алгоритмы торговли

Измерение информации на рынке с помощью PIN. Часть 2

PINparm


В прошлой части мы рассмотрели теоретическую модель, лежащую в основе вычисления вероятности присутствия на рынке информированных трейдеров PIN. Продолжим с эмпирической реализации этой модели.


Для уменьшения пространства параметров модели, обычно предполагают, что частоты прихода ордеров на продажу ϵs и на покупку ϵb равны. В день «хорошей новости» вероятность наблюдения последовательности сделок купли и продажи соответствует:


\exp(-(\mu+\epsilon)T)\frac{[(\mu+\epsilon)T]^B}{B!}\exp(\epsilon T)\frac{(\epsilon T)^S}{S!}, где B и S — число сделок купли и продажи соответственно.



Для дней  «плохой новости»:


\exp(\epsilon T)\frac{(\epsilon T)^B}{B!}\exp(-(\mu+\epsilon)T)\frac{[(\mu+\epsilon)T]^S}{S!}


И для дней с отсутствием новостей вероятность равна:


\exp(\epsilon T)\frac{(\epsilon T)^B}{B!}\exp(\epsilon T)\frac{(\epsilon T)^S}{S!}


Предполагая, что торговая активность независима от одного дня к другому в течении T дней, вероятность торговой активности принимает форму:


L[\{B,S\}|\theta]=(1-\alpha)\exp(-\epsilon T)\frac{(\epsilon T)^B}{B!}\exp(-\epsilon T)\frac{(\epsilon T)^S}{S!}


+\alpha\delta\exp(-\epsilon T)\frac{(\epsilon T)^B}{B!}\exp(-(\mu+\epsilon)T)\frac{[(\mu+\epsilon)T]^S}{S!}


+\alpha(1-\delta)\exp(-(\mu+\epsilon)T)\frac{[(\mu+\epsilon)T]^B}{B!}\exp(-\epsilon T)\frac{(\epsilon T)^S}{S!}


с пространством параметров θ=α,δ,ϵ,μ. За h независимых дней вероятность наблюдения M=(B_i,S_i)_{i=1}^hравна произведению дневных вероятностей:


L[M|\theta]=\prod_{h=1}^h L(\theta|B_i,S_i)


Для сходимости при численной


Читать дальше →

Использование сантимента для предсказания цены акций

Accern Backtest Report


В настоящее время набирают популярность автоматические алгоритмы, основанные на исследовании «сантимента» (sentiment) — настроения или мнения аналитиков, журналистов, блоггеров и т.д. о той или иной компании, акции которой торгуются на рынке. Одно из таких исследований провел провайдер данных Accern.com и получил интересные результаты. Сбор данных по сантименту проводился только на одном популярном сайте Quantopian.com, было протестировано около 1,5 миллионов новостей и статей в течение 2,5 лет — с августа 2012 года по февраль 2015 года. Анализ этих данных проводился по следующим детерминированным критериям:


1. Настроение в публикациях ( может иметь значение 1 или -1). Этот параметр характеризует степень настроения автора к той или иной компании. Если публикация написана в позитивном тоне, параметр принимает значение 1, если в негативном — значение -1. Параметр работает как указатель направления движения цены.


2. Совокупный ранг источника (от 0 до 10). Параметр отражает


Читать дальше →

Алгоритмы маркетмейкера. Часть 3

Алгоритмы маркетмейкера. Часть 3


Продолжаем разбирать работу JIANGMIN XU «Optimal Strategies of High Frequency Traders». Начало смотрите здесь. Чтобы составить уравнение оптимального контроля, сначала сформулируем проблему оптимизации алгоритма при используемых стратегиях θ,  как достижение максимума следующего матожидания:


\max_{\theta^{mk},\theta^{tk}}\mathbb{E}_0[X_T-\gamma\int^T_0 Y^2_{t-}d[P,P]_t],



где интеграл\gamma\int^T_0 Y^2_{t-}d[P,P]_tпредставляет собой штрафную функцию удержания ненулевой открытой позиции рискованного актива, γ- постоянный коэффициент, d[P,P]t- квадратичное изменение средней цены P, X_T— кэш трейдера на момент времени окончания торговли T.


Далее определим функцию, которая представляет активы трейдера после ликвидации всех открытых позиций в конце торговли по алгоритму с помощью маркет ордера:


Q(x,y,p,f,s)=x+py-|y|(\frac{s}{2}+\epsilon),


где x — кэш трейдера,


p- средняя цена (в стакане),


y — открытая позиция,


s — спред,


f — дисбаланс объемов в стакане,


ϵ- комиссия. 


С учетом функции Q  дадим


Читать дальше →

Правильная техника торговли

Приветствую вас, коллеги!

В этом сообщении будет полезная информацией по технологии торговли.
Возможно, эта информация будет для вас не новой, тогда вы укрепите свое убеждение.

Для зарабатывания денег торговлей на бирже нужно комбинированное использование двух составляющих:
I. техника исполнения сделок;
II. торговая стратегия.

Причем с точки зрения важности, последовательность именно такая.
Можно разработать прибыльную торговую стратегию, но не иметь возможность зарабатывать на ней деньги в виду неправильной техники торговли. 


Читать дальше →

Пишем тестер-оптимизатор своими руками! часть 2

Первая версия тестера-оптимизатора «Монте-Карло».
Классический поиск максимума.
За основу своего первого тестера-оптимизатора решил взять логику из статьи «Нелинейная стохастическая оптимизация методом Монте-Карло»  из сборника Санкт-Петербургского Государственного Университета. Кого интересует это направление, советую почитать их сборники. Много интересных разноплановых статей про оптимизацию в самых разных областях.

Так вот. Суть метода в том, что мы создаем многомерную матрицу, состоящую из разновидностей стратегий с разными параметрами. Выбираем из этой матрицы случайным образом стратегии, тестируем их и определяем самую прибыльную стратегию. За критерий прибыльности взял мат ожидание. А так можно комплексный параметр составить. Принимаем точку с этой стратегий в матрице за эпицентр и режем края матрицы максимально удаленные от эпицентра на заданную нами глубину. Тем самым уменьшаем область выборки и по-новому тестируем из полученной уменьшенной
Читать дальше →

Пишем тестер-оптимизатор своими руками! часть 1

                                                    Введение.

                                   Методы оптимизации стратегий
Пишем тестер-оптимизатор своими руками! часть 1
     Как вы уже поняли из предыдущей статьи, оптимизация методом перебора не эффективна. Учитывая скорости тестирования, нецелесообразно перебирать все возможные параметры.
     Есть, конечно, уже готовые производительные оптимизаторы стратегий в других программных продуктах. Но как в них перевести свои стратегии? Все ли может этот тестировщик, что нам нужно? Будут ли тесты отражать реальность? Как
Читать дальше →