Estratégias vencedoras de negociação algorítmica pdf

Chan E. P. Negociação Algorítmica. Estratégias vencedoras e sua fundamentação.
Como as estratégias ocupam um lugar central neste livro, cobriremos uma ampla gama delas, amplamente divididas nos campos de reversão e de momentum, e apresentaremos técnicas padronizadas para negociar cada categoria de estratégias e, igualmente importante, as estratégias fundamentais. razões pelas quais uma estratégia deve funcionar. A ênfase é toda em estratégias simples e lineares, como um antídoto para os vieses overfitting e snooping de dados que freqüentemente atormentam estratégias complexas.
No campo de reversão da média, discutiremos as técnicas estatísticas múltiplas (teste aumentado de Dickey-Fuller [ADF], expoente de Hurst, teste da Razão de Variância, meia-vida) para detectar reversão ou estacionaridade média de séries temporais e para detectar cointegração de portfólio de instrumentos (teste Dickey Fuller [CADF] com aumento cointegrado, teste de Johansen). Além da aplicação mecânica desses testes estatísticos às séries temporais, nos esforçamos para transmitir uma compreensão intuitiva do que eles realmente estão testando e das equações matemáticas simples por trás deles.
Explicaremos as técnicas e estratégias mais simples para a negociação de portfólios de retorno médio (linear, banda de Bollinger, filtro de Kalman) e se o uso de preços brutos, preços de log ou índices faz mais sentido como entradas para esses testes e estratégias. Em particular, mostramos que o filtro de Kalman é útil para os comerciantes de várias maneiras e em várias estratégias. A distinção entre séries temporais versus reversão à média da seção transversal será feita. Discutiremos os prós e contras da expansão e destacaremos o perigo de erros de dados nas estratégias de reversão de médias, especialmente aquelas que lidam com spreads.
Exemplos de estratégias de reversão de médias serão tiradas de modelos de ações interday e intraday, pares e trigêmeos ETFs, pares de moedas, e calendário de futuros e spreads entre mercados. Vamos explicar o que faz com que algumas dessas estratégias sejam bastante desafiadoras nos últimos anos devido ao aumento de dark pools e de alta frequência. Também ilustraremos como certas considerações fundamentais podem explicar o desalinhamento temporário de um par de ETF até então muito lucrativo e como as mesmas considerações podem levar alguém a construir uma versão aprimorada da estratégia. Ao discutir o comércio de moedas, tomamos o cuidado de explicar por que até mesmo o cálculo dos retornos pode parecer estranho para um corretor de ações e onde, por vezes, conceitos como juros de rolagem podem ser importantes. Muita ênfase será dedicada ao estudo de retornos à vista versus retornos de ações em futuros, e várias estratégias de negociação de futuros podem ser derivadas ou entendidas a partir de um modelo matemático simples de preços futuros. Os conceitos de backwardation e contango serão ilustrados graficamente e matematicamente. O capítulo sobre a reversão da média de moedas e futuros acumula-se no estudo de um futuro muito especial: o futuro da volatilidade (VX) e como ela pode formar a base de algumas estratégias bastante lucrativas.
No campo do momentum, começamos explicando alguns testes estatísticos para o momentum da série temporal. O tema principal, no entanto, é explorar os quatro principais impulsionadores do momentum em ações e futuros e propor estratégias que possam extrair séries temporais e momentos transversais. Roll retornos no futuro é um desses drivers, mas verifica-se que as vendas de ativos forçados e as compras são o principal motor de ações e ETF dinâmica em diversas circunstâncias. Algumas das novas estratégias de momentum baseadas em notícias, notícias, ETFs alavancados, fluxo de pedidos e negociações de alta frequência serão cobertas. Finalmente, examinaremos os prós e contras das estratégias de momentum versus reversão de médias e descobriremos suas características de risco-retorno diametralmente diferentes sob diferentes regimes de mercado na história financeira recente.
Eu sempre sustentei que é fácil encontrar estratégias publicadas, supostamente profícuas, em muitos livros, revistas ou blogs por aí, mas muito mais difícil de ver por que elas podem ter falhas e talvez estarem condenadas. Assim, apesar da ênfase em sugerir estratégias de protótipos, também discutiremos muitas armadilhas comuns de estratégias de negociação algorítmica, que podem ser quase tão valiosas para o leitor quanto a descrição das próprias estratégias. Essas armadilhas podem fazer com que os resultados da negociação ao vivo divergam significativamente de seus backtests. Como veteranos da negociação algorítmica também concordarão, a mesma estratégia teórica pode resultar em lucros espetaculares e perdas abismais, dependendo dos detalhes da implementação. Portanto, neste livro, dediquei atenção aos detalhes básicos do backtesting e, às vezes, à implementação dessas estratégias, com discussões de conceitos como viés de bisbilhotagem de dados, viés de sobrevivência, citações primárias versus citações consolidadas, dependência do local das cotações de moedas, as nuances das restrições de venda a descoberto, a construção de contratos contínuos de futuros e o uso de fechamento de futuros versus preços de liquidação em backtests. Também destacamos alguns casos de mudança de regime historicamente quando até mesmo o backtest mais correto não consegue prever os retornos futuros de uma estratégia.
Eu também prestei atenção em escolher a plataforma de software certa para backtesting e execução automatizada, já que o MATLAB & copy ;, meu idioma favorito, não é mais o único concorrente neste departamento. Vou pesquisar o estado da arte em tecnologia, para todos os níveis de habilidades de programação e para muitos orçamentos diferentes. Em particular, chamamos a atenção para o ambiente de desenvolvimento integrado para os traders, desde as plataformas de força industrial, como o Deltix, até a miríade de versões de código aberto, como o TradeLink. Como explicaremos, a facilidade de alternar do backtesting para o modo de negociação ao vivo é a virtude mais importante dessas plataformas. O conceito moderno de processamento de eventos complexos também será introduzido nesse contexto.
Cobri a gestão de risco e dinheiro em meu livro anterior, que foi construído com base na fórmula de Kelly & mdash; uma fórmula que determina a alavancagem e a alocação de capital ideais, equilibrando retornos versus riscos. Mais uma vez, abordo aqui a gestão de risco e de dinheiro, ainda baseada na fórmula de Kelly, mas temperada com minha experiência prática em gerenciamento de risco envolvendo cisnes negros, seguro de carteira com proporção constante e parada de perdas. (O juiz da Suprema Corte dos EUA, Robert H. Jackson, poderia estar falando sobre a aplicação da fórmula de Kelly quando disse que devemos moderar sua lógica doutrinária com um pouco de sabedoria prática.) Focamos especialmente em encontrar a alavancagem ideal em situações realistas quando pudermos. não mais assuma a distribuição gaussiana de retornos. Além disso, consideramos se os indicadores de risco podem ser um componente útil de um esquema abrangente de gerenciamento de riscos. Uma técnica geral que negligenciei anteriormente é o uso de simulações de Monte Carlo. Aqui, demonstramos o uso de dados simulados, em vez de históricos, para testar a significância estatística de um backtest, bem como avaliar o risco de cauda de uma estratégia.
Este livro é uma continuação do meu livro anterior, Quantitative Trading. Lá, concentrei-me em técnicas básicas para um operador algorítmico, como encontrar ideias para novas estratégias, como fazer backtest de uma estratégia, considerações básicas na automação de suas execuções e, finalmente, gerenciamento de risco por meio da fórmula de Kelly. Sim, algumas estratégias de exemplos úteis foram espalhadas por toda parte, mas essas não eram a ênfase. Se você é completamente novo na negociação algorítmica, é um bom livro para ler. O Algorithmic Trading, no entanto, tem tudo a ver com estratégias.
Todos os exemplos neste livro são construídos em torno dos códigos MATLAB, e estão todos disponíveis para download em wiley / go / algotrading ou no meu site em "epchan / book2". Os leitores encontrarão a senha incorporada no primeiro exemplo. Leitores não familiarizados com o MATLAB podem querer estudar o tutorial em Negociação Quantitativa, ou assistir aos webinars gratuitos em mathworks. Além disso, o MATLAB Statistics Toolbox foi usado ocasionalmente. (Todos os produtos MATLAB estão disponíveis como avaliações gratuitas do MathWorks.)
Software e matemática são as línguas gêmeas do comércio algorítmico. Os leitores acharão que este livro envolve um pouco mais de matemática do que o meu anterior. Isso é por causa do meu desejo de injetar mais precisão na discussão dos conceitos envolvidos nos mercados financeiros, e também porque acredito que usar modelos matemáticos simples para negociação pode ser mais vantajoso do que usar a abordagem usual de mineração de dados. Ou seja, em vez de lançar tantos indicadores ou regras de negociação técnica em uma série de preços para ver qual indicador ou regra é lucrativa - uma prática que estimula o viés de bisbilhotagem de dados -, tentamos destilar a propriedade fundamental dessa série de preços usando um modelo matemático simples. Podemos, então, explorar esse modelo para nosso benefício financeiro. No entanto, o nível de matemática necessário na negociação de ações, futuros e moedas é muito menor do que o necessário no comércio de derivativos, e qualquer pessoa familiarizada com cálculo de calouro, álgebra linear e estatística deve ser capaz de acompanhar minhas discussões sem problemas. Se você achar as equações muito confusas, você pode ir direto aos exemplos e ver suas implementações concretas como códigos de software.

Negociação Algorítmica: Estratégias Vencedoras e Sua Justificativa.
Descrição do livro.
Negociação Algorítmica: Estratégias Vencedoras e Sua Justificativa (Wiley Trading)
Louvor por negociação algorítmica.
"Algorithmic Trading é um livro perspicaz sobre negociação quantitativa escrito por um praticante experiente. O que diferencia este livro de muitos outros no espaço é a ênfase em exemplos reais em oposição a apenas teoria. Conceitos não são apenas descritos, eles são trazidos à vida com estratégias reais de negociação, que dão ao leitor uma visão de como e por que cada estratégia foi desenvolvida, como foi implementada e até mesmo como ela foi codificada. Este livro é um recurso valioso para qualquer pessoa que queira criar suas próprias estratégias de negociação sistemática. na seleção de gerentes, onde o conhecimento contido neste livro levará a uma conversa mais informada e diferenciada com os gerentes ".
—DAREN SMITH, CFA, CAIA, FSA, Diretor Administrativo, Gerente de Seleção & amp; Construção de Portfólio, Universidade de Toronto Asset Management.
"Usando uma excelente seleção de estratégias de reversão e momentum, Ernie explica a lógica por trás de cada um, mostra como testá-lo, como melhorá-lo e discute questões de implementação. Seu livro é uma exposição cuidadosa e detalhada do método científico aplicado a Para os operadores sérios de varejo, não conheço nenhum outro livro que forneça essa gama de exemplos e níveis de detalhes. Suas discussões sobre como as mudanças de regime afetam as estratégias e o gerenciamento de riscos são bônus inestimáveis. "
- Roger Hunter, matemático e comerciante algorítmico.
Índice.
CAPÍTULO 1 Backtesting and Automated Execution 1.
CAPÍTULO 2 Os Fundamentos da Reversão Média 39.
CAPÍTULO 3 Implementação de estratégias de reversão à média 63.
CAPÍTULO 4 Reversão média das existências e ETF 87.
CAPÍTULO 5 Reversão Média de Moedas e Futuros 107.

Estratégias vencedoras de negociação algorítmica pdf
Eu pesquisei os fóruns e encontrei alguns livros para aprender o máximo que puder. Os que eu encontrei até agora são.
Negociação Algorítmica: Estratégias Vencedoras e Sua Justificativa.
Quais outros eu devo receber?
Eu tenho uma formação em matemática (menor na faculdade, chego a processos estocásticos) e faço software como um trade.
O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta para fornecer serviços de consultoria de investimento pela Quantopian. Além disso, o material não oferece opinião com relação à adequação de qualquer investimento específico ou de segurança. Nenhuma informação aqui contida deve ser considerada como uma sugestão para se envolver ou se abster de qualquer ação relacionada ao investimento, pois nenhuma das suas afiliadas está comprometida em fornecer consultoria de investimento, agir como um consultor para qualquer plano ou entidade sujeita a o Employee Retirement Income Security Act de 1974, conforme alterado, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em uma capacidade fiduciária com relação aos materiais aqui apresentados. Se você for um investidor individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado com a Quantopian sobre se qualquer ideia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não garante a exatidão ou integridade das opiniões expressas no site. As opiniões estão sujeitas a alterações e podem ter se tornado não confiáveis ​​por várias razões, incluindo mudanças nas condições de mercado ou circunstâncias econômicas.
Obrigado Dan! Eu observo em & quot; Algorithmic Trading: Estratégias vencedoras e sua fundamentação & quot ;, há muita conversa sobre algoritmos momentum. Existem outras estratégias?
Grinold & amp; Kahn - Active Portfolio Management - é amplamente considerado no mesmo nível, como diz a bíblia. É & gt; 10 anos de idade, mas se você está procurando por coisas fundamentais.
Também QEPM - Chincarini & amp; Kim
Qualquer coisa por James Montier (por exemplo, investimento em valor, investimento comportamental, pequeno livro de investimento comportamental, etc.)
O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta para fornecer serviços de consultoria de investimento pela Quantopian. Além disso, o material não oferece opinião com relação à adequação de qualquer investimento específico ou de segurança. Nenhuma informação aqui contida deve ser considerada como uma sugestão para se envolver ou se abster de qualquer ação relacionada ao investimento, pois nenhuma das suas afiliadas está comprometida em fornecer consultoria de investimento, agir como um consultor para qualquer plano ou entidade sujeita a o Employee Retirement Income Security Act de 1974, conforme alterado, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em uma capacidade fiduciária com relação aos materiais aqui apresentados. Se você for um investidor individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado com a Quantopian sobre se qualquer ideia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não garante a exatidão ou integridade das opiniões expressas no site. As opiniões estão sujeitas a alterações e podem ter se tornado não confiáveis ​​por várias razões, incluindo mudanças nas condições de mercado ou circunstâncias econômicas.

Noções básicas de negociação algorítmica: conceitos e exemplos.
Um algoritmo é um conjunto específico de instruções claramente definidas destinadas a realizar uma tarefa ou processo.
O comércio algorítmico (negociação automatizada, negociação de caixa preta ou simplesmente negociação de algoritmos) é o processo de usar computadores programados para seguir um conjunto definido de instruções para fazer uma negociação, a fim de gerar lucros a uma velocidade e freqüência impossíveis para uma negociação. comerciante humano. Os conjuntos de regras definidos são baseados em tempo, preço, quantidade ou qualquer modelo matemático. Para além das oportunidades de lucro para o comerciante, a negociação de algoritmos torna os mercados mais líquidos e torna o comércio mais sistemático ao excluir os impactos humanos emocionais nas atividades de negociação. (Para mais, confira Escolhendo o Software de Negociação Algorítmica Certo.)
Suponha que um comerciante siga estes critérios comerciais simples:
Compre 50 ações de uma ação quando a média móvel de 50 dias ultrapassar a média móvel de 200 dias Venda ações da ação quando a média móvel de 50 dias ficar abaixo da média móvel de 200 dias.
Usando este conjunto de duas instruções simples, é fácil escrever um programa de computador que monitore automaticamente o preço das ações (e os indicadores de média móvel) e coloque as ordens de compra e venda quando as condições definidas forem atendidas. O comerciante não precisa mais ficar de olho nos preços e gráficos ao vivo, ou colocar os pedidos manualmente. O sistema de negociação algorítmica faz isso automaticamente, identificando corretamente a oportunidade de negociação. (Para mais informações sobre médias móveis, consulte Médias móveis simples Faça as tendências se destacarem.)
[Se você quiser aprender mais sobre as estratégias comprovadas e no ponto que podem, eventualmente, ser trabalhadas em um sistema de negociação alorítimo, confira o curso Torne-se um Day Trader da Investopedia Academy. ]
Benefícios do comércio algorítmico.
Algo-trading fornece os seguintes benefícios:
Negociações executadas com os melhores preços Possibilidade de colocação imediata e imediata de ordens (com altas chances de execução nos níveis desejados) Negociações cronometradas correta e instantaneamente, para evitar mudanças significativas nos preços Redução dos custos de transação (veja o exemplo de déficit de implementação abaixo) Verificações automatizadas simultâneas em múltiplos condições de mercado Risco reduzido de erros manuais na colocação dos negócios Backtest o algoritmo, com base em dados históricos e em tempo real disponíveis Reduzida possibilidade de erros por parte de comerciantes humanos com base em fatores emocionais e psicológicos.
A maior parte da negociação de algoritmos atuais é a negociação de alta frequência (HFT), que tenta capitalizar a colocação de um grande número de pedidos em velocidades muito rápidas em vários mercados e vários parâmetros de decisão, com base em instruções pré-programadas. (Para mais informações sobre negociação de alta frequência, consulte Estratégias e segredos de empresas de negociação de alta frequência (HFT).)
O comércio de algo é usado em muitas formas de atividades de negociação e investimento, incluindo:
Investidores de médio a longo prazo ou empresas compradoras (fundos de pensão, fundos mútuos, seguradoras) que compram em grandes quantidades, mas não querem influenciar os preços das ações com investimentos discretos e de grande volume. Comerciantes de curto prazo e participantes do lado da venda (formadores de mercado, especuladores e arbitradores) se beneficiam da execução automatizada do comércio; Além disso, o comércio de algo ajuda a criar liquidez suficiente para os vendedores no mercado. Comerciantes sistemáticos (seguidores de tendências, pares de traders, hedge funds, etc.) acham muito mais eficiente programar suas regras de negociação e permitir que o programa troque automaticamente.
O comércio algorítmico fornece uma abordagem mais sistemática ao comércio ativo do que métodos baseados na intuição ou instinto de um comerciante humano.
Estratégias de Negociação Algorítmica.
Qualquer estratégia para negociação algorítmica requer uma oportunidade identificada que seja lucrativa em termos de ganhos aprimorados ou redução de custos. A seguir estão as estratégias de negociação comuns usadas no comércio de algo:
As estratégias de negociação algorítmica mais comuns seguem as tendências de médias móveis, desvios de canal, movimentos de níveis de preços e indicadores técnicos relacionados. Essas são as estratégias mais fáceis e simples de implementar por meio do comércio algorítmico, porque essas estratégias não envolvem previsões nem previsões de preços. As negociações são iniciadas com base na ocorrência de tendências desejáveis, que são fáceis e diretas de implementar por meio de algoritmos, sem entrar na complexidade da análise preditiva. O exemplo acima mencionado de média móvel de 50 e 200 dias é uma tendência popular seguindo a estratégia. (Para mais informações sobre estratégias de negociação de tendências, consulte: Estratégias simples para capitalizar tendências.)
Comprar uma ação com cotação dupla a um preço menor em um mercado e, simultaneamente, vendê-la a um preço mais alto em outro mercado oferece o diferencial de preço como lucro ou arbitragem isenta de risco. A mesma operação pode ser replicada para ações versus instrumentos futuros, já que os diferenciais de preço existem de tempos em tempos. Implementar um algoritmo para identificar esses diferenciais de preço e colocar as ordens permite oportunidades lucrativas de maneira eficiente.
Os fundos de índices definiram períodos de reequilíbrio para aproximar seus investimentos aos seus respectivos índices de referência. Isso cria oportunidades lucrativas para os operadores algorítmicos, que capitalizam os negócios esperados que oferecem lucros de 20 a 80 pontos básicos, dependendo do número de ações no fundo de índice, imediatamente antes do rebalanceamento do fundo de índice. Tais negociações são iniciadas através de sistemas de negociação algorítmica para execução atempada e melhores preços.
Muitos modelos matemáticos comprovados, como a estratégia de negociação delta-neutral, que permitem negociar com combinação de opções e seu título subjacente, onde são feitas negociações para compensar deltas positivos e negativos, de modo que o delta do portfólio seja mantido em zero.
A estratégia de reversão à média baseia-se na ideia de que os preços altos e baixos de um ativo são um fenômeno temporário que revertem para o seu valor médio periodicamente. Identificar e definir uma faixa de preço e implementar um algoritmo com base nisso permite que os negócios sejam colocados automaticamente quando o preço do ativo entra e sai de seu intervalo definido.
A estratégia de preço médio ponderado por volume divide uma ordem grande e libera pedaços menores da ordem para o mercado, determinados dinamicamente, usando perfis de volume histórico específicos do estoque. O objetivo é executar o pedido próximo ao Preço Médio Ponderado pelo Volume (VWAP), beneficiando, assim, no preço médio.
A estratégia de preço médio ponderada pelo tempo quebra uma ordem grande e libera dinamicamente pedaços menores da ordem para o mercado usando intervalos de tempo divididos uniformemente entre um horário de início e de término. O objetivo é executar o pedido próximo ao preço médio entre os horários inicial e final, minimizando o impacto no mercado.
Até que a ordem de negociação esteja totalmente preenchida, este algoritmo continua enviando ordens parciais, de acordo com a taxa de participação definida e de acordo com o volume negociado nos mercados. A "estratégia de etapas" relacionada envia pedidos em uma porcentagem definida pelo usuário de volumes de mercado e aumenta ou diminui essa taxa de participação quando o preço da ação atinge níveis definidos pelo usuário.
A estratégia de déficit de implementação visa minimizar o custo de execução de um pedido negociando o mercado em tempo real, economizando assim no custo do pedido e se beneficiando do custo de oportunidade de execução atrasada. A estratégia aumentará a taxa de participação visada quando o preço das ações se mover favoravelmente e diminuirá quando o preço das ações se mover negativamente.
Existem algumas classes especiais de algoritmos que tentam identificar “acontecimentos” do outro lado. Esses "algoritmos de farejamento", usados, por exemplo, por um criador de mercado do lado da venda, têm a inteligência incorporada para identificar a existência de quaisquer algoritmos no lado da compra de uma ordem grande. Essa detecção por meio de algoritmos ajudará o criador de mercado a identificar grandes oportunidades de pedidos e possibilitará que ele se beneficie com o preenchimento dos pedidos a um preço mais alto. Às vezes, isso é identificado como front-running de alta tecnologia. (Para mais informações sobre comércio de alta frequência e práticas fraudulentas, consulte: Se você comprar ações on-line, você está envolvido em HFTs.)
Requisitos técnicos para negociação algorítmica.
Implementar o algoritmo usando um programa de computador é a última parte, batida com backtesting. O desafio é transformar a estratégia identificada em um processo informatizado integrado que tenha acesso a uma conta de negociação para fazer pedidos. Os seguintes são necessários:
Conhecimentos de programação de computadores para programar a estratégia de negociação necessária, programadores contratados ou software de negociação pré-fabricados. Conectividade de rede e acesso a plataformas de negociação para colocação de pedidos. Acesso a feeds de dados de mercado que serão monitorados pelo algoritmo para oportunidades de fazer pedidos. para backtest o sistema, uma vez construído, antes de ir viver em mercados reais Dados históricos disponíveis para backtesting, dependendo da complexidade das regras implementadas no algoritmo.
Aqui está um exemplo abrangente: A Royal Dutch Shell (RDS) está listada na Bolsa de Valores de Amsterdã (AEX) e na Bolsa de Valores de Londres (LSE). Vamos criar um algoritmo para identificar oportunidades de arbitragem. Aqui estão algumas observações interessantes:
AEX negocia em Euros, enquanto a LSE negocia em Libras Esterlinas Devido à diferença horária de uma hora, a AEX abre uma hora antes da LSE, seguida pelas duas bolsas sendo negociadas simultaneamente pelas próximas horas e negociando apenas na LSE durante a última hora conforme a AEX fecha .
Podemos explorar a possibilidade de negociação de arbitragem sobre as ações da Royal Dutch Shell listadas nesses dois mercados em duas moedas diferentes?
Um programa de computador que pode ler os preços de mercado atuais Feeds de preços de LSE e AEX Um feed de taxa de câmbio para taxa de câmbio de GBP-EUR Capacidade de colocação de pedidos que pode encaminhar o pedido para a capacidade correta de troca.
O programa de computador deve executar o seguinte:
Leia o feed de preço recebido do estoque RDS de ambas as trocas Usando as taxas de câmbio disponíveis, converta o preço de uma moeda para outra Se houver uma discrepância de preço suficiente (descontando os custos de corretagem) levando a uma oportunidade lucrativa, coloque a compra ordem em troca de preço mais baixo e ordem de venda em troca de preço mais alto Se as ordens forem executadas como desejado, o lucro da arbitragem seguirá.
Simples e fácil! No entanto, a prática de negociação algorítmica não é tão simples de manter e executar. Lembre-se, se você puder colocar uma negociação gerada por algoritmos, os outros participantes do mercado também poderão. Consequentemente, os preços flutuam em milissegundos e até microssegundos. No exemplo acima, o que acontece se a transação de compra for executada, mas o comércio de venda não é feito, pois os preços de venda mudam no momento em que seu pedido chega ao mercado? Você vai acabar sentado com uma posição aberta, fazendo com que sua estratégia de arbitragem seja inútil.
Existem riscos e desafios adicionais: por exemplo, riscos de falha do sistema, erros de conectividade de rede, atrasos entre ordens de negociação e execução e, o mais importante de tudo, algoritmos imperfeitos. Quanto mais complexo for um algoritmo, o backtesting mais rigoroso é necessário antes de ser colocado em ação.
The Bottom Line.
A análise quantitativa do desempenho de um algoritmo desempenha um papel importante e deve ser examinada criticamente. É emocionante usar a automação auxiliada por computadores com a noção de ganhar dinheiro sem esforço. Mas é preciso garantir que o sistema seja completamente testado e que os limites necessários sejam definidos. Comerciantes analíticos devem considerar aprender programação e construir sistemas por conta própria, para ter confiança em implementar as estratégias corretas de maneira infalível. Uso cauteloso e testes completos de negociação de algoritmos podem criar oportunidades lucrativas. (Para mais, veja Como codificar seu próprio robô de negociação da Algo.)

Negociação Algorítmica: Estratégias Vencedoras e Sua Justificativa.
Descrição.
Louvor por negociação algorítmica.
"Algorithmic Trading é um livro perspicaz sobre negociação quantitativa escrito por um praticante experiente. O que diferencia este livro de muitos outros no espaço é a ênfase em exemplos reais em oposição a apenas teoria. Conceitos não são apenas descritos, eles são trazidos à vida com estratégias reais de negociação, que dão ao leitor uma visão de como e por que cada estratégia foi desenvolvida, como foi implementada e até mesmo como ela foi codificada. Este livro é um recurso valioso para qualquer pessoa que queira criar suas próprias estratégias de negociação sistemática. na seleção de gerentes, onde o conhecimento contido neste livro levará a uma conversa mais informada e diferenciada com os gerentes ".
& # 151; DAREN SMITH, CFA, CAIA, FSA, diretor administrativo, gerente de seleção & amp; Construção de Portfólio, Universidade de Toronto Asset Management.
"Usando uma excelente seleção de estratégias de reversão e momentum, Ernie explica a lógica por trás de cada um, mostra como testá-lo, como melhorá-lo e discute questões de implementação. Seu livro é uma exposição cuidadosa e detalhada do método científico aplicado a Para os operadores sérios de varejo, não conheço nenhum outro livro que forneça essa gama de exemplos e níveis de detalhes. Suas discussões sobre como as mudanças de regime afetam as estratégias e o gerenciamento de riscos são bônus inestimáveis. "
& # 151; Roger Hunter, matemático e comerciante algorítmico.
Sobre o autor.
ERNEST P. CHAN é o membro gestor da QTS Capital Management, LLC. Ele trabalhou para vários bancos de investimento (Morgan Stanley, Credit Suisse, Maple) e hedge funds (Mapleridge, Millennium Partners, MANE) desde 1997. Chan recebeu seu PhD em física pela Cornell University e foi membro do grupo Human Language Technologies da IBM antes juntando-se ao setor financeiro. Ele foi co-fundador e diretor da EXP Capital Management, LLC, uma empresa de investimentos sediada em Chicago. Chan também é autor de Quantitative Trading: Como construir seu próprio negócio de negociação algorítmica (Wiley) e um popular blogueiro financeiro em epchan. blogspot. Saiba mais sobre ele no epchan.
Permissões.
Solicitar permissão para reutilizar o conteúdo deste site.