الگوریتم‌­های معاملاتی هوشمند

تکنولوژی معاملات الگوریتمی

درباره کتاب :
آنچه در این کتاب فرا خواهید گرفت:
– معرفی تکنولوژی معاملات الگوریتمی و مزایای استفاده از آن
– پیشینه الگوریتم‌­های معاملاتی هوشمند تاریخی و نحوه ی رشد معاملات الگوریتمی در دنیا
– الگوریتم های پرکاربرد و اجرایی از معاملات الگوریتمی
– آشنایی با HFT (بیش از یک میلیارد معامله در ثانیه)
– معرفی 8 ابزار هوشمند در بازار سرمایه ایران جهت رصد سریع بازار
– ساخت استراتژی معاملاتی هوشمند در 9 گام
– انواع روش های مدیریت ریسک و سرمایه
– نحوه محاسبه حد ضرر با چندین روش استاندارد
– آموزش برنامه نویسی یک سیستم معاملات هوشمند
– آموزش فیلتر نویسی در سایت بورس تهران
– معرفی زیرساخت ارائه شده بازار گردانی الگوریتمی در بازار بورس تهران

فهرست مطالب :

فصل اول – معرفی معاملات الگوریتمی
مقدمه
منشا معاملات الگوریتمی
تعاریف مختلف معاملات الگوریتمی
نحوه ی رشد معاملات الگوریتمی
مزایا و معایب یک سیستم معاملاتی هوشمند
چگونه سیستم های معاملاتی خودکار ساخته می شود؟

فصل دوم – هر آنچه در مورد معاملات الگوریتمی باید بدانیم

فصل سوم- معرفی انواع معاملات الگوریتمی
– الگوریتم های اجرای معاملات (Trade Execution Algorithms)
الگوریتم میانگین موزون حجم قیمت (VWAP)
الگوریتم میانگین موزون زمان قیمت (TWAP)
الگوریتم درصد حجمی (POV)
الگوریتم همراه بازار
الگوریتم های محاسبه ی نقد شوندگی
الگوریتم های معکوس
الگوریتم های متوالی
الگوریتم چرخه ای
الگوریتم همبستگی
– الگوریتم های سیگنال یاب (Strategy Implementation Algorithms)
معاملات سرعت بالا (High Frequency Trading)
الگوریتم های بازار گردانی (Electronic Market Making Algorithms)
الگوریتم های آربیتراژ آماری (Statistical Arbitrage Algorithms)
الگوریتم های شناسایی حجم

فصل الگوریتم‌­های معاملاتی هوشمند چهارم – معرفی نرم افزارها و ابزارهای هوشمند در معاملات الگوریتمی
رویکرد اجرای معاملات الگوریتمی
چه نرم افزارهای معاملاتی از سیستم های معاملاتی خودکار پشتیبانی می کنند ؟
زیر ساخت های مورد نیاز در معاملات الگوریتمی
ابزارهای هوشمند جدید در بازار سرمایه ایران
فیلترها (Screeners)
نقشه بازار (Market Map)
گاوهای بازار(Bullish Stocks)
مظنه بازار (market Reports)
هات لیست ها (Hot Lists)
نرم افزار استراتژی ساز (Strategy Generator)
نرم افزار تست و بهینه سازی (Tester)
نرم افزار مدیریت ریسک و سرمایه (Risk Management)

فصل پنجم – استراتژی های معاملاتی
مقدمه
مراحل ساخت یک استراتژی معاملاتی
گام اول : انتخاب نوع استراتژی
نوسان گیری (Scalping Trading Strategy)
روان شناسی بازار (Momentum Trading Strategy)
تکنیکال (Technical Trading Strategy)
بنیادی (Fundamental Trading Strategy)
گام دوم : تعین قوانین معاملاتی
گام سوم : تعین ابزراهای مورد نیاز استراتژی
گام چهارم : اضافه کردن عملیات منطقی
گام پنجم : باید ها و نبایدها
گام ششم : تعین حد سود و ضرر
گام هفتم : گرفتن سیگنال و انجام معاملات مجازی
گام هشتم : تست و بهینه سازی
گام نهم : انجام معاملات در بازار واقعی
ضرر کردن در سهمی با بازدهی 800 درصدی
جایگاه روش های آماری و هوش مصنوعی در ایجاد یک استراتژی

فصل ششم : مدیریت ریسک و سرمایه
مقدمه
بررسی یک مثال
بایدها و نبایدهای استراتژی معاملاتی
مدیریت سرمایه به روش
شش پرسش مهم
شاخصی برای محاسبه ی عملکرد یک سیستم مهاملاتی
روش اول : محاسبه حداکثر حجم بر مبنای استراتژی معاملاتی
روش دوم : محاسبه حداکثر حجم بر مبنای نقد شوندگی سهم
روش سوم : محاسبه حداکثر حجم بر مبنای رابطه Kelly تصحیح الگوریتم‌­های معاملاتی هوشمند شده
مفهوم حد ضرر در معامله
تعریف فنی حد و ضرر و ضرورت اجرای آن
عوامل موثر در حد ضرر
تعیین فنی قیمت حد ضرر
دسته اول؛ حد ضرر فیکس یا ثابت
دسته دوم؛ حد ضرر مکانیکال
دسته سوم؛حد ضرر تکنیکال و ترسیمی
نبایدها در مورد حد ضرر

فصل هفتم : برنامه نویسی سیستم های معاملاتی
مقدمه
فرایند برنامه نویسی یک الگوریتم
برنامه نویسی در سایت بورس تهران
آموزش نوشتن یک فیلتر
یک استراتژی ساده و قوی در فیلترها
رصد سریع بازار با فیلترها
چرا در برخی موارد فیلترها هیچ خروجی نشان نمی دهد؟
قالب های کُد نویسی
فیلتر نویسی با توابع
تابع چیست ؟
نوشتن توابع
بدنه ی کلی قالب کُدنویسی
پاسخ به چمد پرسش اساسی در مورد فیلتر نویسی
برنامه نویسی در متاتریدر
آشنایی با عملگرها
حلقه ها
شرط ها
ایجاد یک اندیکاتور یا اکسپرت
توابع خاص
یک اسکریپت ساده
برناکه نویسی در آمی بروکر

فصل هشتم – آینده معاملات الگوریتمی
چالش های پیش روی معاملات الگوریتمی در دنیا
آیا الگوریتم ها جایگزین معامله گران خواهند شد؟
افق دید معاملات در آینده به کجاست؟
خلاصه و نتیجه گیری

ارائه مدل معامله هوشمند در بازارهای مالی مبتنی بر الگوریتم ژنتیک، منطق فازی و شبکه عصبی

معاملات موفق در بازارهای مالی می بایست نزدیک به نقاط کلیدی بازگشتی انجام گردد. در سال های اخیر سیستم های مختلفی به منظور شناسایی این نقاط بازگشتی ایجاد شده اند. تحلیل تکنیکال یکی از معتبرترین و پرکاربردترین این سیستم ها محسوب می شود. تحلیل تکنیکال بواسطه قوانین متعددی که داراست سعی در ایجاد سیگنال های صحیح به موقع به منظور شناخت این نقاط دارد. اما یکی از معایب این سیستم وابستگی شدید آن به تجربه و دانش انسانی جهت انتخاب و کاربرد این قوانین است. در این تحقیق ما سعی کرده ایم تا سیستم معاملاتی هوشمندی را بر پایه قوانین شناخته شده تحلیل تکنیکال و استفاده از سه ابزار الگوریتم ژنتیک، منطق فازی و شبکه عصبی ایجاد نماییم. در واقع الگوریتم ژنتیک به بهینه سازی قواعد تکینکی به دلیل پیچیدگی محاسباتی کمک خواهد کرد. منطق فازی نیز به تشخیص موقعیت کلی جاری در بازار کمک خواهد کرد. چرا که بنا به نوع خاص بازار (دارای روند یا خنثی) دسته ای از قوانین انتخاب خواهند شد. در انتها سیگنال های ایجاد شده بوسیله هرکدام از قواعد با کمک شبکه عصبی المان، به صورت نتیجه واحد (خرید، فروش یا نگهداری) در خواهد آمد. نتایج حاصله نشان می دهد به صورت آماری اختلاف معنادار و قابل توجهی میان خرید الگوریتم‌­های معاملاتی هوشمند ونگهداری سهم و سیستم معاملاتی پیشنهادی در این پژوهش وجود دارد. به عبارت دیگر سیستم پیشنهادی ما پتانسیل سودآوری بسیار بالایی را از خود نشان می دهد.

معرفی سامانه‌ای هوشمند و بر خط در معاملات الگوریتمی

مدیرعامل یک شرکت دانش بنیان گفت: فعالان حوزه مالی از طریق سامانه آیکوانت می‌توانند استراتژی‌های مالی و معاملاتی خود را طراحی کنند.

به گزارش «نبض فناوری»،علی رسولی زاده مدیرعامل یک شرکت دانش بنیان با اشاره به اینکه آیکوانت یک سامانه هوشمند برخط برای معاملات الگوریتمی است که برای بازار بورس ایران طراحی شده است، بیان کرد: فعالان حوزه مالی از طریق این سامانه می‌توانند استراتژی‌های مالی و معاملاتی خود را طراحی و آن را آزمایش کنند.

او ادامه داد: این سامانه برای سرعت بخشیدن به روند معاملات سرمایه‎ گذاران، کاهش هزینه‌های زیرساختی و تسهیل هر چه بیشتر معاملات توسعه داده شده و کارایی آن در چهار بخش مانند غربالگری، بهینه سازی سبد، شرطی، الگوریتم‌­های معاملاتی هوشمند الگوریتم‌­های معاملاتی هوشمند کدنویسی تعریف می‌شود.

رسولی زاده اظهار کرد در حال حاضر آیکوانت به جریان معاملات داخلی کمک می‌کند، ولی در آینده می‌تواند به ارزآوری کمک کند؛ این سامانه تمام توسط متخصصان هوش مصنوعی ایرانی و همکاری آن‌ها با متخصصان مالی توسعه داده شده است.

مدیرعامل این شرکت دانش بنیان با اشاره به کارایی فراشناسا اظهار کرد: این سامانه، بیومتریک احراز هویت و تشخیص چهره است که با فناوری‌های بینایی ماشین، پردازش تصویر، پردازش صوت و الگوریتم‌­های معاملاتی هوشمند تشخیص چهره کار می‌کند و امکان احراز هویت الکترونیکی را با امنیت و دقت بالا میسر کرده است؛ با سامانه فراشناسا امکان احراز هویت الکترونیکی در هر جایی که نیاز به امنیت حساب کاربری و ثبت نام آنلاین وجود دارد، میسر شده است.

او ادامه داد: این سامانه با استفاده از تکنیک‎ های مختلف هوش مصنوعی، مواردی مثل جعل هویت، خطای انسانی در احراز هویت و صرف زمان طولانی برای احراز هویت را کاهش الگوریتم‌­های معاملاتی هوشمند داده است و از آنجا که با دیتاست‌های بومی و میلیونی آموزش داده شده، دقت بیشتری در عملیات احراز هویت نسبت به نمونه‌های خارجی خود دارد.

مدیرعامل این شرکت دانش بنیان بیان کرد: در حال حاضر، این محصول در حال خدمات رسانی به سازمان‌ها، نهادها و دیگر پلتفرم‌های داخلی است و در آینده امکان ارز آوری توسط این محصول وجود خواهد داشت؛ این محصول با دیتاست‌های کاملا بومی و بر اساس آخرین دستاوردهای علمی فناوری تشخیص چهره توسط متخصصان هوش مصنوعی ایرانی توسعه داده شده است.

او تصریح کرد: فراشناسا با به‌کارگیری چندین روش پیچیده برای احراز هویت، امکان جعل هویت را از بین برده است مانند فناوری Liveness با تکنیک تشخیصspoofing و تشخیص بافت چهره، امکان جعل هویت از طریق تصاویر یا ویدئوی الگوریتم‌­های معاملاتی هوشمند ضبط شده را از بین برده است. فناوری تشخیص صوت در یک فناوری منحصربه‌فرد عبارات متنی را به کاربر می‌‌دهد تا کاربر با خواندن آن‌ها حضورِ برخط خود را به سیستم اثبات کند. فناوری تشخیص حالت دست هم برای افزایش ضریب اطمینان در فراشناسا روشی مدل‌سازی شده است که مبتنی بر تشخیص حرکات و حالات دست بوده و فراشناسا از کاربر می‌خواهد اشاره‌هایی را با دست یا سر خود انجام دهد تا حضور برخط وی برای هوش مصنوعی ثابت شود.

پایان‌نامه
طراحی سیستم هوشمند معاملات الگوریتمی در بازار قراردادهای آتی مبتنی بر ابزارهای تحلیل تکنیکال

چکیده:
امروزه با گسترش سیستم‌های اطلاعاتی و افزایش سهولت در معاملات آنلاین، سرعت معاملات در بازارهای مالی نیز افزایش یافته است. از این رو نیاز است تا داده‌های معاملاتی بورس با سرعت بالاتری تحلیل شوند و در نهایت به تصمیمی مناسب و سودآور تبدیل شوند. در حال حاضر یکی از برنامه‌های پیش‌روی سازمان بورس اوراق بهادار، راه‌اندازی و توسعه معاملات الگوریتمی و معاملات با بسامد بالا است. لذا در این پژوهش به هدف بررسی سودآور بودن این‌گونه سیستم‌ها، سیستم معاملات الگوریتمی در بازار قراردادهای آتی سکه طلا بورس کالای ایران طراحی و آزمون شده است. اساس این سیستم الگوریتمی بر پایه ترکیبی از اندیکاتورهای تحلیل تکنیکال می‌باشد که در چارچوب زمانی درون-روزی طراحی و اجرا شده است. به جهت تنظیم پارامتر اندیکاتورها (به دلیل عدم پیشینه پژوهش و چارچوب زمانی درون-روزی)، از الگوریتم ژنتیک استفاده شده است. همچنین به منظور ایجاد یک سیستم جامع معاملاتی، از الگوریتم چند هدفه بهینه‌سازی ازدحام ذرات یا همان MOPSO استفاده شده است. یکی از نکات مهم در پژوهش، توجه به بحث مدیریت ریسک بوده است که از دو طریق CVaR و سیستم حد سود و حد ضرر تحت کنترل قرار گرفته است. به نظر می‌رسد که سیستم حاصل دارای بازدهی و ریسک معقولی بوده است، در عین این‌که بازدهی دوره آزمون کاهش قابل توجهی نسبت به بازدهی دوره آموزش داشته است.

طراحی سیستم هوشمند معاملات الگوریتمی در بازار قراردادهای آتی مبتنی بر ابزارهای تحلیل تکنیکال 3/21/2017 12:00:00 AM

بررسی تاثیر معاملات الگوریتمی بر بازار سرمایه

در چند سال گذشته بازارهای مالی دستخوش تحولات گسترده ای در زمینه فناوری های کامپیوتری شدند. سهم معاملات آنلاین به صورت نمایی رشد کرده و سرعت انجام معاملات در واحد زمان به طور غیرقابل باوری در حال افزایش است. فراخور این پیشرفت ها معامله گران نیاز به ابزارها و روش های نوینی برای عکس العمل سریع به تغییرات لحظه ای بازارها داشتند. کلیه این ابزارها و روش ها نهایتا به اجرای هر چه هوشمند تر معاملات و استفاده بیشتر از قدرت پردازش کامپیوترها در خرید و فروش منجر میشد.

معاملات هوشمند در بازارهای مالی دنیا با نام معاملات الگوریتمی شناخته میشود. در بیشتر بازارهای مالی دنیا بلافاصله پس از ورود معاملات الگوریتمی پیشرفت محسوسی در حجم معاملات صورت گرفته است. جذابیت معاملات الگوریتمی آنقدر برای بازار محسوس شد که در حال حاضر بیش از 85 درصد معاملات بورس های پیشرفته دنیا از طریق اینگونه معاملات اجرا میشود. درایران هم چند سالی است که این معاملات وارد بازار سرمایه الگوریتم‌­های معاملاتی هوشمند شده است.
در این مقاله صحبت های آقای محسن رحمتی، قائم مقام گروه مالی کاریزما و عضو هیات مدیره فرابورس تهران در خصوص معاملات الگوریتمی را می خوانیم.

انواع معاملات الگوریتیمی (algorithmic trading)

ایشان در مورد انواع معاملات الگوریتیمی اینطور بیان نمودند که الگوریتم تریدینگ به انواع معاملات هوشمند و موارد استفاده از هوش مصنوعی و ماشینی در بحث معاملات گفته میشود که به چند شاخه تقسیم میشوند. در یک تقسیم بندی کلی از این مفهوم دو شاخه اصلی را میتوان نام برد:

1. استفاده از این الگوریتم ها برای معامله بهتر (الگوریتم های معاملاتی): معاملات بهتر به معنای معاملات سریعتر و امکان عکس العمل با دقت بالاتری نسبت به رویداد ها است. این دسته شامل دسته ای از الگوریتم ها هستند که وظیفه اجرای سفارش هایی را دارند به گونه ای که کمترین اثرگذاری بر بازار ( market impact ) را ایجاد کند. به عنوان مثال اگر شما بخواهید 1 میلیون از سهمی را در بازار خریداری کنید، طبیعتا این سفارش خرید در حالت معمول تاثیری بر دیگر سفارش ها خواهد گذاشت. این دسته از الگوریتم ها برای این منظور تعبیه شده اند که وظیفه آنها این است که کمترین اثر منفی بر بازار را بگذارند.
   این الگوریتم ها انواع مختلفی در زیرمجموعه خود دارد که هدف اصلی آنها در نهایت انجام معامله است. برای مثال یک نوع الگوریتم در این دسته قرار دارد به نام الگوریتم های پیاده سازی استراتژی (strategy implementation) که الگوریتم هایی هستند که دستورهای خاصی به آنها داده میشود و این الگوریتم ها موظف هستند براساس داده های منظمی که از سمت بازار به آنها داده میشود، این دستورهای ساده را اجرا کنند. بازارگردان ها در بخش هایی از وظایفشان شامل این دسته میشوند.
2. استفاده از این الگوریتم ها برای پیش بینی قیمت و پیش بینی بازار: در این دسته مباحث هوش مصنوعی خیلی پررنگ تر میشود و مفاهیمی چون machine learning و deep learning کاربردهای فراوانی دارد. تفاوت این گروه از الگوریتم ها با دسته قبل در این است که در الگوریتم های معاملاتی، الگوریتم ها خودشان تصمیم گیری نمیکردند و اگر این کار را میکردند تصمیمات مبتنی بر دستورهایی بود که به آنها داده میشد که در واقع پیش بینی ای صورت نمیگرفت و فقط وظیفه اجرا را برعهده داشت. اما در دسته دوم این الگوریتم ها مانند یک تحلیلگر خبره باید بازار را پیش بینی کند و میدانیم که پیش بینی هیچوقت قطعی نیست. این الگوریتم ها با سنجیدن تمام پارامترها و احتمالات ممکن تصمیم میگیرد که معامله ای صورت بگیرد یا خیر.

برای اطلاع از market impact به این اپیزود گوش کنید: جداسازی بازارهای عمده و خرد - قسمت بیست و سوم پادکست کاریزما

طبیعتا شاخه دوم از الگوریتم ها بسیار پیچیده تر است که در دنیا توسط صندوق های بسیار بزرگ مورد استفاده قرار میگیرند. با قرار دادن این دو دسته از الگوریتم ها در کنار یکدیگر دلیلی واضح در مورد رشد این الگوریتم ها به ما میدهد که آن مزیت کامپوتر در پردازش حجم اطلاعات بالا و عکس العمل سریع نسبت به انسان است.

این موضوع که الگوریتم تریدینگ در نهایت منجر شود که بازار بهتری را شاهد باشیم به قوانین و مقرراتی که برای این حوزه تدوین میشود، بستگی دارد. معامله گرهای الگوریتمی نیز شبیه معامله گران انسانی هستند با مزایایی خیلی خاص. همانطور که معامله گران انسانی میتواند دستگاری قیمتی انجام دهد که سایر فعالین بازار را گمراه کند، معامله گران الگوریتمی هم قادر به انجام این کار هستند و مسلم است که معامله گران الگوریتمی ابزارهای بهتری و قوی تری برای این منظور دارند. نکته ای که مهم است این است که قوانین مشخصی برای کارکرد ها و عملیات اینگونه از معامله گران وجود داشته باشد. اگر بتوانیم در چارچوب قوانین بخش های صدمه زننده آن را کنترل کنیم و از آنها برای گردش معاملات، نقدشوندگی بهتر و تصمیم گیری های بهتر و بهینه ای استفاده شود، میتواند منجر به حرکت به سمت کارایی بازار شود.

موانع پیش روی الگوریتم تریدینگ در ایران

در بازار ایران بیشتر از الگوریتم های معاملاتی استفاده میشود. موانعی که پیش روی این تکنولوژی در ایران وجود دارد شامل موارد زیر است: