Grundlagen des algorithmischen Handels: Konzepte und Beispiele Ein Algorithmus ist ein spezifischer Satz von klar definierten Anweisungen, die darauf abzielen, eine Aufgabe oder einen Prozess durchzuführen. Algorithmischer Handel (automatisierte Handel, Black-Box-Handel oder einfach Algo-Trading) ist der Prozess der Verwendung von Computern programmiert, um eine definierte Reihe von Anweisungen für die Platzierung eines Handels zu folgen, um Gewinne mit einer Geschwindigkeit und Häufigkeit zu generieren, die für eine unmöglich ist Menschlicher Händler Die definierten Regelsätze basieren auf Timing, Preis, Menge oder einem mathematischen Modell. Neben den Gewinnchancen für den Händler macht algo-trading die Märkte liquider und macht den Handel systematischer, indem er emotionale menschliche Auswirkungen auf die Handelsaktivitäten ausübt. Angenommen, ein Trader folgt diesen einfachen Handelskriterien: Kaufen Sie 50 Aktien einer Aktie, wenn der 50-Tage-Gleitender Durchschnitt über den 200-Tage-Gleitender Durchschnitt geht. Teilen Sie Aktien der Aktie, wenn der 50-Tage-Gleitender Durchschnitt unter den 200-Tage-Gleitender Durchschnitt geht Mit diesem Satz von zwei einfachen Anweisungen ist es einfach, ein Computerprogramm zu schreiben, das automatisch den Aktienkurs (und die gleitenden durchschnittlichen Indikatoren) überwacht und die Kauf - und Verkaufsaufträge platziert, wenn die definierten Bedingungen erfüllt sind. Der Trader muss nicht mehr auf Live-Preise und Grafiken aufpassen oder die Aufträge manuell einlegen. Das algorithmische Handelssystem tut es automatisch für ihn, indem es die Handelsmöglichkeit korrekt identifiziert. (Für mehr über bewegte Durchschnitte siehe: Einfache Umzugsdurchschnitte machen Trends heraus.) Algo-Trading bietet folgende Vorteile: Trades, die zu den bestmöglichen Preisen ausgeführt werden Sofortige und genaue Trading-Platzierung (damit hohe Chancen auf Ausführung auf Wunsch) Trades Zeitlich abgestimmt und sofort, um signifikante Preisänderungen zu vermeiden Reduzierte Transaktionskosten (siehe Implementierungsfehlbetrag Beispiel unten) Gleichzeitige automatisierte Überprüfung auf mehrere Marktbedingungen Reduziertes Risiko von manuellen Fehlern bei der Platzierung der Trades Backtest der Algorithmus, basierend auf verfügbaren historischen und Echtzeitdaten Reduziert Möglichkeit von Fehlern von menschlichen Händlern, die auf emotionalen und psychologischen Faktoren basieren Der größte Teil des heutigen Algo-Handels ist der Hochfrequenzhandel (HFT), der versucht, eine große Anzahl von Aufträgen mit sehr schnellen Geschwindigkeiten über mehrere Märkte und mehrere Entscheidungen zu tätigen Parameter, basierend auf vorprogrammierten Anweisungen. (Zu mehr im Hochfrequenzhandel siehe: Strategien und Geheimnisse von High Frequency Trading (HFT) - Firmen) Algo-Trading wird in vielen Formen der Handels - und Investitionstätigkeit eingesetzt, darunter: mittel - bis langfristige Anleger oder Buy-Side-Unternehmen (Pensionsfonds) , Investmentfonds, Versicherungsgesellschaften), die in großen Mengen in Aktien kaufen, aber nicht die Aktienpreise mit diskreten, großvolumigen Investitionen beeinflussen wollen. Kurzfristige Händler und Verkaufsseitenteilnehmer (Market Maker, Spekulanten und Arbitrageure) profitieren von der automatisierten Handelsabwicklung darüber hinaus, Algo-Trading hilft bei der Schaffung von ausreichenden Liquidität für Verkäufer auf dem Markt. Systematische Händler (Trendfolger, Paar Trader, Hedgefonds etc.) finden es viel effizienter, ihre Handelsregeln zu programmieren und das Programm automatisch zu handeln. Der algorithmische Handel bietet einen systematischeren Ansatz für den aktiven Handel als Methoden, die auf einer menschlichen Trader-Intuition oder einem Instinkt basieren. Algorithmische Handelsstrategien Jede Strategie für den algorithmischen Handel erfordert eine identifizierte Chance, die in Bezug auf verbesserte Erträge oder Kostensenkungen rentabel ist. Im Folgenden werden gemeinsame Handelsstrategien verwendet, die im Algo-Trading verwendet werden: Die gängigsten algorithmischen Trading-Strategien folgen den Trends bei gleitenden Durchschnitten. Kanalausbrüche. Preisniveaubewegungen und zugehörige technische Indikatoren. Dies sind die einfachsten und einfachsten Strategien, um durch algorithmischen Handel zu implementieren, da diese Strategien keine Vorhersagen oder Preisvorhersagen beinhalten. Trades werden auf der Grundlage des Auftretens von wünschenswerten Trends initiiert. Die einfach und unkompliziert sind, um durch Algorithmen zu implementieren, ohne in die Komplexität der prädiktiven Analyse zu gelangen. Das oben genannte Beispiel von 50 und 200 Tage gleitenden Durchschnitt ist ein beliebter Trend nach Strategie. (Weitere Informationen zu Trendhandelsstrategien finden Sie unter: Einfache Strategien zur Aktivierung von Trends.) Der Kauf eines dualen Börsenplatzes zu einem niedrigeren Preis in einem Markt und der gleichzeitige Veräußerung zu einem höheren Preis in einem anderen Markt bietet die Preisdifferenz als risikofreier Gewinn Oder Arbitrage. Der gleiche Vorgang kann für Aktien gegen Futures-Instrumente repliziert werden, da Preisdifferenzen von Zeit zu Zeit existieren. Die Implementierung eines Algorithmus zur Identifizierung solcher Preisunterschiede und die Platzierung der Aufträge ermöglicht rentable Möglichkeiten in effizienter Weise. Index-Fonds haben Perioden des Neugewinns definiert, um ihre Bestände mit ihren jeweiligen Benchmark-Indizes in Einklang zu bringen. Dies schafft profitable Chancen für algorithmische Händler, die auf erwarteten Trades profitieren, die 20-80 Basispunkte Gewinne in Abhängigkeit von der Anzahl der Aktien im Indexfonds, kurz vor dem Indexfonds-Rebalancing anbieten. Solche Trades werden über algorithmische Handelssysteme für rechtzeitige Ausführung und beste Preise initiiert. Viele bewährte mathematische Modelle, wie die delta-neutrale Trading-Strategie, die den Handel auf Kombination von Optionen und deren zugrunde liegenden Sicherheit ermöglichen. Wo Trades gesetzt werden, um positive und negative Deltas zu versetzen, so dass das Portfolio-Delta auf Null gehalten wird. Die mittlere Reversionsstrategie basiert auf der Idee, dass die hohen und niedrigen Preise eines Vermögenswertes ein temporäres Phänomen sind, das periodisch auf ihren Mittelwert zurückkehrt. Identifizieren und Definieren einer Preisspanne und Implementierung von Algorithmen auf der Grundlage, dass Trades automatisch platziert werden, wenn der Preis von Asset Pausen in und aus seinem definierten Bereich. Die volumengewichtete durchschnittliche Preisstrategie zerbricht einen großen Auftrag und gibt dynamisch bestimmte kleinere Stücke des Auftrags auf den Markt mit Aktienspezifischen historischen Volumenprofilen frei. Ziel ist es, den Auftrag in der Nähe des volumengewichteten Durchschnittspreises (VWAP) auszuführen und damit zu einem durchschnittlichen Preis zu profitieren. Die zeitgewichtete durchschnittliche Preisstrategie zerbricht einen großen Auftrag und gibt dynamisch bestimmte kleinere Stücke des Auftrags auf den Markt mit gleichmäßig geteilten Zeitschlitzen zwischen Start - und Endzeit frei. Ziel ist es, den Auftrag in der Nähe des Durchschnittspreises zwischen Start - und Endzeiten auszuführen und damit die Markteinwirkung zu minimieren. Bis der Trade Order vollständig ausgefüllt ist, fährt dieser Algorithmus fort, Teilaufträge zu senden, entsprechend der definierten Beteiligungsquote und nach dem Volumen, das auf den Märkten gehandelt wird. Die zugehörige Schrittstrategie sendet Aufträge zu einem benutzerdefinierten Prozentsatz des Marktvolumens und erhöht oder verringert diese Erwerbsquote, wenn der Aktienkurs benutzerdefinierte Werte erreicht. Die Implementierungs-Defizitstrategie zielt darauf ab, die Ausführungskosten eines Auftrags durch den Handel auf dem Echtzeitmarkt zu minimieren und dadurch die Kosten der Bestellung zu senken und von den Opportunitätskosten der verzögerten Ausführung zu profitieren. Die Strategie wird die gezielte Erwerbsquote erhöhen, wenn sich der Aktienkurs günstig bewegt und abnimmt, wenn sich der Aktienkurs negativ bewegt. Es gibt ein paar spezielle Klassen von Algorithmen, die versuchen, Ereignisse auf der anderen Seite zu identifizieren. Diese Sniffing-Algorithmen, die zum Beispiel von einem Sell-Side-Market-Maker verwendet werden, haben die eingebaute Intelligenz, um die Existenz von Algorithmen auf der Kaufseite eines großen Auftrags zu identifizieren. Solche Erkennung durch Algorithmen wird dem Marktmacher dabei helfen, große Auftragsmöglichkeiten zu identifizieren und ihm zu ermöglichen, durch die Besetzung der Aufträge zu einem höheren Preis zu profitieren. Dies wird manchmal als Hightech-Frontlauf bezeichnet. (Für mehr auf High-Frequenz-Handel und betrügerische Praktiken, siehe: Wenn Sie Aktien kaufen Online, sind Sie in HFTs beteiligt.) Technische Voraussetzungen für Algorithmic Trading Die Umsetzung der Algorithmus mit einem Computer-Programm ist der letzte Teil, Clubbed mit Backtesting. Die Herausforderung besteht darin, die identifizierte Strategie in einen integrierten computergestützten Prozess umzuwandeln, der Zugang zu einem Handelskonto für die Platzierung von Aufträgen hat. Folgende werden benötigt: Computerprogrammierkenntnisse zur Programmierung der geforderten Handelsstrategie, angepasste Programmierer oder vorgefertigte Trading-Software Netzwerkkonnektivität und Zugriff auf Handelsplattformen für die Platzierung der Aufträge Der Zugriff auf Marktdaten-Feeds, die vom Algorithmus für die Möglichkeit der Platzierung überwacht werden Aufträge Die Fähigkeit und die Infrastruktur, das System einmalig zu testen, bevor es auf echten Märkten geht Erhältlich historische Daten für das Backtesting, abhängig von der Komplexität der im Algorithmus implementierten Regeln Hier ist ein umfassendes Beispiel: Royal Dutch Shell (RDS) ist in Amsterdam aufgeführt Börse (AEX) und Londoner Börse (LSE). Lets bauen einen Algorithmus, um Arbitrage-Möglichkeiten zu identifizieren. Hier sind einige interessante Beobachtungen: AEX handelt in Euro, während LSE in Pfund Sterling pflegt. Aufgrund der einstündigen Zeitdifferenz eröffnet AEX eine Stunde früher als LSE, gefolgt von beiden Börsen, die gleichzeitig für die nächsten Stunden handeln und dann nur in LSE handeln Die letzte Stunde als AEX schließt können wir die Möglichkeit der Arbitrage Handel auf der Royal Dutch Shell Aktie auf diesen beiden Märkten in zwei verschiedenen Währungen gelistet ein Computer-Programm, das aktuelle Marktpreise lesen können Preis Feeds von sowohl LSE und AEX A Forex Rate Feed für GBP-EUR Umrechnungskurs Bestellen von Platzierungsmöglichkeiten, die den Auftrag an den richtigen Austausch weiterleiten können Back-Testing-Fähigkeit zu historischen Preisfuttermitteln Das Computerprogramm sollte folgendes ausführen: Lesen Sie den eingehenden Preisvorschub der RDS-Aktie von beiden Börsen unter Verwendung der verfügbaren Wechselkurse . Umwandlung des Preises einer Währung in andere Wenn es eine ausreichend große Preisdiskrepanz (Abzinsung der Vermittlungskosten) gibt, die zu einer gewinnbringenden Gelegenheit führt, dann legen Sie den Kaufauftrag auf niedrigeren Preisvermittlungs - und Verkaufsauftrag auf höherer Preisvermittlung Wenn die Aufträge als ausgeführt werden Gewünscht, wird die Arbitrage Gewinn folgen Simple und Easy Allerdings ist die Praxis der algorithmischen Handel ist nicht so einfach zu pflegen und auszuführen. Denken Sie daran, wenn Sie einen Algo-generierten Handel platzieren können, so können die anderen Marktteilnehmer. Infolgedessen schwanken die Preise in Milli - und sogar Mikrosekunden. In dem obigen Beispiel, was passiert, wenn Ihr Kaufhandel ausgeführt wird, aber verkaufen Handel nicht als die Verkaufspreise ändern sich um die Zeit Ihre Bestellung trifft den Markt Sie werden am Ende sitzen mit einer offenen Position. Ihre Arbitrage-Strategie wertlos machen. Es gibt zusätzliche Risiken und Herausforderungen: z. B. Systemausfallrisiken, Netzwerkverbindungsfehler, Zeitverzögerungen zwischen Handelsaufträgen und Ausführung und vor allem unvollständige Algorithmen. Je komplexer ein Algorithmus ist, desto strengeres Backtesting ist nötig, bevor es in die Tat umgesetzt wird. Die quantitative Analyse einer Algorithmen-Performance spielt eine wichtige Rolle und sollte kritisch untersucht werden. Es ist spannend, für die Automatisierung zu helfen, die von Computern mit einer Vorstellung geboten wird, um mühelos Geld zu verdienen. Aber man muss sicherstellen, dass das System gründlich getestet ist und die erforderlichen Grenzwerte festgelegt sind. Analytische Händler sollten überlegen, Programmierung und Gebäude-Systeme auf eigene Faust zu lernen, um sicher zu sein, die Umsetzung der richtigen Strategien in narrensicherer Weise zu sein. Der vorsichtige Gebrauch und die gründliche Prüfung von algo-trading können rentable Chancen schaffen. Artikel 50 ist eine Verhandlungs - und Vergleichsklausel im EU-Vertrag, in der die für jedes Land zu ergreifenden Maßnahmen umrissen werden. Ein anfängliches Angebot für ein bankrottes Unternehmen039s Vermögenswerte von einem interessierten Käufer, der von der Konkursgesellschaft gewählt wurde. Von einem Bieterpool aus. Beta ist ein Maß für die Volatilität oder das systematische Risiko eines Wertpapiers oder eines Portfolios im Vergleich zum Gesamtmarkt. Eine Art von Steuern, die auf Kapitalgewinne von Einzelpersonen und Kapitalgesellschaften angefallen sind. Kapitalgewinne sind die Gewinne, die ein Investor ist. Ein Auftrag, eine Sicherheit bei oder unter einem bestimmten Preis zu erwerben. Ein Kauflimitauftrag erlaubt es Händlern und Anlegern zu spezifizieren. Eine IRS-Regel (Internal Revenue Service), die strafrechtliche Abhebungen von einem IRA-Konto ermöglicht. Die Regel verlangt, dass. Heres, wie Sie Ihren eigenen Hoch-Frequency Trading-Betrieb einrichten Letzte Woche hatten wir das Privileg, sich mit Mike Felix und Doktor Lawrence Hansen von Lime Brokerage zu setzen. Ein Agentur-Makler in New York City, der sich auf Hochfrequenz spezialisiert hat. Low-Latency-Handel. Der Hauptausflug. Diejenigen, die denken, dass die Geschwindigkeiten inakzeptabel sind, können sich daran gewöhnen, weil sie hier bleiben und es wird hier nur noch schneller kommen. Wir haben sie gefragt, wie man mit einem eigenen Hochfrequenz-Handel auf einer Amateurretail-Ebene umgehen würde. Nach dem Nageln genau, was die Definition des Hochfrequenzhandels ist. Wir gingen über die Schritte, die du nehmen musst, um es zu machen. Ansicht als: Eine Seite SlidesThis Post wird Detail, was ich getan habe, um ca. 500k vom Hochfrequenzhandel von 2009 bis 2010. Da ich völlig unabhängig handelte und nicht mehr mein Programm Irsquom gerne alles erzähle. Mein Handel war vor allem in Russel 2000 und DAX Futures-Kontrakte. Der Schlüssel zu meinem Erfolg, glaube ich, war nicht in einer anspruchsvollen finanziellen Gleichung, sondern in der Gesamt-Algorithmus-Design, die zusammengebunden viele einfache Komponenten und verwendet Maschinen Lernen zu optimieren für maximale Rentabilität. Sie müssen nicht wissen, jede anspruchsvolle Terminologie hier, denn wenn ich mein Programm einrichten, war es alles auf Intuition basiert. (Andrew Ngrsquos erstaunliche Maschine Lernkurs war noch nicht verfügbar - btw, wenn Sie auf diesen Link klicken Sie zu Ihrem aktuellen Projekt: CourseTalk, eine Rezension Website für MOOCs) Zuerst möchte ich nur zeigen, dass mein Erfolg war nicht einfach das Ergebnis von Glück. Mein Programm machte 1000-4000 Trades pro Tag (halb lang, halb kurz) und nie in Positionen von mehr als ein paar Verträge auf einmal. Dies bedeutete das zufällige Glück von jedem einzelnen Handel gemittelt ziemlich schnell. Das Ergebnis war, dass ich niemals mehr als 2000 an einem Tag verloren hatte und nie einen verlorenen Monat hatte: (EDIT. Diese Zahlen sind nach Bezahlung von Provisionen) Und Herersquos ein Diagramm, um dir ein Gefühl der täglichen Variation zu geben. Beachten Sie, dass dies die letzten 7 Monate ausschließt, weil - da die Figuren aufgehört haben - ich habe meine Motivation verloren, sie zu betreten. Mein Trading Hintergrund Vor der Einrichtung meiner automatisierten Trading-Programm Irsquod hatte 2 Jahre Erfahrung als ldquomanualrdquo Tag Händler. Dies war wieder im Jahr 2001 - es war die frühen Tage des elektronischen Handels und es gab Möglichkeiten für ldquoscalpersrdquo, um gutes Geld zu machen. Ich kann nur beschreiben, was ich tat so ähnlich wie ein Videospiel spielen mit einem angeblichen Rand. Erfolgreich zu sein bedeutet, schnell zu sein, diszipliniert zu sein und eine gute intuitive Mustererkennung zu haben. Ich konnte rund 250k machen, meine Studentenkredite auszahlen und Geld übrig haben. Win In den nächsten fünf Jahren würde ich zwei Startups starten und dabei einige Programmierkenntnisse abholen. Es würde bis Ende 2008 sein, dass ich wieder in den Handel zurückkehren würde. Mit Geld läuft niedrig aus dem Verkauf meiner ersten Startup, Trading angeboten Hoffnungen auf einige schnelle Bargeld, während ich herausgefunden, meine nächste Bewegung. Im Jahr 2008 war ich ldquomanuallyrdquo Tag Handel Futures mit Software namens T4. Irsquod wünschte einige kundenspezifische Auftragseingabe-Hotkeys, also nach der Entdeckung von T4 hatte eine API, nahm ich auf die Herausforderung des Lernens C (die Programmiersprache erforderlich, um die API verwenden) und ging voran und baute mir einige Hotkeys. Nachdem ich meine Füße nass mit der API hatte, hatte ich bald größere Bestrebungen: Ich wollte den Computer lehren, um für mich zu handeln. Die API stellte sowohl einen Strom von Marktdaten als auch einen einfachen Weg zur Verfügung, um Aufträge an den Austausch zu senden - alles was ich tun musste, war die Logik in der Mitte zu schaffen. Unten ist ein Screenshot eines T4-Handelsfensters. Was war cool war das, wenn ich mein Programm arbeitete, konnte ich den Computerhandel auf dieser exakt gleichen Schnittstelle sehen. Das Aufpassen von echten Ordnungen, die in und aus (selbst mit meinem echten Geld) auftauchen, war sowohl spannend als auch beängstigend. Das Design meines Algorithmus Von Anfang an war mein Ziel, ein System so einzurichten, dass ich vernünftig zuversichtlich sein könnte Irsquod Geld verdienen, bevor es jemals irgendwelche Live-Trades macht. Um dies zu erreichen, musste ich ein Trading-Simulations-Framework aufbauen, das - so genau wie möglich - den Live-Handel simulieren würde. Während der Handel im Live-Modus erforderlich Verarbeitungs-Markt-Updates durch die API gestreamt, Simulations-Modus erforderlich Lesung Markt Updates aus einer Datei-Datei. Um diese Daten zu sammeln, setze ich die erste Version meines Programms ein, um einfach eine Verbindung zur API herzustellen und Marktaktualisierungen mit Zeitstempeln aufzuzeichnen. Ich landete mit 4 Wochen im Wert von aktuellen Marktdaten zu trainieren und testen mein System auf. Mit einem Grundrahmen stand ich immer noch die Aufgabe, herauszufinden, wie man ein profitables Handelssystem macht. Wie sich herausstellt, würde mein Algorithmus in zwei verschiedene Komponenten zerfallen, die Irsquoll nacheinander erforscht: Preisbewegungen vorhersagen und gewinnbringend handeln Vorhersage der Preisbewegungen Vielleicht ist ein offensichtlicher Bestandteil eines jeden Handelssystems in der Lage, vorherzusagen, wo sich die Preise bewegen werden. Und meine war keine Ausnahme. Ich habe den aktuellen Preis als den Durchschnitt des Innengebots und des Innenangebots definiert und ich habe das Ziel der Vorhersage, wo der Preis in den nächsten 10 Sekunden wäre. Mein Algorithmus müsste diese Vorhersage morgens über den Handelstag heraufkommen. Erstellen von Amp-Optimierungsindikatoren Ich habe eine Handvoll von Indikatoren erstellt, die eine sinnvolle Fähigkeit zur Vorhersage kurzfristiger Kursbewegungen haben. Jeder Indikator produzierte eine Zahl, die entweder positiv oder negativ war. Ein Indikator war nützlich, wenn mehr als oft nicht eine positive Zahl mit dem Markt übereinstieg und eine negative Zahl entsprach mit dem Markt nach unten. Mein System erlaubte mir, schnell zu bestimmen, wieviel prädiktive Fähigkeit irgendein Indikator so war, dass ich mit vielen verschiedenen Indikatoren experimentieren konnte, um zu sehen, was funktionierte. Viele der Indikatoren hatten Variablen in den Formeln, die sie produzierten, und ich konnte die optimalen Werte für diese Variablen finden, indem sie nebeneinander Vergleiche von Ergebnissen mit unterschiedlichen Werten erzielten. Die Indikatoren, die am nützlichsten waren, waren alle relativ einfach und basierten auf den jüngsten Ereignissen auf dem Markt, den ich handelte, sowie die Märkte der korrelierten Wertpapiere. Genaue Preisbewegungen vorhersagen Mit Indikatoren, die einfach eine Aufwärts - oder Abwärtsbewegungsbewegung vorhergesagt haben, war gar nicht genug. Ich musste genau wissen, wie viel Preisbewegung von jedem möglichen Wert jedes Indikators vorhergesagt wurde. Ich brauchte eine Formel, die einen Indikatorwert zu einer Preisvorhersage umwandeln würde. Um dies zu erreichen, verfolgte ich die vorhergesagten Preisbewegungen in 50 Eimern, die von der Reichweite abhingen, die der Indikatorwert einfiel. Dies erzeugte einzigartige Vorhersagen für jeden Eimer, den ich dann in Excel grafisch darstellen konnte. Wie Sie sehen können, steigt die erwartete Preisänderung mit steigendem Indikatorwert. Basierend auf einem Graphen wie diesem war ich in der Lage, eine Formel zu machen, um die Kurve zu passen. Am Anfang habe ich diese ldquocurve fittingrdquo manuell, aber ich schrieb bald einen Code, um diesen Prozess zu automatisieren. Beachten Sie, dass nicht alle Indikatorkurven die gleiche Form hatten. Beachten Sie auch, dass die Eimer logarithmisch verteilt wurden, um die Datenpunkte gleichmäßig zu verbreiten. Schließlich ist zu beachten, dass negative Indikatorwerte (und ihre entsprechenden Abwärtspreisvorhersagen) umgedreht und mit den positiven Werten kombiniert wurden. (Mein Algorithmus behandelt genau und unten genau das gleiche.) Kombinieren von Indikatoren für eine einzelne Vorhersage Eine wichtige Sache zu berücksichtigen war, dass jeder Indikator war nicht völlig unabhängig. Ich konnte einfach nur addieren alle Vorhersagen, dass jeder Indikator individuell gemacht. Der Schlüssel war, um herauszufinden, die zusätzlichen prädiktiven Wert, dass jeder Indikator hatte über das, was bereits vorhergesagt wurde. Dies war nicht schwer zu implementieren, aber es bedeutete, dass, wenn ich ldquocurve passend wäre, um mehrere Indikatoren zur gleichen Zeit musste ich vorsichtig ändern, würde man die Vorhersagen eines anderen beeinflussen. Um ldquocurve fitrdquo alle Indikatoren zur gleichen Zeit Ich setze den Optimierer zu Schritt nur 30 der Weg in Richtung der neuen Vorhersage Kurven mit jedem Pass. Mit diesem 30 Sprung habe ich festgestellt, dass sich die Vorhersagekurven innerhalb einiger Pässe stabilisieren würden. Mit jedem Indikator jetzt geben uns itrsquos zusätzliche Preisvorhersage Ich könnte einfach addieren sie bis zu einer einzigen Vorhersage, wo der Markt wäre in 10 Sekunden zu produzieren. Warum die Vorhersage der Preise ist nicht genug Sie könnten denken, dass mit diesem Rand auf dem Markt war ich golden. Aber man muss bedenken, dass der Markt aus Angeboten und Angeboten besteht - itrsquos nicht nur einen Marktpreis. Erfolg im Hochfrequenzhandel kommt auf gute Preise und itrsquos nicht so einfach. Die folgenden Faktoren machen das Schaffen eines rentablen Systems schwierig: Mit jedem Handel musste ich Provisionen sowohl an meinen Makler als auch an den Austausch bezahlen. Die Ausbreitung (Differenz zwischen Höchstgebot und niedrigem Angebot) bedeutete, dass ich, wenn ich einfach zufällig kaufen und verkaufen würde, Irsquod eine Tonne Geld verlieren würde. Die meisten der Marktvolumen waren andere Bots, die nur einen Handel mit mir ausführen würden, wenn sie dachten, sie hätten einen statistischen Rand. Ein Angebot zu sehen, garantierte nicht, dass ich es kaufen könnte. Zu der Zeit, als mein Kaufauftrag an die Börse kam, war es sehr möglich, dass dieses Angebot storniert wurde. Als kleiner Marktspieler gab es keine Möglichkeit, mit der Geschwindigkeit allein zu konkurrieren. Aufbau einer vollständigen Trading-Simulation So hatte ich einen Rahmen, der mir erlaubt, Backtest und Optimierung Indikatoren. Aber ich musste darüber hinausgehen - ich brauchte einen Rahmen, der es mir erlaubte, ein volles Trading System zu backtest und zu optimieren, wo ich Aufträge abschickte und in Positionen kam. In diesem Fall wird Irsquod für die Gesamt-PampL und in gewissem Maße die durchschnittliche Pampl pro Handel optimieren. Das wäre schwieriger und in gewisser Weise unmöglich, genau zu modellieren, aber ich tat so gut wie ich konnte. Hier sind einige der Probleme, mit denen ich zu tun hatte: Als ein Auftrag in der Simulation auf den Markt geschickt wurde, musste ich die Verzögerungszeit modellieren. Die Tatsache, dass mein System ein Angebot sah, bedeutete nicht, dass es es sofort kaufen konnte. Das System würde die Bestellung senden, ca. 20 Millisekunden warten und dann nur dann, wenn das Angebot noch da war, wurde es als ein ausgeführter Handel betrachtet. Dies war ungenau, weil die reale Verzögerungszeit inkonsistent und nicht gemeldet war. Als ich Angebote oder Angebote platzierte, musste ich den Handelsausführungsstrom (von der API zur Verfügung gestellt) betrachten und diese nutzen, um zu messen, wann meine Bestellung hingerichtet worden wäre. Um dies zu tun, musste ich die Position meiner Bestellung in der Warteschlange verfolgen. (Itrsquos ein First-In-First-Out-System.) Wieder konnte ich das nicht perfekt machen, aber ich habe eine optimale Annäherung gemacht. Um meine Auftragsausführungssimulation zu verfeinern, habe ich meine Log-Dateien aus dem Live-Trading über die API genommen und sie mit Log-Dateien verglichen, die von simuliertem Trading aus genau dem gleichen Zeitraum erstellt wurden. Ich konnte meine Simulation auf den Punkt bringen, dass es ziemlich genau war und für die Teile, die unmöglich waren, genau zu modellieren, stellte ich sicher, dass ich zumindest Ergebnisse erzähle, die statistisch ähnlich waren (in den Metriken, die ich für wichtig hielt). Profitables Handeln Mit einem Bestellsimulationsmodell konnte ich jetzt im Simulationsmodus Aufträge senden und eine simulierte PampL sehen. Aber wie würde mein System wissen, wann und wo zu kaufen und zu verkaufen Die Preisbewegungsvorhersagen waren ein Ausgangspunkt, aber nicht die ganze Geschichte. Was ich tat, war ein Scoring-System für jedes von 5 Preisniveaus auf dem Angebot und Angebot. Diese beinhalteten eine Ebene über dem Innengebot (für einen Kaufauftrag) und eine Ebene unter dem Innenangebot (für einen Verkaufsauftrag). Wenn die Punktzahl zu einem bestimmten Preisniveau über einer bestimmten Schwelle lag, würde das mein System ein aktives Bidoffer dort haben - unterhalb der Schwelle, dann sollten alle aktiven Aufträge storniert werden. Basierend darauf war es nicht ungewöhnlich, dass mein System ein Gebot auf dem Markt blinkt und dann sofort abbrechen würde. (Obwohl ich versuchte, dies zu minimieren, da es sich um die Klappe handelt, die auf den Bildschirm mit menschlichen Augen - mit mir auf den Bildschirm schaut - die Preisniveau-Scores wurden auf der Grundlage der folgenden Faktoren berechnet: Die Preisbewegungsvorhersage (die wir früher besprochen haben). Das Preisniveau in Frage. (Innere Ebenen bedeuteten größere Preisbewegungsvorhersagen erforderlich.) Die Anzahl der Verträge vor meiner Bestellung in der Warteschlange. (Weniger war besser.) Die Anzahl der Verträge hinter meiner Bestellung in der Warteschlange. (Mehr war besser.) Im Wesentlichen diese Faktoren diente dazu, ldquosaferdquo Plätze zu bieten, um zu bieten. Die Preisbewegungsvorhersage allein war nicht ausreichend, weil es nicht darauf hinwies, dass bei der Abgabe eines Gebots ich nicht automatisch gefüllt war - ich bin nur gefüllt, wenn mir jemand dort verkauft wurde. Die Realität war, dass die bloße Tatsache von jemandem, der mir zu einem bestimmten Preis verkaufte, die statistischen Chancen des Handels veränderte. Die in diesem Schritt verwendeten Variablen wurden der Optimierung unterworfen. Dies geschah genau so, wie ich die Variablen in den Preisbewegungsindikatoren optimierte, außer in diesem Fall optimierte ich für die untere Zeile PampL. Was mein Programm ignoriert Beim Handel als Menschen haben wir oft starke Emotionen und Bias, die zu weniger als optimalen Entscheidungen führen können. Klar, ich wollte diese Vorurteile nicht kodifizieren. Hier sind einige Faktoren mein System ignoriert: Der Preis, dass eine Position eingegeben wurde - In einem Handelsbüro itrsquos ziemlich häufig zu sprechen Gespräch über den Preis, bei dem jemand ist lang oder kurz, als ob das sollte ihre zukünftige Entscheidungsfindung zu beeinflussen. Während dies eine gewisse Gültigkeit als Teil einer Risikominderungsstrategie hat, hat es wirklich keinen Einfluss auf den zukünftigen Verlauf der Ereignisse auf dem Markt. Deshalb hat mein Programm diese Informationen völlig ignoriert. Itrsquos das gleiche Konzept wie ignoriert versenkt Kosten. Gehen Sie kurz, um eine lange Position zu verlassen - Typischerweise würde ein Händler unterschiedliche Kriterien haben, die bestimmen, wo man eine lange Position versus, wo man kurz gehen kann. Aber aus meiner Algorithmenperspektive gab es keinen Grund, sich zu unterscheiden. Wenn mein Algorithmus erwartete, dass ein Abwärtsbewegungsverkauf eine gute Idee war, unabhängig davon, ob es momentan lang, kurz oder flach war. Eine ldquodoubling uprdquo Strategie - Dies ist eine gemeinsame Strategie, in der Händler mehr Lager kaufen werden, falls der ursprüngliche Handel gegen sie geht. Dies führt dazu, dass Ihr durchschnittlicher Kaufpreis niedriger ist und es bedeutet, wann (oder wenn) die Aktie um Ihr Geld herum dreht, um Ihr Geld zurück in kürzester Zeit zu machen. Meiner Meinung nach ist das wirklich eine schreckliche Strategie, wenn nicht Ihr Warren Buffet. Du hast in das Denken geträumt, dass es dir gut geht, denn die meisten deiner Trades werden Gewinner sein. Das Problem ist, wenn Sie verlieren verlieren Sie groß. Der andere Effekt ist es macht es schwer zu beurteilen, ob Sie tatsächlich einen Rand auf dem Markt haben oder einfach nur Glück haben. In der Lage zu überwachen und zu bestätigen, dass mein Programm in der Tat eine Kante war ein wichtiges Ziel war. Da mein Algorithmus Entscheidungen auf die gleiche Weise getroffen hat, unabhängig davon, wo er in einen Handel eingetreten ist oder ob es momentan lang oder kurz war, setzte er gelegentlich einige große, verlorene Trades (neben einigen großen Gewinnen). Aber du solltest nicht glauben, dass es kein Risikomanagement gab. Um das Risiko zu bewältigen, habe ich eine maximale Positionsgröße von 2 Verträgen zu einem Zeitpunkt erzwungen, gelegentlich auf hohe Volumen Tage gestoßen. Ich hatte auch eine maximale tägliche Verlustgrenze, um gegen unerwartete Marktbedingungen oder einen Bug in meiner Software zu schützen. Diese Grenzen wurden in meinem Code aber auch im Backend durch meinen Makler erzwungen. Wie es passiert ist, habe ich noch keine signifikanten Probleme gefunden. Das Ausführen des Algorithmus Von dem Moment an, als ich anfing, an meinem Programm zu arbeiten, dauerte es ungefähr 6 Monate, bevor ich es auf den Punkt der Profitabilität erhielt und damit begonnen habe, es zu leben. Obwohl es eine angemessene Menge an Zeit war, eine neue Programmiersprache zu lernen. Als ich arbeitete, um das Programm zu verbessern, sah ich erhöhte Gewinne für jedes der nächsten vier Monate. Jede Woche würde ich mein System auf der Grundlage der vorherigen 4 Wochen im Wert von Daten umschulen. Ich fand, dass dies die richtige Balance zwischen der Erfassung der jüngsten Markt Verhaltens-Trends und versichert mein Algorithmus hatte genug Daten, um sinnvolle Muster zu etablieren. Als die Ausbildung begann immer mehr Zeit, ich spaltete es aus, so dass es von 8 virtuellen Maschinen mit amazon EC2 durchgeführt werden könnte. Die Ergebnisse wurden dann auf meiner lokalen Maschine verschmolzen. Der Höhepunkt meines Handels war Oktober 2009, als ich fast 100k machte. Danach setzte ich fort, die nächsten vier Monate zu verbringen, um mein Programm trotz des verringerten Gewinns jeden Monat zu verbessern. Leider habe ich an diesem Punkt vermutet, dass Irsquod alle meine besten Ideen umgesetzt hat, weil nichts, was ich versuchte, viel zu helfen schien. Mit der Frustration, nicht in der Lage zu sein, Verbesserungen zu machen und kein Gefühl des Wachstums zu haben, begann ich, über eine neue Richtung nachzudenken. Ich emailed 6 verschiedene Hochfrequenz-Handelsfirmen zu sehen, ob theyrsquod daran interessiert sind, meine Software zu kaufen und mich einzustellen, um für sie zu arbeiten. Niemand antwortete. Ich hatte einige neue Startup-Ideen, an denen ich arbeiten wollte, also habe ich nie weiter gefolgt. UPDATE - Ich habe das auf Hacker News geschrieben und es hat viel Aufmerksamkeit bekommen. Ich möchte nur sagen, dass ich niemanden befürworte, der versucht, so etwas selbst zu tun. Du brauchst ein Team von wirklich schlauen Menschen mit einer Reihe von Erfahrungen, um jede Hoffnung auf Konkurrenz zu haben. Sogar als ich das tat, glaube ich, dass es sehr selten für Einzelpersonen war, Erfolg zu erzielen (obwohl ich von anderen gehört hatte). Es gibt einen Kommentar an der Oberseite der Seite, der manipulierte Statistiken erwähnt und bezieht sich auf mich als ldquoretail investorrdquo, das kommt Würde ldquogleeful pick offrdquo. Dies ist ein ziemlich unglücklicher Kommentar, der in der Wirklichkeit einfach nicht basiert. Setzen Sie, dass beiseite drückt einige interessante Kommentare: news. ycombinatoritemid4748624 UPDATE 2 - Irsquove hat eine Follow-up-FAQ, die einige häufige Fragen beantwortet Irsquove von Händlern über diesen Beitrag erhalten. Sie rein ein Computer-Wissenschaftler youre in der perfekten Position, um in algorithmischen Handel zu beginnen . Dies ist etwas, das ich bei Quantiacs aus erster Hand bezeugt habe. Wo Wissenschaftler und Ingenieure in der Lage sind, direkt in den automatisierten Handel ohne vorherige Erfahrung zu springen. Mit anderen Worten, Programmierung Koteletts sind die wichtigsten Zutat benötigt, um loszulegen. Um ein allgemeines Verständnis davon zu bekommen, welche Herausforderungen Sie nach der Erstellung eines algorithmischen Handelssystems erwarten, schauen Sie sich diese Quora Post an. Der Aufbau eines Handelssystems von Grund auf wird ein gewisses Hintergrundwissen, eine Handelsplattform, Marktdaten und Marktzugang erfordern. Während nicht eine Anforderung, die Wahl einer einzigen Handelsplattform, die die meisten dieser Ressourcen bietet wird Ihnen helfen, schnell zu schnell schnell. Das heißt, die Fähigkeiten, die Sie entwickeln, werden auf jede Programmiersprache und fast jede Plattform übertragbar sein. Glauben Sie es oder nicht, Gebäude automatisierte Handelsstrategien ist nicht auf ein Markt-Experte vorausgesetzt. Dennoch wird das Lernen der grundlegenden Marktmechanik Ihnen helfen, profitable Handelsstrategien zu entdecken. Optionen, Futures und andere Ableitungen von John C. Hull - Großes erstes Buch für die Eingabe von quantitativen Finanzen und Annäherung an die Mathematik Seite. Quantitative Trading von Ernie Chan - Ernie Chan bietet das beste Einführungsbuch für den quantitativen Handel und führt Sie durch den Prozess der Erstellung von Handelsalgorithmen in MATLAB und Excel. Algorithmischer Handel von Futures über Machine Learning - Ein 5-seitiger Zusammenbruch der Anwendung eines einfachen Maschinen-Lernmodells auf häufig verwendete technische Analyse-Indikatoren. Heres eine aggregierte Leseliste PDF mit einem vollständigen Überblick über Bücher, Videos, Kurse und Handelsforen. Der beste Weg zu lernen ist, indem Sie tun, und im Falle des automatisierten Handels, der auf Charting und Codierung kommt. Ein guter Ausgangspunkt sind vorhandene Beispiele für Handelssysteme und bestehende Exponate technischer Analysetechniken. Moreover, a skilled computer scientist has the additional edge of being able to apply machine learning to algorithmic trading. Here are some of those resources: TradingView - A fantastic visual charting platform on its own, TradingView is a great playground for getting comfortable with technical analysis. It has the added benefit of allowing you to script trading strategies and browse other peoples trade ideas. Automated Trading Forum - Great online community for posting beginner questions and finding answers to common quant issues when just getting started. Quant forums are a great place to become immersed in strategies, tools, and techniques. YouTube Seminar on trading ideas with working code samples on Github . Machine Learning: More presentations on automated trading can be found at the Quantiacs Quant Club . Most people from a scientific background (whether thats computer science or engineering) have had exposure to Python or MATLAB, which happen to be popular languages for quantitative finance. Quantiacs has created an open source toolbox that provides backtesting and 15 years of historical market data for free. The best part is everything is built on both Python and MATLAB giving you the choice of what to develop your system with. Heres a sample trend-following trading strategy in MATLAB. This is all the code needed to run an automated trading system, showcasing both the power of MATLAB and the Quantiacs Toolbox. Quantiacs lets you trade 44 futures and all the stocks of the SampP 500. In addition, a variety of additional libraries such as TensorFlow are supported. (Disclaimer: I work at Quantiacs) Once youre ready to make money as a quant, you can join the latest Quantiacs automated trading contest, with a total of 2,250,000 in investments available: Can you compete with the best quants 29.4k Views middot View Upvotes middot Not for Reproduction This answer has been completely re-written Here are 6 main knowledge base for building algorithmic trading systems. You should be acquainted with all of them in order to build effective trading systems. Some of the terms used may be slightly technical, but you should be able to understand them by Googling. Note: (Most of) these do not apply if you want to do High-Frequency Trading 1. Market Theories You need to understand how the market works. More specifically, you should understand market inefficiencies, relationships between different assetsproducts and price behaviour. Trading ideas stem from market inefficiencies. You will need to know how to evaluate market inefficiencies that give you a trading edge versus those that doesnt. Designing effective robots entails understanding how automated trading systems work. Essentially, an algorithmic trading strategy consists of 3 core components: 1) Entries, 2) Exits and 3) Position sizing. Youll need to design these 3 components in relation to the market inefficiency you are capturing (and no, this is not a straightforward process). You dont need to know advanced math (although it will help if you aim to build more complex strategies). Good critical thinking skills and a decent grasp on statistics will take you very far. Design involves backtesting (testing for trading edge and robustness) and optimisation (maximising performance with minimal curve fitting). Youll need to know how to manage a portfolio of algorithmic trading strategies too. Strategies can be complementary or conflicting this may lead to unplanned increases in risk exposure or unwanted hedging. Capital allocation is important too do you split capital equally during regular intervals or reward the winners with more capital If you know what products you want to trade, find suitable trading platforms for these products. Then learn the programming language API of this platformbacktesters. If you starting out, I would recommend Quantopian (stocks only), Quantconnect (stocks and FX) or Metatrader 4 (FX and CFDs on equity indices, stocks and commodities). The programming languages used are Python, C and MQL4 respectively. 4. Data Management Garbage in garbage out. Inaccurate data leads to inaccurate test results. We need reasonably clean data for accurate testing. Cleaning data is a trade-off between cost and accuracy. If you want more accurate data, you need to spend more time (time money) cleaning it. Some issues that cause dirty data include missing data, duplicate data, wrong data (bad ticks). Other issues that leads to misleading data include dividends, stock splits and futures rollovers etc. 5. Risk Management There are 2 main types of risk: Market risk and Operational risk. Market risk involves risk related to your trading strategy. Does it consider worst case scenarios What if a black swan event like World War 3 happens Have you hedged away unwanted risk Is your position sizing too high In addition to managing market risk, you need to look at operational risk. System crash, loss of internet connect, poor execution algorithm (leading to poorly executed prices, or missed trades due to inability to handle requoteshigh slippage) and theft by hackers are very real issues. 6. Live Execution Backtesting and live trading are very different. Youll need to select proper brokers (MM vs STP vs ECN). Forex Market News with Forex Trading Forums amp Forex Brokers Reviews is your best friend, read broker reviews there. You need proper infrastructure (secure VPN and downtime handling etc) and evaluation procedures (monitor your robots performance and analyse them in relation to market inefficiencybacktestsoptimisations) to manage your robot throughout its lifetime. You need to know when to intervene (modifyupdateshutdownturn on your robots) and when not to. Evaluation and Optimization of Trading Strategies Pardo (Great insights on methods on building and testing trading strategies) Trade your way to Financial Freedom Van K Tharp (Ridiculous-Click bait title aside, this book is a great overview to mechanical trading systems) Quantitative Trading Ernest Chan (Great introduction to algo trading on a retail level.) Trading and Exchanges: Market Microstructure for Practitioners Larry Harris (Market microstructure is the science of how exchanges function and what actually happens when a trade is placed. It is important to know this information even though you are just starting out) Algorithmic Trading amp DMA Barry Johnson (Shed light on banks execution algorithms. This is not directly applicable your algo trading but it is good to know) The Quants Scott Patterson (War stories of some top quants. Good as a bedtime read) Quantopian (Code, research, and discuss ideas with the community. Uses Python) Fundamentals of Algo Trading AlgoTrading101 (Disclaimer: I own this sitecourse. Learn robot design theories, market theories and coding. Uses MQL4) - Join the challenge (Learn trading concepts and backtesting theories. They recently developed their own backtesting and trading platform so this part is still new to me. But their knowledge base on trading concepts are good.) Recommended BlogsForums (these includes finance, trading and algo trading forums): Recommended Programming Languages: If you know what products you want to trade, find suitable trading platforms for these products. Then learn the programming language API of this platformbacktesters. If you starting out, I would recommend Quantopian (stocks only), Quantconnect (stocks and FX) or Metatrader 4 (FX and CFDs on equity indices, stocks and commodities). The programming languages used are Python, C and MQL4 respectively. 17.1k Views middot View Upvotes middot Not for Reproduction If investment is a process, then the logical conclusion is automation. Algorithms are nothing else than the extreme formalisation of an underlying philosophy. This is the visual expression of a trading edge Trading edge Win Avg Win - Loss Avg Loss It changed my life and the way I approach the markets. Visualise your distribution, always. It will help You clarify your concepts, shed light on your logical flaws, but first let039s start with philosophy and belief elicitation 1. Why is it important to clarify your beliefs We trade our beliefs. More importantly, we trade our subconscious beliefs. quotIf You don039t know who you are, markets are an expensive place to find outquot, Adam Smith Many people do not take the time to elicit their beliefs and operate on borrowed beliefs. Unanswered questions and faulty logic is the reason why some systematic traders tweak their system around each drawdown. i used to be like that for many years. Belief elicitation exercises: The Work by Byron Katie. After i completed a 2 beliefs a day challenge for 100 days, i could explain my style to any grandmother 5 why. Ask yourself a question with why and dive deeper. Mindsets: expansive and subtractive or smoothie Vs band-aid There are two types of mindset, and we need both at different times: Expansive to explore concepts, ideas, tricks etc Subtractive: to simplify and clarify concepts Systematic traders who fail at being subtractive have a smoothie approach. They throw all kinds of stuff into their strategy and then blend it with an optimizer. Bad move: complexity is a form of laziness Overly subtractive systematic traders have a band aid mentality. They hard-code everything and then good luck patching quotEssentialist tradersquot understand that it is a dance between periods of exploration and times of hard core simplification. Simple is not easy It has taken me 3,873 hours, and i accept it may take a lifetime2. Exit: start with the end in mind Counter-intuitive truth The only time when you know if a trade was profitable is after exit, right So, focus on the exit logic first. In my opinion, the main reason why people fail to automate their strategy is that they focus too much on entry and not enough on exit. The quality of your exits shapes your PampL distribution, see chart above Spend enormous time on stop loss as it affects 4 components of your trading system: Win, Loss, Avg Loss, trading frequency The quality of your system will be determined by the quality of your stop loss, 3. Money is made in the money management module Equal weight is a form of laziness. The size of your bets will determine the shape of your returns. Understand when your strategy does not work and reduce size. Conversely, increase size when it works. I will write more about position sizing on my website, but there are many resources across the internet 3. Last and very least, Entry After you have watched a full season of quotdesperate housewivesquot or quotbreaking badquot, had some chocolate, walked the dog, fed the fish, called your mom, then it039s time to think about entry. Read the above formula, stock picking is not a primary component. One may argue that proper stock picking may increase win. Maybe, but it is worthless if there is neither proper exit policy, nor money management. In probabilistic terms, after you have fixed exit, entry becomes a sliding scale probability 4. What to focus on when testing There is no magical moving average, indicator value. When testing your system, focus on three things: False positives: they erode performance. Find simple (elegant) ways to reduce them, work on the logic periods when the strategy does not work: no strategy works all the time. Be prepared for that and prepare contingency plans in advance. Tweaking the system during a drawdown is like learning to swim in a storm Buying power and money management: this is another counter-intuitive fact. Your system may generate ideas but you do not have the buying power to execute. Please, have a look at the chart above I build all my strategies from the short side first. The best test of robustness for a strategy is the short side: Thin volume brutally volatile shorter cycle Platforms I started out on WealthLab developer. It has a spectacular position sizing library. This is the only platform that allows portfolio wide backtetsing and optimisation. I test all my concepts on WLD. Highly recommend. It has one drawback, it does not connect position sizer with real live trading. Amibroker is good too. It has an API that connects to Interactive brokers and a decent poisition sizer. We program on Metatrader for Forex. Unfortunately, Metatrader has gone down the complexity rabbit hole. there is a vibrant community out there. MatLab, the weapon of choice for engineers. No comment. Tradestation Perry Kaufman wrote some good books about TS. There is a vibrant community out there. It is easier than most other platforms Final advice If You want to learn to swim, You have to jump in the water. Many novices want to send their billion dollar ideas to some cheap programmers somewhere. It does not work like that. You need to learn the language, the logic. Brace for a long journey 14.9k Views middot View Upvotes middot Not for Reproduction Though this is a very broad topic with references to building algorithms, setting infrastructure, asset allocation and risk management but i will just focus on the first part of how should be work on building our own algorithm, and doing the right things. 1. Building Strategy . Some of the key points to note here are: Catch Big Trends - A good strategy must in all the cases, make money when the market is trending. Markets go with a good trend which lasts only 15-20 of the time, but this is the time when all the cats and dogs(traders from all time-frame, intraday, daily, weekly, long term) are out shopping and they all have one common theme. A lot of traders also build mean reversion strategies in which they try to judge conditions when the price have moved far from the mean, and take a trade against the trend but they should be built when you have successfully build and traded some good trend following systems. Odds of stacking up - People often work towards trying to build a system which has a excellent winloss ratio but that039s not the right approach. For example an algo with a winner of 70 with a average profit of 100 per trade and average loss of 200 per trade will just make 100 per 10 trades(10trade net). But an algo with a winner of 30 with average profit of 500 per trade and loss of 100 per trade will make a net profit of 800 for 10 trades(80trade). So it is not necessary that winloss ratio should be good, rather it039s the odds of stacking up which should be better. This goes by saying quotKeep losses small, but let your winners runquot. quotIn investing, what is comfortable is rarely profitable. quot - Robert Arnott Drawdown - Drawdown is unavoidable, if you are following any type of strategy. So while designing an algo don039t try to reduce the drawdown or do some specific custom condition to take care of that drawdown. This specific condition can in future may act as a roadblock in catching a big trend and your algo may perform poorly. Risk Management - When constructing a strategy, you should always have an exit gate, whatever the market chooses to do. The market is a place of odds and you must design an algo to get you out of a trade as soon as possible if it doesn039t fit your risk appetite. Normally it is argued that you must risk 1-2 of capital in each trade, and is optimal in a lot of ways as even if you get arnd 10 false trades in succession your capital will go down by only 20.But this is not the case in actual market scenario. Some lossing trades will be between 0-1, while some may go to 3-4, so it is better to define average lossing capital per trade and the max capital you can loose in a trade, as markets are completely random and can039t be judged. quotEvery once in a while, the market does something so stupid it takes your breath away. quot - Jim Cramer 2. Testing and optimizing a Strategy Slippage . When we are testing a strategy on historical data, we are under the assumption that the order will be executed at the predefined price arrived by the algo. But this will never be the case, as we have to deal with market makers and HFT algo039s now. Your order in today039s world will never be executed on the desired price, and there will be slippage. This must be included in the testing. Market Impact : Volume traded by the algo is another major factor to be considered while doing back-testing and collecting historical results. As volume increases the orders placed by algo will have considerable market impact and the average price of filled order will be much different. Your algo may produce complete different results in actual market conditions, if you will not study the volume dynamics your algo has. Optimization : Most traders suggest you not to do curve fitting and over optimization and they are correct as the markets are a function of random variables and no two situation will ever be the same. So optimizing parameters for particular situations is a bad idea. I would suggest you to go for Zonal Optimization . It is a technique which i follow, buy identifying zones which have similar characteristics in terms of volatility and volume. Optimize these areas seperately, rather than optimizing for the whole period. The above are some of the most basic and most important steps that i follow, when converting a basic thought into an algorithm and checking it039s validity. quot Everyone has the brainpower to follow the stock market. If you made it through fifth-grade math, you can do it. quotPeter Lynch 17.3k Views middot View Upvotes middot Not for Reproduction Short answer: Learn mathematics applied to trading, the structure of markets and optionally be a top networkdistributed systems programmer. There are three potentially parallel tracks that can be taken to learn algorithmic trading from scratch depending on the ultimate purpose of why you wish to learn it. Here they are in increasing order of difficulty which also correlates to how much it becomes your part of your livelihood. The earlier ones will open the opportunities for the following ones. You may stop at any step along the way once you039ve learned enough or got a job doing it. If you want to be a quant, mostly use math software and not actually be a programmer of an algo system, then the short answer is get a PhD in Mathematics, Physics or some math-heavy related engineering topic. Try to get internships at top hedge funds, prop shops or investment banks. If you can get employed by a successful firm then you will be taught there otherwise, it simply won039t happen. But in any case, you still should finish the 039Self Study039 section below to make sure you really want to go through the effort of getting a PhD. Unless you are a genius, if you don039t have a PhD you won039t be able to compete with those that do unless you specialize in the programming of trading systems. If you wish to be more on the programming side, try applying for employment after each step, but no often than once a year per firm. Self Study The first step is to understand what algorithmic trading really is and what systems are required to support it. I039d recommend reading through quotAlgorithmic Trading amp DMAquot (Johnson, 2010), something I personally did and can recommend. That will let you understand at a basic level. Next you should program your own order book, a simple market data simulator and one algorithm implementation on your on with Java or CC. For extra credit that would help with getting employment you should write your own networking communication layer from scratch too. At this point you may be able finish answering the question on your own. But for completeness and curiosity, feel free to continue: The next book to tackle is quotTrading amp Exchanges: Market Microstructure for Practitionersquot (Harris, 2003). This will go into finer details of how the markets work. It is another book I039ve read, but not completely studied because I was a systems programmer and not a quant nor a manager on the business side. Finally, if you want to start to learn the mathematics on how the markets work, work through the text and problems in quotOptions, Futures, and Other Derivativesquot (Hull, 2003). I made it through about half of that textbook either in preparation for or as part of internal training at one of my former employers. I believe I originally found out about that book because it was either suggested or required reading for one of well regarded MS Financial Mathematics programs. To potentially get a better chance at employment through a new-grad feeder program, complete a MS Financial Mathematics program if you wish to be a programmer for a trading platform or a team of quants. If you want to be the one designing the algos, then you need to take the PhD route explained earlier. If you still haven039t finished college, then by all means, try to get an internship at the same type of places. Employment No matter how much you learn in books and school, nothing will compare with the little details you learn while working for a firm. If you don039t know all the edge cases and know when your model stops working, you will lose money. I hope that answers your question and that along the way of learning you discover if you really wish to transition from study to actual day-to-day work. 18.6k Views middot View Upvotes middot Not for Reproduction I do have a background as a programmer and setting up agilescrum teams before I started to look at algorithmic trading. The world of algorithmic trading fascinates me, however it can be a bit overwhelming. I started to get some perspective by diving into the Quantopian platform, watching the quant lectures series and running my and adapted community based algo trading systems in their environment. Like the one below: I then realised to get in deeper more fast, I have to meet people that love to create trading strategies, but can not program - to match myself as an agile team manager and programmer of trading systems. So I wrote a book on how to create a team to implement your trading algorithms . Building Trading Systems The Agile Way: How to Build Winning Algorithmic Trading Systems as a Team. In the community of Quantopian I saw financial savvy people looking for people to implement their trading strategies, but where afraid to ask programmers to implement their ideas. Since they potentially can start running their trading ideas without them. I address this issue in my book. To avoid programmers to run away with your ideas: create a specification for your trading idea that uses a coding framework that is tailored for the type of strategy you want to develop . This might sound difficult, but when you know all the baby steps and how they fit together, it is pretty straightforward and fun to manage If you enjoyed this answer, please up vote and follow. 2.7k Views middot View Upvotes middot Not for Reproduction Look at TradeLink (C) or ActiveQuant (Java). TradeLink039s code is more elegant. I039m typing this on a cell phone, so please excuse my brevity. basically, look at what comes in vs what goes out as an initial way to frame the problem. In. market data, exhangemarket events (executions to trades that your system placed, acks, rejects, trading-halted notification, etc). Out. Orders, modifications to ordes. quotBuy 100 15.5, IOCquot, for example. IOC immediate or cancel. In between. strategy decisions based on information gathered from real-time data, in conjunction with historical data and any other inputs (trader039s command from his GUI to trade moreless aggressively, etc). Things like. place an order, amend an existing order, etc Now you can begin to address the technical architecture of such a system. Of key importance would be the ability to express the strategy easily, elegantly, despite the complexity of event-processing involved (there are several interesting race conditions that can confuse your system with regards to the state of the market your orders, for example). I used to do this for a living and can probably go on endlessly But typing on a cell phone is a deterrent. Hope you found this useful. Contact me if you need further guidance. 21.3k Views middot View Upvotes middot Not for Reproduction Stephen Steinberg. Founder of Raw Athletics Founder of Capitol Startup Interactive Brokers Interactive Brokers has a really top-notch investing platform and decent pricing. It039s definitely a powerful tool, so you could probably get cheaper alternatives from the discount brokers like Etrade and Scottrade, but if you039re serious about algorithmic trading, IB is where it039s at. InvestFly Success is all about practice and testing your hypothesis and algorithms. Back-test, test the markets and compare it to others. I prefer Investfly - Virtual Stock Exchange, Stock Market Game amp Trading Strategies. but there are a ton of good programs out there. Idea Generation Don039t start from ground zero-- I like to get ideas from Motif Investing ( Online Brokerage, Investment Ideas, Stock Trading ) and Seeking Alpha, but always look at the big picture and think about how these things apply to your own hypothesis and formulas. Cheers and good luck 4.5k Views middot View Upvotes middot Not for Reproduction Updated 101w ago middot Upvoted by Patrick J Rooney. 5 years trading professionally I specialize in advanced o To start with the basics, get a hold of Amibroker ( AmiBroker - Download ). Amibroker has an easy to learn language and powerful backtest engine where you can prototype your ideas. Also get Howard Bandy 039s book Quantitative Trading Systems. This book is a really good introduction to the concepts of quant developing. You039ll also need at least a basic knowledge of statistics. There are plenty of good MOOC courses available for this for free. Such as this one Statistics One - Princeton University Coursera It039s also worth following The Whole Street. which is a mashup of all the quant blogs, many of whom publish Amibroker code with their ideas. From there, it039s then worth learning Python ( learn python - Google Search ), and also doing Andrew Ng039s excellent Stanford University Machine Learning course, which runs for free on Coursera . If you then want to put your own algorithms to the test, good sites for that are Quantconnect or Quantopian . Finally, this guy has some good advice on turning it into your career quantstart Good luck with the journey Partially taken from Alan Clement039s answer to How can a software developer in finance become a quant developer 16.3k Views middot View Upvotes middot Not for Reproduction What broker can I use to start paper trading my algorithm for free How can I build an Order Routing System for an algorithmic trading platform How profitable are the best stock trading algorithms Can a single person actually profitably engage in algorithmic trading Where can I get resources to start learning Python for Algorithmic trading Which broker is good for algorithmic trading I have a solid understanding of stocksderivatives amp have Python skills. I want to develop an automated algorithmic trading system. Where do I start What are the best returns from algorithm trading
Comments
Post a Comment