بهینه‌سازی استراتژی معاملات زوجی با استفاده از روش یادگیری تقویتی، با به‌کارگیری دیتاهای درونروزی در بورس اوراق بهادار تهران
هدف: معاملات زوجی از معروفترین و قدیمیترین سیستمهای معاملات الگوریتمی است که کارایی و سودآوری آن در بسیاری از پژوهشهایی که تاکنون در بازارهای مالی مختلف صورت گرفته است، اثبات و نشان داده شده است. مهمترین اصل در معاملات زوجی، وجود روابط تعادلی بلندمدت یا همان خاصیت بازگشت به میانگین است. از طرفی در سال‌های اخیر تحقیقات شایان توجهی روی معاملات الگوریتمی با استفاده از یادگیری ماشین صورت گرفته است.
روش: در این پژوهش از روش یادگیری تقویتی که برای مدلسازی و بهینه‌سازی مسائل با انواع مختلف روابط بلندمدت مناسب است، بهمنظور انتخاب آستانههای معاملاتی و پنجرههای زمانی مناسب با هدف ماکزیممسازی بازده و مینیممسازی ریسکهای منفی در معاملات زوجی با رویکرد همانباشتگی استفاده شده است. پژوهش حاضر با به‌کارگیری ترکیبی از روش یادگیری تقویتی و رویکرد همانباشتگی در معاملات زوجی اجرا شده است.
یافتهها: نتایج آزمایش روی دیتاهای درونروزی زوج سهام منتخب، نشان می‌دهد که استفاده از روش یادگیری تقویتی در طراحی سیستم معاملات در معاملات زوجی نسبت به کارهای قبلی انجام‌شده، برتری چشمگیری دارد.
نتیجهگیری: استراتژی معاملات زوجی با الگوریتم پیشنهادی می‌تواند بهعنوان استراتژی بازار خنثی در تمامی شرایط بازار اعم از رونق و رکود توسط سرمایهگذاران و معامله‌گران حقیقی و حقوقی استفاده شود. همچنین میتوان در نظر گرفتن هزینه‌های معاملاتی در انجام معاملات در استراتژی معاملات زوجی را بهعنوان موضعی برای پژوهشهای آتی پیشنهاد کرد.
کلیدواژه‌ها
- معاملات زوجی
- یادگیری تقویتی
- همانباشتگی
- نسبت سورتینو
- فرایند بازگشت به میانگین
20.1001.1.10248153.1398.21.1.2.7
موضوعات
- 53. شبکه‌های عصبی؛ یادگیری ماشینی و موضوعات مرتبط؛ سایر مدل‌های داده‌کاوی
عنوان مقاله [English]
Paired Trading Strategy Optimization Using the Reinforcement Learning Method: Intraday Data of Tehran Stock Exchange
نویسندگان [English]
- Saeid Fallahpour 1
- Hasan Hakimian 2
1 Assistant Prof., Department of Financial Management, Faculty of Management, University of Tehran, Tehran, Iran
2 MSc. Student, Department of Financial Engineering, Faculty of Management, University of Tehran, Tehran, Iran
Objective: Paired trading is among the most well-known and oldest algorithmic trading systems. The efficiency and profitability of this system have been demonstrated in many studies conducted so far in financial markets. Paired trading is principally based on long-run equilibrium relationships or reverting to the mean characteristic. In recent years, a large number of studies have been conducted on algorithmic trading using machine learning.
Methods: In this research, the reinforcement learning method - an appropriate method for modeling and optimizing problems involving different long-run relationships - was used in order to select appropriate trading thresholds and time windows for the purpose of maximizing efficiency and minimizing negative risks in paired trading through adopting the co-integration approach. Results are obtained by applying a combination of reinforcement learning method and co-integration approach in paired trading.
Results: Empirical results based on the intraday dataof paired stocks showed that the reinforcement learning method used to design trading systems in paired trading had significant advantages over the other methods in previous works.
Conclusion: A pair trading strategy with the proposed algorithm can be used as a neutral market strategy in all market conditions, including prosperity and recession, by investors and individual and institutionaltraders.Also, for future research, it is possible to consider transaction costs in a pair trading strategy.
کلیدواژه‌ها [English]
- Co-integration
- Mean-Reverting Process
- Pairs Trading
- Reinforcement Learning
- Sortino Ratio
مراجع
Bertram, W., (2010). Analytic solutions for optimal statistical arbitrage trading. Physica A, 2010, 389(11), 2234–2243.
Dai, M., Zhang, Q., & Zhu, Q. J. (2010). Trend following trading under a regime switching model. SIAM Journal on Financial Mathematics, 1(1), 780-810.
Engle, R. F., and Granger, C. W. (1987). Co-integration and error correction: representation, estimation, and testing. Econometrica: journal of the Econometric Society, 251-276.
Gao, X., & Chan, L. (2000). An algorithm for trading and portfolio management using Q-learning and sharpe ratio maximization. In Proceedings of the international conference on neural information processing (pp. 832-837).
Gatev, E., Goetzmann, W. N., and Rouwenhorst, K. G. (2006). Pairs trading: Performance of a relative-value arbitrage rule. Review of Financial Studies, 19(3), 797-827.
Granger, C. W. (1981). Some properties of time series data and their use in econometric model specification. Journal of econometrics, 16(1), 121-130.
Guo, X., & Zhang, Q. (2005). Optimal selling rules in a regime switching model. IEEE Transactions on Automatic Control, 50, 1450–1455.
Hillebrand, E. (2003). A mean-reversion theory of stock-market crashes. Journal of Finance, 41, 591-601.
Johansen, S. (1988). Statistical analysis of cointegration vectors. Journal of economic dynamics and control, 12(2), 231-254.
Lee, J. W., Park, J., Lee, J., & Hong, E. (2007). A multiagent approach to Q-learning for daily stock trading. Systems, Man and Cybernetics, Part A: Systems and Humans, IEEE Transactions on, 37(6), 864-877.
Moody, J., and Saffell, M. (2001). Learning to trade via direct reinforcement. IEEE Transactions on Neural Networks, 12(4), 875–889.
Vidyamurthy, G. (2004). Pairs Trading: quantitative methods and analysis (Vol. 217). John Wiley & Sons.
Won Lee, J. (2001). Stock price prediction using reinforcement learning. In Industrial Electronics, 2001. Proceedings. ISIE 2001. IEEE International Symposium on (Vol. 1, pp. 690-695). IEEE.
Zeng, Z., & Lee, C. G. (2014). Pairs trading: optimal thresholds and profitability. Quantitative Finance, 14(11), 1881-1893.
Zhang, Q. (2001). Stock trading: An optimal selling rule. SIAM Journal on Control and Optimization, 40(1), 64-87.
چالش‌های الگوریتم در بازار سرمایه
زمان زیادی از روزی که پای معاملات الگوریتمی به بازار سهام ایران باز شد نمی‌گذرد اما در همین عمر کوتاهش با حواشی زیادی مواجه شده و حتی در مهر سال ۹۹ یعنی تقریبا دو ماه پس از آغاز ریزش قیمت سهام، با دستور سازمان بورس متوقف شد. هر چند در نخستین ماه سال ۱۴۰۰ باز هم معامله ماشینی سهام در بورس تهران از سر گرفته شد اما هر از گاهی شاهد اعتراض فعالان بورسی و ایجاد کمپین‌های مختلف برای جمع‌آوری امضا و نگارش نامه اعتراضی در رابطه با معاملات الگوریتمی بودیم. این اعتراضات حالا با گذشت ۷۸۹ روز از زمانی که شاخص کل موقتا سری به ابرکانال ۲ میلیون واحد زد، همچنان ادامه دارد. موضوعی که سازمان بورس را بر آن داشت تا جلسه‌ای را برای حل مناقشات در مورد مسائل بازارگردان‌ها و الگوریتم ترتیب دهد. در این جلسه فعالان بازار و بازارگردانان انتقادات و پیشنهادات خود، از جمله فراهم آوردن امکان ارزشیابی معاملات، در دسترس بودن الگوریتم برای همگان و استفاده از نخبگان برای توسعه این ابزار را مطرح کردند.
عدم آگاهی دلیل اعتراض به الگوریتم‌ها
در ابتدای این جلسه، امید موسوی، مدیرعامل شرکت تحلیلگر امید و از ارایه‌دهندگان معاملات الگوریتمی، با تاکید بر اینکه اینگونه معاملات در ایران بهتر است تحت عنوان معاملات ماشینی و نه الگوریتمی نامگذاری شود، عنوان کرد: الگوریتم‌های فعلی مورد استفاده در بازار سهام ایران، الگوریتم‌های اجرای معاملات است و خود قابلیت رصد بازار و پیداکردن سهم برای خرید و فروش ندارد و تنها دستورات داده شده را به صورت ماشینی اجرا می‌کند. در بورس‌ها بیش از ۶۰ تا ۷۰ درصد معاملات و ۱۰۰ درصد دادوستدها در حوزه بازارگردانی به صورت ماشینی انجام می‌شود. بورس تهران، بازاری نوظهور است و یکی از بزرگ‌ترین مشکلات بازارهای نوظهور نقدشوندگی است که وظیفه اصلی بازارگردان‌ها است. بازارگردان‌ها نیز برای ایفای این نقش نیاز به استفاده از معاملات ماشینی دارند. با این حال عدم آگاهی و عدم شناخت از سازوکار این معاملات موجب شکل‌گیری برخی اعتراضات شده است.
وی در ادامه به برخی دغدغه‌ها و مشکلات ارایه‌دهندگان الگوریتم اشاره کرد و گفت: دستورالعمل فعلی بازارگردانی به اعتقاد من دارای مشکلات عدیده‌ای است. در دنیا دو نوع سازوکار بازارگردانی مظنه‌محور و سفارش‌محور وجود دارد. در سازوکار بازارگردانی مظنه محور، بیش از یک بازارگردان وجود دارد که پیوسته برای خرید و فروش تعداد مشخصی سهم در قیمتی مشخص، مظنه وارد بازار می‌کند. در سازوکار مظنه‌محور، بازارگردانان به واسطه انحصاری که با مظنه‌های خود در دو طرف معامله ایجاد می‌کنند، نقدشوندگی بازار را فراهم می‌کنند. بورس نزدک و بورس لندن از جمله بازارهایی هستند که از این سازوکار استفاده می‌کنند. در این نوع بازارگردانی، بازارگردان دارای اطلاعات بیشتر، تعهد بیشتر، مسوولیت بیشتر است. در ایران اما عمدتا با سازوکار بازارگردانی غیرمتمرکز سفارش‌محور روبرو هستیم. این سازوکار بازارگردانی در بورسهایی مانند یورونکست، ایتالیا و آتن استفاده می‌شود. در این مدل بازارگردان هیچ مسوولیتی در قبال روندهای بازار نداشته و همراه با بازار، اقدام به ارسال سفارش‌های پیوسته‌ای به بازار می‌کند و تنها مسوولیت آنها . در دستورالعمل بازارگردانی ما اما این دو دستورالعمل با یکدیگر ترکیب شده‌اند. سازوکار بازارگردانی در ایران، غیرمتمرکز سفارش‌محور است اما سازمان بورس بازارگردان را مجبور به پذیرش مسوولیت می‌کند اما از محل معامله (بازارگردانی مظنه‌محور) سودی کسب نمی‌کند. این مدل خودساخته، چالش‌های زیادی را برای بازارگردان‌ها ایجاد کرده است. ضمن آنکه حمایت‌های فعلی که از بازار صورت می‌گیرد، تنها فرصت خروج به عده‌ای سهامدار می‌دهد که به نظر دیگر به بازار باز نخواهند گشت. هر چه قدر از صندوق توسعه ملی یا دیگر کانال‌ها به بازار سهام پول تزریق شود، آنقدر نیست که بتواند روند بازار را تغییر دهد. تنها راه حمایت از بازار، حمایت فاندامنتالی و بهبود شرایط فعالیت شرکت‌های بورسی همچون جنگ برای بهبود وضعیت مالیاتی، چالش‌های قطعی برق و گاز، تقویت حاشیه سود شرکت‌ها و تشویق به سرمیه‌گذاری مستقیم است. منفی فعلی بازار بیشتر دلایل فاندامنتالی همچون شرایط کلان اقتصادی، چشم‌انداز نه چندان مطلوب احیای برجام و امثال آن دارد اما بازار در این شرایط ناخوشایند، به دنبال بهانه‌های دیگری همچون متهم کردن بازارگردان‌ها، سازمان بورس و همین الگوریتم‌ها می‌گردد.
دغدغه‌های چندگانه بازارگردان‌ها
مونا حاجی‌علی‌اصغر، قائم‌مقام مدیرعامل شرکت مدیریت سرمایه کیان از دغدغه بازارگردان‌ها سخن گفت و عنوان کرد: آخرین دستورالعمل بازارگردانی، به سه حوزه صندوق بازارگردانی، تامین سرمایه و کارگزار معامله‌گر محدود شده است. مسوولان سازمان بورس در خصوص کلمه «کارگزار معامله‌گر» همچنان به دو نهاد مالی بالا یعنی صندوق بازارگردانی و تامین سرمایه اشاره می‌کرد و کارگزاری‌ها همچنان چنین امکانی برایش وجود نداشت. به نظر اما باید عملا هر نهاد مالی با کفایت سرمایه بتواند بازارگردانی را انجام دهد. ضمن آنکه هر چند در دستورالعمل بازارگردانی قید شده است، بازارگردان می‌تواند تقاضا بازتر شدن دامنه نوسان را به بورس مربوطه ارایه دهد اما به نظر می‌رسد بورس‌های مربوطه خیلی در این خصوص انعطاف‌پذیر نیستند. بازارگردانی زمانی می‌تواند فعالیتی سودآور باشد که دامنه نوسان و دامنه مظنه در آن منعطف باشد. بازارگردان بتواند دامنه نوسان و مظنه را با توجه به وضعیت سهم تعیین کند. در این صورت است که بازارگردان نیاز به تامین مالی سریع نداشته و با نوشتن الگوریتم واقعی و نه ماشین‌سازی ساده در بازار سهام حضور داشته باشد.
اگر الگوریتم ابزار است باید در دست همه باشد
احمد جانجان، فعال بازار سرمایه از دیگر حاضران جلسه دیروز سازمان بورس بود. وی با بیان اینکه مخالف معاملات الگوریتمی نیست، تاکید کرد: اگر الگوریتم ابزار است باید دست همه داد. اگر یک عده چاقو و نیزه داشته باشند و یک عده نداشته باشند، آنهایی که ندارند از بین خواهند رفت. ضمن آنکه برخورد نظارتی با معاملات انجام شده توسط ماشین و بدون ماشین تناقضی آشکار را نشان می‌دهد. اگر همان معامله‌ای که الگوریتم انجام داده را شخصی بدون در اختیار داشتن آن انجام دهد، با اخطار نظارتی مواجه می‌شود. در این میان برخی الگوریتم‌ها با یکدیگر دچار رقابت می‌شدند که بخشی از هنگ هسته معاملاتی نیز ناشی از همین رقابت بود.
جانجان در ادامه به دخالت در روند بازار و دستکاری معاملات وسط برخی از الگوریتم‌ها اشاره کرد و گفت: در عین حال به نظر می‌رسد وظیفه برخی از الگوریتم‌های مورد استفاده، دستکاری در روند معاملات بازار است. در این خصوص میتوان به الگوریتم دارکوب تدافعی اشاره کرد. به عنوان مثال اگر این دارکوب را در سمت خرید سهام ثبت کنیم در هر لحظه که آخرین قیمت معامله از سرخط فروش کمتر باشد، یک سفارش با کمترین ارزش تولید می‌کند تا آخرین قیمت معامله را بالا ببرد. مورد استفاده این است بازارگردان برای ایجاد جو به سمت مثبت یا منفی می‌تواند این الگوریتم را ثبت کند و دارکوب تدافعی قیمت را به سمتی که کاربر می‌خواهد، هدایت کند. یا مثلا دارکوب هر ۳۰ ثانیه با قیمت سر خط خریدیا فروش یک معامله انجام می‌دهد. اینها در بازار سهام محدود ایرانیا دخالت‌های دستوری زیاد طبیعتا جان بازار را می‌گیرد. یا الگوریتمی تحت عنوان «الگوریتم صف‌شکن» داریم که به نوع دیگری در روند بازار مداخله می‌کند. اگر سهمی عمق معاملاتی کمی داشته باشد کاربر این الگوریتم می‌تواند قبل از صف خرید شدن سهم، اقدام به خرید کند و پس از آن صف خرید شکل گیرد. همین مثال در خصوص صف فروش نیز وجود دارد. حالا تصور کنید تنها عده‌ای خاص امکان استفاده از این الگوریتم‌ها را دارند.
بازار سهام ایران عملا بازار نیست
حسن کاظم‌زاده از دیگر فعالان بازار سرمایه نیز در این نشست عنوان کرد: ما بازاری داریم که به دلیل دستورالعملهای معاملاتی پر از باگ‌هایی است که مورد استفاده آدم‌ها قرار می‌گیرد. با در بازاری معامله نمی‌کنیم که از همه نظربهترین باشد. بلکه همانند موتوری با یک لیتر بنزین است که اصرار داشته باشیم ما با نصب توربو، ظرفیت موتور آن را افزایش دهیم. ذات بازارگردانی نیز در بورس ما خالی از اشکال نیست. ما برخی قوانین را باید به صورت موقت در دستور کار قرار دهیم. دستور اولیه بازارگردانی برای تمام شرکت‌ها در زمانی که بورس در حال ریزش بود، داده شد و برخی فکر می‌کردند از این طریق می‌توانند جلوی ریزش بازار را بگیرند. اگر بخواهیم جزئی‌تر به این موضوع بپردازیم، ما بازاری داریم با سهامدارانی خرد که برخی چندان با ماهیت سهام آشنا نیستند و در سمت دیگر نیز نهادهای مالی که با انگیزه دیگری به معامله سهام می‌پردازند. بازار یک طرفه با دامنه نوسان و حجم مبنا که در دنیا عملا تحت عنوان بازار شناخته نمی‌شود. سازوکارها بسیار پر ایراد است. برای بازاری که تنها دو هزار میلیارد تومان ارزش معاملات داشته و اکثر فعالان در ضرر به سر می‌برند و برای اینکه به سود برسند نیاز به بازه ۵ درصدی حداقل یک ماه و نیم متوالی دارند، اینجا کافی است خطایی توسط یک معامله ماشینی رخ دهد، کل بازار به هم می‌ریزد.به نظر من ۸۰ درصد اعتراضات به خاطر بازارگردان و ۲۰ درصد به دلیل نحوه انجام معاملات است. در برخی موارد نیز دسترسی عده‌ای خاص به این ابزار برای سهامدار در زیانی که چشم‌اندازی از کسب سود نیز ندارد، قابل تحمل نیست
نظام‌مند کردن معاملات الگوریتمی در دستور کار قرار می‌گیرد
در پایان این جلسه رضا عیوض‌لو، معاون نظارت بر بورس‌ها و ناشران سازمان بورس عنوان کرد: براساس استانداردهای دنیا معاملات الگوریتمی را پیاده‌سازی و نظام‌مند کردن این معاملات را دنبال خواهیم کرد. انتقادات و پیشنهاداتی که درباره شکل اجرایی معاملات الگوریتمی از سوی فعالان بازار مطرح شد، جمع‌آوری و بررسی لازم برای اجرای آن انجام خواهد شد. در راستای نظام‌مند کردن معاملات الگوریتمی اقدامات اساسی صورت خواهد گرفت، درباره شکل اجرای این موضوع و اینکه به هدف اصلی خود دست یابد، اقدام اصلی صورت گرفته و نظام‌مند کردن این معاملات در دستور کار قرار می‌گیرد. اظهارنظرهای فعالان پس از جمع‌بندی، بررسی و اقدام کارشناسی بر روی مباحث انجام و تصمیمات مدیریتی لازم اتخاذ خواهد شد. در صورتی که معاملات الگوریتمی به عنوان یک ابزار خوب به نفع بازار باشد با مطالعات روز دنیا و منطبق با استانداردهای دنیا در بازار سرمایه توسعه می‌یابد.
معامله الگوریتمی چیست ؟ ____ مولفه های اصلی و نمونه هایی از معاملات الگوریتمی
معامله الگوریتمی چیست؟ مولفه‌های اصلی معامله الگوریتمی کدامند؟ آیا با نمونه معاملات الگوریتمی آشنا هستید ؟ مزایا و معایب و محدودیت‌های این معامله چیست؟ در این مقاله از مجله هم‌رویش، پاسخ این پرسش‌ها را خواهید یافت.
معامله الگوریتمی چیست ؟
معامله الگوریتمی (Algorithmic trading) که به آن معامله الگو یا (Algo-trading) نیز گفته می‌شود، نوعی از معامله خودکار است. این نوع معامله با اتکا به پلتفرمهای خودکار انجام می‌شود. با استفاده از ابزارهای پیشرفته ریاضی و برنامه‌نویسی کامپیوتری استراتژی معامله به صورت یک الگوریتم طراحی و کدنویسی می‌شود. سپس این برنامه توسط یک ربات در پلتفرمی (یک نرم افزار) که واسط شما و بازارهای مالی (توسط کارگزار) است اجرا می‌شود.
پس یک ربات معامله‌گر (که به آن اکسپرت به انگلیسی Expert هم می‌گویند) از یک مدل ریاضی یا الگوریتم یا مجموعه دستورالعملهای استاندارد تشکیل می‌شود که به صورت کد در قلب آن نوشته شده‌اند. این ربات به جای شما شبانه روز بیدار است و خرید یا فروش در بازارهای مالی را تسهیل می‌کند. به کمک این ربات‌ها تجارت بدون دخالت انسان میسر می‌شود و انسان می‌تواند زمان بیشتری را به تحلیل استراتژی خود و رفع نواقص آن بپردازد.
هم رویش منتشر کرده است:
مولفه‌های اصلی معامله الگوریتمی
1- الگوریتم
یک الگوریتم را میتوان به عنوان مجموعه‌ای از دستورالعمل‌ها تعریف کرد که برای انجام وظایف، از توابع خاصی استفاده می‌کنند. همچنین میتوان الگوریتم را برای مقابله با موقعیت‌های خاص حل مساله توسعه داد. این امر به سهولت پردازش داده و شناسایی روندها کمک می‌کند.
2- برنامه کامپیوتری و پلتفرمهای معامله‌ای خودکار
پلتفرمهای معامله‌ای خودکار زمینه‌ای را برای اجرای الگوریتم توسعه‌یافته توسط برنامه نویسان فراهم می‌کنند. دراین یک پلت‌فرم‌ها، برنامه‌های کامپیوتری اجرا می‌شوند، در نتیجه‌ی آن سفارشات خرید و فروش دربازارهای مالی تسهیل می‌شود. همچنین این پلت‌فرم‌ها قبل از استقرا الگوریتم‌ها، در تست بازگشتی آنها کمک کننده هستند.
3- تحلیل تكنیكال (Technical Analysis)
تحلیل تكنیكال شامل مطالعه و تجزیه و تحلیل روندحرکت قیمت اوراق بهادار در بازارهای مالی است. برای این کار چندین روش وجود دارد، مانند میانگین متحرک ۱۵۰ روزه، میانگین متحرک ۲۰۰ روزه، میانگین متحرک نمایی دوگانه، نوسانگرهای تصادفی، که به پیش بینی روند قیمت‌ها، برای یک اوراق بهادار خاص کمک می‌کند.
روش‌های تحلیل تكنیكال بررسی الگوریتم های معاملاتی بورس را میتوان به عنوان یک الگوریتم توسعه داد. آنها می‌توانند، به نوبه خود، به یک برنامه کامپیوتری تبدیل شوند که سپس می‌توانند در بازارهای مالی مستقر شوند تا عملکرد تجاری را خودکار کنند.
4- تست بازگشتی (Back Testing)
تست بازگشتی، فرایند آزمایش الگوریتم و بررسی اینکه آیا استراتژی مورد نظر، نتایج مورد انتظار معامله‌گر را ارائه می‌دهد یا خیر، که شامل آزمایش استراتژی توسعه یافته توسط برنامه نویس بر روی داده‌های تاریخی بازار است.
تست بازشگتی به معامله‌گر اجازه می‌دهد تا مشکلاتی را که ممکن بود در صورت استفاده از این استراتژی در معاملات بازار زنده ایجاد شود، را شناسایی کند.
نمونه معاملات الگوریتمی
فرض کنید یک صندوق سرمایهگذاری یک مدل کمّی را توسعه داده‌است. آنها یک برنامه کامپیوتری توسعه داده‌اند که این مدل را در بازار مالی بکار می‌گیرد. برنامه کامپیوتری وضعیت بازار را به صورت پویا ارزیابی می‌کند و در نتیجه، استراتژی مصون‌سازی (ریسک پذیری) را در راستای احساسات بازار اجرا می‌کند.
- فرض کنید یک معامله گر از معیار معاملاتی پیروی می‌کند که هر زمان قیمت سهام بیشتر از میانگین متحرک نمایی دو گانه است و روند صعودی دارد، 100 سهم خریداری می‌کند.
- به طور همزمان، زمانی که قیمت سهام کمتر از میانگین متحرک نمایی دوگانه است، سفارش فروش می‌دهد.
- معامله‌گر می‌تواند یک برنامه‌نویس کامپیوتری را استخدام کند که بتواند مفهوم میانگین متحرک نمایی دوگانه را درک کند.
هم رویش منتشر کرده است:
- برنامه‌نویس می‌تواند یک کد کامپیوتری ایجاد کند که دو دستورالعمل بالا را انجام می‌دهد.
- برنامه کامپیوتری می‌تواند آنقدر پویا باشد که بتواند قیمت‌های زنده بازارهای مالی را کنترل کند و به نوبه خود، دستورالعملهای بالا را راه‌اندازی (اعمال-فعال) کند.
- برنامه کامپیوتری یا الگوریتم باعث صرفه‌جویی در زمان معامله‌گر برای ورود به پلت فرم‌های تجاری، نظارت بر قیمت‌ها، و سپس قرار دادن سفارشات تجاری می‌شود.
کاربرد عملی
- سقوط ناگهانی سال 2010 را میتوان به عنوان نمونه‌ای از معامله الگوریتمی در نظر گرفت. در این بحران، سفارشات فروش اوراق بهادار سریع بود. همچنین خروج سریع از سفارشات تجاری برای اوراق بهادار وجود داشت و معاملات پرنوسان بودند.
- مقامات نظارتی بعداً قطع کننده‌هایی (محدودیت‌هایی) را قرار دادند تا از وقوع مجدد چنین خراب‌کاری در بازارهای مالی جلوگیری شود. آنها همچنین مانع از دسترسی مستقیم معامله الگوریتمی به صرافی‌ها شدند.
مزایا:
- معامله الگوریتمی به کاهش هزینه‌های معامله کمک می‌کند.
- معامله بدون نیاز به دخالت انسان در سیستم قرار می‌گیرند.
- آنها معاملات خود را بدون هیچ گونه حب و بغض و جانبداری انجام می‌دهند.
- انجام سفارشات در معامله الگوریتمی سریع و با بهترین قیمت ممکن اتفاق می‌افتد.
- همچنین به زمان‌بندی کامل بازار کمک می‌کند.
- به پردازش سفارشات بزرگ به شیوه‌ای موثر و سریع‌تر کمک می‌کند.
معایب:
- مقامات نظارتی همیشه قطع کننده‌هایی را نصب می‌کنند، که عملکرد معامله الگوریتمی را محدود می‌کند.
- نقدینگی فراهم‌شده توسط معامله‌گران الگوریتمی می‌تواند تقریبا در یک لحظه یا چند ثانیه از دست برود.
- سرعت اجرای معامله الگوریتمی می‌تواند بر معاملات و تسویه حساب‌های زنده تأثیر منفی بگذارد، که این امر عملکرد سکوها و بازارهای مالی را بیشتر محدود می‌کند.
- برای مقامات نظارتی دشوار است که بین معاملات انجام شده توسط انسان و معاملاتی که توسط یک الگوریتم انجام می‌شود تمایز قائل شوند. از این رو، وقتی مشکوک می‌شوند که معاملات از طریق معامله الگوریتمی انجام می‌شوند، تعداد شرکت کنندگان در بازار را افزایش می‌دهند.
- اگر معامله الگوریتمی، تحت نظارت نباشند، می‌توانند نوسانات غیر ضروری در بازارهای مالی را آغاز کند.
محدودیت‌ها:
- طراحی این الگوریتم‌ها می‌تواند بسیار پیچیده و چالش برانگیز باشد.
- از آنجا که رویكرد طراحی این الگوریتم‌ها علمی است، برای معامله‌گران سنتی یادگیری چنین روشی و اعمال چنین الگوریتمی در معاملات روزانه دشوار است.
- توسعه الگوریتم‌ها عموما شامل توسعه مدل‌های پیش‌بینی و کمّی است. اگر چنین مدل‌هایی تست بازگشتی نشوند، می‌توانند خسارات زیادی را برای معامله‌گران سنتی که ممکن است آنها را بدون تست مجدد به کار گیرند، ایجاد کنند.
- یک الگوریتم نمی تواند قضاوت ذهنی را که در بازارهای مالی وجود دارد، نادیده بگیرد و بر آن تأثیر بگذارد.
نکات مهم معامله الگوریتمی
-
از برنامه‌های کامپیوتری استفاده می‌کند.
- قبل از انجام معاملات الگوریتمی در بازارهای مالی، همیشه توصیه می‌شود که استراتژی خود را تست مجدد کنید.
- این الگوریتم‌ها به وسیله شبکه‌ای از سرمایه داران و سرمایه گذاران نهادی مورد استفاده قرار می‌گیرد.
- بسیاری از سرمایه گذاران سازمانی برای ایجاد یک کد کوچک (برنامه کامپیوتری-اسکریپت) که باعث افزایش سود دهی سرمایه‌های آنها می‌شود، به برنامه نویسان پاداش می‌دهند.
سخن پایانی
معامله الگوریتمی مکانیزمی است که خرید و فروش سهام را در بازارهای مالی با استفاده از الگوریتمی که بوسیله‌ی برنامه‌های کامپیوتری اجرا می‌شود، تسهیل می‌کند. کد یک معیار معاملاتی توسعه داده می‌شود و در پلتفرمهای خودکار برای انجام معاملات در بازارهای مالی قرار می‌گیرد. اجرای معامله الگوریتمی بسیار سریع است و می‌تواند موجب سقوط بالقوه در بازارهای مالی شود.
برای نظارت بر چنین معاملاتی، مقامات نظارتی محدودیت‌هایی را در بخش‌های بحرانی ایجاد می‌كنند. صندوق‌های سرمایهگذاری و سرمایه گذاران نهادی، کاربران اصلی معاملات الگوریتمی هستند زیرا به آنها کمک می‌کند تا در یک مکان، سفارشات بزرگ تجاری را به آسانی انجام دهند. الگوریتم‌ها در ابداع راهبردهای تجاری مانند اتخاذ مواضع بلند مدت و کوتاه مدت برای رسیدگی سیستماتیک به مبالغ انبوه با یك روش دقیق، كمك كننده هستند.
کلیدواژگان
معامله الگوریتمی چیست – معامله الگوریتمی – معامله الگوریتمی یعنی چه – الگوریتم معاملاتی – معاملات الگوریتمی چیست – معاملات الگوریتمی در بورس چیست – نرم افزار معاملات الگوریتمی – ربات معاملات الگوریتمی – معاملات الگوریتمی یعنی چه – معاملات الگوریتم – معاملات الگوریتمی بورس چیست – نمونه معاملات الگوریتمی – نمونه معامله الگوریتمی – نمونه هایی از معاملات الگوریتمی – نمونه هایی از معامله الگوریتمی – مولفه‌های اصلی معامله الگوریتمی – مولفه معامله الگوریتمی – مولفه معاملات الگوریتمی – معاملات الگوریتمی – معامله الگوریتمی – معاملات الگوریتمی بورس – معاملات الگوریتمی بورس ایران – معاملات الگوریتمی در بورس ایران
معاملات الگوریتمی چیست؟
الگوریتم‌ها که می‌توانند بیش از یکی باشند، برای انجام معاملات بررسی‌های لازم را از جنبه‌های گوناگونی مانند زمان‌بندی، قیمت و حجم روی سفارشات و بازار انجام داده و تصمیم می‌گیرند.
معاملات الگوریتمی چیست؟
در تعریف معاملات الگوریتمی یا معاملات خودکار گفته می‌شود: «استفاده از برنامه‌های کامپیوتری برای ورود به سفارش‌های معاملاتی بدون دخالت انسان»؛ به بیان دیگر، این الگوریتم‌ها که بلک‌باکس یا «اَلگو تریدینگ» (Algorithmic Trading) هم نامیده می‌شوند، از زبان برنامه نویسی در کامپیوتر و مجموعه‌ای از دستورهای مشخص شده در کنار هم برای انجام معاملات استفاده می‌کنند.
این الگوریتم‌ها که می‌توانند بیش از یکی باشند، برای انجام معاملات بررسی‌های لازم را از جنبه‌های گوناگونی مانند زمان‌بندی، قیمت و حجم روی سفارشات و بازار انجام داده و تصمیم می‌گیرند. این امر کمک می‌کند تا بازار سرمایه به روشی اصولی‌تر و به دور از دخالت احساسات انسانی پیش رود که یکی از نتایج آن بالارفتن نقدینگی در بازار است.
درک الگو تریدینگ با یک مثال ساده
برنامه کامپیوتری در حوزه معاملات الگوریتمی یا الگو تریدینگ با استفاده از دستورالعملهای معاملاتی مانند این نوشته می‌شود: معامله‌گری با بررسی متحرک ۱۲ روزه و ۳۴ روزه یک شرکت تصمیم به خرید سهام آن می‌گیرد، در زمانی که متحرک ۱۲روزه آن بالاتر از ۳۴ روزه‌اش است. این معامله‌گر سهام خریداری شده‌اش را در زمانی که متحرک ۱۲ روزه پایین‌تر از متحرک ۳۴ روزه قرار بگیرد می‌فروشد.
همین استراتژی بررسی الگوریتم های معاملاتی بورس ساده زمانی که در قالب معاملات الگوریتمی و زبان برنامه‌نویسی قرار می‌گیرد به طور خودکار سهام موجود در بازار و متحرک‌های آنها را در بازه‌های زمانی مشخص شده بررسی می‌کند و با تشخیص به موقع بر اساس دستورالعملهای داده شده، خرید و فروش‌ها و معاملات را به پیش می‌برد.
مراحل عملکرد معاملات الگوریتمی
نتیجه مطلوب از معاملات الگوریتمی نیاز به فراهم آوردن بستر آنها دارد. بستر معاملات الگوریتمی به حضور ثابت و بی‌نقص سه بازیگر اصلی وابسته است.
مطابقت دهنده‌های بازار یا منبع تغذیه داده‌ها که فرمت اطلاعات موجود در بازار را به فرمت سیستم در اختیار معامله‌گر تبدیل می‌کند. این کار از طریق رابط برنامه‌نویسی(API) که بازار معاملاتی در اختیار معامله‌گر می‌گذارد انجام می‌شود.
موتور پیشرفته پردازش ماوقع که مغز متفکر الگوریتم معاملاتی ما است. در این مرحله الگوریتم برنامه‌ریزی شده بر اساس استراتژی تعریف شده‌اش شرایط را پردازش می‌کند، محاسبات آماری و مقایسه داده‌های تاریخی لازم را انجام می‌دهد و در نهایت تصمیم به سفارش‌گیری می‌گیرد و آن را اجرا می‌کند.
در مرحله بعد سفارش‌ها توسط الگوریتم به بازار سرمایه ارسال می‌شوند، اما زمانی این مرحله اجرا می‌شود که زبان الگوریتم بر اساس زبان مبنای بازار سرمایه کد نویسی شده و قابل درک باشد.
وظایف معاملات الگوریتمی
معاملات الگوریتمی برای انجام درست و کامل استراتژی مشخص شدهشان ۴ وظیفه به عهده دارند:
- بر اساس استراتژی تعریف شده در برنامه‌ریزی‌شان، بازار را کامل رصد کرده و سهام و محصولات مختلف را بررسی کنند، تا فرصت‌های معاملاتی را به موقع و درست تشخیص دهند.
- در مرحله‌ی بعد پوزیشن‌گیری کنند.
- پوزیشن‌های بازشده را مدیریت کنند.
- در فرایند معامله (با توجه به دستورالعملهای تعریف شدهشان) مدیریت ریسک و سرمایهگذاری را بر عهده بگیرند.
این چهار مرحله گاهی تماما به صورت خودکار و توسط ربات‌ها (ربات معامله‌گر) انجام می‌شود که معاملات «تماما خودکار» را در بر می‌گرد و گاهی در برخی بخش‌ها سلیقه و نظر انسانی دخیل می‌شود که در آن صورت معاملات «نیمه خودکار» عنوان می‌شوند.
پیش‌نیازهای فنی برای معاملات الگوریتمی
اکنون نیاز است که الگوریتم‌ها بر اساس این استراتژی‌ها و دسته‌بندی‌های گفته شده توسط برنامه‌های کامپیوتری طراحی شوند. طی این فرایند یک نرم‌افزار یا ربات معامله‌گر ساخته می‌شود که به معاملات و سفارشات دسترسی دارد و آنها را براساس الگوریتم‌های برنامه‌ریزی شده به طور خودکار مدیریت می‌کند. عملی کردن این فرایند نیازمند موارد زیر است:
- تسلط به زبان برنامه‌نویسی برای نوشتن برنامه استراتژی معاملات یا به کارگیری یک متخصص برنامه نویسی و یا تهیه نرم‌افزار معاملاتی
- ارتباط با شبکه و دسترسی به پلتفرم معاملات به منظور پوزیشن‌گیری مناسب و انجام سفارشات توسط متخصص
- دسترسی به اطلاعات و دیتای بازار سرمایه تا بتوان آنها را در اختیار الگوریتم برای انجام وظایف تعریف‌شده‌اش قرار داد.
- ایجاد زیرساخت لازم برای انجام پیش تست روی سیستم برنامه ریزی شده پیش از ورود به بازار واقعی
- فراهم کردن اطلاعات تاریخی لازم و دیتای شرایط بازار در گذشته بسته به استراتژی اجرا شده در الگوریتم برای تست کردن آن
مزایای استفاده از معاملات الگوریتمی
۱-صرفه‌جویی در زمان
فعالان بازار سرمایه روزانه ساعت‌ها وقت صرف رصد بازار و یافتن سیگنال‌های مناسب می‌کنند. که این کار با گسترش بازار و بالا رفتن تعداد نمادها سخت‌تر و زمان‌برتر خواهد شد. اما الگوریتم‌ها اینکار را باسرعت و دقت بیشتر از طریق زیر نظر گرفتن کل بازار و نمادهای آن به صورت همزمان انجام می‌دهند.
در بازارهای جهانی که به صورت ۲۴ ساعته فعال هستند الگوریتمیک ترندینگ نیاز مستمر رصد بازار از سوی معامله‌گر را نیز از بین می‌برد. بر همین اساس انجام معاملات نیز توسط الگوریتم‌ها درست و دقیق زمان‌بندی می‌شوند و سفارشات با سرعت بیشتر صورت می‌گیرند.
نتیجه این سرعت جلوگیری از تغییرات آنی قیمت هم می‌تواند باشد. همچنین با بالا رفتن سرعت ورود به معاملات یا خروج از آنها، ضرر مالی ناشی از تاخیر در ثبت سفارش‌ها به حد چشمگیری کاهش می‌یابد. باید در نظر گرفت سرعت کامپیوتر در انجام چنین کارهایی از سرعت انسان بسیار بیشتر است.
۲-کنترل احساسات در مدیریت معاملات
پیش‌تر گفتیم که از عوامل موفقیت یک فعال در بررسی الگوریتم های معاملاتی بورس بازار سرمایه تعهد به استراتژی است. اما در تصمیم‌گیری‌های انسانی، عدم کنترل و غلبه بر احساسات بارها منجر به اشتباهات جبران ناپذیر در بازار سرمایه شده و این تعهد را زیر سوال برده است.
استفاده از الگوریتم‌های معاملاتی این ریسک را تا حد امکان پایین آورده و با حذف مداخلات احساسی تعهد به استراتژی را به بیشترین میزان می‌رساند. همچنین خطاهای دیگر انسانی که در انجام دستی معاملات اتفاق می‌افتد و بسیار هم مرسوم است نیز به کمک معاملات الگوریتمی به حداقل ممکن خود می‌رسد.
پس علاوه بر سرعت بخشیدن، الگوریتم‌ها درصد دقت معاملات را هم بالا می‌برند و سفارشات در این روش سریع‌تر و دقیق‌تر از حالت دستی و سنتی انجام می‌شود
۳-کاهش تخلفات در بازار
تخلفات معمولا توسط انسان‌ها انجام می‌شوند و ماشین قادر به تخلف نیست. بنابراین استفاده از معاملات خودکار که بدون دخالت انسان انجام می‌شود آمار تخلفات را در بازار سرمایه تا حد زیادی کاهش می‌دهد. یکی از دلایل میل بازارهای جهانی به سوی معاملات الگوریتمی همین موضوع مهم است.
۴-کاهش هزینه
معاملات الگوریتمی تنها هزینه پیاده‌سازی و خدمات مرتبط با آنها را برای معامله‌گر به همراه دارند و سرمایه‌گذار موظف به پرداخت کارمزد تحقیقات تحلیلی به هیچ کارگزاری نیست.
۵-اجرای استراتژی‌های معاملاتی پیچیده
از آنجا که الگوریتم‌های معاملاتی توسط کامپیوترها انجام می‌شوند قادر به پیاده‌سازی استراتژی‌های پیچیده و استفاده از چند استراتژی به صورت همزمان هستند. آنچه در روش‌های دستی شاید غیر ممکن یا بسیار دور از تحقق باشد.
۶-قابلیت پیش تست
معاملات الگوریتمی را میتوان با کمک اطلاعات و داده‌های تاریخی بازار در شرایط مشابه، آزمایش کرد و معامله‌گر می‌تواند به کمک این پیش تست ریسک سرمایه‌گذاری‌اش را کاهش دهد. با پیش تست میتوان به نکاتی مانند میزان سود، میزان ضرر، متوسط میزان سود به ضرر و تعداد معاملات در محدوده‌ی زمانی آزمایش شده دست یافت.
معایب استفاده از معاملات الگوریتمی
۱-دقت پایین در کد نویسی
یک ربات معامله‌گر (اکسپرت) توسط انسان برنامه‌ریزی می‌شود. درواقع کامپیوتر چیزی را اجرا می‌کند که به آن دستور داده شده است. حال اگر در ثبت این دستورات (کدنویسی) دقت لازم صورت نگیرد، این ربات می‌تواند تمام معادلات را برهم زده و استراتژی‌ها را اشتباه پیاده کند. این اشتباه ممکن است منجر به خسارات بزرگ و کوچک شود.
۲-نواقص فنی و مکانیکی
پیش‌تر گفتیم که از الزامات پیاده کردن معاملات الگوریتمی دسترسی به شبکه اطلاعات بازار است. این دسترسی از طریق اینترنت صورت می‌گیرد، تصور کنید حین انجام معاملات برق یا اینترنت قطع شود. این قطعی ممکن است منجر به عدم اجرای کامل استراتژی الگوریتم شده و در نتیجه زیان‌بار بودن معاملات برای معامله‌گر را به دنبال داشته باشد. بنابراین هر خرابی فیزیکی که مانع علکرد کامل الگوریتم شود میتوان در این دسته معایب قرار داد. برای کاهش احتمال بروز این مشکلات مانیتورینگ و نظارت فردی بر سیستم توصیه می‌شود.
۳-اشتباهات در پی تست
بک تست به طور خلاصه نوعی آزمایش بر اساس گذشته برای پیش‌بینی آینده در موقعیت‌های مشابه است. همین جمله می‌تواند نشان دهد که درصد خطایی اجتناب‌ناپذیر در بک‌تست‌ها وجود دارد. این درصد خطا، هرچند ناچیز، ممکن است اتفاق افتد و در این صورت تمام معادلات برهم خورده و پیش‌بینی‌ها محقق نشود. برای رفع این مشکل، بهینه‌سازی مداوم سیستم بر اساس خطاهای بک‌تست و همچنین شرایط روز بازار و آپدیت اطلاعات آن انجام می‌شود.
بررسی الگوریتم های معاملاتی بورس
سرعت و پیچیدگی معاملات در بازارهای مالی نیاز به استفاده از ابزارهای هوشمند را افزایش داده است. در این راستا یکی از مفیدترین ابزارهای مالی به کارگیری معاملات الگوریتمی یا خودکار است که به منظور استفاده بهتر سرمایه گذاران از فرصت های بازارهای سرمایه گذاری ایجاد و راه اندازی شده است.
برخی از خدمات سایت، از جمله مشاهده متن مطالب سال‌های گذشته روزنامه‌های عضو، تنها به مشترکان سایت ارایه می‌شود.
شما می‌توانید به یکی از روش‌های زیر مشترک شوید:
در سایت عضو شوید و هزینه اشتراک یک‌ساله سایت به مبلغ 700,000ريال را پرداخت کنید.
همزمان با برقراری دوره اشتراک بسته دانلود 100 مطلب از مجلات عضو و دسترسی نامحدود به مطالب روزنامه‌ها نیز برای شما فعال خواهد شد!
پرداخت از طریق درگاه بانکی معتبر با هریک از کارت‌های بانکی ایرانی انجام خواهد شد.
پرداخت با کارت‌های اعتباری بین‌المللی از طریق PayPal نیز برای کاربران خارج از کشور امکان‌پذیر است.
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی همه کاربران به متن مطالب خریداری نمایند!
دیدگاه شما