علوم داده و بهینه سازی مبتنی بر هوش مصنوعی در برنامه نویسی علمی

معاملات اتوماتیک با فرکانس بالا: برنامه ای برای بورس سهام شیلی در حال ظهور

چکیده

این تحقیق به دنبال طراحی ، پیاده سازی و آزمایش یک سیستم معاملاتی کاملاً اتوماتیک با فرکانس بالا است که در بازار سهام شیلی فعالیت می کند ، به طوری که قادر به ایجاد بازده خالص مثبت با گذشت زمان است. سیستمی که تجارت با فرکانس بالا (HFT) را پیاده سازی می کند از طریق ابزارهای رایانه ای پیشرفته به عنوان یک مشکل از نوع NP-Complete که در آن برای بهینه سازی سودآوری عملیات خرید و فروش سهام لازم است ، ارائه می شود. این تحقیق آزمایش های فردی از الگوریتم های اجرا شده را انجام می دهد ، بازده خالص نظری (سودآوری) را که می تواند در آخرین روز ، ماه و ترم داده های بازار واقعی اعمال شود ، بررسی می کند. سرانجام ، این تحقیق تعیین می کند که کدام یک از انواع سیستم اجرا شده بهترین عملکرد را انجام می دهد ، با استفاده از بازده خالص به عنوان پایه ای برای مقایسه. استفاده از بهینه سازی swarm ذرات به عنوان یک الگوریتم بهینه سازی یک راه حل مؤثر است زیرا قادر به بهینه سازی مجموعه ای از متغیرهای متفاوت است اما به یک دامنه خاص محدود می شود و در نتیجه بهبود قابل توجهی در محلول نهایی ایجاد می شود.

1. مقدمه

این تحقیق به دنبال طراحی ، پیاده سازی و آزمایش یک سیستم معاملاتی کاملاً اتوماتیک است که در بورس ملی شیلی فعالیت می کند ، به طوری که قادر به ایجاد بازده خالص مثبت در طول زمان است. به طور خاص ، مایل به ایجاد سیستمی است که تجارت با فرکانس بالا (HFT) را پیاده سازی کند. بنابراین ، این تحقیق با کاربرد ابزارهای رایانه ای پیشرفته برای مشکل از نوع NP-Complete مطابقت دارد ، جایی که هدف بهینه سازی سودآوری عملیات خرید و فروش سهام است. به این ترتیب ، هدف ایجاد یک سیستم معاملاتی اتوماتیک است که قادر به تولید بازده مثبت برای مجموعه ای از داده های واقعی بازار سهام ملی ، تحت یک روش کاملاً اتوماتیک است ، جایی که هیچ مداخله ای از یک اپراتور انسانی وجود ندارددر تصمیم گیری و اجرای عملیات. بخش 2 سیستمهای تجارت خودکار و نیمه خودکار و زمینه تجارت با فرکانس بالا الگوریتمی را شرح می دهد. بخش 3 بررسی تکنیک های الگوریتم تجارت فعلی را ارائه می دهد که می توانند تحت حالت اتوماتیک HFT کار کنند ، نشان می دهد که از تکنیک های رایانه می توان استفاده کرد. بخش 4 طراحی یک سیستم معاملاتی اتوماتیک را در حالت HFT ارائه می دهد و نشانگر محدودیت در داده ها و ابزارهای مالی موجود در مطالعه است. الگوریتم ها تولید می شوند و سیستمی برای اجرای طرح پیشنهادی و الگوریتم های تولید شده ساخته شده است. آزمایش های فردی الگوریتم های اجرا شده انجام می شود و بازده خالص نظری (سودآوری) را که می تواند در آخرین روز ، ماه و ترم داده های بازار واقعی ایجاد شود ، بررسی می کند. سرانجام ، در بخش 5 مشخص می شود که کدام یک از انواع سیستم اجرا شده بهتر رفتار می کند ، با استفاده از بازده خالص به عنوان پایه ای برای مقایسه و استفاده از معیارهای دیگر در صورت لزوم.

2. پس زمینه

معاملات سهام فعالیتی است که صدها سال انجام شده است و هم اکنون در بورس اوراق بهادار در سراسر جهان انجام می شود. در این صرافی ها ، انواع زیادی از دارایی های مالی و ابزارهای بدهی روزانه معامله می شوند. تجارت سهام یک مشکل تصمیم گیری پیچیده است که شامل چندین متغیر است و همیشه راه حل بهینه ندارد ، زیرا شرایط با گذشت زمان متفاوت است و تحت تأثیر عوامل داخلی و خارجی قرار می گیرد.

در سالهای اخیر ، اجرای سیستم های تجارت خودکار و نیمه خودکار سهام که می توانند شرایط بازار را تجزیه و تحلیل کنند و تصمیمات لازم را برای انجام معاملات تجاری مورد نیاز اتخاذ کنند ، آغاز شده است. از سال 2008 ، چنین سیستمهایی دستاوردهای قابل توجهی و مداوم در بورس اوراق بهادار خارجی مانند بورس اوراق بهادار نیویورک (NYSE) را گزارش کرده اند [1]. این سیستم ها را می توان به سیستم "جعبه سیاه" مورگان استنلی ، که در سال 1985 [2] برای تولید سیگنال های خرید/فروش بر اساس داوری آماری ایجاد شد ، ردیابی کرد.

فایده استفاده از سیستم های خودکار برای کار معاملات سهام در این واقعیت نهفته است که مردم تمایل دارند بیش از حد به سیگنال ها (قیمت) توجه کنند و احتمالات انتقال را که سیگنال ها را تولید می کنند ، نادیده بگیرند. در مقابل ، یک سیستم خودکار می تواند احتمال انتقال قیمت را محاسبه کرده و مطابق با آن عمل کند [3] ، از مشکلات واکنش دیرهنگام یا واکنش بیش از حد به تغییرات جلوگیری می کند.

در حال حاضر ، ورود معامله گران اتوماتیک به بازار شیلی نسبتاً کم بوده است ، و هیچ اطلاعاتی در مورد چنین ورودی در دسترس نیست زیرا کسانی که از مکانیسم های معاملاتی خودکار استفاده می کنند ، از ترس از رقابت ، تمایلی به افشای جزئیات سیستم های خود ندارند. آغاز با سیستم "جعبه سیاه". بازار داخلی از سال 2010 توانسته است با معامله گران کم فرکانس پایین و بالا فعالیت کند ، هنگامی که بورس اوراق بهادار سانتیاگو سیستم HT Telepregon را راه اندازی کرد ، که اجازه می دهد تجارت سهام با حداکثر نرخ نظری 3000 معاملات در ثانیه [4 ،5]

تجارت مبادله مالکیت یک محصول خوب ، محصول یا خدمات از طرف شخص یا نهاد تحت شرایطی است که در ازای خریدار چیزی به دست می آید. بنابراین ، تجارت را می توان به عنوان عملی که توسط کارگزاران سهام یا مشتریان آنها انجام می شود ، درک کرد و به موجب آن ابزارهای مالی در بازارهای اوراق بهادار رد و بدل می شوند. این معاملات براساس اصل عرضه و تقاضای ابزارهای معامله شده است که باعث می شود قیمت ابزارها تغییر کند و سود (یا ضرر) ایجاد می کند که با تفاوت بین قیمت اصلی خرید و قیمت فروش نهایی تعیین می شود.

معاملات با فرکانس بالا (HFT) به عنوان روشی برای فعالیت در بورس های سهام که تعدادی از شرایط خاص اعمال می شود ، قابل درک است: (i) مبادله سریع سرمایه (ii) تعداد زیادی از معاملات انجام می شود (iii) به طور کلی ، سود کم در هر معامله بدست می آید (IV) موقعیت های ابزار مالی نه از یک روز معاملاتی به روز دیگر انباشته می شوند و نه از آن اجتناب می شود (V) تجارت از طریق یک سیستم رایانه ای انجام می شود

تعریف خود HFT نشان نمی دهد که آیا سیستم انجام آن اتوماتیک ، نیمه اتوماتیک یا کاربر است.

در مقابل ، معاملات خودکار با سیستم هایی که از ورود سفارشات خرید/فروش به بازار پشتیبانی می کنند ، متفاوت است ، مانند سیستم هایی که قادر به وارد کردن سفارشات به صورت خودکار بدون نیاز به یک اپراتور انسانی هستند اما این می تواند مواضع ابزارهای مالی را از یک روز به روز حفظ کندبعد.

هیچ فرمول واحدی برای تعریف HFT یا سیستم معاملاتی اتوماتیک وجود ندارد [1 ، 6 ، 7]. به عنوان مثال ، بیان شده است که یک سیستم تجارت الگوریتمی (AT) مطابق با "عناصر در تصمیم گیری و سرمایه گذاری های مالی است که توسط یک الگوریتم از طریق رایانه ها و شبکه های ارتباطی الکترونیکی اجرا می شود" [7]. استراتژی های سرمایه گذاری می توانند از پیش تعریف شده یا سازگار باشند. این استراتژی های سرمایه گذاری را می توان با دانش اقتصاد ، آمار ، هوش مصنوعی ، متهوریستی و غیره پشتیبانی کرد.

به طور مشابه ، این یک فرآیند پی در پی برای توسعه یک سیستم HFT که بر اساس چهار مرحله انجام شده است پیشنهاد شده است: (i) تجزیه و تحلیل داده ها.(ب) مدل تجارت ؛(iii) تصمیم گیری ؛و (IV) اجرای تجارت [7].

بنابراین ، هیچ فرمول واحدی برای تولید سیستم HFT وجود ندارد. با این حال ، شایان ذکر است که برای دستیابی به یک سیستم HFT مؤثر ، لازم است یک سری از فرآیندهای مشترک برای هر سیستم ، یعنی تجزیه و تحلیل ، شناسایی ، جمع آوری ، مسیریابی و اجرای را در نظر بگیرید [8].

در هر یک از سیستم‌های خودکار که در بالا توضیح داده شد، اجزایی که بیشترین پیچیدگی را نشان می‌دهند، تجزیه و تحلیل فرصت‌های بلادرنگ و جستجوی ناکارآمدی‌های بازار است. ادبیات موجود روش‌هایی را از انواع زیر ذکر می‌کند: (1) روش‌های مبتنی بر قانون مانند داوری آماری [2]. این روش ها یک سری قوانین را اعمال می کنند که مبتنی بر رفتار اخیر یک ابزار مالی است و بر اساس نتیجه اعمال آن قوانین عمل می کند.(ii) روش‌های مبتنی بر مدل‌های آماری و ریاضی، مانند قیمت میانگین وزنی حجمی، قیمت میانگین وزنی با زمان، و میانگین‌های متحرک [1، 7]. برای این موارد از یک مدل ریاضی یا آماری استفاده می شود که به یک سری پارامترهایی نیاز دارد که رفتار آن را کنترل می کند. انتخاب پارامترهای پیکربندی توسط یک اپراتور دستی که مسئولیت تجارت در بازار را بر عهده دارد انجام می شود.(iii) روش‌های ترکیب مدل‌های آماری و ریاضی با تکنیک‌های بهینه‌سازی مبتنی بر فراابتکاری [9]. این روش ها از فراابتکاری برای تنظیم خودکار پارامترهای الگوریتم های شناخته شده برای به دست آوردن مقادیر بهینه برای شرایط فعلی بازار استفاده می کنند.(IV) روش های مبتنی بر یادگیری ماشین، داده کاوی، و پردازش رویدادهای پیچیده [1، 9، 10]. از آنجا که جذب سریع حجم زیادی از اطلاعات جریان یافته به هر بازار سهام و از هر بازار سهام توسط یک اپراتور انسانی در حال تبدیل شدن به یک کار دشوار است. مطلوب است که سیستم هایی ایجاد شود که قادر به تشخیص الگوهای پنهان در تغییرات قیمت و روابط بین ابزارهای مالی یا سایر شاخص های اقتصادی باشند و همچنین می توانند جزء تفسیر "احساس" یا "احساس" بازار از طریق پردازش اخبار به زبان طبیعی را در بر گیرند.(به عنوان مثال، SuperX Plus دویچه بانک [11]).

3. الگوریتم های معاملاتی

3. 1. روش های آماری مورد استفاده در AT و HFT

برخی از محبوب ترین الگوریتم های معاملاتی بر اساس روش های آماری یا ریاضی [7، 12] به شرح زیر است:

قیمت میانگین وزنی حجمی (VWAP) به عنوان نسبت حجم معاملات رتبه بندی شده در برابر حجم ابزار در افق معاملات تعریف می شود. ارزیابی عملکرد معامله گران با توانایی آنها در اجرای سفارشات خرید/فروش با قیمت هایی که بهتر از قیمت VWAP در افق معاملات هستند، معمول است. مزیت استفاده از VWAP در سادگی محاسباتی آن نهفته است، به ویژه در بازارهایی که دستیابی به سطح دقیق داده برای آنها دشوار یا بسیار گران است. VWAP برای یک ساز