Algorithmisches Handelssystemdesign

Algorithmisches Handelssystem: Design und Anwendungen Zitieren Sie diesen Artikel als: Wang, F. Dong, K. Deng, X. Front. Berechnet. Sci China (2009) 3: 235. doi: 10.1007s11704-009-0030-6 Dieses Papier bietet einen Überblick über Forschung und Entwicklung im algorithmischen Handel und diskutiert Kernthemen der aktuellen Bemühungen um seine Verbesserung, die von großem Wert sein würde Händler und Investoren. Einige aktuelle Systeme für den algorithmischen Handel werden eingeführt, zusammen mit einigen Abbildungen ihrer Funktionalitäten. Wir präsentieren dann unsere Plattform namens FiSim und diskutieren sein Gesamtdesign sowie einige experimentelle Ergebnisse in User Strategy Vergleiche. Algorithmische Trading-Portfolio-Optimierung News-Retrieval-Entscheidungsfindung System-Design Referenzen Eriksson S, Roding C. Algorithmischen Handel aufgedeckt Auswirkungen auf einen elektronischen Austausch der zunehmenden Automatisierung im Futures-Handel. Royal Institute of Technology, Stockholm, 2007 Google Scholar Marktrisiko und algorithmischen Handel. AMD White Paper Berkowitz S, Logue D, Noser E. Die Gesamtkosten der Transaktionen an der NYSE. Journal of Finance, 1988, 41: 97112 CrossRef Google Scholar MacKinlay Ein C, Ramaswamy K. Index-Futures-Arbitrage und das Verhalten von Aktienindex-Futures-Preisen. Der Bericht von Finanzstudien, 1988, 1 (2): 137158 CrossRef Google Scholar Hogan S, Jarrow R, Warachka M. Statistische Arbitrage und Tests der Markteffizienz. Arbeitsmarkt, 2002 Hogan S, Jarrow R, Teo M. Prüfung der Markteffizienz mittels statistischer Arbitrage mit Anwendung auf Impuls - und Wertstrategien. Zeitschrift für Finanzwirtschaftslehre, 2004, 73: 525565 CrossRef Google Scholar Gordon Baker, Shashi Tiwari. Algorithmischer Handel: Wahrnehmungen und Herausforderungen. Arbeitspapier, 2004 Leigh Tesfatsion. Einführung in das Sonderthema zur agentenbasierten Berechnungsökonomie. Zeitschrift für Wirtschaftswissenschaften, 2001 Leigh Tesfatsion. Agentenbasierte Berechnungsökonomik: Modellierungsökonomien als komplexe adaptive Systeme. Informationswissenschaften, 2003, 149 (4): 263269 Google Scholar Shu-Heng Chen. Computational Intelligence in der Agent-Based Computational Economics. Computational Intelligence: Ein Kompendium, 2008, 517594 Blake LeBaron. Agent-based Computational Finance: Vorgeschlagene Lesungen und frühe Forschung. Journal of Wirtschaftsdynamik und - kontrolle, 1998, 24: 679702 Google Scholar Aki-Hiro Sato. Frequenzanalyse von Tick-Anführungszeichen auf dem Devisenmarkt und agentbasierte Modellierung: Ein spektraler Distanzansatz. Physik A: Statistische Mechanik und ihre Anwendungen, 2007, 382: 258270 CrossRef Google Scholar Dempster M A H, Romahi Y S. Intraday FX Trading: Ein evolutionärer Bewehrungsansatz, 2002 Christopher Neely, Paul Weller und Rob Dittmar. Ist die technische Analyse in der Devisenmarkt profitabel Eine genetische Programmierung Ansatz. Journal of Financial and Quantitative Analysis, 1997, 32 (4): 405426 CrossRef Google Scholar Shu-Heng Chen und Chia-Hsuan Yeh, Genetische Programmierung in der Agent-Based Artificial Stock Market. In: Proceedings of the 1999 Congress on Evolutionary Computation-CEC99, 1999, 2: 834841 CrossRef Google Scholar Shu-Heng Chen. Trends in der Agnetbasierten Computationalen Modellierung der Makroökonomie. Neue Generation Comput, 2004, 23 (1) Christopher J, Neely, Paul A, Weller. Vorhersage der Wechselkursvolatilität: Genetische Programmierung vs. GARCH und RiskMetrics. Arbeitspapier der Federal Reserve Bank von ST. Louis, 2001 Hendershott T. Elektronischer Handel auf den Finanzmärkten. IT Professionell, 2003, 5 (4): 1014 CrossRef Google Scholar Michael J. Kearns, Luis E. Ortiz, das Penn-Lehman automatisierte Handelsprojekt. IEEE intelligente Systeme, 2003, 18 (6): 2231 CrossRef Google Scholar Holland J und Miller J. Künstliche adaptive Agenten in der ökonomischen Theorie. American Economic Review: Papers and Proceedings, 1991, 81 (2): 365370 Google Scholar Palmer G, Arthur B, Niederlande J, LeBaron B und Tayler P. Künstliche Wirtschaft: Ein einfaches Modell der Börse. Physica D, 1994, 75: 264274 MATH CrossRef Google Scholar Shanghai-Börse. NGTS-Teil-technischer Führer SSE D0602, 56 Shanghai-Börse. NGTS Report Trading Model, 610 Copyright-Informationen Higher Education Press und Springer-Verlag GmbH 2009 Autoren und Mitgliedsverbände Feng Wang 1 Keren Dong 2 Xiaotie Deng 2 E-Mail-Autor 1. State Key Laboratorium für Software Engineering Wuhan University Wuhan China 2. Department of Informatik City Universität von Hongkong Kowloon, Hongkong China Über diesen Artikel Drucken ISSN 1673-7350 Online ISSN 1673-7466 Publisher Name SP Hochschulbildung PressAlgorithmic Trading System Architektur Auf diesem Blog habe ich bereits über die konzeptionelle Architektur eines intelligenten algorithmischen Handelssystems geschrieben Als funktionale und nicht-funktionale Anforderungen eines algorithmischen Produktionssystems. Seitdem habe ich eine Systemarchitektur entworfen, von der ich glaube, dass sie diese architektonischen Anforderungen erfüllen kann. In diesem Beitrag werde ich beschreiben die Architektur nach den Richtlinien der ISOIECIEEE 42010 Systeme und Software Engineering Architektur Beschreibung Standard. Nach dieser Norm muss eine Architekturbeschreibung enthalten: Mehrere standardisierte architektonische Ansichten (z. B. in UML) enthalten und die Rückverfolgbarkeit zwischen Entwurfsentscheidungen und architektonischen Anforderungen beibehalten Softwarearchitekturdefinition Es gibt noch keinen Konsens darüber, was eine Systemarchitektur ist. Im Rahmen dieses Artikels wird sie als die Infrastruktur definiert, innerhalb der Anwendungskomponenten, die funktionalen Anforderungen genügen, spezifiziert, implementiert und ausgeführt werden können. Funktionale Anforderungen sind die erwarteten Funktionen des Systems und seiner Komponenten. Nicht funktionale Anforderungen sind Maßnahmen, durch die die Qualität des Systems gemessen werden kann. Ein System, das seine funktionalen Anforderungen voll erfüllt, kann die Erwartungen nicht erfüllen, wenn nicht funktionale Anforderungen unbefriedigt bleiben. Um dieses Konzept zu veranschaulichen, betrachten Sie das folgende Szenario: ein algorithmisches Handelssystem, das Sie gerade gekauft haben, macht ausgezeichnete Handelsentscheidungen, ist aber völlig inoperabel mit den Organisationen Risikomanagement und Buchhaltungssysteme. Würde dieses System Ihren Erwartungen entsprechen Konzeptionelle Architektur Eine konzeptionelle Sicht beschreibt hochrangige Konzepte und Mechanismen, die im System auf höchster Granularität existieren. Auf dieser Ebene folgt das algorithmische Handelssystem einer ereignisgesteuerten Architektur (EDA), die über vier Schichten aufgebrochen ist, und zwei architektonische Aspekte. Für jede Schicht - und Aspektreferenz werden Architekturen und Muster verwendet. Architektonische Muster sind bewährte, generische Strukturen, um spezifische Anforderungen zu erfüllen. Architektonische Aspekte sind Querschnittsaufgaben, die sich über mehrere Komponenten erstrecken. Ereignisgetriebene Architektur - eine Architektur, die Ereignisse erzeugt, erkennt, konsumiert und reagiert. Ereignisse umfassen Echtzeitbewegungen, komplexe Ereignisse oder Trends und Handelsereignisse, z. B. Einreichung einer Bestellung. Dieses Diagramm veranschaulicht die Konzeptarchitektur des algorithmischen Handelssystems Referenzarchitekturen Um eine Analogie zu verwenden, ähnelt eine Referenzarchitektur den Blaupausen für eine tragende Wand. Dieses Blau-Druck kann für mehrfache Gebäudeentwürfe wiederverwendet werden, unabhängig davon, welches Gebäude errichtet wird, da es einen Satz von allgemein auftretenden Anforderungen erfüllt. Ähnlich definiert eine Referenzarchitektur eine Vorlage, die generische Strukturen und Mechanismen enthält, die verwendet werden können, um eine konkrete Softwarearchitektur zu konstruieren, die spezifischen Anforderungen genügt. Die Architektur für das algorithmische Handelssystem verwendet eine raumbasierte Architektur (SBA) und einen Model View Controller (MVC) als Referenzen. Gute Vorgehensweisen wie der Betriebsdaten-Speicher (ODS), das Extrakt-Transformations - und Belastungsmuster (ETL) und ein Data Warehouse (DW) werden ebenfalls verwendet. Modellansicht-Controller - ein Muster, das die Darstellung von Informationen von der Benutzerinteraktion mit ihr trennt. Raumbasierte Architektur - spezifiziert eine Infrastruktur, in der lose gekoppelte Verarbeitungseinheiten miteinander über einen gemeinsamen assoziativen Speicher mit dem Namen Space interagieren (siehe unten). Strukturansicht Die Strukturansicht einer Architektur zeigt die Komponenten und Unterkomponenten des algorithmischen Handelssystems. Es zeigt auch, wie diese Komponenten auf physische Infrastruktur eingesetzt werden. Die in dieser Ansicht verwendeten UML-Diagramme umfassen Komponentendiagramme und Bereitstellungsdiagramme. Im Folgenden finden Sie eine Übersicht der Implementierungsdiagramme des algorithmischen Handelssystems und der Verarbeitungseinheiten in der SBA-Referenzarchitektur sowie zugehörige Komponentendiagramme für die einzelnen Schichten. Architectural Tactics Nach dem Software Engineering Institute ist eine architektonische Taktik ein Mittel zur Befriedigung einer Qualitätsanforderung durch Manipulation eines Aspekts eines Qualitätsattributmodells durch architektonische Designentscheidungen. Ein einfaches Beispiel, das in der algorithmischen Handelssystemarchitektur verwendet wird, ist, einen operativen Datenspeicher (ODS) mit einer kontinuierlichen Abfragekomponente zu manipulieren. Diese Komponente würde das ODS kontinuierlich analysieren, um komplexe Ereignisse zu identifizieren und zu extrahieren. Folgende Taktiken werden in der Architektur verwendet: Das Disruptormuster im Ereignis - und Auftragswarteschlange Gemeinsamer Speicher für die Ereignis - und Auftragswarteschlangen Ununterbrochene Abfragesprache (CQL) auf dem ODS Datenfilterung mit dem Filterentwurfsmuster auf eingehenden Daten Vermeidungsalgorithmen auf allen Eingehende und ausgehende Verbindungen Active Queue Management (AQM) und explizite Staubenachrichtigung Rohstoffrechenressourcen mit Kapazitäten für Upgrade (skalierbar) Aktive Redundanz für alle Single Points of Fail Indexierung und optimierte Persistenzstrukturen im ODS Planen Sie regelmäßige Datensicherungs - und Bereinigungsskripte für ODS Transaktionshistorie auf allen Datenbanken Prüfsummen für alle Aufträge, um Fehler zu erkennen Annotieren von Ereignissen mit Zeitstempeln, um veraltete Ereignisse zu überspringen Bestellen von Validierungsregeln zB Maximale Handelsmengen Automatisierte Händlerkomponenten verwenden eine Speicher-Datenbank für die Analyse Zwei-Stufen-Authentifizierung für Benutzerschnittstellen, die eine Verbindung zu den ATs herstellen Verschlüsselung auf Benutzerschnittstellen und Verbindungen zu den ATs Observer-Entwurfsmuster für das MVC zur Verwaltung von Ansichten Die obige Liste ist nur ein paar Design Entscheidungen, die ich bei der Gestaltung der Architektur identifiziert habe. Es ist nicht eine vollständige Liste der Taktiken. Da das System entwickelt wird, sollten zusätzliche Taktiken auf mehreren Ebenen der Granularität eingesetzt werden, um funktionale und nicht-funktionale Anforderungen zu erfüllen. Unten sind drei Diagramme, die das Disruptor-Designmuster, das Filterentwurfsmuster und die kontinuierliche Abfragekomponente beschreiben. Verhaltensansicht Diese Ansicht einer Architektur zeigt, wie die Komponenten und Schichten miteinander interagieren sollen. Dies ist hilfreich bei der Erstellung von Szenarien zum Testen von Architekturentwürfen und zum Verständnis des Systems von Ende zu Ende. Diese Ansicht besteht aus Sequenzdiagrammen und Aktivitätsdiagrammen. Aktivitätsdiagramme, die den internen Prozess der algorithmischen Handelssysteme zeigen und wie Händler mit dem algorithmischen Handelssystem interagieren sollen, sind nachfolgend dargestellt. Technologien und Rahmenbedingungen Der letzte Schritt beim Entwerfen einer Softwarearchitektur besteht darin, mögliche Technologien und Rahmenbedingungen zu identifizieren, die zur Verwirklichung der Architektur genutzt werden könnten. Grundsätzlich ist es sinnvoll, bestehende Technologien auszuschöpfen, sofern sie sowohl funktionale als auch nicht funktionale Anforderungen adäquat erfüllen. Ein Framework ist eine realisierte Referenzarchitektur, z. B. JBoss ist ein Framework, das die JEE-Referenzarchitektur realisiert. Die folgenden Technologien und Frameworks sind interessant und sollten bei der Implementierung eines algorithmischen Handelssystems berücksichtigt werden: CUDA - NVidia verfügt über eine Reihe von Produkten, die eine hochleistungsfähige Computational Finance Modellierung unterstützen. Man kann bis zu 50x Performance-Verbesserungen in der Ausführung von Monte Carlo Simulationen auf der GPU anstelle der CPU erreichen. Apache River - River ist ein Tool-Kit zur Entwicklung verteilter Systeme. Es wurde als Rahmen für den Aufbau von Anwendungen auf der Grundlage der SBA-Muster Apache Hadoop - für den Fall, dass pervasive Logging ist eine Anforderung, dann die Verwendung von Hadoop bietet eine interessante Lösung für die Big-Data-Problem. Hadoop kann in einer Clusterumgebung eingesetzt werden, die CUDA-Technologien unterstützt. AlgoTrader - eine Open-Source-algorithmische Handelsplattform. AlgoTrader könnte an Stelle der automatisierten Händlerkomponenten eingesetzt werden. FIX Engine - eine eigenständige Anwendung, die die Financial Information Exchange (FIX) - Protokolle einschließlich FIX, FAST und FIXatdl unterstützt. Obwohl es sich nicht um eine Technologie oder ein Framework handelt, sollten Komponenten mit einer API (Application Programming Interface) aufgebaut werden, um die Interoperabilität des Systems und seiner Komponenten zu verbessern. Fazit Die vorgeschlagene Architektur wurde entwickelt, um sehr allgemeine Anforderungen für algorithmische Handelssysteme zu erfüllen. Im Allgemeinen werden algorithmische Handelssysteme durch drei Faktoren kompliziert, die bei jeder Implementierung variieren: Abhängigkeiten von externen Unternehmen und Exchange-Systemen Herausfordernde nicht-funktionale Anforderungen und sich entwickelnde architektonische Zwänge Die vorgeschlagene Softwarearchitektur muss daher im Einzelfall von Fall zu Fall angepasst werden Um spezifische organisatorische und regulatorische Anforderungen zu erfüllen sowie regionale Zwänge zu überwinden. Die algorithmische Handelssystemarchitektur sollte nur als Referenz für Einzelpersonen und Organisationen betrachtet werden, die ihre eigenen algorithmischen Handelssysteme entwerfen wollen. Für eine vollständige Kopie und Quellen verwendet, laden Sie bitte eine Kopie meines Berichts. Thank you. As rein ein Computer-Wissenschaftler youre in der perfekten Position, um im algorithmischen Handel zu beginnen. Dies ist etwas, was ich aus erster Hand bei Quantiacs 1. Zeuge, wo Wissenschaftler und Ingenieure sind in der Lage, direkt in automatisierte Handel ohne vorherige Erfahrung zu springen. Mit anderen Worten, Programmierung Koteletts sind die wichtigsten Zutaten benötigt, um loszulegen. Um ein allgemeines Verständnis davon zu bekommen, welche Herausforderungen Sie nach der Schaffung eines algorithmischen Handelssystems erwarten, schauen Sie sich diese Quora Post an. Der Aufbau eines Handelssystems von Grund auf erfordert etwas Hintergrundwissen, eine Handelsplattform, Marktdaten und Marktzugang. Während nicht eine Anforderung, die Auswahl einer einzigen Handelsplattform, die die meisten dieser Ressourcen bietet Ihnen helfen, schnell aufstehen. Davon abgesehen, werden die Fähigkeiten, die Sie entwickeln, übertragbar sein, um jede Programmiersprache und fast jede Plattform. Ob Sie es glauben oder nicht, Gebäude automatisierte Handelsstrategien ist nicht auf eine Markt-Experte. Nichtsdestotrotz, Lernen grundlegenden Marktmechanismen werden Ihnen helfen, entdecken Sie profitable Handelsstrategien. Optionen, Futures und andere Derivate von John C. Hull - Great erste Buch für die Eingabe von quantitativen Finanzen, und nähert es von der Mathematik-Seite. Quantitative Trading von Ernie Chan - Ernie Chan bietet das beste Einführungsbuch zum quantitativen Handel und führt Sie durch den Prozess der Erstellung von Handelsalgorithmen in MATLAB und Excel. Algorithmischer Handel von Futures via Machine Learning - Eine 5-seitige Aufteilung der Anwendung eines einfachen Maschinenlernmodells auf häufig verwendete technische Analyseindikatoren. Heres eine aggregierte Leseliste PDF mit einer vollständigen Aufschlüsselung der Bücher, Videos, Kurse und Handelsforen. Der beste Weg zu lernen ist, indem Sie, und im Falle der automatisierten Handel, die auf Charting und Codierung kommt. Ein guter Ausgangspunkt sind vorhandene Beispiele für Handelssysteme und bestehende Exponate technischer Analysetechniken. Darüber hinaus hat ein erfahrener Informatiker die zusätzliche Kante des in der Lage, maschinelles Lernen auf algorithmischen Handel anzuwenden. Hier sind einige dieser Ressourcen: TradingView - Eine fantastische visuelle Charting-Plattform auf eigene, TradingView ist ein großer Spielplatz für immer bequem mit der technischen Analyse. Es hat den zusätzlichen Vorteil, dass Sie Skript Handel Strategien und durchsuchen andere Völker Handel Ideen. Automated Trading Forum - Große Online-Community für Entsendung Anfänger Fragen und Antworten finden zu gemeinsamen quant Fragen, wenn gerade erst begonnen. Quant-Foren sind ein großartiger Ort, um in Strategien, Werkzeuge und Techniken eintauchen. YouTube-Seminar über Handelsideen mit Arbeitscodebeispielen auf Github. Maschinelles Lernen: Weitere Vorträge zum automatisierten Handel finden Sie im Quantiacs Quant Club. Die meisten Menschen aus einem wissenschaftlichen Hintergrund (ob das ist Informatik oder Ingenieurwesen) haben Exposition gegenüber Python oder MATLAB, die zufällig beliebte Sprachen für quantitative Finanzen. Quantiacs hat eine Open-Source-Toolbox geschaffen, die Backtesting und 15 Jahre historische Marktdaten kostenlos zur Verfügung stellt. Der beste Teil ist, dass alles auf Python und MATLAB gebaut ist, was Ihnen die Wahl, was Sie Ihr System zu entwickeln. Heres eine Beispieltrend-folgende Handelsstrategie in MATLAB. Dies ist der gesamte Code, der benötigt wird, um ein automatisiertes Handelssystem auszuführen, das sowohl die Leistung von MATLAB als auch die Quantiacs Toolbox darstellt. Quantiacs können Sie 44 Futures und alle Aktien des SampP 500 handeln. Darüber hinaus werden eine Vielzahl zusätzlicher Bibliotheken wie TensorFlow unterstützt. (Disclaimer: Ich arbeite bei Quantiacs) Sobald du bereit bist, Geld als Quant zu machen, kannst du dich dem neuesten Quantiacs automatisierten Trading Contest anschließen, mit insgesamt 2,250,000 an Investitionen: Kannst du mit den besten Quants konkurrieren 22,9k Views middot View Upvotes Middot Nicht für die Reproduktion Diese Antwort wurde komplett neu geschrieben Hier sind 6 wichtigsten Wissensbasis für den Bau algorithmischen Handelssysteme. Sie sollten mit allen von ihnen vertraut sein, um effektive Handelssysteme zu bauen. Einige der verwendeten Begriffe können etwas technisch sein, aber Sie sollten in der Lage sein, sie durch Googeln zu verstehen. Hinweis: (Die meisten davon) gelten nicht, wenn Sie Hochfrequenztrading machen wollen. Markttheorien Sie müssen verstehen, wie der Markt funktioniert. Insbesondere sollten Sie verstehen, Markt Ineffizienzen, Beziehungen zwischen verschiedenen Asset-Produkte und Preisverhalten. Trading-Ideen ergeben sich aus Markt-Ineffizienzen. Sie müssen wissen, wie zu bewerten Markt-Ineffizienzen, die Ihnen einen Handel Rand gegenüber denen, die nicht. Die Entwicklung effektiver Roboter beinhaltet das Verständnis, wie automatisierte Handelssysteme funktionieren. Im Wesentlichen besteht eine algorithmische Handelsstrategie aus 3 Kernkomponenten: 1) Einträge, 2) Exits und 3) Positionsgrößen. Sie müssen diese 3 Komponenten in Bezug auf die Markt-Ineffizienz, die Sie erfassen (und nein, dies ist kein einfacher Prozess) zu entwerfen. Sie müssen nicht wissen, erweiterte Mathematik (obwohl es hilft, wenn Sie mehr komplexe Strategien zu bauen). Gute kritische Denken Fähigkeiten und ein menschenwürdiges greifen auf Statistiken nehmen Sie sehr weit. Design beinhaltet Backtesting (Prüfung auf Handelskante und Robustheit) und Optimierung (Maximierung der Performance bei minimaler Kurvenanpassung). Youll müssen wissen, wie ein Portfolio von algorithmischen Handelsstrategien zu verwalten. Strategien können komplementär oder widersprüchlich sein, was zu ungeplanten Erhöhungen der Risikoexponierung oder unerwünschten Absicherungen führen kann. Kapitalzuteilung ist auch wichtig, teilen Sie Kapital gleichmäßig in regelmäßigen Abständen oder belohnen Sie die Gewinner mit mehr Kapital Wenn Sie wissen, welche Produkte Sie handeln möchten, finden Sie geeignete Handelsplattformen für diese Produkte. Dann lernen Sie die Programmiersprache API dieser Plattformbacktester. Wenn Sie anfangen, würde ich Quantopian (nur Aktien), Quantconnect (Aktien und FX) oder Metatrader 4 (FX und CFDs auf Aktienindizes, Aktien und Rohstoffe) empfehlen. Die verwendeten Programmiersprachen sind Python, C und MQL4. 4. Datenmanagement Müll in Müllabfuhr. Ungenaue Daten führen zu ungenauen Prüfergebnissen. Wir benötigen vernünftig saubere Daten für genaues Testen. Reinigungsdaten sind ein Kompromiss zwischen Kosten und Genauigkeit. Wenn Sie genauer Daten benötigen, müssen Sie mehr Zeit (Zeit Geld) putzen. Einige Probleme, die dirty Daten verursachen, schließen fehlende Daten, doppelte Daten, falsche Daten (schlechte Ticks) ein. Andere Probleme, die zu irreführenden Daten führen, umfassen Dividenden, Aktiensplits und Futures-Rollovers etc. 5. Risikomanagement Es gibt zwei Hauptrisikomarken: Marktrisiko und operationelles Risiko. Marktrisiken beinhalten Risiken im Zusammenhang mit Ihrer Handelsstrategie. Betrachtet es die Worst-Case-Szenarien Was ist, wenn ein schwarzer Schwan Ereignis wie World War 3 passiert Haben Sie abgesichert unerwünschte Risiken Ist Ihre Position Sizing zu hoch Neben der Verwaltung von Marktrisiken, müssen Sie betrachten das operationelle Risiko. Systemabstürze, Verlust der Internetverbindung, schlechter Ausführungsalgorithmus (führen zu schlecht ausgeführten Preisen oder verpasste Trades aufgrund der Unfähigkeit, Requoteshigh-Schlupf zu behandeln) und Diebstahl von Hackern sind sehr reale Probleme. 6. Live-Ausführung Backtesting und Live-Trading sind sehr unterschiedlich. Sie müssen richtige Makler wählen (MM vs STP vs ECN). Forex Market News mit Forex Trading Foren amp Forex Broker Bewertungen ist Ihr bester Freund, lesen Broker Bewertungen gibt. Sie benötigen eine ordnungsgemäße Infrastruktur (sichere VPN - und Downtime-Handhabung usw.) und Evaluierungsprozeduren (Überwachung der Roboterleistung und deren Analyse in Bezug auf Marktinitialisierungsoptimierungen), um Ihren Roboter während seiner gesamten Lebensdauer zu verwalten. Sie müssen wissen, wann zu intervenieren (modifyupdateshutdownturn auf Ihre Roboter) und wenn nicht auf. Evaluation und Optimierung von Handelsstrategien Pardo (Große Einblicke in Methoden zum Aufbau und zum Testen von Handelsstrategien) Tragen Sie Ihren Weg zu finanzieller Freiheit ein Van K Tharp (Lächerlich-Click-Köder beiseite, dieses Buch ist ein großer Überblick zu mechanischen Handelssystemen) Quantitative Trading Ernest Chan (Große Einführung in algo Handel auf einer Retail-Ebene.) Handel und Börsen: Markt-Mikrostruktur für Praktiker Larry Harris (Markt-Mikrostruktur ist die Wissenschaft, wie der Austausch funktioniert und was tatsächlich passiert, wenn ein Handel platziert wird. Es ist wichtig, diese Informationen zu kennen Auch wenn Sie gerade erst anfangen) Algorithmic Trading amp DMA Barry Johnson (Shed Licht auf Banken Ausführung Algorithmen. Dies ist nicht direkt anwendbar Ihre Algo Handel, aber es ist gut zu wissen) The Quants Scott Patterson (Kriegsgeschichten von einigen Top-Quants Als ein Schlafenszeit lesen) Quantopian (Code, Forschung und diskutieren Ideen mit der Gemeinschaft.) Verwendet Python) Grundlagen der Algo Trading AlgoTrading101 (Disclaimer: Ich besitze diese sitecourse. Lernen Sie Roboterentwurfstheorien, Markttheorien und Kodierung. Verwendet MQL4) - Join the challenge (Learn Trading-Konzepte und Backtesting-Theorien. Sie haben vor kurzem ihre eigene Backtesting-und Handelsplattform entwickelt, so dass dieser Teil ist noch neu für mich. Aber ihre Wissensbasis auf Trading-Konzepte sind gut.) Empfohlene BlogsForums (diese umfasst Finanzierung , Handels - und Algo-Handelsforen): Empfohlene Programmiersprachen: Wenn Sie wissen, welche Produkte Sie handeln möchten, finden Sie geeignete Handelsplattformen für diese Produkte. Dann lernen Sie die Programmiersprache API dieser Plattformbacktester. Wenn Sie anfangen, würde ich Quantopian (nur Aktien), Quantconnect (Aktien und FX) oder Metatrader 4 (FX und CFDs auf Aktienindizes, Aktien und Rohstoffe) empfehlen. Die verwendeten Programmiersprachen sind Python, C und MQL4. 15k Views middot View Upvotes middot Nicht für die Reproduktion Ich habe einen Hintergrund als Programmierer und Einrichtung Agilescrum-Teams, bevor ich begann, bei algorithmischen Handel zu suchen. Die Welt des algorithmischen Handels fasziniert mich, aber es kann ein wenig überwältigend sein. Ich begann, etwas Perspektive zu bekommen, indem ich in die Quantopian-Plattform tauchte, die Quant-Vortragsreihe beobachtete und meine und angepassten gemeinschaftlichen Algo-Handelssysteme in ihrer Umgebung verwaltete. Wie die unten: Ich habe dann erkannt, um schneller zu kommen, ich muss Leute treffen, die gerne Strategien entwickeln, aber nicht programmieren können - um mich als agile Team-Manager und Programmierer von Handelssystemen anzupassen. So schrieb ich ein Buch, wie man ein Team zur Umsetzung Ihrer Handelsalgorithmen zu schaffen. Building Trading Systems Der agile Weg: Wie man gewinnt Algorithmic Trading Systems als Team zu bauen. In der Gemeinschaft von Quantopian sah ich finanziell versierte Menschen auf der Suche nach Menschen, ihre Trading-Strategien zu implementieren, aber wo Angst, um Programmierer zu bitten, ihre Ideen umzusetzen. Da sie potenziell starten können, ihre Trading-Ideen ohne sie laufen. Ich beziehe dieses Thema in meinem Buch. Um zu vermeiden, dass Programmierer mit Ihren Ideen weglaufen: Erstellen Sie eine Spezifikation für Ihre Trading-Idee, die ein Coding-Framework verwendet, das auf die Art der Strategie zugeschnitten ist, die Sie entwickeln möchten. Dies könnte schwierig klingen, aber wenn Sie wissen, alle Baby-Schritte und wie sie zusammen passen, ist es ziemlich einfach und Spaß zu verwalten Wenn Sie diese Antwort genossen, bitte abstimmen und folgen. 1.9k Views middot View Upvotes middot Nicht für die Reproduktion Obwohl dies ein sehr breites Thema mit Verweise auf Gebäude-Algorithmen, Einstellung Infrastruktur, Asset Allocation und Risikomanagement, aber ich werde nur auf den ersten Teil der Arbeit auf den Bau unseres eigenen Algorithmus konzentrieren , Und das Richtige tun. 1. Aufbau der Strategie. Einige der wichtigsten Punkte, die hier zu beachten sind: Catch Big Trends - eine gute Strategie muss in allen Fällen, Geld verdienen, wenn der Markt trends. Märkte gehen mit einem guten Trend, der nur 15-20 der Zeit dauert, aber dies ist die Zeit, wenn alle Katzen und Hunde (Händler aus allen Zeitrahmen, intraday, täglich, wöchentlich, langfristig) sind einkaufen und sie alle Haben ein gemeinsames Thema. Viele Händler bauen auch mittlere Reversionsstrategien, in denen sie versuchen, die Bedingungen zu beurteilen, wenn der Preis weit von dem Mittelwert entfernt ist, und nehmen einen Handel gegen den Trend, aber sie sollten gebaut werden, wenn Sie erfolgreich gebaut haben und gehandelt einige gute Tendenz nach Systemen . Chancen zu stapeln - Die Menschen arbeiten oft auf den Versuch, ein System, das eine ausgezeichnete Winloss-Verhältnis hat, aber that039s nicht der richtige Ansatz zu bauen. Zum Beispiel ein Algo mit einem Sieger von 70 mit einem durchschnittlichen Gewinn von 100 pro Handel und einem durchschnittlichen Verlust von 200 pro Handel wird nur 100 pro 10 Trades (10trade net). Aber ein Algo mit einem Sieger von 30 mit einem durchschnittlichen Gewinn von 500 pro Handel und Verlust von 100 pro Handel wird einen Nettogewinn von 800 für 10 Trades (80trade) zu machen. So ist es nicht notwendig, dass Winloss Verhältnis gut sein sollte, eher es039s die Chancen zu stapeln, die besser sein sollte. Dies geht durch die Aussage quitKeep Verluste klein, aber lassen Sie Ihre Gewinner runquot. Wenn Sie investieren, ist was bequem ist selten profitable. quot - Robert Arnott Drawdown - Drawdown ist unvermeidlich, wenn Sie jede Art von Strategie folgen. So während der Gestaltung eines algo don039t versuchen, den Drawdown zu reduzieren oder einige spezielle benutzerdefinierte Zustand zu kümmern, dass Drawdown zu nehmen. Diese spezifische Bedingung kann in Zukunft als eine Straßensperre beim Fangen einer großen Tendenz fungieren und Ihr algo kann schlecht durchführen. Risikomanagement - Beim Aufbau einer Strategie sollten Sie immer ein Ausfahrtstor haben, unabhängig vom Markt. Der Markt ist ein Ort der Chancen und Sie müssen ein Algo Design, um Sie aus einem Handel so schnell wie möglich, wenn es doesn039t passen Ihre Risiko-Appetit. Normalerweise wird es argumentiert, dass Sie 1-2 von Kapital in jedem Handel riskieren müssen und ist in einer Vielzahl von Möglichkeiten optimal, wie auch wenn Sie arnd 10 falschen Handel in Folge erhalten Ihr Kapital wird nur um 20 zu sinken. Aber das ist nicht die Fall in tatsächlichen Marktszenario. Einige verlierende Trades werden zwischen 0 und 1 liegen, während manche auf 3-4 gehen können. Daher ist es besser, das durchschnittliche Verlustkapital pro Trade und das maximale Kapital, das man in einem Trade verlieren kann, zu definieren, da die Märkte völlig zufällig sind und nicht beurteilt werden können . Egal, einmal in eine Weile, der Markt tut etwas so dumm es nimmt Ihren Atem weg. quot - Jim Cramer 2. Testing und Optimierung einer Strategie Slippage. Wenn wir eine Strategie auf historische Daten testen, gehen wir davon aus, dass die Bestellung zu dem von dem Algo angekündigten vordefinierten Preis ausgeführt wird. Aber das wird nie der Fall sein, da wir mit Market Maker und HFT Algo039s jetzt zu tun haben. Ihre Bestellung in today039s Welt wird nie auf den gewünschten Preis ausgeführt werden, und es wird Schlupf. Dies muss in die Prüfung einbezogen werden. Marktwirkung: Das durch den Algo gehandelte Volumen ist ein weiterer wichtiger Faktor, der bei der Durchführung von Rücktests und der Erhebung historischer Ergebnisse zu berücksichtigen ist. Da das Volumen steigt, werden die Aufträge von algo erhebliche Auswirkungen auf den Markt haben und der durchschnittliche Preis der gefüllten Bestellung wird sehr unterschiedlich sein. Ihre Algo produzieren komplette Ergebnisse in tatsächlichen Marktbedingungen, wenn Sie nicht studieren die Lautstärke Dynamik Ihre Algo hat. Optimierung: Die meisten Händler schlagen Sie vor, nicht Kurvenanpassung und über Optimierung zu tun und sie sind korrekt, da die Märkte eine Funktion der gelegentlichen Variablen sind und keine zwei Situation wird immer die selben sein. So optimieren Parameter für bestimmte Situationen ist eine schlechte Idee. Ich würde Ihnen empfehlen, für Zonal Optimization zu gehen. Es ist eine Technik, der ich folgen, kaufen Identifizierungszonen, die ähnliche Merkmale in Bezug auf die Volatilität und Volumen haben. Optimieren Sie diese Bereiche separat, anstatt optimieren für den gesamten Zeitraum. Die oben genannten sind einige der grundlegendsten und wichtigsten Schritte, die ich folgen, bei der Umwandlung eines grundlegenden Gedanken in einen Algorithmus und Überprüfung it039s Gültigkeit. Jeder hat das brainpower, der Börse zu folgen. Wenn Sie es durch fünfte Klasse Mathematik gemacht haben, können Sie es tun. Peter Lynch 16.4k Aufrufe middot Ansicht Upvotes middot Nicht für Fortpflanzung Um mit den Grundlagen zu beginnen, erhalten Sie einen Halt von Amibroker (AmiBroker - Download). Amibroker hat eine leicht zu erlernende Sprache und leistungsstarke Backtest-Engine, wo Sie Prototypen Ihre Ideen. Auch bekommen Howard Bandy 039s Buch Quantitative Trading Systems. Dieses Buch ist eine wirklich gute Einführung in die Konzepte der Quantentwicklung. Sie müssen auch mindestens ein grundlegendes Wissen der Statistik. Es gibt viele gute MOOC-Kurse für diese kostenlos. Wie diese Statistik One - Princeton University Coursera It039s auch wert folgende The Whole Street. Die ein Mashup aller großen Blogs ist, von denen viele den Amibroker-Code mit ihren Ideen veröffentlichen. Von dort, it039s dann lohnt es sich Python (lernen python - Google Suche), und auch dabei Andrew Ng039s ausgezeichneten Stanford University Machine Learning-Kurs, der kostenlos läuft auf Coursera. Wenn Sie dann Ihre eigenen Algorithmen zum Test setzen möchten, sind gute Aufstellungsorte dafür Quantconnect oder Quantopian. Schließlich hat dieser Kerl einige gute Ratschläge, um es in Ihre Karriere Quantstart Viel Glück mit der Reise Teilweise aus Alan Clement039s Antwort auf Wie kann ein Software-Entwickler in der Finanzen ein Quant-Entwickler werden 15.9k Views middot Ansicht Upvotes middot Nicht für die Reproduktion Was ist Ihre Rezension von Algorithmic Trading Was Broker kann ich verwenden, um Papier-Handel mit meinem Algorithmus kostenlos starten Wie kann ich starten ein algorithmisches Handelsunternehmen Sollte ich ein algorithmisches Handelssystem mit Julia oder Scala Wie kann ich eine algorithmische Handel Mentor Wie kann ich bauen Ein Order-Routing-System für eine algorithmische Handelsplattform Wie kann der Handel Algorithmen arbeiten Kann eine einzelne Person tatsächlich profitabel in der algorithmischen Handel engagieren Ich habe ein solides Verständnis der stocksderivatives amp haben Python-Fähigkeiten. Ich möchte ein automatisiertes algorithmisches Handelssystem entwickeln. Wo starte ich Is Minance basierend auf algorithmischen Handel