آب و هوا برای فصل آینده را پیش بینی کند ، به نوبه خود برای پیش بینی تولید یک کالای خاص مانند سویا ، ذرت یا آفتابگردان مفید خواهد بود.

قادر به پیش بینی خروجی برداشت با دقت نسبی ، برنامه های بسیار مفیدی برای تجارت دارد ، به همین دلیل صندوق های پرچین هزینه های گران قیمت را برای دسترسی به آن نوع پیش بینی ها پرداخت می کنند.

شایان ذکر است که به دلیل آسان بودن سریع ایجاد و استقرار یک الگوریتم تجارت بر اساس تکنیک های یادگیری ماشین ، نمونه های احتیاطی از عدم موفقیت مهم نیز گزارش شده است.

علاوه بر این ، مدل های یادگیری ماشین فقط به اندازه ورودی های ارائه شده خوب هستند و مجموعه داده های ضعیف منجر به نتایج ضعیف (و پر هزینه) می شوند. دانشمندان رایانه این توجه ارزشمند را با عبارت محبوب "زباله در ، زباله بیرون" متراکم می کنند.

آنچه در زیر می آید ، لیست غیر اکتشافی از مدل ها و برنامه های یادگیری ماشین در صنعت تجارت است:

• اجرای بهینه سفارش: هنگام قرار دادن سفارشات بزرگ ، موسسات باید آنها را به معاملات کوچکتر تقسیم کنند تا تأثیر منفی بر قیمت بازار نداشته باشند. شبکه های عصبی ، درختان تصمیم ، Sarimax و LSTM معمولاً مورد استفاده قرار می گیرند. این مدل ها باید حداقل از سایر مدل های قطعی که به طور محبوب برای این اهداف استفاده می شوند ، مانند قیمت متوسط وزن (VWAP) و الگوریتم های متوسط قیمت وزن (TWAP) از آن استفاده کنند.
• پیش بینی قیمت: به منظور پیش بینی قیمت آینده دارایی ، شبکه های عصبی ، LSTM ، XGBOOST ، DEEP FORENT و مدل های بی شماری دیگر استفاده می شود. با فرض اینکه آنها با یکدیگر ارتباط ندارند ، اغلب اوقات با هم مورد استفاده قرار می گیرند تا سیگنال های قوی تر و مطمئن تری ایجاد کنند. این عمل به "مدل سازی گروه" گفته می شود.
• تجزیه و تحلیل احساسات: از تکنیک های پردازش زبان طبیعی برای تخمین چگونگی صعودی یا نزولی احساسات فعلی نسبت به یک دارایی خاص یا بازار به طور کلی استفاده می شود. منابع مشترک اطلاعات رسانه ها ، Reddit و Twitter هستند. به دلیل نیازهای سخت افزاری ، پزشکان معمولاً از مدل های از پیش آموزش استفاده می کنند تا داده های خود را تجزیه و تحلیل کنند. گزینه های محبوب برت ، روبرتا و GPT-3 است.
• چشم انداز تصویر: این دسته از مدل ها به طور گسترده در صنعت مالی استفاده می شود. تصاویر ماهواره ای از پارکینگ ها برای برآورد سودآوری فروشگاه های خرده فروشی استفاده می شود و ردیابی حرکات کامیون در یک کارخانه پیش بینی کننده خوبی از نرخ تولید است.

بر خلاف بسیاری از زمینه های دیگر که در آن روش های یادگیری ماشین اعمال می شود ، قیمت دارایی نسبت سر و صدای سیگنال بسیار بالایی دارد. بنابراین ، متخصصان بی تجربه تمایل به افزایش بیش از حد داده های خود و ایجاد مدل هایی دارند که در توضیح سر و صدا در داده های مورد استفاده برای آموزش بسیار عالی هستند ، اما در یافتن الگوهای معنی دار که در آینده به نمایش در می آیند بسیار ضعیف هستند.

می توانید بسیاری از همبستگی های جالب خطی بین متغیرهای کاملاً نامربوط را در لینک زیر مشاهده کنید. همبستگی جالب من بین تعداد فیلم هایی با نیکلاس کیج و تعداد غرق شدن استخر در هر سال معین است.

استراتژی های داوری

استراتژی های داوری سعی در سوء استفاده از اختلاف قیمت و ناکارآمدی در بازار با خرید یک دارایی کم ارزش و هم فروش یک ارزش افزوده.

استراتژی های داوری در دو طعم وجود دارد: استراتژی های داوری خالص و استراتژی های داوری آماری.

استراتژی های داوری خالص (تجارت با فرکانس بالا)

در دقیق ترین تعریف ، استراتژی های داوری خالص بدون ریسک هستند و عملیات خرید و فروش را همزمان انجام می دهند. این نوع داوری ها در قلمرو آنچه به عنوان تجارت با فرکانس بالا شناخته می شود ، است. به عنوان مثال ، Deutsche Bank هم در بورس فرانکفورت و هم در بورس اوراق بهادار نیویورک معامله می شود. با توجه به اینکه هر مبادله کتاب سفارش خاص خود را دارد ، می توان همان دارایی را با قیمت های مختلف در دوره های بسیار کوچک نقل کرد.

این نوع استراتژی معاملاتی نیاز به سخت افزار سفارشی دارد تا در کنار هر دو مبادله به منظور امکان پذیر باشد و منجر به هزینه های عملیاتی بسیار بالایی شود (مقاله من را در مورد جمع آوری سرور در اینجا بخوانید). به همین دلیل ، استراتژی های داوری خالص برای اکثر معامله گران نهادی از دسترس نیست و قطعاً برای همه معامله گران خرده فروشی غیرممکن است.

استراتژی های داوری آماری

استراتژی های داوری آماری سعی در سوء استفاده از اختلاف قیمت کوتاه مدت بین دو دارایی مختلف که معمولاً تمایل به همبستگی بالایی دارند به دلیل حضور در یک صنعت یکسان است.

این الگوریتم ها با استفاده از تکنیک های مختلف آماری ، دارایی را خریداری می کنند که به نظر می رسد کم ارزش باشد و یکی را بفروشند که تصور می شود نسبت به یکدیگر بیش از حد ارزشمند است.

بر خلاف استراتژی های داوری خالص ، موارد مبتنی بر آماری به هیچ وجه بدون ریسک نیستند. آنها مبتنی بر این فرض هستند که همبستگی قبلی پیش بینی کننده همبستگی آینده است و اختلاف قیمت بین دو دارایی به همین دلیل جبران می شود.

استراتژی های مبتنی بر تجزیه و تحلیل اخبار و احساسات

این نوع استراتژی ها از منابع خاص اطلاعات به منظور استفاده از مدل های پردازش زبان طبیعی (NLP) پیروی می کنند ، احتمال افزایش قیمت یا بالا یا پایین را استنباط می کنند.

الگوریتم های NLP یک دسته خاص از یادگیری ماشین هستند ، که در آن مدل ها با مقادیر عظیمی از داده های زبان طبیعی به منظور استخراج اطلاعات خاص آموزش دیده می شوند. در مورد سهام و ارزهای رمزنگاری شده ، بارزترین کاربرد این مدل ها ، استنباط تغییر قیمت آینده یک دارایی است. به عبارت دیگر ، تخمین می زند که آیا جدیدترین نمونه از گزیده های متن مورد تجزیه و تحلیل صعودی یا نزولی است.

حساب توییتر Elon Musk را به عنوان نمونه در نظر بگیرید: برای مدت چند هفته در طول سال 2021 ، می توان معاملات سودآور را فقط با خراش دادن به توییت جدید ، قرار داد ، استنباط کرد که Cryptocurrency ذکر شده است و اینکه آیا لحن کلی منفی یا مثبت است. فقط با واکنش سریع به اندازه کافی به توییت های او.

همانطور که احتمالاً حدس زده اید ، صدای جیر جیر از بالا نه تنها احساسات مثبتی نسبت به بیت کوین دارد بلکه برای صاحبان الگوریتم هایی که به سرعت نسبت به آن واکنش نشان دادند بسیار سودآور بود.

اینها رایج ترین منابعی هستند که سرمایه گذاران خرده فروشی و نهادی برای پیش بینی تغییرات قیمت از آنها استفاده می کنند:

• توییتر
• رفیق
• رنگ قرمز
• بررسی های آمازون
• روندهای گوگل
• وب سایت های خبری

الگوریتم های ساخت بازار

به طور گسترده ، الگوریتم های ساخت بازار استراتژی هایی هستند که از تأمین نقدینگی به بازار سود می برند ، در حالی که از تجمع موجودی غیر ضروری جلوگیری می کنند. آنها معمولاً همزمان با هدف سودآوری از تفاوت بین هر دو قیمت ، که به آن گسترش می یابد ، سفارشات را همزمان می فروشند و می فروشند.

قبل از محبوبیت معاملات الگوریتمی ، بیشتر بورس اوراق بهادار غالباً یک موسسه را برای تأمین نقدینگی به عنوان سازندگان رسمی بازار منصوب می کردند. این مورد بورس اوراق بهادار نیویورک (NYSE) بود ، اما امروزه چندین شرکت اختصاصی و صندوق های پرچین وجود دارد که سخت افزار خود را در کنار سرورهای بورس اوراق بهادار جمع می کند تا به عنوان سازندگان بازار نیز عمل کند.

الگوریتم های ساخت بازار از قیمت های بی ثبات و بدون روند کم بهره می برند. به عبارت دیگر ، این الگوریتم ها به ویژه در بازارهایی که دارای خصوصیات برگشت متوسط متوسط هستند سودآور هستند.

به منظور تجمع موقعیت خالص ناخواسته روی دارایی معین ، این الگوریتم ها همچنین سعی می کنند تغییرات قیمت کوتاه مدت در کتاب سفارش را پیش بینی کنند. این اغلب اوقات الگوریتم های عدم تعادل کتاب سفارش نامیده می شوند ، زیرا تفاوت در اندازه بهترین پیشنهاد را بررسی می کنند و از مبلغ آن می پرسند و آن را تقسیم می کنند.

عدم تعادل منفی به این معنی است که کتاب سفارش از پیشنهاد (فروشندگان) "قوی" تر از پیشنهاد (خریداران) برخوردار است ، به این معنی که احتمال کاهش قیمت بیشتر است.

با اکثر تعاریف ، این نوع الگوریتم ها تحت حوزه معاملات با فرکانس بالا قرار می گیرند و استقرار این نوع استراتژی ها برای معامله گران خرده فروشی تقریباً غیرممکن است. این الگوریتم ها نه تنها پیشرفته هستند بلکه به دلیل قانون اول در اکثر صرافی ها ، داشتن تأخیر کم نیز مهم است.

الگوریتم های تعادل مجدد

در ابتدایی ترین اجرای ، الگوریتم های تعادل به طور دوره ای دارایی های فعلی یک نمونه کارها از دارایی ها را به نسبت مورد نظر یا عینی خود ، که به عنوان "وزن" گفته می شود ، تنظیم می کنند. این تنظیمات را می توان به صورت دوره ای انجام داد ، مانند مثال در اولین دوشنبه هر ماه. علاوه بر این ، تعادل مجدد می تواند در اثر انحراف ناخواسته از دارایی از وزن عینی آن ایجاد شود.

تفاوت در رابطه با وزن عینی به دلیل تغییر در قیمت دارایی های تحت مدیریت بوجود می آید. دارایی های مشمول افزایش قیمت ، وزن بالاتر از هدف آنها خواهد بود ، در حالی که مواردی که تحت تأثیر قرار می گیرند تحت نظارت قرار نمی گیرند. به منظور تنظیم مجدد وزن نمونه کارها ، این الگوریتم آن دارایی هایی را که بیش از حد عمل کرده و برعکس می فروشند ، می فروشد.

به مثال زیر نگاهی بیندازید ، جایی که ما با 4 دارایی به همان اندازه وزن در ژانویه معین شروع می کنیم. با توجه به افزایش قیمت دارایی 1 و دارایی 2 ، ما در ابتدای فوریه بخشی از این دارایی ها را می فروشیم. برعکس ، ما از زمان کاهش قیمت آن در ژانویه ، مقداری دارایی 3 را خریداری می کنیم.

شایان ذکر است که ، اگرچه دارایی 4 ثابت مانده است ، اما ما نیز باید 125 واحد از آن را خریداری کنیم. این به این دلیل است که ارزش کلی نمونه کارها ما در ژانویه افزایش یافته و منجر به همان ارزش دارایی 4 می شود تا بخش کوچکی از نمونه کارها را نشان دهد.

همانطور که در مثال بالا مشاهده می کنید ، واحدهای کسری دارایی ها را خریداری و فروخته ایم. این همیشه امکان پذیر نیست ، زیرا برخی از کارگزاران اجازه تجارت کسری را نمی دهند. این منجر به نگه داشتن دارایی در نسبت هایی می شود که در مقایسه با مدل نظری ما پایین ترین حد هستند.

به دلیل هزینه های معامله ای در انجام این کار (هزینه کارگزار و لغزش) ، مجدداً تعادل را نباید انجام داد.

نتیجه

همانطور که دیدید ، در مورد اجرای معاملات هر دو ، رویکردهای بی شماری وجود دارد و به هیچ وجه متقابلاً منحصر به فرد نیستند. بدیهی است ، هیچ دسته واحدی وجود ندارد که سودآورتر از سایرین باشد ، زیرا این امر نه تنها بر خلاف عقل سلیم بلکه "قضیه ناهار رایگان" نیز پیش می رود.

این که آیا یک ربات تجاری سودآور است یا خیر ، بیشتر به کیفیت داده های مورد استفاده ، پیچیدگی اجرای و بینش کلی و دانش بازار معامله گر در پشت رایانه بستگی دارد.