انواع الگوریتم‌های معاملاتی


حراج!

خدمات

برای موفقیت، مهارت و دانش کار خود را بیفزایید. ما در کنار شما هستیم.

الگوریتم های معاملاتی

ربات هایی که با استفاده از هوش مصنوعی و تکنیک های یادگیری ماشین و بدون درگیر کردن احساسات انسانی، بجای شما اقدام به معامله می کنند.

بازارهای مالی

اموزش انواع تحلیل ( تکنیکال، بنیادی و ….) و تکنیک های معاملاتی برای کسب سود در تمامی بازارهای مالی ایران و جهان (بورس، فارکس، ارز دیجیتال و …)

معاملات الگوریتمی

آموزش معاملات الگوریتمی و کدنویسی برای ساخت انواع ربات معامله گرد، اکسپرت، اسکریپت و … با استفاده از هوش مصنوعی، یادگیری ماشین و سایر روش ها

آموزش سرمایه گذاری

برگزاری دوره های آموزش انواع روش های سرمایه گذاری برای تمامی سنین از کودکان و نوجوانان تا بزرگسالان با سرمایه و درجه ریسک پذیری مختلف

آموزش برنامه نویسی

برنامه نویسی به زبان پایتون (پایتون در مباحث مالی) و C ؛ دوره ویژه برنامه نویسی برای کودکان و نوجوانان

آموزش ریاضیات

ریاضیات از دبیرستان تا دانشگاه و از مقدماتی تا پیشرفته (تستی، تشریحی، حل مساله و پروژه و …) به همراه برنامه ریزی تحصیلی و مشاوره کنکور

هلدینگ مالی-آموزشی فارکس ایرانیان

آموزش معاملات الگوریتمی با استفاده از هوش مصنوعی
آموزش فارکس و بورس بین الملل
آموزش بورس اوراق بهادار تهران
آموزش بورس و سرمایه گذاری برای نوجوانان و کودکان

تحلیل و مدیریت دیتا های بزرگ (Big Data)
مشاوره و راه اندازی کسب و کار
مشاوره فروش، تبلیغات، بازاریابی و برندینگ در بستر هوش تجاری

Financial advice armoo

به ما بپیوندید؛ یا

با ما در تماس باشید

شما به راحتی و با یک تماس، ایمیل یا پیغام در شبکه های اجتماعی می توانید از مشاوره رایگان ما بهره مند شوید و سوالات خود را از ما بپرسید. بسیاری از دوره های مقدماتی ما در تمامی آموزش ها به صورت رایگان در اختیار شما قرار خواهد گرفت.

هلدینگ مالی آموزشی فارکس ایرانیان

محصولات و خدمات

دوره های کاربردی | پول ساز | با بیان ساده و قابل فهم

کتاب

کتاب راهنمای کاربردی معامله در بازار فارکس

شاخص اول فروشگاه سرمایه گذاری

حراج!

دوره کاربردی سرمایه گذاری

شاخص اول فروشگاه ارز دیجیتال

حراج!

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، 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.

استراتژی های معاملات الگوریتمی

استراتژی معاملات الگوریتمی

به نظر می‌رسد معامله های الگوریتمی عوامل انسانی را حذف و در عوض استراتژی های مبتنی بر آمار از پیش تعیین شده هستند که می‌توانند در ۷/۲۴ بوسیله ی کامپیوتر با حداقل نظارت، اجرا شوند. کامپیوتر ها می‌توانند مزایای بیشتری را از تریدرهای انسانی ارائه دهند. برای نمونه، آنها می‌توانند در کل روز فعال باشند بدون اینکه بخوابند. همچنین می‌توانند داده را دقیقاً تحلیل کنند و پاسخ نوسانات را در هزارم ثانیه بدهند. به علاوه، آنها عواطف و احساسات را درگیر تصمیماتشان نمی‌کنند. به همین دلیل بسیاری از سرمایه گذاران در دراز مدت به این پی بردند که کامپیوتر ها با استفاده از استراتژی های صحیح، می‌توانند تریدرهای بهتری باشند.

به این ترتیب، حوزه ی معامله های الگوریتمی اینگونه تکامل یافته است. در حالی که کار با کامپیوترهای معامله گر در بازارهای سنتی آغاز شد، افزایش دارایی های دیجیتال و ۷/۲۴ صرافی ها، این روش را به سطح جدیدی رساندند.

معاملات الگوریتمی چیست؟

تقریباً به نظر می‌رسد که معامله ی خودکار و ارز دیجیتال برای یکدیگر ساخته شده اند. این درست است که کاربران هنوز مجبورند استراتژی های خاص خود را انجام دهند. اگر این تکنیک ها به درستی اعمال شوند، به تریدرها کمک می‌کند تا دخالت خود در چرخه را بردارند تا معادلات ریاضی کار خود را انجام دهند.

استراتژی های اولیه چه هستند؟

فلسفه ی اصلی بیشتر معامله های الگوریتمی حول استفاده از نرم افزار برای ردیابی و شناسایی فرصت های سودآور و جهش، سریع تر از توانایی های انسانی است. متداول ترین روش ها: معامله های حرکت، معکوس کردن، آربیتراژ و انواع استراتژی های یادگیری ماشین است.

بطور کلی، ربات ها در برابر داده های تاریخی بازار آزمایش می‌شوند که اصطلاحاً به آنها “بک تست” می‌گویند که اجازه می‌دهد کاربران استراتژی های خود را در بازار واقعی که قصد دارند در آنجا استراتژی ها را با همان حرکت های قبلی اجرا کنند، آزمایش کنند. بعضی از خطرات در انجام اینکار شامل ” نصب بیش از حد یا Overfitting” می‌شود و زمانی اتفاق می‌افتد که ربات ها در اطراف داده های تاریخی بوجود می آیند و شرایط واقعی را تداعی نمی‌کنند. بنابراین منجر به استراتژی های می‌شوند که در واقع ساخته نمی‌شوند. یک مثال بسیار ساده اگر شما یک ربات را در برابر داده های بازار گاو طراحی و آزمایش کنید اما شروع به کار آن در بازار خرس کنید. بدیهی است که بازدهی را که انتظار داشتید مشاهده نخواهید کرد.

معامله ی مومنتوم (Momentum Trading) چیست؟

معامله های مومنتوم بر این اصل هستند که اگر عمده گرایش ها در بازار کنونی قابل مشاهده است، پس این گرایش بطور معقولانه تا زمانی که سیگنال های پایانی را آغاز کنند، ادامه خواهد داشت.

ایده در مورد معاملات مومنتوم این است که اگر دارایی خاصی مثلاً برای چندین ماه در یک جهت حرکت کرده باشد، با اطمینان می‌توانیم این روند را ادامه دهیم، حداقل تا زمانی که داده ها خلاف آن را نشان دهند. بنابراین خرید در هر سقوط و سود گرفتن بعد از هر پامپ یا برعکس، در صورت شورت کردن نیاز است. البته، تریدرها باید از این موضوع آگاه باشند که بازارنشانه هایی از روند معکوس را نشان می‌دهد، در غیر این صورت همین استراتژی می‌تواند خیلی سریع شروع به چرخش کند.

همچنین باید توجه داشت که معامله گران نباید استراتژی هایی را تنظیم كنند كه سعی در خرید و فروش در پایین ترین سطح یا اتفاقات واقعی باشد یا “catching the knife” نامیده می‌شود، بلكه باید سود خود را قفل كنند و در سطوح قابل اطمینان خرید كنند. معاملات الگوریتمی برای این امر ایده آل است، زیرا کاربران می‌توانند به سادگی درصدی را که با آن راحت تر هستند، تعیین کنند و اجازه دهند کد بقیه ی آنرا انجام دهد. اگر یک بازار به یک طرف حرکت کند یا آنقدر بی ثبات باشد که روند واضحی به وجود نیاید، این روش به خودی خود می تواند بی تأثیر باشد.

یک اندیکاتور عالی برای تماشای روندها، میانگین متحرک است. دقیقاً همانطور که به نظر می‌رسد، میانگین متحرک خطی است بر روی نمودار قیمت که میانگین قیمت یک دارایی را بیش از x مقدار روز (یا ساعت، هفته، ماه و غیره) نشان می‌دهد. غالباً مقادیری مانند ۵۰، ۱۰۰ یا ۲۰۰ استفاده می‌شود، اما استراتژی های مختلف برای پیش بینی معامله خود، در بازه های زمانی مختلف بررسی می‌کنند.

به طور کلی، یک روند زمانی که بسیار بالاتر یا کمتر از یک میانگین متحرک باقی بماند، قوی قلمداد می‌شود و هنگام نزدیک شدن یا عبور از خط MA، ضعیف است. علاوه بر این، MA به طور کلی بر اساس دوره های زمانی طولانی تر، سنگینی بیشتری نسبت به دوره ای دارد که فقط مثلاً ۱۰۰ ساعت گذشته یا یک بازه زمانی مشابه را تماشا می‌کند.

برگشت مجدد به چه معناست؟

برگشت مجدد به این واقعیت اشاره دارد که از نظر آماری، قیمت یک دارایی باید به سمت قیمت متوسط برگردد. انحراف شدید از این قیمت به معنی خرید بیش از حد یا فروش بیش از حد و احتمال تغییر قیمت است.

حتی برای چیزی مانند بیت کوین (BTC) که واقعاً فقط در بازار خرس بوده است، می‌تواند اوج یا پایین آمدن قابل توجهی باشد که از مسیری که قیمت در طول تاریخ دنبال کرده دور شود. در بیشتر مواقع، زمان زیادی نمی‌گذرد که بازارها به سمت این میانگین قیمت برگردند. با مشاهده میانگین های بلند مدت، الگوریتم ها می‌توانند با اطمینان شرط بندی کنند که انحرافات گسترده از این قیمت ها طولانی نیست و سفارشات تجاری را بر این اساس تنظیم می‌کنند.

به عنوان مثال، یک شکل خاص از این حالت برگشت، انحراف استاندارد نامیده می‌شود، و توسط اندیکاتوری به نام بولینگرباند اندازه گیری می‌شود. اساساً، این باندها به انواع الگوریتم‌های معاملاتی عنوان محدودیت های بالا و پایین بر روی انحراف از میانگین متحرک مرکزی عمل می‌کنند. وقتی قیمت به سمت یکی از این افراط ها پیش می‌رود، احتمال اینکه یک چرخش به سمت مرکز به زودی انجام شود، زیاد است.

البته، یکی از بزرگترین خطرات در اینجا این است که الگوریتم نمی‌تواند تغییرات اساسی را حساب کند. اگر بازاری به دلیل نقص دارایی اساسی در حال خراب شدن باشد، ممکن است قیمت هرگز بهبود نیابد. جایی که تریدرها باید شرایط خاصی را که الگوریتم هایشان نمی‌توانند ببینند کنترل و حساب کنند.

شکل دیگری از بازگشت مجدد می‌تواند در چندین دارایی رخ دهد و استفاده از این روش معامله جفت نامیده می شود. بگذارید بگوییم، دو دارایی به طور سنتی با هم ارتباط دارند. یعنی وقتی یکی بالا یا پایین می‌رود، از نظر آماری دیگری نیز همین کار را می‌کند. می‌توان یک الگوریتم ایجاد کرد تا یکی از این دارایی ها را تماشا کند تا حرکتی انجام دهد، سپس معامله ای را بر اساس احتمال اینکه کالای دیگر به زودی دنبال خواهد کرد، انجام دهد. چارچوب های زمانی برای این اختلافات گاهی اوقات می‌تواند کوتاه باشد و ماهیت خودکار این استراتژی را بسیار با ارزش تر کند.

الگوریتم می‌تواند برای مشاهده ی یکی از دارایی ها که باعث حرکت می‌شود، ساخته شود، جایی که معامله بر اساس احتمال اینکه کالای دیگری به زودی آنرا دنبال می‌کند. چارچوب های زمانی برای این اختلافات گاهی اوقات می‌تواند کوتاه باشد و ماهیت خودکار این استراتژی را بسیار با ارزش تر کند.

آربیتراژ چیست؟

آربیتراژ استراتژی است که از اختلاف قیمت موجود در دارایی های مختلف در بازارهای مختلف بهره می‌برد.

گاهی اوقات همان محصول، مانند یک کالا یا ارز، می‌تواند به طور موقت در صرافی های مختلف قیمت های متفاوتی داشته باشد. این می‌تواند فرصتی عالی برای سودآوری برای آن دسته از افراد سریع باشد که بتوانند قبل از تعادل بین این بازارها معامله کنند. برای این منظور، الگوریتمی برای تماشای دارایی های مختلف در بازارهای مختلف و باز کردن معاملات به محض یافتن اختلاف می‌تواند، ایجاد شود.

این تکنیک خیلی پیچیده نیست، اما معامله گرانی که سریعتر پاسخ می‌دهند، نسبت به آنهایی که سرعت کمتری دارند، تفاوت دارند. این یک استراتژی است که در آن، معامله با بسامد بالا قطعاً از یک مزیت قابل توجه برخوردار است، زیرا دقیقاً استفاده از این شرایط بازار، باعث از بین رفتن شکاف قیمت ها می‌شود.

استراتژی های ماشین یادگیری چیست؟

ماشین یادگیری و هوش مصنوعی می‌خواهد معامله های الگوریتمی را به سطوح جدیدی برساند. نه تنها می‌توان استراتژی های پیشرفته تری را در زمان واقعی به کار گرفت و با آنها سازگار شد بلکه تکنیک های جدیدی مانند پردازش زبان طبیعی مقاله های خبری می‌تواند راه های بیشتری را برای دستیابی به بینش ویژه در مورد جنبش های بازار فراهم کند.

الگوریتم ها می‌توانند از قبل تصمیمات پیچیده ای بگیرند و آنها را طبق استراتژی ها و داده های از پیش تعیین شده اجرا کنند، اما با ماشین یادگیری، این استراتژی ها می‌توانند خود را بر اساس آنچه واقعاً كار می‌كند به روز كنند. به جای منطق ” if/then “، یک الگوریتم ماشین یادگیری می‌تواند چندین استراتژی را ارزیابی کند و معاملات بعدی را براساس بالاترین بازده اصلاح کند. در حالی که آنها هنوز کار خود را برای راه اندازی انجام می‌دهند، این بدان معناست که تریدرها می‌توانند به ربات خود اطمینان داشته باشند، حتی وقتی شرایط بازار فراتر از پارامترهای اولیه تکامل می‌یابد.

یکی از انواع محبوب استراتژی ماشین یادگیری، naive Bayes نامیده می‌شود. در این تکنیک، الگوریتم های یادگیری براساس آمار و احتمالات قبلی معاملات ساخته می‌شوند. به عنوان مثال، داده های بازار تاریخی نشان می‌دهد که بیت کوین پس از سه روز متوالی قرمز، ۷۰٪ افزایش می‌یابد. یک الگوریتم ساده Bayes می‌بیند که سه روز گذشته همه کاهش یافته اند و به طور خودکار سفارش را بر اساس احتمال افزایش امروز صادر می‌کنند. این سیستم ها بسیار قابل تنظیم هستند و تنظیم پارامترهای مربوط به مواردی مانند نسبت ریسک و پاداش به عهده هر تریدر خواهد بود، اما اگر از تعادل راضی باشید، می‌توانید با انواع الگوریتم‌های معاملاتی حداقل تداخل آن را اجرا کنید.

یکی دیگر از مزایای ماشین یادگیری این است که ماشین ها قادر به خواندن و تفسیر گزارش های خبری هستند. با اسکن کردن کلمات کلیدی و خط کشی استراتژی های مناسب، این نوع ربات ها می‌توانند در عرض چند ثانیه با انتشار اخبار مثبت یا منفی معامله کنند. بدیهی است که این موارد دقیقاً به اندازه منطقی که در آنها وجود دارد دقیق خواهند بود و بنابراین اجرای آنها بسیار مشکل است. اما در صورت راه اندازی صحیح، نسبت به سایر تریدرها برتری دارند.

توجه داشته باشید که این لبه، شاخه جدیدی در معاملات خودکار است. بنابراین یافتن ربات هایی که به این روش کار می‌کنند ممکن است دشوارتر باشد، دسترسی به آنها هزینه بیشتری داشته باشد یا به راحتی از برخی تکنیک های آزمایش شده با زمان کمتر قابل پیش بینی باشد.

تعقیب سفارش چیست؟

تعقیب سفارش عبارت است از تماشای سفارشات خاص، بسیار بزرگ و سپس تلاش برای حرکت سریع بر اساس این فرض که این منجر به حرکت بیشتر قیمت خواهد شد.

معمولاً، پیش بینی سفارش بزرگ از بازیکن اصلی، به نوعی به اطلاعات داخلی احتیاج دارد و تجارت با این دانش معمولاً غیرقانونی است. با این حال، برخی از معامله گران با بسامد بالا راه های قانونی برای تراشیدن داده ها از مجامع تجاری بدون نسخه استخر تاریک پیدا کرده اند. این نوع بازارهای تجاری مجبور نیستند که اطلاعات سفارش خود را در زمان واقعی مانند صرافی ارسال کنند و بنابراین حرکت آنها تأثیر تأخیری در بازار دارد. با جمع آوری و پیاده سازی این داده ها سریعتر از یک تریدر متوسط، کاربران این روش می‌توانند برتری جدی نسبت به افرادی که این کار را ندارند، داشته باشند.

به عنوان مثال‌، می‌بینید که یک دستور فروش گسترده در استخر تاریک اجرا می‌شود. این به شما می‌گوید به زودی وقتی این داده ها در بقیه بازار ارسال می‌شود، فروشندگان کوچکتر بسیاری احتمالاً با سفارشات خود پاسخ خواهند داد. از آنجا که پیش بینی این امر وجود دارد، می‌توانید جلوتر بروید و در زمره اولین کسانی باشید که به فروش می‌رسانند، این بدان معناست که با افت قیمت، می‌توانید به راحتی دوباره خرید کنید. باز هم، تا زمانی که داده ها از طریق کانال های صحیح جمع آوری می‌شوند، این روش غیرقانونی نیست و بسیاری از تریدرهای الگوریتمی این روش را انتخاب کرده اند.

معامله ی الگوریتمی با ارز دیجیتال را از کجا شروع کنم؟

وبسایت های زیادی وجود دارند که الگوریتم های تجاری متنوعی را ارائه می‌دهند، سپس می‌توانید به تبادل دارایی دیجیتال مورد نظر خود متصل شوید.

خدمات کاملاً محدودی وجود دارد که می‌تواند شما را به سرعت با معاملات الگوریتمی تنظیم کند. سایتهایی مانند TradeSanta ،Bitsgap و Cryptohopper همه انواع مختلفی از حساب را ارائه می‌دهند که بسته به اینکه چه ابزاری در دسترس است، می‌تواند رایگان یا با هزینه باشد. برای مبتدیان، به طور کلی یک حساب رایگان، گزینه های زیادی برای شروع به شما ارائه می‌دهد، اما اگر به دنبال حرفه ای شدن باشید حساب های پولی می تواند بسیار مفید باشد.

این سایت ها به طور کلی آموزش و سایر مطالب را ارائه می‌دهند تا بتوانید در زمینه یافتن ربات ها و استراتژی های مناسب برای شما آموزش ببینید. در حالی که هر سرویس با هر صرافی سازگار نیست، خواهید دید که اکثر این محصولات تقریباً از بزرگترین و محبوب ترین صرافی ها پشتیبانی می‌کنند. حتی برخی از آنها تبلیغات ویژه ای برای استفاده از ربات های خود در ارتباط با یک پلتفرم خاص دارند، بنابراین کاربران باید گزینه های زیادی برای انتخاب داشته باشند. مسلماً تکنیک ها و خدمات بیشتری وجود دارد که می‌توانید آنها را بیابید، اما این راهنما باید اصول لازم برای خرید معامله های الگوریتمی به شما ارائه دهد. آهسته پیش بروید و هر آنچه را که می‌توانید را بیاموزید. طولی نمی‌کشد که تصمیم می‌گیرید که آیا یک استراتژی خودکار برای شما مناسب است یا خیر.

استراتژی های معاملات الگوریتمی (Algorithmic Trading)

استراتژی های معاملات الگوریتمی (Algorithmic Trading)

معاملات الگوریتمی برای حذف فاکتورهای انسانی ایجاد شده اند و در عوض استراتژی های از پیش تعیین شده و مبتنی بر آمار را دنبال می کنند که با حداقل نظارت می توانند توسط رایانه هایی به صورت شبانه روزی اجرا شوند.

رایانه ها می توانند مزایای متعددی را نسبت به معامله گران انسانی ارائه دهند. برای مثال ، آنها می توانند در تمام طول روز و بی وقفه فعال باشند. آنها همچنین می توانند داده ها را به طور دقیق تجزیه و تحلیل کرده و به تغییرات در کسری از ثانیه پاسخ دهند. علاوه بر این ، آنها بر اساس آمار و بدون احساسات تصمیم می گیرند. به همین دلیل ، مدتهاست که بسیاری از سرمایه گذاران این موضوع را درک کرده اند که دستگاه ها با توجه به اینکه از راهکارهای صحیح استفاده می کنند ، می توانند معامله گرهای بسیار خوبی باشند.

اینگونه زمینه معاملات الگوریتمی تکامل یافته است. در حالی که این روش با معاملات کامپیوتری در بازارهای سنتی آغاز شد ، افزایش دارایی های دیجیتال و اکسچنج ها آن را به سطح جدیدی رسانده است. تقریباً به نظر می رسد که معاملات خودکار و کریپتوکارنسی ها برای تکمیل یکدیگر ساخته شده اند. درست است که کاربران همچنان باید استراتژی های خود را نیز به کار گیرند ، اما استفاده صحیح از این تکنیک ها می تواند به معامله گران کمک کند تا به راحتی معامله کنند و اجازه دهند ریاضیات بقیه کار را برایشان انجام دهند.

استراتژی های اولیه چیست؟

فلسفه های اصلی معاملات الگوریتمی حول محور استفاده از نرم افزار برای کشف فرصت های سودآور و استفاده از آنها با سرعتی که در توانایی انسان نیست می چرخد. متداول ترین روش ها عبارتند از معامله بر اساس مومنتوم (momentum trading) ، بازگشت به میانگین (mean reversion)، آربیتراژ (arbitrage) و انواع استراتژی های یادگیری ماشین (machine-learning) .

اکثر استراتژی های معاملات الگوریتمی بر شناسایی فرصت ها در بازار بر اساس آمار متمرکز هستند. انجام معاملات بر اساس مومنتوم (momentum trading) به دنبال پیروی از روندهای فعلی است. بازگشت به میانگین (mean reversion) به دنبال تفاوت های آماری در بازار است. آربیتراژ (arbitrage) به دنبال تفاوت در قیمت های نقدی در اکسچنج های مختلف است و استراتژی یادگیری ماشین (machine-learning) سعی دارد فلسفه های پیچیده تری را خودکار کند یا چندین مورد را با هم ادغام کند. هیچ یک از این موارد تضمینی ساده برای کسب سود نیستند و معامله گران باید درک کنند چه زمانی و کجا الگوریتم صحیح یا “ربات” را اجرا کنند.

معمولاً ربات ها در برابر داده های تاریخی بازار آزمایش شده اند ، که به آن امکان آزمایش سیستم در گذشته یا بک تستینگ (backtesting) گفته می شود. این امر به کاربران امکان می دهد استراتژی خود را بر روی اطلاعات گذشته سهام مختلف ارزیابی کرده و مشاهده کنند در صورت استفاده از این الگوریتم در گذشته چه سودی کسب شده است. برخی از ریسک های انجام این کار می تواند شامل “overfitting” یا بیش انواع الگوریتم‌های معاملاتی برازش باشد ، یعنی زمانی که یک ربات به خوبی تعمیم نیافته است و بر اساس داده های تاریخی اجرا می شود که به طور دقیق شرایط فعلی را منعکس نمی کنند ، بنابراین به یک استراتژی منجر می شود که نتیجه ای نخواهد داشت. برای مثال اگر شما یک ربات را در برابر داده های یک بازار صعودی طراحی و آزمایش کرده باشید ، اما آن را برای راه اندازی در یک بازار نزولی اجرا کنید. بدیهی است ، بازدهی مورد انتظار خود را نخواهید دید.

معامله بر اساس مومنتوم (momentum trading) چیست؟

مومنتوم تریدینگ مبتنی بر این منطق است که اگر یک روند غالب در بازار در حال حاضر قابل مشاهده باشد ، احتمالا آن روند حداقل تا زمانی که سیگنال ها نشان دهند به پایان رسیده است ، ادامه خواهد یافت.

ایده معامله بر اساس مومنتوم این است که اگر یک دارایی خاص چندین ماه در یک جهت حرکت کرده باشد ، پس با اطمینان می توان فرض کرد که این روند ادامه می یابد ، حداقل تا زمانی که داده ها برعکس این وضعیت را نشان دهند. بنابراین ، این طرح برای خرید در هر سقوط و قفل کردن سود در هر صعود ، و یا برعکس آن در صورت فروش ، برنامه ریزی شده است. البته ، معامله گران باید بدانند که چه زمانی یک بازار علائم بازگشت روند را نشان می دهد ، در غیر این صورت این استراتژی می تواند خیلی سریع برعکس عمل کند.

همچنین لازم به ذکر است که معامله گران نباید استراتژی هایی را تعیین کنند که سعی در خرید و فروش در کف و انواع الگوریتم‌های معاملاتی سقف قیمتی دارند ، که به اصطلاح(catching the knife) نامیده می شود ، بلکه در سطحی که ایمن باشد اقدام به قفل کردن سود و خرید متقابل (buy back) کند. معامله الگوریتمی برای این اقدام ایده آل است ، زیرا کاربران می توانند درصدهایی را که می خواهند به راحتی تعیین کنند و کد بقیه کارها را انجام می دهد. با این حال اگر یک بازار به صورت جانبی (sideways) حرکت کند یا آنقدر بی ثبات باشد که روند مشخصی ایجاد نشده باشد استفاده از این تکنیک به تنهایی می تواند بی اثر باشد.

یکی از شاخص های عالی برای بررسی روند ، شاخص میانگین متحرک (moving average) است. درست همانطور که از اسمش پیداست ، میانگین متحرک یک خط در نمودار قیمت است که میانگین قیمت یک دارایی را بیش از X روز (یا ساعت ، هفته ، ماه و غیره) نشان می دهد. غالباً مقادیری مانند ۵۰ ، ۱۰۰ یا ۲۰۰ روزه مورد استفاده قرار می گیرند ، اما استراتژی های مختلف به منظور پیش بینی معامله ، تایم فریم های مختلفی را بررسی می کنند.

به طور کلی ، هنگامی که قیمت پایین تر یا بالاتر از میانگین متحرک حرکت کند یک روند پرقدرت در نظر گرفته می شود و وقتی به میانگین متحرک نزدیک می شود یا از خط میانگین متحرک عبور می کند ، روند ضعیف در نظر گرفته می شود. علاوه بر این ، میانگین متحرک هایی که بر اساس دوره های زمانی طولانی تر انجام می شوند ، معمولاً نسبت به نمونه هایی که در بازه های کوتاهتر برای مثال طی ۱۰۰ ساعت انجام می شوند ، اطلاعات بیشتری را ارائه می دهند و برای بررسی روند مناسب ترند.

بازگشت به میانگین (mean reversion) چیست؟

بازگشت به میانگین به این واقعیت اشاره دارد که از نظر آماری ، قیمت دارایی باید به سمت میانگین قیمت تاریخی گرایش یابد. انحرافات شدید از این قیمت دلالت بر شرایط اشباع خرید (overbought) یا اشباع فروش (oversold) و احتمال وقوع بازگشت (reversal) دارند.

حتی در مورد یک دارایی مانند بیت کوین (BTC) ، که در واقع فقط در بازار نزولی قرار داشته است ، می توان سقف ها و کف های قیمتی قابل توجهی را مشاهده کرد که از مسیری که قیمت آن به طور تاریخی در آن قرار داشته منحرف می شوند. اغلب اوقات بازارها پس از مدت کوتاهی به سمت این میانگین قیمت می روند. الگوریتم ها با بررسی میانگین های طولانی مدت می توانند با اطمینان بگویند که انحراف شدید قیمت زیاد دوام نمی آورد و سفارشات معامله را آغاز کنند.

به عنوان مثال ، یک حالت خاص از این وضعیت، بازگشت انحراف معیار (standard deviation reversion) نامیده می شود و با یک شاخص به نام باندهای بولینگر (Bollinger Bands) اندازه گیری می شود. اصولاً ، این باندها به عنوان حد های صعودی و نزولی در انحراف از یک میانگین متحرک مرکزی عمل می کنند. وقتی حرکت قیمت به سمت یکی از این نقاط پیش می رود ، احتمال بازگشت قیمت به سمت مرکز وجود دارد.

البته یکی از بزرگترین ریسک هایی که در این وضعیت وجود دارد این است که الگوریتم نمی تواند تغییرات اساسی را به حساب آورد. اگر یک بازار به دلیل نقصی در دارایی پایه در حال سقوط باشد ، احتمال دارد روند قیمت هرگز بهبود نیابد یا حداقل این بهبودی به سرعت انجام نمی شود. در این حالت معامله گران باید شرایط خاصی که الگوریتم ها قادر به مشاهده و بررسی آن نیستند را نظارت و محاسبه کنند.

شکل دیگری از بازگشت به میانگین (mean reversion) ممکن است در چندین دارایی اتفاق بیفتد و استفاده از این روش معامله جفت (pairs trading) نامیده می شود. برای مثال می توانیم بگوییم دو دارایی به طور سنتی با یکدیگر همبستگی دارند. یعنی وقتی یکی از آنها افزایش می یابد ، از نظر آماری ، دیگری نیز صعود می کند. یک الگوریتم می تواند برای مشاهده ی یکی از این دارایی ها ایجاد شود، سپس براساس این احتمال که دارایی دیگر نیز به زودی از این روند پیروی می کند ، معامله را انجام دهد. استفاده از تایم فریم های کوتاهتر برای بررسی این تفاوت ها ماهیت خودکار این استراتژی را بسیار ارزشمندتر می کند.

آربیتراژ (arbitrage) چیست؟

آربیتراژ یک استراتژی است که از اختلاف قیمت یک دارایی در چندین بازار بهره می گیرد.

بعضی اوقات محصول مشابهی مانند کالا یا ارز می تواند به طور موقت در اکسچنج های مختلف قیمت متفاوتی داشته باشد. این می تواند فرصتی عالی جهت سودآوری برای کسانی باشد که قبل از اینکه تعادل قیمت ایجاد شود عملکردی سریع برای معامله بین این بازارها داشته باشند. برای این منظور ، یک الگوریتم می تواند برای بررسی دارایی های مختلف در بازارهای مختلف و آغاز معاملات به محض یافتن اختلاف قیمتی ایجاد شود.

این تکنیک چندان پیچیده نیست ، اما معامله گرانی که می توانند سریع ترین واکنش را داشته باشند ، نسبت به افرادی که کندتر هستند در این روش موفق تر عمل می کنند. این استراتژی برای معاملات فرکانس بالا (High Frequency Trading) قطعاً از مزیت قابل توجهی برخوردار است ، زیرا دقیقا معامله گرانی از این شرایط بازار استفاده می کنند که باعث شکاف و سقوط قیمت ها می شود.

استراتژی یادگیری ماشین (machine-learning) چیست؟

یادگیری ماشین و هوش مصنوعی معاملات الگوریتمی را به سطوح جدیدی سوق می دهند. نه تنها استراتژی های پیشرفته تر در این استراتژی قابل استفاده و انطباق هستند بلکه تکنیک های جدیدی مانند پردازش زبان طبیعی (Natural Language Processing) مقالات خبری نیز می تواند راه های بیشتری را برای دریافت اطلاعات ویژه ای در مورد حرکات بازار فراهم کند.

الگوریتم ها می توانند مطابق با استراتژی ها و داده های از پیش تعیین شده تصمیمات پیچیده ای بگیرند ، اما با یادگیری ماشین ، این استراتژی ها می توانند خود را بر اساس آنچه در واقع موفق عمل می کند ، بروزرسانی کنند. به جای منطق فازی اگر / آنگاه “if/then” ، یک الگوریتم یادگیری ماشین (ML) می تواند چندین استراتژی را ارزیابی کرده و معاملات بعدی را براساس بالاترین بازده ممکن اصلاح کند، در حالی که آنها همچنان کار خود را برای راه اندازی انجام می دهند ، این بدان معنی است که معامله گران حتی هنگامی که شرایط بازار فراتر از پارامترهای اولیه است ، می توانند به ربات خود اطمینان داشته باشند.

یکی از انواع محبوب استراتژی یادگیری ماشین ، (naive Bayes) نامیده می شود. در این تکنیک ، الگوریتم های یادگیری معاملات را بر اساس آمار قبلی و احتمال انجام می دهند. به عنوان مثال ، داده های تاریخی بازار نشان می دهد که بیت کوین (Bitcoin) پس از سه روز سقوط متوالی ، ۷۰ درصد رشد می کند. یک الگوریتم (naive Bayes) مشاهده می کند که طی سه روز اخیر کاهش قیمت رخ داده است و به طور خودکار سفارش امروز خود را بر اساس احتمال افزایش قیمت اجرا می کند. این سیستم ها بسیار قابل تنظیم هستند و همه معامله گران این اختیار را دارند که پارامترهای خود را برای مواردی مانند نرخ ریسک و پاداش تعیین کنند و هنگامی که از میزان تعادل راضی بودند ، می توانند اجازه دهند با حداقل تداخل کار کند.

یکی دیگر از مزایای استراتژی (ML)، توانایی ماشین آلات برای خواندن و تفسیر گزارش های خبری است. با اسکن کلمات کلیدی و در اختیار انواع الگوریتم‌های معاملاتی داشتن استراتژی های مناسب ، این نوع رباتها هنگام انتشار خبرهای مثبت یا منفی در عرض چند ثانیه می توانند معامله کنند. بدیهی است که فقط به نسبت منطق موجود در سیستمشان دقیق عمل می کنند و در نتیجه اجرای آنها دشوار است اما با این حال در زمینه تنظیم صحیح ، نسبت به سایر معامله گران برتری دارند.

توجه داشته باشید که این یک روش پیشرو در معاملات خودکار است. بنابراین ، یافتن ربات هایی که در این زمینه کار می کنند ممکن است دشوارتر باشد یا هزینه دسترسی بیشتری داشته باشند ، و یا نسبت به بعضی از تکنیک هایی که بیشتر آزمایش شده اند کمتر قابل پیش بینی باشد.

تعقیب سفارش (order chasing) چیست؟

تعقیب سفارش عبارت است از بررسی سفارشات خاص و بسیار بزرگ و سپس تلاش برای حرکت سریع بر اساس این فرض که این امر در نهایت منجر به حرکت بیشتر قیمت ها خواهد شد.

معمولاً ، توانایی پیش بینی یک سفارش بزرگ از سوی معامله گر ، به نوعی به اطلاعات داخلی نیاز دارد ، و انجام معاملات با چنین اطلاعاتی به طور کلی غیرقانونی است. با این حال ، برخی از معامله گران فرکانس بالا (high-frequency traders) روش های قانونی را برای گرداوری داده ها از فروم های معاملاتی خارج از بورس (over-the-counter) به نام “Dark Pools” پیدا کرده اند. این نوع از فروم های معاملاتی لازم نیست داده های سفارش خود را مانند اکسچنج ها ارائه دهند که در نهایت حرکتشان در بازار به تأخیر بیفتد. با جمع آوری و پیاده سازی این داده ها سریع تر از یک معامله گر ، کاربران این تکنیک می توانند مزیت بزرگی نسبت به افراد دیگر داشته باشند.

به عنوان مثال ، می بینید که یک سفارش فروش عظیم در یک دارک پوول (Dark Pool) اجرا می شود. این موضوع به شما می گوید که به زودی با ارسال این اطلاعات به بازار ، بسیاری از فروشندگان کوچک تر احتمالاً با انجام سفارشات خود به آن واکنش نشان می دهند. از آنجا که می توان این موضوع را پیش بینی کرد ، می توانید از این موج فراتر روید و جزو اولین کسانی باشید که برای فروش اقدام می کنند ، به این معنی که هنگام کاهش هیجانات می توانید به راحتی برای خرید متقابل (buy back) اقدام کنید. تا زمانی که داده ها از طریق کانال های مناسب جمع آوری شده باشند، این روش غیرقانونی نیست و بسیاری از معامله گران الگوریتمی این روش را برای استراتژی انتخاب خود کرده اند.

از کجا می توانم برای انجام معاملات الگوریتمی کریپتوکارنسی اقدام کنم؟

وب سایت های بسیاری وجود دارند که انواع مختلفی از الگوریتم های معاملاتی را ارائه می دهند ، که می توانید از طریق آن به اکسچنج دارایی دیجیتال مورد نظر خود متصل شوید.

سرویس های بسیار اندکی وجود دارند که می توانند به سرعت امکان انجام معاملات الگوریتمی را برای شما فراهم کنند. سایت هایی مانند (TradeSanta) ، (Bitsgap) و (Cryptohopper) همه انواع مختلفی از حساب ها را ارائه می دهند که بسته به اینکه چه ابزارهایی در دسترس هستند ، می توانند از انواع مختلف تا قیمت های مختلف را در بر بگیرند. برای مبتدیان ، یک حساب کاربری رایگان برای شروع گزینه های زیادی را ارائه می دهد ، اما اگر می خواهید حرفه ای تر عمل کنید ، حساب های پرداختی می توانند بسیار مفید باشند.

این سایت ها به طور کلی آموزش و مطالب دیگری را نیز ارائه می دهند تا بتوانید برای یافتن ربات ها و راهکارهای مناسب اطلاعات لازم را کسب کنید. با وجود این که سرویس ها با تمامی اکسچنج ها سازگار نیستند ، اما متوجه خواهید شد که اکثر آنها تقریباً از بزرگترین و محبوب ترین اکسچنج های موجود پشتیبانی می کنند. برخی حتی برای استفاده از ربات های خود در ارتباط با یک پلتفرم خاص پروموشن های ویژه ای دارند ، بنابراین کاربران گزینه های زیادی برای انتخاب خواهند داشت.

مسلما تکنیک ها و سرویس های بیشتری نیز برای استفاده وجود دارد ، اما این راهنما اصول لازم را برای شما فراهم کرده است تا با معاملات الگوریتمی آشنا شوید. آهسته پیش بروید و تا جای ممکن اطلاعات کافی را کسب کنید تا در نهایت یک استراتژی خودکار که برای شما مناسب است را پیدا کنید.

بازارگردان‌ها با معاملات الگوریتمی بورس را بهم می‌ریزند

پیش بینی بازار سرمایه

روند بازار بورس – یک تحلیلگر بازار سرمایه گفت: با منابعی که بازارگردان‌ها در اختیار دارند و قدرتی که معاملات الگوریتمی به آنها می‌دهد، می‌توانند سهم را در پایین‌ترین قیمت خریداری کرده و در سقف قیمت بفروشند.

شاهین احمدی در گفتگو با خبرنگار مهر با اشاره به نحوه استفاده از معاملات الگوریتمی گفت: معاملات الگوریتمی، عملیاتی است که از سوی ربات‌ها انجام می‌شود و در قالب یک برنامه دارای دسترسی به هسته معاملات و به صورت خودکار، یک سری معاملات را انجام می‌دهد که این شیوه دارای یکسری مزیت‌هایی نسبت به انجام معاملات توسط انسان است؛ در حالیکه سهامداران خرد در نهایت می‌توانند تعداد محدودی نماد را در یک لحظه رصد کننداما معاملات الگوریتمی، قدرت پردازش بالایی دارند و می‌توانند به صورت همزمان، نمادهای بسیاری را رصد کرده و در هر یک از نمادها فرصت کسب سود فراهم کنند. در بازارهای بزرگ سهام دنیا اکنون این معاملات به حد غایت خود ( HFT یا HIGH FREQUENCY TRADING) رسیده اند.

تحلیلگر بازار سرمایه افزود: معاملات الگوریتمی می‌توانند با خرید و فروش‌های خود به سودآوری استفاده‌کنندگان کمک کنند؛ اما ایراد این شیوه آن است که معاملات الگوریتمی، از نظر دسترسی به این حجم از دیتاها و پردازش آن‌ها از انسان‌ها جلوتر هستند. بیاید یک مثال بزنم، فرض کنید شما نمادی دارید که صف خرید شده است اما هلدینگ یا شرکت سرمایه گذاری که مالک آن نماد هستند بر روی صفر تابلو معامله می‌شوند. الگوریتم‌ها این موقعیت آربیتراژی را بسیار زودتر از انسان‌ها تشخیص می‌دهند و به سراغ آن هلدینگ می‌روند. این مزیت الگوریتم هاست.

به گفته احمدی، در حال حاضر یکسری الگوریتم به خدمت بازارگردانها درآمده‌اند و بازارگردان‌ها به جای اینکه به صورت شخصی بازار را رصد کنند، به الگوریتم دستور می‌دهند تا منفی‌های سهم آنها را خریداری کرده و مثبت‌های سهم آنها را بفروشد؛ بر این اساس با توجه به اینکه بازارگردان به الگوریتم وصل شده و از منابع مالی قابل توجهی نیز برخوردار است، به راحتی می‌تواند سهم مدنظر خود را خریداری کرده و سهم دیگر را بفروشد، این درحالی است که به تازگی تمامی شرکتهای بورسی باید بازارگردان داشته باشند و به همین دلیل، بازارگردان ها می‌توانند سهم مشخصی را بازارگردانی کرده و پول را در اختیار الگوریتم قرار داده و دستور دهد که روی یک سهم مشخص، بازارگردانی صورت دهد؛ یعنی منفی‌ها را بخرد و مثبت‌ها را بفروشد و با پول زیاد، سهم را در قیمت پایین می‌خرد و در نرخ بالا می‌فروشد.

این تحلیلگر بازار سرمایه خاطرنشان کرد: با منابعی که شرکت‌های بازارگردان در اختیار دارند و قدرتی که معاملات الگوریتمی به آنها می‌دهد، می‌توانند سهم را در پایین‌ترین قیمت خریداری کرده و در سقف قیمتی بفروشند؛ بنابراین اگر بتوانند سهم را در رنج منفی ۵ بخرند و در مثبت ۵ بفروشند، سود نزدیک به ده درصدی نصیب آنها می‌شود و به نوسان چندباره روزانه منجر می‌شود.

وی اظهار داشت: در حال حاضر دو گروه الگوریتم در بازار سرمایه مشغول خرید و فروش هستند که یک گروه، مجوزهای نظارتی نهاد ناظر را گرفته‌اند و تحت انواع الگوریتم‌های معاملاتی نظارت سازمان هستند که برای این گروه در حال حاضر معاملات الگوریتمی بسته است ولی گروه دیگر بدون مجوز، همراه با دسترسی سامانه‌های معاملاتی، فعال هستند و عملیات انجام می‌دهند که اینها تحت نظارت هم نیستند؛ اما آمار رسمی از تعداد آنها وجود ندارد؛ علاوه بر آن الگوریتم‌هایی هم وجود دارند که به معاملات ختم نمی‌شوند و صرفاً پیشنهاد خرید می‌دهند. در واقع AUTO TRADE نیستند.



اشتراک گذاری

دیدگاه شما

اولین دیدگاه را شما ارسال نمایید.