استراتژی ‌های الگوریتم‌ های معاملاتی

معامله گران اسکالپر نوسان گیرانی هستند که به قصد کسب حداقل بازده اقدام به معامله می کنند و ماشین ها و کامپیوترها برای چنین معاملاتی طراحی و بهینه سازی شده اند.

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، استراتژی ‌های الگوریتم‌ های معاملاتی 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.

چگونه می توان استراتژی های معاملات الگوریتمی را توسعه داد؟

فراگیری استراتژی های معاملات الگوریتمی یک فرصت استثنایی برای کسب درآمدهای بسیار بزرگ است و از آنجایی که عده ی کثیری از مردم همواره به دنبال کشف ایده هایی نو جهت افزایش دارایی های خود هستند، تصمیم گرفتند تا شغل های روزانه ی خود را رها کرده و وارد دنیای شگفت انگیز معاملات سهام در بورس شوند.

در گذشته به آن صورت فرصت فعالیت جدی در این حیطه وجود نداشت زیرا نرم افزارهای قدرتمند اجرای معاملات در دسترس نبود و همین طور دوره های پیشرفته ی آموزش بورس نیز مانند عصر حاضر برگزار نمیشد، در نتیجه مردم از علم و اطلاعات کافی برخوردار نبودند.

بسیاری از مردم در مقیاس بزرگ و کوچک، سود کسب کرده و یا از دست داده اند. درواقع فعالیت آن ها به مانند یک بانک دار ثروتمند بود که از یک شغل برتر و بدون علم کافی وارد معاملات بورس شده و در یک مدت اندک سرمایه های خود را ازدست داده، و قطعاً این اتفاق یک دلیل دارد و آن نداشتن استراتژی های معاملات الگوریتمی پیشرفته در روند بازار است.

داستان های مشابه زیادی در این باب وجود دارد، اما شما به عنوان یک تریدر، باید نحوه ی استفاده از هوش مصنوعی در بورس و همچنین استفاده از استراتژی های مناسب را جهت جلوگیری از این چنین ضررهای هنگفت، در دستور کار خود قرار دهید.

باید بگوییم که صدها استراتژی وجود دارد که هر کدام برای مدت زمان طولانی آزمایش و اثبات شده اند. بنابراین به عنوان یک تریدر باید بتوانید استراتژی های کاربردی را پیدا کرده و از آن ها در بازارهای مختلف استفاده کنید.

در این مقاله ما شما را با معاملات الگوریتمی آشنا می کنیم و همین طور جزئیات بسیار متنوعی را در مورد چگونگی توسعه ی استراتژی معاملات، با شما در میان خواهیم گذاشت.

معاملات الگوریتمی چیست؟

معاملات الگوریتمی ، مفهومی است که شما با استفاده از یکسری کدهای مختلف، اندیکاتورهای تکنیکال خود را با آن منطبق می کنید. در گذشته معاملات الگوریتمی اصطلاحاً شکارگاه افرادی بود که دارای تجربه و مهارت برنامه نویسی بالایی بودند. اما امروزه هر کسی به واسطه ی مجموعه ای از فنون کاربردی قادر به توسعه ی الگوریتم های خود و اجرای آن ها با استفاده از یک استراتژی drag و drop ساده است.

استراتژی drag & drop روشی است که شما ابزارهای قبلاً توسعه یافته را به ترتیب از طریق آن drag می کنید. بعد از اینکه ابزارهای الگوریتمی خود را توسعه دادید ، می توانید آن ها را در زمان حضور یا عدم حضور خود مستقر کنید. شما همچنین می توانید الگوریتم هایی را ایجاد کنید، تا زمانی که انتظارات معاملاتی شما برآورده شد، به شما هشدار دهد.

مولفه های اصلی توسعه ی استراتژی های معاملات الگوریتمی

برای توسعه ی استراتژی های معاملات الگوریتمی خوب، به تعدادی از موارد بخصوص نیاز است. اول اینکه شما به اندیکاتور احتیاج دارید. ایده ی اصلی این است که وقتی برخی معیارهای اندیکاتورهای تکنیکال برآورده شد، اقدام کنیم.

اندیکاتورهای معاملات روز:

اندیکاتورهای تکنیکال زیادی وجود دارد که می توانید از آن ها در معاملات الگوریتمی استفاده کنید، با این حال توصیه می کنیم که فقط چند اندیکاتور خاص را که در آن هم تجربه و هم تسلط کافی را بدست آورده اید با یکدیگر ترکیب کنید. لذا موارد ذیل را پیشنهاد می کنیم :

• میانگین متحرک (moving average)
• پارابولیک سار (parabolic sar)
• استوکاستیک (Stochastic)
• اندیکاتور RSI
• اندیکاتور RVI

با داشتن این مجموعه از اندیکاتورها در یک مسیر واحد و درست قرار خواهید گرفت.

ورودی ها، متغییرها، و برخی از مسائل ریاضی:

معمولاً چهار نوع ورودی موجود است، که شامل رشته، عدد صحیح، بولین (Bolean) و تعداد است. بعد متغیرها را داریم، معمولاً متغیرهای متناظر متنوعی برای هر نوع داده وجود دارد، این نوع داده ها عبارتند از : بولین، تعداد، متن و زمان تاریخ. این متغیرها به الگوریتم ها می گویند که چه کاری را در چه زمانی انجام دهند.

جنبه های مهم بعدی ویژگی های ریاضیاتی است که شامل +، – و = در میان سایر موارد می باشد. نکته آخر اینکه بحث Logic یا منطق بسیار مهم است، آن ها عبارتند از And و Or، به عنوان مثال هنگامی که مقدار RSI برابر 29 و مقدار Stochastic برابر 28 باشد، می توانید معاملات الگوریتمی را به سمت خرید هدایت کنید. در اینجا این فرصت را دارید که از هر دو استفاده کنید.

انجام عملیات Backtesting روی استراتژی های معاملات الگوریتمی

یکی از مهم ترین جنبه های توسعه ی ابزار، برای گنجاندن آن در استراتژی های معاملات الگوریتمی ، تعیین زمان است. برای یک تریدر، استفاده از مقادیر طولانی مدت مانند میانگین متحرک 200 روزه ، کاری اشتباه است. واقعیت امر، در این حالت مسیر درستی طی نمی شود، لذا شما باید از یک بازه ی زمانی کوتاه مدت در توسعه ی برنامه های خود استفاده کنید.

بعد از اینکه Expert Advisor (اصطلاح دیگری برای الگوریتم ها) خود را توسعه دادید، مهم ترین کاری که باید در حوضه ی معاملات الگوریتمی انجام دهید، عملیات Backtesting است. اگر این کار را انجام نداده اید مطمئن باشید که موفق نخواهید شد. بک تستینگ به شما این امکان را می دهد تا الگوریتم های خود را به گذشته برگردانید و ببینید که عملکرد آن چقدر خوب است.

اگر به هر نحوی متوجه شدید که معاملات الگوریتمی شما عملکرد خوبی نداشته است، احتمال دارد که در آینده نیز به خوبی کار نکند، لذا همواره لازم است که روندهای خود را مورد بررسی قرار دهید.

3 مرحله برای تقویت استراتژی های الگوتریدینگ

درک تجزيه و تحلیل تکنیکال، بنیادی و احساسی:

اول شما باید یک درک اساسی از تحلیل تکنیکال، بنیادی و اساسی در معاملات الگوریتمی داشته باشید، با داشتن درک خوب در این باره، موقعیت بهتری برای اجرای برنامه های خود خواهید داشت. ایجاد این الگوریتم ها بدون داشتن دانش کافی در مورد این سه فاکتور عملاً غیر ممکن است. زیرا شما نمی‌توانید از اندیکاتورهایی که قبلاً ذکر شد، به درستی استفاده کنید.

داشتن درک کافی از اصول برنامه نویسی:

شما باید بهترین کار را جهت یادگیری اصول برنامه نویسی انجام دهید، (ایده آل ترین آن زبان پایتون است). این زبان به شما کمک می کند تا فرمول های ریاضی را بسیار بهتر از عملیات drag & drop در فرآیند معاملات خود انجام دهید.

معاملات الگوریتمی خود را ایجاد و تست کنید:

پس از ایجاد الگوریتم ها، باید آن ها را برای چندین ماه تست کنید. همان طور که گفتیم، استفاده از مدل ها بدون صرف وقت جهت تست آن ها، امری خطرناک در اجرای معاملات الگوریتمی خواهد بود. به این دلیل است که شما یک مدل یا الگوریتم می خواهید که به ابعاد مختلف بازار پاسخ دهد.

معاملات الگوریتمی در رمزارزها و کسب سود از آن

معاملات الگوریتمی یا خودکار نوعی از معاملات در بازار ارزهای دیجیتال هستند که منجر به سود بیشتر و ریسک کمتر برای معامله گر می شوند. در ادامه با ما همراه باشید تا با معاملات الگوریتمی و نحوه کسب سود با استفاده از آن بیشتر آشنا شوید.

معاملات الگوریتمی (Algorithmic Trading) چیست؟

معاملات الگوریتمی استراتژی ‌های الگوریتم‌ های معاملاتی نرم افزار رایانه ای یا ربات معامله گری است که بر مبنای دستورات از پیش تعیین شده به نام الگوریتم در معاملات شرکت می کند و بدون نیاز به حضور معامله گر به ترید می پردازد. در معاملات الگوریتمی فاکتورهایی مانند حجم معامله، قیمت، زمان و… به صورت کد در نرم افزار کدنویسی می شود و بر اساس این کدها نرم افزار معاملات را به صورت اتوماتیک انجام می دهد.

ویژگی مهم و کلیدی معاملات الگوریتمی این است که معامله گر هیچ نقشی در انجام آن ندارد و کلیه مراحل آن توسط نرم افزار کامپیوتری و زبان های برنامه نویسی انجام می گیرد. این مراحل شامل تحلیل روند بازار، تعیین حد سود و ضرر، تعیین نقطه ورود و خروج و … می باشد. انجام معاملات توسط نرم افزار کامپیوتری از این رو حائز اهمیت است که سرعت عمل و پردازش سیستم های رایانه ای از انسان بیشتر است و دخالت عوامل و عواطف انسانی در ان به حداقل می رسد. در واقع این روش به دلیل عدم حضور معامله گر بسیار کارآمد و سودمند است.

انواع معاملات الگوریتمی

معاملات الگوریتمی مفهومی کلی برای تمام معاملاتی است که توسط نرم افزار کامپیوتری و یا ربات های معامله گر انجام می شود اما معاملات الگوریتمی بر اساس عملکرد خود به پنج دسته قابل تقسیم هستند که عبارتند از:

1. الگوریتم معاملاتی اجرا کننده دستور

در این دسته از الگوریتم ها تریدر نماد معاملاتی و زمان بندی ورود و خروج به بازار را وارد نرم افزار می کند. پس از آن سایر مراحل اعم از تعیین حد ضرر ، مراحل خرید و حجم معاملاتی توسط ربات معامله گر انجام می شود.

1. الگوریتم سیگنال دهی

در این الگوریتم داده ها و اطلاعات بسیاری در اختیار معامله گر قرار داده می شود و روش های مختلف و سودآور را به او معرفی می کند تا معاملات خود را با بازده بالاتری انجام دهد. البته باید بدانید که این الگوریتم ها باید در کنار دیگر ابزارهای تحلیل مورد استفاده قرار گیرند و به تنهایی کافی نیستند.

1. الگوریتم monitoring یا پایش بازار

با استفاده از این الگوریتم در معاملات، تریدر می تواند چشم انداز بهتری از بازار داشته باشد. در این الگوریتم معامله گر با اعمال فیلتر و وارد کردن شرایط مورد انتظار خود نظارت بهتری بر معاملات و روند آنها خواهد داشت.

1. الگوریتم position trading یا کم بسامد

این الگوریتم که بیشتر در معاملات بلند مدت کاربرد دارد استراتژی ترکیبی از معامله و سرمایه گذاری است. به این صورت که پس از رسیدن معامله به شرایط مورد نظر معامله گر به صورت خودکار دستور خرید یا فروش را انجام می دهد و قدرت تشخیص بالایی در نقاط ورود و خروج دارد.

1. الگوریتم HFT یا پر بسامد

الگوریتم فرکانس بالا بر خلاف الگوریتم کم بسامد در معاملات کوتاه مدت و در زمان بسیاری کم کاربرد دارند. این الگوریتم ها در مدت زمان کم سفارشات خرید و فروش را اجرا می کنند و ممکن است این زمان گاهی کمتر از یک ثانیه طول بکشد.

برای معاملات الگوریتمی به چه چیزی نیاز داریم؟

برای بهره مندی از معاملات الگوریتمی معامله گر باید از برخی ابزارها و مولفه ها را فراهم نماید. این مولفه ها عبارتند از:

• آشنایی با روند و دیتای بازار
• امکان آزمایش و ارزیابی استراتژی
• آشنایی با برنامه نویسی
• دسترسی به شبکه و پلتفرم های معاملاتی

استفاده از معاملات الگوریتمی چه مزایایی دارد؟

معاملات الگوریتمی در بازارهای مالی از محبوبیت بالایی برخوردارند و بسیاری از تریدرها برای معاملات خود از آنها بهره مند می شوند. اما دلیل این محبوبیت چیست؟ یکی از مهمترین عواملی که معاملات الگوریتمی طرفداران بسیاری دارند، مزایایی است که در اختیار معامله گر قرار می دهند. در این بخش به برخی از مزیت های این معاملات خواهیم پرداخت.

معاملات خودکار: مهمترین ویژگی و مزیت این روش معاملاتی، انجام سفارش های خرید و فروش به صورت خودکار است. در این معاملات به سبب پردازش رایانه ای، معاملات کاملا هوشمندتر و سریع در بهترین قیمت تر پردازش می شوند.

مدیریت آسان: در معاملات الگوریتمی امکان مدیریت چند رمز ارز مختلف به طور همزمان وجود دارد همچنین معامله گر می تواند شرایط مورد نظر را برای رمز ارزهای متعدد وارد کرده تا در زمان مناسب ورود انجام گیرد.

بدون خطای انسانی: در معاملات الگوریتمی احساساتی مانند فومو و یا حرص و طمع در این ربات ها وجود ندارد که معامله را تحت تاثیر قرار دهد. همچنین به دلیل پردازش معاملات توسط کامپیوترها احتمال خطای انسانی بسیار پایین است.

زمان: در معاملات الگوریتمی با وارد کردن شرایط لازم دیگر معامله گر نیازی به انجام کارهای دیگر ندارد و معامله پس از فراهم شدن شرایط در هر ساعت از شبانه روز انجام می گیرد.

هوشمند بودن: نرم افزارهای معامله کر نیازی به تجربه و آزمون و خطا ندارند و به طور هوشمند به تجزیه و تحلیل روند بازار می پردازند. این ربات ها از بهترین راه های ممکن برای به حداکثر رساندن سود معامله استفاده می کنند.

محدودیت های استفاده از معاملات الگوریتمی

معاملات الگوریتمی در کنار مزایای خود ممکن است ریسک ها و محدودیت هایی نیز به همراه داشته باشند. برای شرکت در این معاملات سیستم معامله گر باید همواره به اینترنت متصل باشد و در صورت قطعی اینترنت و یا مشکلات سرویس ممکن است در روند معاملات اختلال وارد شده و دارایی های شما از دست برود.

از طرفی ایراد و وجود باگ در کدهای وارد شده در برنامه ممکن است شما را متحمل ضررهای جبران ناپذیری کند. بنابراین معامله گر باید دانش بسیاری در زمینه برنامه نویسی داشته باشد تا بتواند کدهای بی نقصی را به نرم افزار ارائه نماید.

استراتژی های مورد استفاده در معاملات الگوریتمی

در معاملات الگوریتمی از استراتژی های مختلفی برای بازدهی بیشتر معاملات استفاده می شود. در استراتژی ‌های الگوریتم‌ های معاملاتی این بخش به برخی از سودمند ترین استراتژی های مورد استفاده در این معاملات خواهیم پرداخت.

آربیتراژ: آربیتراژ که در مقالات پیشین به طور مفصل به آن پرداختیم به معنای کسب سود از اختلاف قیمت در دو بازار معاملاتی مختلف است. ربات های معامله گر الگوریتمی می توانند با رصد بازار ارز دیجیتال را در بازاری که قیمت کمتری دارد خریداری کرده و سپس آن را در بازار دیگر با قیمت بالاتری به فروش برسانند.

دنبال کننده روند یا ترند فالوینگ: این استراتژی یکی از متداولترین استراتژی های مورد استفاده در معاملات الگوریتمی است. در این روش با بهره مندی از شاخص های تحلیل تکنیکال روند بازار شناسایی شده و سپس طبق روند فعلی بازار معامله انجام می شود.

تنظیم مجدد شاخص ها یا بازارسازی: شاخص های موجود در بازار ارزهای دیجیتال در دوره های زمانی تعیین شده ای بر اثر تغییرات قیمت شدید باز تنظیم می شوند. زمانی که سرعت تغییر در قیمت زیاد باشد تنظیم مجدد شاخص ها اندکی زمان بر خواهد بود که این شرایط زمان مناسبی برای ورود به بازار است و نرم افزار از این تاخیر در بازتنظیم شاخص برای ورود به بازار و کسب سود استفاده می کند.

بازگشت به میانگین: در این روش معاملاتی بازه بین بیشترین و کمترین قیمت نماد در نظر گرفته می شود و طبق آن یک الگوریتم مشخص بازگشت به میانگین طراحی می شود. سپس با استفاده از این الگوریتم معامله به صورت خودکار معامله انجام می شود و اگر از بازه تعیین شده قیمت کمتر و یا بیشتر شود یک پوزیشن معاملاتی جدید ایجاد می شود.

سخن پایانی

معاملات الگوریتمی نوعی از معاملات در بازار ارزهای دیجیتال هستند که در آنها با استفاده از زبان برنامه نویسی کامپیوتر معاملات به طور خودکار انجام می شوند. در این معاملات، تریدر تنها باید شرایط مورد انتظار خود را به زبان کامپیوتر وارد کند و سپس منتظر اجرای آن باشد. در این معاملات تریدر برای پیاده سازی خواسته های خود در نرم افزار باید با دانش برنامه استراتژی ‌های الگوریتم‌ های معاملاتی نویسی آشنایی داشته باشد. لازم به ذکر است این معاملات در عین سودمندی می توانند ریسک بالایی نیز به همراه داشته باشند بنابراین پیش از استفاده از این روش معاملاتی باید در زمینه کامپیوتر، برنامه نویسی و تحلیل معاملات داشته باشید.

آشنایی با معاملات الگوریتمی (بخش دوم)

معامله گران اسکالپر نوسان گیرانی هستند که به قصد کسب حداقل بازده اقدام به معامله می کنند و ماشین ها و کامپیوترها برای چنین معاملاتی طراحی و بهینه سازی شده اند.

آموزش بورس همراه با عصر ایران و بورس24 :

یک سیستم معاملات هوشمند می تواند مزایا و معایبی داشته باشد که مهم ترین آن ها عبارتند از:

• پیاده سازی استراتژی های مختلف معاملاتی بسته به شرایط معامله گر
• حذف هیجانات و احساسات معامله گر
• حرکت بازارهای مالی به سمت افزایش نقدشوندگی و همچنین رشد کارایی بازار
• سرعت عمل بالاتر در تحلیل و انجام معاملات
• ارزیابی و بررسی وسیع تر بازار در زمانی کوتاه

• در صورت وجود خطا در برنامه ریزی و الگوریتم، به سرعت معاملات به ضرر خواهد نشست

• حذف احساسات می تواند معامله گر را از بازدهی در شرایط هیجانی بازار نیمه کارا یا غیر کارا محروم نماید و معاملات عملا با سودی کمتر از سود متوسط بازار بسته می شوند
• با وجود پیشرفت علم و شناخت روش های عصبی اما هنوز محاسبه برخی عوامل روانشناختی بازار در قالب آمار و ریاضی امکان پذیر نیست

ابزارهای مورد نیاز برای معاملات الگوریتمی سری کاملی از داده ها است و همچنین نرم افزار یا ماشین قدرتمندی که قابلیت تحلیل داشته باشد و استراتژی شما که در قالب کدها یا برنامه به نرم افزار مربوطه وارد خواهد شد. همچنین در کنار این موارد وجود کامپیوتر، سرور و ابزار جانبی غیر قابل انکار است. سپس خروجی می تواند در قالب یک سیگنال یا هر چیز دیگری به شما خرید یا فروش در بازار سهام را پیشنهاد نماید که طبیعتا وجود کارگزار برای انجام معامله و پیاده سازی آن در مرحله نهایی را نیاز دارد.

تمام این اتفاقات می تواند در یک سیستم یا چند سیستم با فاصله زمانی یا حتی بدون فاصله زمانی انجام گیرد و ماکزیمم زمان مورد نیاز برای انجام این معاملات اول از همه به زمان پردازش داده ها و سپس به زمان انجام معامله ختم خواهد شد و اگر عامل انسانی میان این دو پروسه قرار گیرد، می تواند زمان نهایی یک معامله بر اساس الگوریتم را به تاخیر بیاندازد.

معامله الگوریتمی

استراتژی­های معاملات الگوریتمی در طی دهه گذشته در معاملات سازمانی طوفان به پا کرده است. اکنون بازرگانان خرده فروشی نیز به رونق استفاده از ربات ­های معاملاتی مبتنی بر ماشین افزوده­اند. در این مقاله، ما مقدم ه­ای در مورد استراتژی­های معامله استراتژی ‌های الگوریتم‌ های معاملاتی الگوریتمی، انواع مختلفی که وجود دارد و این­که چگونه می­توانید با یک سیستم معامله خودکار از یک حساب معامله مجازی رایگان کار خود را شروع کنید – یک روش عالی برای یادگیری عملی موضوع چیست!-

استراتژی­ های معامله الگوریتمی چیست؟

معاملات الگوریتمی و استراتژی­های کمّی اساساً سیستم ­های معاملاتی “جعبه سیاه” هستند که در آن­ها اجرای معاملات به طور خودکار از طریق دستورالعمل­ های از پیش برنامه ریزی شده انجام می­شود. این دستورالعمل­ ها توسط معامله گر یا برنامه نویس تهیه شده و در سطرهای کد کامپیوتری نوشته شده­اند و ممکن است جزئیات مربوط به شرایط مورد نیاز و پارامترهای لازم برای خرید یا فروش را بیان کنند.

اما استراتژی ‌های الگوریتم‌ های معاملاتی آیا معاملات الگوریتمی سودآور است و معاملات الگوریتمی بر اساس چند درصد از بازار انجام می­شود؟ طبق بانک سرمایه گذاری JP Morgan ، تنها حدود ده درصد معاملات سهام در ایالات متحده توسط سرمایه گذاران سنتی انجام می­شود. این بدان معنی است که حدود 90٪ از کل معاملات سهام ایالات متحده توسط ماشین انجام می­شود. ارقام هم­چنین حاکی از آن است که از بین انواع مختلف استراتژی­های الگوریتمی، بیش از 5.1 تریلیون دلار مدیریت دارند.

بسیاری از سرمایه گذاران باتجربه و مدیران صندوق­ های هجینگ، قبلاً گفته اند که بازی به دلیل بی ثباتی و تصادفی بودن استراتژی­های معاملات الگوریتمی با فرکانس بالا که معاملات خود را طی چند نانو ثانیه انجام می­دهد، و هر نوع معامله­ گر انسانی را شکست می­دهد، تغییر کرده است. یک سوال رایج در بین معامله گران خرده فروشی این است که “چگونه معامله الگوریتمی را شروع کنم؟” قبل از بررسی این موضوع، مهم است که در واقع برخی از استراتژی­های معاملات الگوریتمی مورد استفاده توسط معامله گران کمّی را بدانیم.

انواع مختلف استراتژی­ های الگوریتمی

انواع مختلفی از استراتژی­های الگوریتمی یا استراتژی­های کمّی در هر برهه از زمان در بازارهای مالی مستقر شده­اند. هر روز با ظهور الگوهای جدید در بازار، بیش­تر و بیش­تر در حال ساخت است. بانک ­های سرمایه گذاری و صندوق­ های سرمایه گذاری میلیون­ ها دلار هزینه می­کنند و طبقات اختصاصی برای سرمایه گذاری در این نوع معامله دارند.

در زیر فقط چند مورد از انواع مختلف استراتژی­های الگوریتمی که توسط معامله گران کمّی استفاده شده است، وجود دارد. برخی از آن­ها برای معامله­ گران خرده فروشی روزمره دور از دسترس نیستند اما مهم است که انواع مختلفی را که وجود استراتژی ‌های الگوریتم‌ های معاملاتی دارد بدانید زیرا فناوری همیشه پیشرفت می­کند. قبل از این­که ببینیم چگونه معامله گران خرده فروشی می­توانند در واقع با تجارت الگوریتمی با استفاده از بستر معاملات MetaTrader 5 که در سطح جهانی شناخته شده است، شروع به کار کنند، بیایید نگاهی به چند مورد از رایج­ترین و بهترین استراتژی­های معاملات الگوریتمی مورد استفاده موسسات بیندازیم.

آیا می­دانید می­توانید پلت فرم معاملاتی MetaTrader 4 ارائه شده توسط Admiral Markets را کاملاً رایگان دانلود کنید؟ این پلت فرم به کاربران امکان می­ دهد تا مستقیماً از نمودار با استفاده از سفارشات دستی و هم­چنین از طریق Expert Advisors (EA) که سیستم معامله خودکار هستند معامله کنند. با این حال بهتر است بازار MetaTrader وجود داشته باشد که در آن می­توانید سایر استراتژی­های معاملات الگوریتمی را برای استفاده پیدا کنید – موضوعی که در پایین بحث شده است.

استراتژی ­های بازگشت به میانگین

یک استراتژی معاملاتی بازگشت به میانگین، ​​استراتژی است که بازارهایی را مشخص می­کند که بیش از حد در یک جهت حرکت کرده­ اند و آماده بازگشت به متوسط ​​قیمت آن هستند. بسیاری از معامله گران خرده فروشی در واقع هنگام خرید و فروش از چیزی شبیه به باندهای بولینگر – یک شاخص معاملاتی فنی بسیار محبوب بازگشت به میانگین- استفاده می­کنند.

در حالی که برخی از معامله­ گران کمّی نیز از چنین ابزاری استفاده می­کنند، پارامترها و شرایط برای شناسایی بازاری که در شرف بازگشت به میانگین خود است، بسیار گسترده است. نه تنها یک تجزیه و تحلیل از ابزارهای فنی وجود دارد بلکه احتمالات همبستگی متقابل دارایی، تجزیه و تحلیل نوسانات و احساسات و موارد دیگر وجود دارد.

تعادل مجدد شاخص بورس

وجوه شاخص بورس سهام باید هر چند وقت یک بار “متعادل” شوند تا قیمت­های اساسی جدید و تغییر در سرمایه بازار سهام فردی که دنبال می­کنند، فراهم شود. این تعادل مجدد خرید و فروش برای تعدیل وجوه کلی، فرصت­های بی نظیری را برای معامله­ گران الگوریتمی ایجاد می­کند که می­توانند از معاملات پیش فروش و بهره برداری از معاملات پیش بینی شده برای تعادل مجدد صندوق استفاده کنند.

البته، این نوع استراتژی صرفاً برای دامنه معامله ­گران با فرکانس بالا است که می توانند چنین شرایطی را با استفاده از روش­ های مدل سازی کمّی شناسایی کنند اما سپس از هر حرکت بالقوه در نانو ثانیه و با اندازه مناسب سرمایه و فرآیندهای مدیریت ریسک استفاده می­کنند.

استراتژی­ های معامله الگوریتمی Arbitrage

معاملات Arbitrage فرآیند یافتن فرصت­ هایی در اختلاف قیمت بین دو بازار مشابه است. این نوع شرایط می­توانند هنگامی به وجود آیند که یک بازار از مکان­ های مختلف معامله شود. به عنوان مثال، قیمت ارزهای رمزنگاری شده در صرافی­ های مختلف ارزهای رمزنگاری بسیار متفاوت است. این امر هم­چنین می­تواند در بازارهایی اتفاق بیفتد که در بازارهای آتی و بازارهای نقدی، معامله می­شوند و یکی از دلایل رایج بودن استراتژی­های معاملات الگوریتمی آتی است.

استراتژی­های معاملات Arbitrage احتمالاً متداول­ترین نوع استراتژی معاملاتی با فرکانس بالا است. البته، این فقط برای کسانی است که می­توانند معاملات متعددی در نانو ثانیه انجام دهند، اما مهم­تر از همه ابزار و منابع مناسب برای تشخیص تفاوت قیمت بین دو بازار را دارند.

در حالی که بسیاری از معامله­ گران خرده فروشی اغلب تلاش می­کنند استراتژی­های معاملات الگوریتمی بیت کوین را پیدا کنند، این بیش­تر برای معامله­ گران حقوقی است. دلیل این امر این است که اندازه قرارداد برای معامله در بازارهای آتی کاملاً مناسب است، به این معنی که افراد به یک حساب معاملاتی بسیار بزرگ احتیاج دارند. محدودیت­ های اهرمی هم­چنین معامله­ گران خرده فروشی را از استراتژی­های خودکار ارزهای رمزنگاری شده باز می دارد.

استراتژی­ های معامله الگوریتمی trend following

استراتژی­های معاملاتی trend following مبتنی بر حرکت در بین معامله­ گران حقوقی بلند مدت و هم­چنین معامله­ گران خرده فروشی که با معامله خودکار با استفاده از استراتژی­های معاملاتی الگوریتمی فارکس شروع می­کنند، بسیار رایج است.

ایده یک سیستم trend following برای شناسایی یک بازار، مبتنی بر حرکت است که می­تواند به یک trend بلند مدت تبدیل شود. البته، اصطلاح “بلند مدت” نسبی است. استراتژی­های معاملات الگوریتمی روزانه ممکن است اصطلاح بلند مدت را فقط به اندازه چند ساعت طبقه بندی کنند. یک معامله گر کمّی بلند مدت ممکن است بلند مدت را چندین هفته یا چندین ماه طبقه بندی کند. این واقعیت که انواع مختلفی از معامله­ گران کارهای مختلفی انجام می­دهند، یکی از دلایلی است که بازار همیشه با گذشت زمان بالا و پایین می­شود!

تصویری از پلت­فرم معاملاتی MetaTrader 5 که توسط Admiral Markets ارائه شده است، میانگین متحرک نمایی 20 دوره، 50 دوره و 100 دوره و اندیکاتور MACD را نشان می­دهد.

سلب مسئولیت: نمودارهای ابزارهای مالی در این مقاله برای اهداف گویا هستند و به منزله مشاوره معاملاتی یا درخواست خرید یا فروش هرگونه ابزار مالی ارائه شده توسط Admiral Markets (قراردادهای مختلف، صندوق­ های معاملات بورس، سهام) نیست. عملکرد گذشته نشانه عملکرد آینده نیست.

نمودار فوق نوعی پیرو trend است. اندیکاتورهای معاملات فنی مانند میانگین متحرک به معامله­ گران کمک می­کند تا شرایط قوی trend را تشخیص دهند و نوسانگرها می­توانند به شناسایی آغاز یا انتهای حرکت کمک کنند. در حالی که معامله گران سنتی قوانینی در مورد زمان خرید یا فروش و مکان تعیین می­کنند، معامله گران کمّی به سادگی خطوطی از کدها را می­نویسند تا شرایط خرید یا فروش را به طور خودکار شناسایی کنند و سپس در واقع آن سفارشات را اجرا کنند.

البته، یافتن استراتژی­های معامله الگوریتمی برنده، شامل آزمایش و خطای زیادی است. بعضی از بازارها بسته به نوع استراتژی کمّی که ممکن است از آن تقلید کنید، ممکن است عملکرد بهتری نسبت به سایر بازارها داشته باشند. خوشبختانه Admiral Markets دسترسی به نسخه ارتقا یافته MetaTrader 4 با نام MetaTrader 5 را نیز فراهم می­کند.

پلتفرم معاملاتی MetaTrader 5 به کاربران امکان می­دهد ضمن دسترسی به ابزارهای پیشرفته معامله، در چندین کلاس دارایی معامله کنند. این بدان معناست که شما می­توانید با استفاده از Expert Advisors در طیف گسترده­ ای از کلاس­های مختلف دارایی مانند CFD در سهام، کالاها، فارکس، اندیکاتورها و سایر موارد، یک استراتژی معاملاتی خودکار را معامله کنید! با کلیک بر روی بنر زیر، پلت فرم را به صورت رایگان دانلود کنید:

اکنون شما در مورد انواع مختلف استراتژی­های الگوریتمی کمی بیش­تر می­دانید، چگونه یک استراتژی معاملاتی را خودکار می­کنید؟ بیایید این را بفهمیم!

نحوه استفاده از سیستم معاملات الگوریتمی

سه گزینه برای بیش­تر افراد وجود دارد که می­توانند از یک سیستم معاملاتی خودکار استفاده کنند.

• یاد بگیرید چگونه رمزگذاری کنید و یک سیستم معاملاتی خودکار برای خود بسازید.
• یک برنامه نویس استخدام کرده و برای ساختن یک برنامه با آن­ها کار کنید.
• یک سیستم از قبل ساخته شده در بازار MetaTrader پیدا کنید.

بیایید نگاهی به گزینه سه بیندازیم. برای دسترسی به بازار MetaTrader Market، به سادگی بستر معاملاتی MetaTrader خود را باز کرده و جعبه ابزار (MT5) یا Terminal (MT4) را باز کنید. این را می­توان در View از منوی بالا یا با فشار دادن Ctrl + T مشاهده کرد. روی جایی که Market می­گوید، کلیک کنید و سپس روی Experts در تب­ های لیست شده Main، Experts، Indicators، Libraries، Utilities، Favorites، Purced کلیک کنید.

در تب Experts، همه استراتژی­های مختلف خودکار را که به صورت پولی یا رایگان در دسترس هستند، لیست شده است. این سیستم­ ها توسط Trend ، Scalping ، Level Trading ، Multicurrency و موارد دیگر دسته بندی می­شوند. با کلیک بر روی هر یک از کاربران Experts، می­توانید آماری را برای آن مشاهده کنید، آن را بخرید، اجاره کنید یا نسخه دمو را دانلود کنید. در مقاله “راهنمای نهایی معاملات الگوریتمی” می­توانید درباره نحوه انجام این کار بیش­تر بیاموزید.

دقت در هنگام استفاده از هر نوع سیستم معاملاتی خودکار کاملاً ضروری است. هزاران مورد برای مشاهده وجود دارد که همه آن­ها خوب نیستند. اصول دقیق مدیریت ریسک ضروری است. در حقیقت، عاقلانه است که ابتدا حداقل برای چند ماه با یک دموی حساب معاملاتی معامله کنید تا ببینید عملکرد یک سیستم از طریق تغییر شرایط بازار چیست.

این مقاله ترجمه شده توسط تیم آکادمی ایران ام کیو ال می باشد.