بازگشت به اصول: مقدمه ای بر تجارت الگوریتمی

این اولین بار در یک سری از پست ها است که در آن ما چرخ دنده ها را کمی تغییر خواهیم داد و به برخی از اصول تجارت الگوریتمی نگاهی می اندازیم. تاکنون ، Robot Wealth بر یادگیری ماشین و تحقیقات کمی تجارت متمرکز شده است ، اما من اخیراً چندین مکالمه داشتم که به من انگیزه داد تا برخی از سؤالات اساسی پیرامون تجارت الگوریتمی را کشف کنم. در چند پست بعدی ، ما سؤالاتی مانند:

• تجارت الگوریتمی چیست؟
• تجارت الگوریتمی برای من چه کاری می تواند انجام دهد؟
• پیش نیازها چیست؟قبل از شروع کار باید درباره چه فکر کنم؟
• این همه هیاهو در مورد متناسب بودن منحنی و بهینه سازی قوی چیست؟چرا باید اهمیت بدهم؟

بنابراین بدون آزار و اذیت بیشتر ، بیایید شیرجه بزنیم!

تجارت الگوریتمی چیست؟

در ابتدایی ترین سطح خود ، تجارت الگوریتمی صرفاً خرید خودکار و فروش ابزارهای مالی مانند سهام ، اوراق قرضه و معاملات آینده است. این امر نیاز به اتصال شبکه ای به یک مبادله الکترونیکی ، کارگزار یا همتای و وسیله ای برای خرید برنامه ای ، فروش و انجام سایر کارهای مرتبط با معاملات مانند نظارت بر عملکرد قیمت و قرار گرفتن در معرض بازار دارد.

تجارت الگوریتمی به لطف ظهور مبادلات الکترونیکی - یک پدیده نسبتاً اخیر - امکان پذیر است. روزگاری ، محصولات مالی با استفاده از روش "بازپرداخت باز" به اصطلاح "گودال" در داخل ساختمان مبادله معامله می شدند. این شامل کارگزاران و بازرگانان است که از نظر جسمی در گودال حضور دارند و قیمت هایی را که در آن مایل به خرید و فروش بودند ، فریاد می زنند. شرکت کنندگان حتی از سیگنال های دستی برای انتقال اهداف خود استفاده کردند. این امر به تدریج شروع به ایجاد راه برای تجارت تلفنی و در نهایت به معاملات الکترونیکی کرد. این تغییر در اواخر دهه 1980 آغاز شد و تا به امروز ادامه داشت ، اما اکثریت قریب به اتفاق صرافی ها در سراسر جهان اکنون الکترونیکی هستند.

به طور طبیعی ، این تکامل پویایی روند تجارت را تغییر داد. به طور غیرقانونی ، معامله گران گودال بعضی اوقات می توانند اهداف یکدیگر را از طریق تماس فیزیکی که در گودال وجود دارد ، بخواند - بدیهی است که وقتی شرکت کنندگان در بازار بصورت الکترونیکی تجارت می کنند و می توانند با فضاهای بالقوه گسترده از هم جدا شوند ، این امر بسیار غیرممکن است. داستانهای زندگی در گودال خواندن جالب و غالباً سرگرم کننده را ایجاد می کند. برخی از پیوندهای سرپرستی:

• دانشکده بازرگانی شیکاگو بازتاب تعدادی از بازرگانان گودال را گردآوری کرد. واد
• مانند این "داستان های گودال".
• حتی یک وبلاگ در مورد تجارت گودال وجود دارد!

همچنین شایان ذکر است که تجارت الگوریتمی فقط برای بازارهای مبادله ای نیست: بازارهای بدون نسخه (OTC) نیز به صورت الگوریتمی معامله می شوند. بازار OTC یکی از مواردی است که سفارشات از طریق مبادله مرکزی اجرا نمی شوند بلکه بین دو طرف هستند. تجارت الگوریتمی OTC به طور معمول از طریق یک شبکه ارتباطی الکترونیکی (ECN) یا استخر تاریک صورت می گیرد. اولی به طور معمول توسط سازندگان بازار برای انتشار و مطابقت با سفارشات با شبکه همتایان خود استفاده می شود. مورد دوم بیشتر شبیه یک مکان اعدام خصوصی است که نقدینگی توسط شرکت کنندگان در استخر تاریک ، به دور از مبادله فراهم می شود.

طرفداران تجارت الکترونیکی اشاره می کنند که شرکت کننده باعث افزایش کارایی بازار و کاهش فرصت برای دستکاری می شود. معاملات الکترونیکی نیز به طور معمول ارزان تر است و با ظهور اینترنت ارزان قیمت ، برای هر کسی که دارای اتصال مناسب باشد قابل دسترسی است. این بدان معنی است که یک فرد می تواند یک محصول مالی را از اتاق نشیمن خود خریداری یا بفروشد.

همچنین لازم به ذکر است که با از بین بردن معاملات الکترونیکی ، نمونه "تصادفات فلش" - سنبله های عظیم در نوسانات در دوره های کوتاه مدت - نیز افزایش یافته است. یک مورد می تواند ایجاد شود که نشان می دهد الگوریتم هایی که چنین تصادف را تشدید می کنند زیرا آنها بسیار سریعتر از آنکه یک انسان مداخله کند عمل می کند. اما از طرف دیگر ، اپراتورهای تبادل در حال یافتن راه هایی برای رسیدگی به این محیط جدید به روش های ایمن تر هستند ، به عنوان مثال مکانیسم های الکترونیکی برای مهار نوسانات شدید ، ترتیب هماهنگی مسیریابی بین مبادلات و دوباره فکر کردن در نقش سازندگان بازار. این که آیا مقصر بودن تصادفات فلش در معاملات الکترونیکی عادلانه است یا خیر ، موضوعی عظیم و گاه بحث برانگیز است.

به منظور اجرای الگوریتمی معاملات ، ما از یک برنامه رایانه ای متصل به مبادله (مستقیم یا از طریق یک کارگزار) استفاده می کنیم که رفتار تجاری مورد نظر ما را از طرف ما انجام می دهد. چنین برنامه یا الگوریتم به سادگی مجموعه ای از دستورالعمل های مفصل است که یک کامپیوتر آن را درک می کند. یک مثال بی اهمیت ممکن است چیزی شبیه به آن باشد ، "برخی از داده های قیمت را بخوانید ، میانگین و انحراف استاندارد آن را محاسبه کنید ، پس اگر جدیدترین مقدار داده های قیمت بالاتر از حد متوسط آن است و انحراف استاندارد کمتر از برخی آستانه است ، سفارش خرید را به آن ارسال کنیدبازار". این یک نمونه بی اهمیت است و البته بیشتر الگوریتم های معاملاتی بسیار پیچیده تر هستند ، اما شما این ایده را می گیرید.

الگوریتم ساده که در بالا توضیح داده شد ، برخی از جنبه های مشترک یک سیستم تجارت الگوریتمی را داشت:

• روشی برای به دست آوردن داده ها ("خواندن برخی از داده های قیمت") ، با توجه به اینکه این به خودی خود می تواند یک الگوریتم مستقل پیچیده باشد و نیاز به اتصال به منبع داده های بازار ، معمولاً در زمان واقعی دارد.
• برخی از تجزیه و تحلیل این داده ها ("میانگین و انحراف استاندارد آن را محاسبه کنید").
• وسیله ای برای بررسی اینکه آیا برخی از شرایط بر اساس تجزیه و تحلیل قبلی برآورده شده است ("اگر جدیدترین قیمت بالاتر از میانگین آن باشد و انحراف استاندارد کمتر از برخی آستانه باشد").
• اجرای منطق تجارت ، که دوباره می تواند یک الگوریتم مستقل پیچیده باشد که نیاز به وسیله ای برای برقراری ارتباط با یک کارگزار یا مبادله ، مدیریت آن پیوند ارتباطی و پیگیری سفارشات و پر کردن دارد.

سایر مؤلفه های متداول چنین سیستمهایی عبارتند از:

• ماژول های مدیریت ریسک ، به عنوان مثال محاسبات اندازه گیری موقعیت ، ردیابی و تنظیم قرار گرفتن در معرض و ابزاری برای ردیابی عملکرد و رفتار سیستم.
• ابزارهای مدیریت نمونه کارها ، که تا حدودی مربوط به موارد فوق هستند.
• انتقال و ذخیره سازی داده ها.
• آشتی و تجزیه و تحلیل پس از تجارت.

اصطلاحات گیج کننده

فرض توضیحات الگوریتم فوق این است که هدف آن اجرای یک سیستم معاملاتی مبتنی بر سیگنال است که اساساً از منطق اساسی "اگر این اتفاق بیفتد ، خرید و اگر این اتفاق بیفتد ، بفروشید". اصطلاح تجارت الگوریتمی در واقع می تواند ظرافت کمی متفاوت ، به ویژه در یک محیط نهادی ، داشته باشد که از آن آگاه باشد. در این تنظیم ، تجارت الگوریتمی می تواند به تقسیم خودکار یک سفارش بزرگ مراجعه کند تا بهترین اجرای ممکن را بدست آورد. چنین الگوریتم ها به طور معمول یک سفارش بزرگ را به قطعات کوچکتر تقسیم می کنند و قطعات را به گونه ای به بازار عرضه می کنند که هزینه کلی معامله را بهینه می کند.

یک صندوق پرچین بزرگ را در نظر بگیرید که می خواهد موقعیت قابل توجهی را در سهام داشته باشد ، می گویند چند درصد از سرمایه گذاری در بازار خود. خرید چنین سفارش در یک معامله تأثیر می گذارد بر قیمت آن سهام (بسته به نقدینگی آن) که برای صندوق مضر است. ورود به تدریج مطابق با ظرفیت سهام برای جذب سفارش ، اغلب هزینه کلی معامله را کاهش می دهد ، گاهی اوقات به طور قابل توجهی.

بسیاری از افراد در فضای نهادی به تجارت الگوریتمی به عنوان نوعی که نظم بزرگی را تقسیم می کند ، اشاره می کنند. همین افراد به طور معمول به سیستم مبتنی بر سیگنال به عنوان یک سیستم معاملاتی خودکار مراجعه می کنند. در تجربه من ، این اصطلاحات تا حد زیادی به صورت متناوب مورد استفاده قرار می گیرد ، و بنابراین می پردازد تا زمینه را هنگام صحبت در مورد تجارت الگوریتمی درک کنید.

سکته های مختلف برای افراد مختلف

نوع تجارت الگوریتمی که بیشتر خوانندگان ثروت ربات به آن علاقه مند هستند ، نوعی است که به دنبال شناسایی فرصت های سود با خرید کم و فروش بالاتر است. این نوع سیستم مبتنی بر سیگنال است که در بالا ذکر شد. در این دسته گسترده ، زیر مجموعه های مختلف الگوریتم تجارت وجود دارد. در حالی که هیچ کس نامگذاری شده برای طبقه بندی سیستم های تجارت الگوریتمی پذیرفته نشده است ، اما به طور کلی می توان آنها را به شرح زیر توصیف کرد.

تجزیه و تحلیل فنی

تجزیه و تحلیل فنی (TA) به طور گسترده به تجزیه و تحلیل الگوهای قیمت و حجم برای پیش بینی حرکت آینده بازار اشاره دارد. بنابراین مبتنی بر این فرض است که الگوهای تکراری در عملکرد قیمت یک بازار وجود دارد. ابزار TA شامل مجموعه ای از شاخص ها (تحولات قیمت/حجم) مانند شاخص قدرت نسبی (RSI) و واگرایی متوسط همگرایی (MACD) است.

این مجموعه همچنین شامل مجموعه خطوط روند ، خطوط پشتیبانی و مقاومت ، سازندهایی مانند "پرچم" و "pennant" و الگوهای مانند "سر و شانه ها" است. جهت آینده بازار. در انتهای باطنی تر طیف ، ما چیزهایی مانند نظریه موج الیوت را داریم که ادعا می کند که بازارها در "امواج" قابل پیش بینی حرکت می کنند.

در حالی که برخی از ابزارهای TA گاهی اوقات در تجارت کمی دقیق تر از نظر علمی استفاده می شوند (به تصویر زیر مراجعه کنید) ، نظر در مورد اینکه آیا TA به عنوان رویکردی برای پیش بینی بازار دارای هرگونه ابزار است ، تقسیم می شود. در واقع ، مقالات دانشگاهی منتشر شده است که از هر دو طرف این استدلال پشتیبانی می کند (به عنوان مثال LO ، Mamaysky و Wang ، 2000 و Chan ، Jagadeesh and Lakonishok ، 1996). ما در قسمت دوم این سریال بیشتر به این سؤال باز خواهیم گشت.

تجارت کمی

تجارت کمی به معنای چیزهای مختلف برای افراد مختلف است. برای برخی ، این ممکن است نام دیگری برای تجارت مبتنی بر TA باشد. برای من ، ویژگی متمایز تجارت کمی حذف ذهنیت است (تصمیمات بر اساس اطلاعات قابل اندازه گیری است). این بدان معنی است که تجارت کمی بر اساس نوعی مدل ریاضی یا آماری رفتار بازار است.

تعداد نامحدودی مدل برای رفتار بازار وجود دارد، با این حال یافتن مدلی که به اندازه کافی دقیق برای ایجاد سود باشد، تلاش بی اهمیتی نیست. گاهی اوقات، ابزاری از دنیای TA ممکن است در یک مدل کمی استفاده شود، از این رو متقاطع است که در بالا ذکر کردم. نمونه ای از یک مدل محبوب، استراتژی حرکت مقطعی است که اساساً به خرید برندگان و فروش بازندگان خلاصه می شود. یکی دیگر از راهبردهای محبوب، استراتژی بازگشت میانگین است که اساساً معادل فروش برندگان و خرید بازندگان است.

همانطور که در امتداد مقیاس پیچیدگی حرکت می کنیم، ممکن است با یک مدل جفت هم انباشته مواجه شویم. در این مدل، ما یک جفت اوراق بهادار را می‌یابیم که می‌توان آن‌ها را به گونه‌ای ترکیب کرد که با هم یک سری بازگشت‌کننده میانگین را تشکیل دهند. چنین استراتژی‌هایی جذاب هستند، زیرا می‌توان آن‌ها را طوری طراحی کرد که بازار معامله‌گر را خنثی یا نزدیک به آن نگه دارد، با هدف به حداقل رساندن ریسک بازار. فقط مراقب مفروضات زیربنایی چنین استراتژی باشید - یعنی یک رابطه هم ادغام گذشته در آینده ادامه خواهد داشت.

ما همچنین می توانیم مدل های کمی را بر اساس داده های اساسی بسازیم. داده‌های اساسی مانند اعلان‌های درآمد فقط اعداد هستند و ما اکنون ابزارهایی برای پردازش کارآمد و خودکار انتشار اخبار و پرونده‌های شرکتی داریم که این اعداد از آنها گرفته شده است.

زیرمجموعه ای از معاملات کمی وجود دارد که در حال حاضر در حال افزایش شدید علاقه است. البته به یادگیری ماشین و هوش مصنوعی اشاره می کنم که به نظر می رسد تخیل فناوران و افراد غیر روحانی در سراسر جهان را به خود جلب کرده است. با دلیل موجه، ممکن است اضافه کنم. در ابتدایی ترین سطح خود، یادگیری ماشینی صرفاً استخراج بینش از داده ها با استفاده از مدل های آماری است.

به این ترتیب، رگرسیون خطی را می توان یک الگوریتم یادگیری ماشینی سطح پایین در نظر گرفت. امروزه ابزارهای بسیار پیچیده تری مانند شبکه های عصبی مصنوعی و یادگیری عمیق، ماشین های برداری پشتیبانی و الگوریتم های تقویت کننده داریم. چنین ابزارهایی در حال حاضر به طور گسترده برای حمایت از تصمیم گیری تجاری و بهبود عملکرد سیستم های پیچیده استفاده می شوند. استفاده از این ابزارها در بازارها گامی بسیار طبیعی و بدیهی به نظر می رسد.

واقعیت این است که در حالی که چنین ابزارهایی فوق العاده قدرتمند هستند، استفاده از آنها برای مدل سازی مستقیم بازارها دشوار است (اما غیرممکن نیست). حداقل در تجربه من، استفاده از رویکرد علم داده "کلاسیک" معمولاً روی داده های مالی خیلی خوب کار نمی کند. به نظر می‌رسد که برنامه‌های معروف‌تر یادگیری ماشین در امور مالی در مورد استخراج مؤثر بینش‌ها از مجموعه‌های داده‌های بزرگ و پیچیده غیربازاری، مانند کتابخانه‌های تصاویر ماهواره‌ای، فیدهای رسانه‌های اجتماعی، و سایر مجموعه‌های داده‌های اختصاصی و باز هستند. می‌توان یک کتاب کامل در مورد این موضوع نوشت، اما اگر واقعاً به یادگیری ماشینی علاقه‌مند هستید، دامنه بسیار زیادی برای اعمال آن در تصمیم‌گیری مالی وجود دارد - فقط انتظار یک سفر آسان را نداشته باشید.

تجارت با فرکانس بالا

تجارت با فرکانس بالا (HFT) مسلماً چیزی نیست که من تجربه مستقیم زیادی با آن داشته باشم، اما با افرادی که مستقیماً درگیر این فعالیت هستند کار کرده ام. HFT طبق تعریف باید الگوریتمی باشد زیرا در مقیاس میکروثانیه یا کمتر رخ می دهد. هیچ انسانی بدون پشتیبانی رایانه نمی تواند در HFT شرکت کند. در حالی که HFT به طور کلی مبتنی بر سیگنال است - یعنی چیزی اتفاق می افتد که سیگنال خرید یا فروش را راه اندازی می کند - سرعت و تأخیر عموماً از خود سیگنال واقعی مهم تر هستند.

پیامدهای این امر این است که مکان همکار الگوریتم یا در مبادله یا تا حد امکان نزدیک است ، یک پیش نیاز است و کد باید برای سرعت بهینه شود و معمولاً در یک زبان سطح پایین مانند C ++ نوشته می شود. این منجر به موانعی می شود که برای معامله گران DIY بسیار زیاد است و در واقع برای بسیاری از شرکت های تجاری. از مکالمات من با معامله گران HFT ، این یک مسابقه تسلیحاتی است و یک مورد گران قیمت در آن است.

چرا باید به تجارت الگوریتمی اهمیت دهید؟

گرایش به سمت تجارت و اتوماسیون الگوریتمی به طور کلی ، مدتی در فضای تجارت نهادی در حال انجام است. به عنوان مثال ، بلومبرگ (2016) اخیراً گزارش داد:

"صندوق های تامینی تقریباً دو برابر استفاده از تجارت الگوریتمی در بازار فارکس سال گذشته ... با اجرای 61 ٪ از معاملات آنها از طریق سیستم های رایانه ای خودکار."

این روند را می توان در بازارهای دیگر نیز مشاهده کرد. در سال 2006 ، 40 ٪ از کل سفارشات توسط معامله گران ALGO در بورس اوراق بهادار لندن وارد شد و در سال 2007 به 60 ٪ افزایش یافت. در سال 2010 ، این تخمین بیش از 80 ٪ بود (thefinancer. com ، 2010).

بنابراین چرا این تغییر به سمت تجارت الگوریتمی؟

بیشتر معامله گران آلگو که من با آنها صحبت می کنم می گویند که آنها هرگز به هیچ وجه تجارت نمی کنند ، به طور معمول دلایل مشابهی را که مربوط به غلبه بر محدودیت های انسانی است ، نقل می کنند:

• رایانه ها مقادیر زیادی از داده ها را در چشمان چشم پردازش می کنند ، و این امکان را می دهد تا به طور مداوم ده ها یا صدها بازار را به طور همزمان برای فرصت های معاملاتی اسکن کنند. یک معامله گر انسانی نمی تواند از این نوع کار خودداری کند.
• رایانه ها مستعد همان مشکلات اعدام نیستند که انسان با آن روبرو است: خطاهای محاسبه ، زمان لازم برای ورود دستی جزئیات به یک سکوی کارگزار ، خطاهای "انگشتان چربی".
• رایانه ها هیچ دلبستگی عاطفی به تجارت یا بازار ندارند. یا یک فرصت تجاری وجود دارد یا وجود ندارد.
• رایانه ها می توانند یک سیستم را به طور مداوم و مداوم اجرا کنند. این برخلاف انسانی است که روزانه به چند ساعت نمودار محدود می شود که از خستگی رنج می برد و باید یک زندگی اجتماعی را دنبال کند (نه این که من همیشه از الگوریتم ترک می کنم تا بدون نظارت انسانی اجرا شود).

آنچه من نیز جالب می دانم این است که بیشتر معامله گران ALGO که می دانم احترام عظیمی برای معامله گران موفق دستی یا اختیاری دارند. به این دلیل است که هرکسی که از طریق تجارت Algo پول کسب کرده است ، دقیقاً می داند که واقعاً چقدر دشوار است ، حتی با تمام مزایای الگوریتم ها و محاسبات خودکار که در بالا توضیح داده شد. این چیزها ابزارهای قدرتمندی برای پیمایش در بازارها هستند و افرادی که می توانند بدون آنها می توانند بازار را مورد ضرب و شتم قرار دهند ، شایسته احترام فوق العاده ای هستند.

شخصاً علاوه بر مزایای ذکر شده در بالا ، من تجارت الگوریتمی را به عنوان ابزاری برای تخصیص وظایف به منبعی که قادر به انجام آنها هستند ، مشاهده می کنم. این نیاز به توضیح بیشتری دارد:

با خواندن نکات فوق ، این تصور را می کنید که انسان در دنیای تجارت منسوخ می شود. درست نیست!درست همانطور که کارهای زیادی وجود دارد که Algos برای آنها مناسب تر است ، به همین ترتیب موارد خاصی نیز وجود دارد که انسان به سادگی درخشان هستند. ما خلاقیت داریم تا بازارها را به روش های جدید مشاهده کنیم و ایده های جدیدی را برای سیستم های تجاری ارائه دهیم. ما می توانیم تحقیقاتی را انجام دهیم و از محیط کلان اقتصادی به گونه ای که یک دستگاه به سادگی نمی تواند (حداقل در حال حاضر ، حداقل) ، از محیط کلان اقتصادی استفاده کنیم.

استفاده از Algos برای تجارت بازارها ، معامله گر را برای دنبال کردن وظایف معنی دار که از مجموعه مهارت های آنها استفاده می کند ، آزاد می کند. من در مورد شما نمی دانم ، اما من از خیره شدن به نمودارها در تمام روز لذت نمی برم و نه به خصوص در تقطیر معنی از آنها خوب نیستم. وقت من بهتر از جستجوی و اجرای فرصت های تجارت است.

یکی دیگر از محصولات جانبی خوب که از طریق تجارت الگوریتمی بوجود می آید ، یک محیط تحقیق و توسعه خودکار است. اگر یک معامله گر الگوریتمی را برای اجرای معاملات در بازار زنده بنویسد ، می توان قبل از زندگی ، الگوریتم روی داده های تاریخی یا مصنوعی را آزمایش کرد. این بازخورد اساسی در مورد عملکرد گذشته الگوریتم و همچنین بینش در مورد زمان ، کجا و چرا ممکن است شکست بخورد. چنین بازخورد برای همراهی با یک سیستم معامله شده دستی یا اختیاری دشوار است.

بدیهی است که من کاملاً در اردوگاه تجارت الگوریتمی هستم و تاکنون با استفاده از این رویکرد به بازارها ، به مزایایی که یک معامله گر دریافت می کند متمرکز شده ام. البته طرف دیگری برای هر داستان وجود دارد و این یکی فرقی نمی کند. برخی از اشکالات تجارت الگوریتمی عبارتند از:

• این به مهارت های خاصی نیاز دارد که شخص باید شخصاً به آن دست یابد یا به دیگران اعتماد کند. برنامه نویسی پیش نیاز آشکار است ، اما دانستن در مورد ریزساختار بازار و سخت افزار رایانه ، نرم افزار و شبکه نیز مفید است. ابزارهایی که از طریق تجارت محاسباتی مانند بهینه سازی و یادگیری ماشین در دسترس هستند ، فوق العاده قدرتمند هستند و برای استفاده مناسب به دانش خاصی نیاز دارند. تجارت Algo در واقع بسیار دشوار است و به مهارت های مختلف نیاز دارد.
• معاملات الگوریتمی با ملاحظات خاص زیرساخت ها ، مانند قدرت پشتیبان و اتصال شبکه همراه است. این مسئله در افزایش سرورهای خصوصی مدیریت شده مقرون به صرفه و خدمات مبتنی بر ابر کمتر مشکل دارد ، اما قطعاً باید در نظر گرفته شود.
• وابستگی سخت افزاری - اگر سرور میزبان الگوریتم پایین بیاید ، چه اتفاقی می افتد؟
• عدم کنترل (درک شده) کنترل بر رفتار الگوریتم.
• برای برخی از معامله گران ، از دست دادن اختیار یا "احساس روده" که همراه با تجارت الگوریتمی است مشکل ساز است.

من همچنین هر از گاهی متوجه تصور غلط می شوند که سیستم های تجارت الگوریتمی را می توان به سادگی تنظیم کرد و سپس فراموش کرد. این قطعاً اینگونه نیست!مدیریت یک سیستم معاملات الگوریتمی در واقع نشان دهنده میزان قابل توجهی از کار است و نظارت زیادی دارد. هر سیستمی که در فرکانس داخل روز تجارت کند ، در زمان واقعی کنترل می شود. جایی که این امکان پذیر نیست ، ترجیح شخصی من این است که هنگام ورود یا بسته شدن معاملات ، هشدارهایی را به تلفن من ارسال کنم ، یا وقتی سیستم من ارتباط خود را به حساب کارگزاری من از دست می دهد. تجارت نیز نیاز به آشتی دارد ، ترجیحاً روزانه. این مهم است که اطمینان حاصل شود که سیستم همانطور که انتظار می رود رفتار می کند ، و همچنین برای نظارت بر هرگونه انحراف بین عملکرد شبیه سازی شده و واقعی. اشکالات می توانند و به هر برنامه رایانه ای بپردازند و یک الگوریتم معاملاتی نیز از این قاعده مستثنی نیست!

از کجا بعدی؟

امیدوارم این مقاله برای افرادی که تازه وارد تجارت الگوریتمی هستند یا سؤالاتی در مورد اصول دارند ، مفید باشد-مطمئناً این تغییر از محتوای معمول متمرکز بر تحقیق بود که من در Robotwealth. com ارسال می کنم. در هفته های آینده ، من قبل از بازگشت به اکتشافات من در استفاده از ماشین و یادگیری عمیق در تجارت الگوریتمی ، دو مقاله باقیمانده را در این سری ارسال خواهم کرد که امیدوارم هم برای مبتدیان و هم جانبازان جذاب باشد.

اگر شما علاقه مند به یادگیری جنبه های اساسی تجارت الگوریتمی هستید - چیزهایی که من شخصاً آرزو می کنم در سالهای اولیه بازی در این بازی می شناسم - لطفاً دوره ما را اصول معاملات الگوریتمی بررسی کنید. این بررسی های خوب را انجام داده است و جامعه دانش آموزان ما به طور پیوسته در حال رشد است.