Hochfrequenzhandel Strategie Pdf

Binäre Optionen: Forex-Optionen, Aktienoptionen, Indexoptionen Commodity-Optionen - optionsClick OptionsClick. Um den Handel mit OptionsClick beizubehalten stimme ich zu Ich akzeptiere alle LTLs (Leadtrade) Richtlinien und Geschäftsbedingungen Warum Hochfrequenzhandel ist hier zu bleiben Philip Porado und Sara Tatelman Investments Sie können sich vorstellen, dass die blauen Augen des 19. Jahrhunderts fallen, wenn Aktienhändler fallen Berichten zufolge begann die Praxis der Übertragung von Läufern über Exchange-Etagen, um Angebote und Angebote. Aber Missbilligung tat nicht stoppen jene Händler vom üben ihre Windsprints oder das Mieten der Sekundarschule-Schienensterne, um das Laufen für sie zu tun. Die Zeit war immer Geld. Später, im selben Jahrhundert, beklagten sich die Beschwerter über die Firmen, die den neu geschmiedeten Telegraphen einsetzten, um Befehle zu erteilen. Und das 20. Jahrhundert sah die Unzufriedenheit mit der Art und Weise Telefone und Computer verändert das vornehme Geschäft der Swapping Aktien Aktien. Hochfrequenz-Handel ist heute gleichbedeutend mit Rennen auf dem Posten, und während Beweise zeigt es ungerecht Vorteil größere Investoren, sagen Experten, es ist hier zu bleiben. Im Dezember hat die Investment Industry Regulatory Organisation von Kanada mit der Veröffentlichung einer Studie, die keine Bedenken für eine weitere regulatorische Antwort offenbarte, mehr Futtermittel in die Debatte aufgenommen. Chancen sind gut, dass, wenn jemand erwähnt Hochfrequenz-Handel, schlechte Dinge Sprung in den Sinn: Schurkenhändlern, eine beunruhigende Ebene der Investitionen durch große Wirehouses in Nanosekunde Handelstechnologie und manchmal unerklärlich Börse plunges, die passieren, wenn die Algorithmen don t Arbeit. Der neueste Technologieboom der Wall Street, der Bay Street und London, England, erhielt nach dem Flash-Crash 2010 einen Teil der schlechten Presse, ein Ereignis, das von einer einzigen großen Investmentfirma ausgelöst wurde, die E-Mini S P 500 Verträge verkaufte. Der Flash-Crash umfasste den aggressiven Handel von Long-Futures-Positionen, die von Hochfrequenzhändlern aus dem Investmentfonds akkumuliert wurden, da sie große Mengen zu Blitzgeschwindigkeiten gekauft und verkauft und aufwendige Algorithmen verwendet haben, die es ihnen ermöglichen, Geld für geringfügige Preisänderungen zu verdienen. Diese Aktivität schickte die Dow Jones Industrial Average nach einem atemberaubenden tausend Punkte (die zweitgrößte Intraday Rückgang in der Geschichte der Börse), bevor er sich einige Minuten später. Diejenigen ohne Zugang zu den schnellsten und besten Technologien sehen solche Handelspraktiken als Räuber. Und eine Menge der Algorithmus-Handel wohl Kurzschlüsse der ursprünglichen Zweck der Kapitalmärkte, die Mittel zu bringen, um Unternehmen, die sie brauchen, um zu wachsen. Dann gibt es zitieren Füllung, ein Prozess, durch den Händler stecken Millionen von Angeboten und bietet in einer Handels-Montage nur, um sie Momente später aufzuheben. Die Praxis soll andere Marktteilnehmer ablenken, indem sie dem Datenfluss externe Informationen hinzufügt und es schwierig macht, fundierte Entscheidungen zu treffen. Liquiditätsschub Kritik an der Börse ist, dass der Hochfrequenzhandel als Ganzes eine wertvolle Liquidität für den Markt bietet. Wir sehen Vorteile auf dem Markt in Form von reduzierten Spreads, sagt Kevin Sampson, TMX Vice-President für Business Development und Strategie. Letztendlich bekommen die Anleger bessere Preise. Unsere Märkte sind wahrscheinlich genauso effizient oder effizienter wie nie zuvor. Er bemerkt, dass Investoren manchmal höhere Kosten wegen der Hochfrequenzhandelsaktivität zahlen müssen, aber schlägt vor, daß diese Herausforderungen immer bestehen werden. Ryan Riordan, ein Wirtschaftsprofessor an der Königin-Universität, drückt eine ähnliche Ansicht aus. Wir haben keine Beweise HFTs destabilisieren den Markt, sagt er. Seine Forschung gefunden Hochfrequenz-Trades kann gut für die Bereitstellung von Liquidität für die Märkte durch, in der Regel die Verringerung der Bid-Ask-Spread. Das wiederum senkt die Handelskosten, außer wenn Hochfrequenz-Händler kurz verkaufen. Wir fanden, dass sie für die Liquidität groß sind, wenn Sie den Auftrag zurücksenden, sagt er. IIROC Ergebnisse auf HFT Im Dezember veröffentlichte die Investment Industry Regulatory Organisation von Kanada eine Studie über Hochfrequenz-Handel. Es stellt fest: HFTs bieten generell mehr Liquidität Die HFT-Liquiditätsversorgung kann signifikant niedriger sein, wenn ein großer Handel einen überdurchschnittlichen Prozentsatz des gesamten Handelsvolumens am Tag darstellt, an dem HFTs wesentlich zur Preisfindung beitragen, die Mehrheit der von HFT eingegebenen passiven Aufträge verbessert sich Der beste Preis oder Match die vorherrschenden besten Preise gibt es wenig Beweise, dass HFTs profitieren von langsamen nicht-HFTs oder Front-run non-HFTs. Die Ergebnisse der Studie zeigten keine Bedenken, die eine Regulierungsmaßnahme über die bereits von IIROC durchgeführten Maßnahmen hinausgingen und darauf hindeuten, dass die Anwesenheit von HFT unterschiedliche Auswirkungen auf die kanadischen Aktienmärkte und diejenigen hat, die auf diesen Märkten investieren, sagte IIROC bei der Bekanntgabe der Ergebnisse von Die Studie am 9. Dezember. Wenn Sie die Einreichung der Bestellung zu stoppen, schaltet die Liquidität. Aber dieser Vorteil macht nicht viel für institutionelle Investoren, sagt Robert Young, ein ehemaliger Chief Executive Officer von Liquidnet. Die von HFT eingesetzte Liquidität hilft institutionellen Anlegern nicht wirklich, sagt Young, der vor kurzem von Liquidnet ausscheidet. Er fügt hinzu, IIROC hat gefunden, Hochfrequenz-Händler werden Wettbewerb, wenn institutionelle Investoren beginnen, einen großen Handel machen, wie sie in Kauf-Modus geben. Das Resultat ist, daß weniger Vorrat vorhanden ist, während Nachfrage steigt, die den Preis beeinflußt. Wenn jemand herausfindet, dass jemand s viel kauft, beginnen sie zu kaufen, weil sie wissen, dass die Preise steigen werden, sagt er, dass Hochfrequenzhändler dazu neigen, agiler zu sein. Und kleinere Preisschwankungen, auch solche, die so klein sind wie ein Pfennig, aber viele Male wiederholt, haben einen größeren Einfluss auf jeden, der große Geschäfte macht. Wenn Sie es multiplizieren, ist es genug, um die 25-besten Performer aus dem 26. besten Performer zu trennen, sagt Young. Es ist wirklich wichtig für sie, nicht zu verlieren, dass Penny. Mit Praktiken wie Zitat Füllung und Verkauf von frühen Zugang zu Informationen, ist es keine Überraschung Händler auf beiden Seiten der Grenze sind auf der Suche nach Möglichkeiten, um Hochfrequenz-Handel fairer zu machen. Einige haben vorgeschlagen, eine Art von elektronischen Geschwindigkeit Bump auf das Spielfeld. Und da Young darauf hinweist, hat das IIROC einige Maßnahmen ergriffen, indem es hochfrequenten Händlern bestimmte Kosten für das zusätzliche Nachrichtenvolumen zuteilt, das ihre Aktivitäten generieren. Darüber hinaus haben die Betroffenen über die Praxis der Catering für anonyme Händler Anregungen für die Beleuchtung von so genannten dunklen Pools, wo die Transaktionen stattfinden, zwischen Parteien, die zu kaufen oder zu verkaufen große Blöcke von Aktien weg von großen Marktzitat montiert haben. In Kanada, sagt Young, IIROC hat bei dunklen Pools in den Vereinigten Staaten sah und festgestellt, dass sie nicht geeignet hier. Sie verhinderten das Wachstum kleiner Dunkelbecken, das wäre eine schlechte Sache gewesen, sagt er. Was noch wichtiger ist, wenn es um institutionelle Investoren geht, möchte Young eine gewisse Flexibilität sehen, um Block-Trades außerhalb der temporären Preisverschiebungen, die durch den Hochfrequenzhandel verursacht werden, zu ermöglichen. Es sollte ein wenig Flexibilität in den Regeln rund um Block Trades, fügte er hinzu, fügte hinzu, dass eine Fusion zu einem gewissen Grad von Kanada s Wertpapiere Regulierungsbehörden würde auch dazu beitragen, ihre Fähigkeit, den Einfluss der großen Hochfrequenz-Händler zu begegnen. Schaffung von Fairness Einige Börsen in Kanada und den Vereinigten Staaten, mittlerweile haben einen anderen Weg gegangen: die Schaffung ihrer eigenen Handelssysteme durch strenge Regeln und höhere Gebühren gebunden. IEX Group Inc., ein amerikanisch registrierter Broker-Dealer, ist ein auf Abonnements basierendes alternatives Handelssystem, das ausschließlich von einer Gruppe von Investmentfonds, Hedgefonds, Family Offices und Einzelpersonen finanziert wird. Gegründet von Markham, Ont. Nationale Brad Katsuyama, hat es eine Infrastruktur zum Schutz von Aufträgen aus Raubhandel, eine Sub-Klasse von Hochfrequenz-Handel, die versucht, zu identifizieren und zu benachteiligen traditionellen Investor Order Flow. Trotz der Reputation, dass HFT hat gesammelt, gibt es viele HFT-Strategien, die einen wertvollen Service für den Markt bieten. Predatory Trading ist nicht einer von ihnen. Und unser Plan ist es zu stoppen, nach IEX-Dokumente. Mit der Markteinführung des vergangenen Jahres der Aequitas Neo Exchange, einer neuen Börse, deren Name Fairness bedeutet und die darauf abzielt, die dringlichen Marktthemen Fairness, Liquidität und Transparenz auf das Vertrauen der Investoren zu lenken, werden die Anleger eine weitere Alternative haben. Aequitas Präsident und Chief Executive Officer Jos Schmitt sieht Aequitas als eine Alternative zu anderen kanadischen Börsen, die er fühlt sich nie an räuberische Hochfrequenz-Handel. Die etablierten Marktplätze sehen HFT-Kunden als Volumen. Für sie ist es ein großer Geldmacher. Er sagt, Aequitas sei nicht gegen den Hochfrequenzhandel konkurriert, aber er bemerkte, dass es sein Ziel sei, eine Reihe technologischer und Marktstrukturlösungen zu implementieren, um gleiche Wettbewerbsbedingungen zwischen den Marktteilnehmern zu schaffen, die über einen Informationsvorteil und jene verfügen, die dies nicht tun. Auf Balance, sagt Mark Yamada, Präsident von P R Investing Inc. der Markt eine gute Arbeit der Verwaltung Preisdiskrepanz. Für mich ist HFT nur eine fortschrittlichere technologische Form davon, sagt er. Es kann ein wenig missbraucht werden, aber wie ich sage, im Gleichgewicht, es Arbitrages weg die Diskrepanzen zwischen den Märkten. Ein ebenes Spielfeld ist eine gute Sache. Lasst die Stärkeren überleben, lassen die Schwächeren sterben. Kleinere Investoren abgestürzt Hochfrequenz-Aktienhandel hat einen schlechten Rap für den Rand kleiner Investoren, die ohne die Mittel zu zahlen für super-schnelle Trades aus den Märkten bekommen. Die Verlierer sind vermutlich die traditionellen Vermittler, die Leute, die verwendet wurden, um eine Tötung zu machen, sagt Ryan Riordan, ein Geschäftsprofessor an der Königin-Universität. Sie versorgten die Liquidität. Jetzt nimmt HFT den einfachsten Teil ihres Geschäfts. Und, so sagt er, sind die hohen Kosten der Technologie auch ein Hindernis für eine breitere Akzeptanz. Es gibt Produkte, die ich lieber schnell für meine Kunden entwickeln würde, die ich t kann, weil der TMX mich zwingt, meine Handelssysteme zu aktualisieren, sagt Doug Clark, Geschäftsführer der ITG Canada, Mitglied des Aequitas-Konsortiums. Es ist eine ständige Technologie-Nachfrage aus dem Markt, und an keiner Stelle hat ein Regulator gesagt, Dies ist zu viel für die Händler. Für die Mid-Tier, oder die weniger technisch fähige Händler, es s mehr als sie Ressourcen für haben. So ist es wirklich begrenzt Ihre Fähigkeit zum Erstellen von Risikomanagement-Tools oder zur Verbesserung Ihrer Algorithmen, zum Beispiel. Aequitas Präsident und Chief Executive Officer Jos Schmitt stimmt Hochfrequenz-Handel hat eine Maut auf dem Markt genommen. Das Hauptproblem ist, dass HFTs Liquidität bereits für liquide Wertpapiere bereitstellen und die traditionellen Market Maker verdrängen. Dies, kombiniert mit räuberischen HFT, führt Händler, Investoren und Unternehmen, um das Vertrauen in den Markt zu verlieren. Kevin Sampson, TMX Vice-President für Business Development und Strategie, räumt ein, dass das Vertrauen in den Markt ist ein großes Anliegen, aber nicht tadeln Hochfrequenz-Handel für den Crash 2010. Es wurde durch Studien gezeigt, die in den USA durchgeführt wurden, dass es nicht vorwiegend HF-Händler waren, die den Flash-Crash verursacht haben. Aber es geht zurück auf die Wahrnehmung, sagt Sampson. Der Investor bekommt nur dieses Gefühl, dass etwas nicht richtig aussieht oder nicht richtig funktioniert. Das beeinflusst das Ausmaß, in dem sie an den Märkten teilnehmen. Tatsächlich zeigen viele Marktbeobachter, was sie eine beunruhigende Praxis nennen, in der einige Think-Tanks und Universitäten hochfrequente Händler frühzeitigen Zugang zu Verbraucherumfragen und anderen Informationen verkauften. Aufschrei gegen die Praxis, die angeblich gab den Händlern mit ultra-schnellen Zugang eine Kante, führte die New York State Attorney General s Büro erreichen eine Vereinbarung mit Thomson Reuters im Jahr 2013 aufhören zu verkaufen University of Michigan Verbraucherumfrage Ergebnisse Hochfrequenz-Händler zwei Sekunden, bevor die Informationen öffentlich zugänglich waren. Mark Yamada, Präsident von PUR Investing Inc., ist nicht gegen den Hochfrequenzhandel, aber er begrüßt die Politikänderung. Der Grundsatz der fairen und gleichen Offenlegung sollte gelten. Anders zu tun ist wie das Verkaufen von Insiderinformationen. Wenn Thomson Reuters alle Daten für alle zur gleichen Zeit zur Verfügung stellt, ist es schwierig, zu widersprechen. Holen Sie sich ein PDF dieses Artikels. Mit Filmen von Dean DiSpalatro, Jessica Bruno, Katie Keir, Glenn Kauth und Anna Sharratt. Philip Porado ist Direktor des Inhalts für die Finanzdienstleistungsgruppe, einschließlich der Vorteile Kanada. Sara Tatelman ist Associate Editor der kanadischen Versicherung Top Broker. Dieser Artikel erschien ursprünglich in Corporate Risk Canada. Online-Algorithmen im Hochfrequenzhandel Die Herausforderungen der konkurrierenden HFT-Algorithmen Jacob Loveless, Sasha Stoikov und Rolf Waeber HFT (Hochfrequenzhandel) haben sich in den modernen Finanzmärkten als eine mächtige Kraft erwiesen. Erst vor 20 Jahren kam der Großteil des Handelsvolumens in Börsen wie der New York Stock Exchange, wo Menschen in bunten Outfits gekleidet gestikulieren und schreien ihre Handelsabsichten. Heutzutage erfolgt der Handel vorwiegend in elektronischen Servern in Rechenzentren, in denen Computer ihre Handelsabsichten über Netzwerknachrichten kommunizieren. Dieser Übergang vom physischen Austausch zu elektronischen Plattformen war für HFT-Firmen besonders rentabel, die stark in die Infrastruktur dieses neuen Umfelds investierten. Obwohl das Aussehen des Veranstaltungsortes und seiner Teilnehmer sich dramatisch verändert hat, bleibt das Ziel aller Händler, ob elektronisch oder menschlich, dasselbe: ein Vermögenswert von einem Standort / Händler zu kaufen und an einem anderen Ort / Händler zu einem höheren Preis zu verkaufen. Der entscheidende Unterschied zwischen einem menschlichen Händler und einer HFT besteht darin, dass dieser schneller, häufiger reagieren kann und sehr kurze Portfolio-Haltedauer aufweist. Ein typischer HFT-Algorithmus arbeitet im Sub-Millisekunden-Zeitmaßstab, wo menschliche Händler nicht konkurrieren können, da das Blinken eines menschlichen Auges etwa 300 Millisekunden dauert. Da HFT-Algorithmen miteinander konkurrieren, stehen sie vor zwei Herausforderungen: Sie erhalten große Datenmengen jede Mikrosekunde. Sie müssen in der Lage sein, extrem schnell auf die empfangenen Daten zu reagieren, da die Rentabilität der Signale, die sie beobachten, sehr schnell abklingt. Online Algorithmen bieten eine natürliche Klasse von Algorithmen für HFT-Anwendungen geeignet. Bei einem Online-Problem werden neue Eingabevariablen sequentiell aufgedeckt. Nach jeder neuen Eingabe muss der Algorithmus eine Entscheidung treffen, zum Beispiel, ob ein Handel eingereicht werden soll oder nicht. Dies steht im Kontrast zu einem Offline-Problem, das davon ausgeht, dass die gesamten Eingabedaten zum Zeitpunkt der Entscheidungsfindung zur Verfügung stehen. Viele praktische Optimierungsprobleme, die in Informatik - und Operations-Forschungsanwendungen behandelt werden, sind Online-Probleme. 1 Neben der Lösung eines Online-Problems müssen HFT-Algorithmen auch extrem schnell auf Marktaktualisierungen reagieren. Um eine schnelle Reaktionszeit zu gewährleisten, ist eine effiziente Speicherbearbeitung eine Notwendigkeit für einen Live-Handelsalgorithmus. Eine große Menge an Daten im Speicher wird eine CPU verlangsamen, so dass es wichtig ist, dass ein Algorithmus nur eine minimale Menge an Daten und Parametern verwendet, die in schnell zugänglichem Speicher wie dem L1-Cache gespeichert werden können. Darüber hinaus sollten diese Faktoren den aktuellen Marktstand widerspiegeln und in Echtzeit aktualisiert werden, wenn neue Datenpunkte eingehalten werden. Zusammenfassend gilt: Je kleiner die Anzahl der Faktoren, die im Speicher beibehalten werden müssen, und je einfacher die Berechnung, die erforderlich ist, um jeden Faktor zu aktualisieren, desto schneller ist ein Algorithmus in der Lage, auf Marktaktualisierungen zu reagieren. Basierend auf der Geschwindigkeitsanforderung und der Online-Natur von HFT-Problemen eignet sich die Klasse der Ein-Pass-Algorithmen besonders für HFT-Anwendungen. Diese Algorithmen erhalten jeweils einen Datenpunkt und verwenden ihn, um einen Satz von Faktoren zu aktualisieren. Nach der Aktualisierung wird der Datenpunkt verworfen und nur die aktualisierten Faktoren werden gespeichert. Bei HFT-Algorithmen können drei Probleme auftreten. Die erste ist die Schätzung eines laufenden Liquiditätsmittels, was für eine HFT nützlich sein kann, um die Grße eines Auftrags zu bestimmen, der wahrscheinlich an einer bestimmten elektronischen Vermittlung erfolgreich ausgeführt werden kann. Das zweite Problem ist eine laufende Volatilitätsschätzung, die helfen kann, das kurzfristige Risiko einer Position zu quantifizieren. Das dritte Problem ist eine laufende lineare Regression, die in Handelspaaren verwandter Assets verwendet werden kann. Jedes dieser Probleme kann mit Hilfe eines Online-One-Pass-Algorithmus effizient gelöst werden. In diesem Artikel untersuchen wir die Performance von Ein-Pass-Algorithmen auf Limit-Order-Book-Daten für hochliquide ETFs (Exchange Traded Funds) und beschreiben, wie diese Algorithmen in der Praxis kalibriert werden. Online-Algorithmen in HFT Der einzige Vorteil, den HFT gegenüber anderen Marktteilnehmern hat, ist die Reaktionsgeschwindigkeit. HFT-Unternehmen sind in der Lage, jede Aktion auf dem Markt zu sehen und reagieren innerhalb von Mikrosekunden. Obwohl einige HFT-Algorithmen ihre Handlungen auf einer Informationsquelle außerhalb des Marktes (z. B. durch Analysieren von Nachrichtenberichten, Messen der Temperatur oder Messung der Marktstimmung) basieren können, basieren ihre Entscheidungen hauptsächlich auf den Nachrichten, die auf dem Markt ankommen. Nach einigen Schätzungen gibt es etwa 215.000 Zitat Updates pro Sekunde an der New York Stock Exchange. 4 Die Herausforderung für HFTs besteht darin, diese Daten so zu verarbeiten, dass sie Entscheidungen treffen können, z. B. wenn Positionen eingegeben oder Risiken reduziert werden. Die in diesem Artikel verwendeten Beispiele gehen davon aus, dass HFTs jedes Update in den besten Bid - und Ask-Preisen beobachten können, einschließlich der besten Bid - und Ask-Größen. Diese Teilmenge von Informationen, die in dem Limit Orderbuch enthalten ist, wird oft als die Level-I-Orderbuchinformation bezeichnet. Die folgenden drei Beispiele von Online-Algorithmen, jeweils motiviert mit einer Anwendung in HFT, sind in diesem Artikel detailliert beschrieben: Online-Mittel-Algorithmus. Illustriert durch den Bau eines Faktors, der die verfügbare Liquidität prognostiziert, definiert als die Summe der Größen am besten Angebot und die beste Frage, in einem festen Horizont in der Zukunft. Diese Menge kann nützlich sein, um zu schätzen, welche Größengrße wahrscheinlich bei den besten Anführungszeichen bei einer gegebenen Latenzzeit ausgeführt wird. Online-Varianz-Algorithmus. Illustriert durch den Aufbau eines Faktors, der die realisierte Volatilität über einen festen Horizont in der Zukunft prognostiziert. Diese Menge kann bei der Schätzung des kurzfristigen Bestandsrisikos von Nutzen sein. Online-Regressionsalgorithmus. Dargestellt wird ein Faktor, der die erwartete PNL (Gewinn - und Verlustrechnung) einer Long-Short-Position in zwei verwandten Vermögenswerten prognostiziert. Dies kann bei der Konstruktion eines Signals nützlich sein, das anzeigt, wann eine Long-Short-Position wahrscheinlich rentabel ist. In allen drei Fällen hat der Algorithmus einen einzigen Parameter, alpha, der die Rate steuert, mit der alte Informationen vergessen werden. Abbildung 1 zeigt das rohe Liquiditätsmaß (Bid Größe plus fragen Größe) in blau. Rot und Grün repräsentieren den Online-Liquiditätsfaktor mit Alpha 0,9 bzw. Alpha 0,99. Beachten Sie, dass, wenn sich alpha einem Wert von 1 nähert, das Signal glatter wird und effizient den Trend in den zugrunde liegenden Daten verfolgt. Figur 2 zeigt die Online-Volatilitätsmessung für verschiedene Werte von alpha. Wieder einmal bemerken, dass die Maßnahme glatter für größere Alpha ist. Obwohl ein größeres Alpha ein glatteres Signal liefert, bleibt es auch hinter dem zugrundeliegenden Trend zurück, da es viel Gewicht zu älteren Daten gibt. Wie später diskutiert wird, wählt das Auswählen eines Werts für alpha in einen Kompromiss zwischen einem glatten Signal und einem reduzierten Nachlauf des Trends. Um den Online-Regressionsalgorithmus zu veranschaulichen, betrachten wir die Zeitreihen der mittleren Preise für SPY und SSO, zwei hoch verwandte ETFs (SSO ist die doppelte Leveraged Version von SPY). Wie in Abbildung 3 dargestellt, scheint die Beziehung zwischen den beiden Vermögenswerten im Laufe eines Tages nahezu linear. Fig. 4 zeigt den Online-Mittelwert und den Intercept für zwei Alpha-Werte. One-Pass-Algorithmen Wie durch den Namen angezeigt, liest ein Ein-Pass-Algorithmus jede Eingangsvariable genau einmal und verwirft es dann. Diese Art von Algorithmus ist sehr effizient in Bezug auf die Speicherbearbeitung, da es nur eine minimale Menge an Daten benötigt, um im Speicher gespeichert werden. Dieser Abschnitt stellt drei wichtige Beispiele für Online-Ein-Pass-Algorithmen vor: den exponentiellen gleitenden Durchschnitt, die exponentiell gewichtete Varianz und die exponentiell gewichtete Regression. Der nächste Abschnitt beschreibt dann die Anwendung dieser Algorithmen für HFT. Lassen Sie uns zunächst den einfachen gleitenden Durchschnitt einer Zeitreihe betrachten. Dies ist eine Schätzung des Mittelwerts einer Zeitreihe über einem sich bewegenden Fenster einer festen Größe. In der Finanzwirtschaft wird es häufig verwendet, um Preisentwicklungen zu erkennen, insbesondere durch den Vergleich von zwei einfachen gleitenden Durchschnitten: eine über einem langen Fenster und eine über einem kurzen Fenster. In einer anderen Anwendung kann das durchschnittliche gehandelte Volumen in den letzten fünf Minuten als eine Vorhersage des in der nächsten Minute gehandelten Volumens dienen. Im Gegensatz zum exponentiellen gleitenden Durchschnitt kann der einfache gleitende Durchschnitt nicht mit einem Ein-Pass-Algorithmus gelöst werden. Es sei (Xt) tX & sub0 ;, X & sub1 ;, X & sub2 ;. Die beobachtete Folge von Eingangsvariablen sein. Zu jedem Zeitpunkt t wollen wir das nächste Ergebnis X t 1 vorhersagen. Für M, das ist,. Der gleitende Durchschnitt kann auch über die folgende Rekursion berechnet werden: Während es sich um einen Online-Algorithmus handelt, handelt es sich hierbei nicht um einen Algorithmus mit einem Algorithmus, da er zweimal auf jeden Eingangsdatenpunkt zugreifen muss, um ihn dem gleitenden Durchschnitt hinzuzufügen Um sie wieder aus der gleitenden Durchschnittsschätzung zu entfernen. Ein derartiger Algorithmus wird als Zwei-Pass-Algorithmus bezeichnet und erfordert das Halten eines gesamten Arrays der Größe M im Speicher. Beispiel 1: Ein-exponentieller gewichteter Durchschnitt Im Gegensatz zum regulären Durchschnitt weist der exponentiell gewichtete Durchschnitt den älteren Beobachtungen ein exponentiell abnehmendes Gewicht zu: Hier 1. Da dieser exponentielle gewichtete Durchschnitt mehr Wert auf neuere Eingaben als ältere Datenpunkte legt, Wird es oft als eine gute Annäherung der einfachen gleitenden Durchschnitt. Verglichen mit dem einfachen gleitenden Durchschnitt berücksichtigt der exponentiell gewichtete Durchschnitt alle bisherigen Daten, nicht nur die letzten M Beobachtungen. Um den einfachen gleitenden Durchschnitt und den exponentiellen gewichteten Durchschnitt weiter zu vergleichen, zeigt Abb. 5, wie viele Datenpunkte 80, 90, 95, 99 und 99,9 Prozent des Gewichts in der Schätzung als Funktion von 0,95 erhalten, worauf das letzte M 90 beobachtet wurde Datenpunkte zu 99 Prozent des Schätzwertes beitragen. Als Warnung, wenn die Zeitreihe (X t) t sehr schwere Schwänze hat, könnte der exponentiell geglättete Durchschnitt durch eine extreme Beobachtung dominiert werden, während der gleitende Durchschnitt weniger anfällig für extreme Beobachtungen ist, da diese schließlich aus dem Beobachtungsfenster herausfallen . Häufiges Neustarten des Schätzverfahrens kann diesen Langzeitgedächtniseffekt der exponentiellen Glättung lösen. Der Grund für die Begünstigung des exponentiellen gleitenden Durchschnitts über dem einfachen gleitenden Durchschnitt in HFT ist, dass er effizient gelöst werden kann, indem ein Ein-Pass-Algorithmus verwendet wird, der anfänglich in Brown (1956) eingeführt wurde. 3 Diese Formel liefert auch eine einfache Interpretation des Parameters als Kontrolle darüber, wie viel Gewicht auf die jüngste Beobachtung verglichen mit allen früheren Beobachtungen gegeben wird. Beispiel 2: Eine exponentiell gewichtete Varianz Die exponentielle Glättung, die im vorhergehenden Abschnitt beschrieben wurde, schätzt einen gleitenden Durchschnitt einer Zeitreihe. In der Finanzwirtschaft ist auch die Volatilität einer Zeitreihe ein wichtiger Faktor. Im Großen und Ganzen sollte die Volatilität erfassen, wie stark eine Zeitreihe um ihren Mittelwert schwankt. Es gibt keine allgemein akzeptierte Definition der Volatilität für hochfrequente Finanzdaten. Dieser Abschnitt betrachtet die Volatilität als Standardabweichung (Quadratwurzel der Varianz) eines Datenpunkts in der Zeitreihe (X t) t. Ähnlich wie der exponentiell gewichtete gleitende Durchschnitt aus dem vorherigen Abschnitt kann ein Online-Ein-Durchlauf-Algorithmus konstruiert werden, der die Flüchtigkeit der Zeitreihe (X t) t mit einem exponentiellen Gewichtungsschema schätzt. Die Varianz einer Zufallsvariablen ist definiert als Var (X) E X - E X) 2. Die Schätzung der exponentiellen gewichteten Varianz der Zeitreihe erfordert zwei Schätzer: einen, der den Mittelwert E X schätzt und einen, der die Varianz schätzt: Die Standardabweichung des nächsten Messpunktes X t 1 wird dann als geschätzt. Der Eingabeparameter (0,1) wird wiederum vom Benutzer gewählt und gibt an, wieviel Gewicht älteren Datenpunkten zugeordnet ist, verglichen mit der letzten beobachteten Dateneingabe. Hier haben wir den Schätzer der Varianz mit 1 initialisiert, was eine eher willkürliche Wahl ist. Ein anderer Weg besteht darin, eine anfängliche Einbrennperiode zu haben, für die die Zeitreihe (Xt) t beobachtet wird, und ein Standardvarianz-Schätzer der Reihe über diesem Einbrennzeitfenster kann verwendet werden, um den Schätzer zu initialisieren. Natürlich kann ein ähnliches Verfahren verwendet werden, um den Schätzer des exponentiell gewichteten Durchschnittsschätzers zu initialisieren. Beispiel 3: Ein-Pass-Algorithmus für exponentiell gewichtete lineare Regression Das letzte Beispiel ist ein Online-One-Pass-Algorithmus für das exponentiell gewichtete lineare Regressionsmodell. Dieses Modell ähnelt der gewöhnlichen linearen Regression, gibt aber wieder mehr Bedeutung (nach einer exponentiellen Gewichtung) auf neuere Beobachtungen als auf ältere Beobachtungen. Wie bereits gezeigt, sind solche Regressionsmethoden in HFT-Strategien sehr nützlich, um die Relation verschiedener Vermögenswerte abzuschätzen, die beispielsweise beim Erstellen von Paarhandelsstrategien ausgenutzt werden können. In diesem Modell betrachten wir eine zweidimensionale Zeitreihe (X t, Y t) t und vermuten, dass die Variablen X und Y über eine lineare Relation miteinander verknüpft sind, die durch einen Rauschterm t mit Null-Mittel verfälscht wird. Das heißt, die Variable Y wird als die Antwortvariable bezeichnet, während X die erklärende Variable genannt wird. Der Einfachheit halber nehmen wir hier nur eine erklärende Variable an, aber die Erweiterung auf mehrere erklärende Variablen ist einfach. Im Standard-Offline-Ansatz zur linearen Regression werden die Parameter 1 kalibriert, nachdem alle Datenpunkte beobachtet wurden. Diese Datenpunkte werden in einem Vektor Y (Y & sub0; Y & sub1; Yt) ​​T und einer Matrix gesammelt. Die Spalte von Eins in der Matrix X entspricht dem Intercept in Gleichung 3. Wenn wir weiter die Parameter schreiben, dann ist die Beziehung zwischen Y Und X kann zweckmßigerweise in Matrixnotation geschrieben werden, da ein Vektor von stochastischen Rauschtermen und jeder dieser Fehlerterme einen Mittelwert von null hat. Der häufigste Ansatz zur Schätzung des Parameters wird so gewählt, dass er die Summe der quadrierten Residuen minimiert. Die Lösung für dieses Minimierungsproblem ist. Wie bei Mittelwert - und Varianzschätzungen sollten neuere Datenpunkte wichtiger für die Schätzung des Parameters für eine schnelle Berechnung sein. Als nächstes betrachten wir eine rekursive Methode, die sequentiell aktualisiert und Again wieder minimiert, der Parameter 1 Vektor V t muss im Speicher gespeichert und mit einem neuen Datenpunkt gemäß der folgenden Rekursion aktualisiert werden: Wie für den Mittelwert und die Varianzabschätzung wird die Initialisierung von Kann die Rekursion mit einer Einbrennperiode erfolgen. Schließlich, nach der Zeit t. Die beste Schätzung von ist. In der Literatur wird diese Methode auch als rekursive kleinste Quadrate mit exponentiellem Vergessen bezeichnet. 2 Schätzen von Alpha Wie entscheidet man über den optimalen Wert von alpha, den einen Parameter aller dieser Online-Modelle? Unser Ansatz für alle drei Modelle besteht darin, eine Antwortfunktion zu definieren, die den quadratischen Fehler zwischen der Antwort ri und der Vorhersage minimieren soll Unser Faktor fi. Diese Methode findet das optimale Alpha auf einer historischen Zeitreihe. Ein weiterer Ansatz wäre, um die optimale alpha online als auch zu schätzen. Dies erfordert jedoch mehr Arbeit und geht über den Rahmen dieses Artikels hinaus. Wir geben nun die Details zu den beschriebenen Online-Schätzern und schätzen das optimale Alpha eines gegebenen Datensatzes. 1. Die mittlere Liquiditätsabschätzung ist definiert als wobei der Index i die Anführungszeit darstellt. Die Antwort ist definiert als die Liquidität in 10 Sekunden: wobei bs i (10) die Gebotsgröße 10 Sekunden nach dem i-ten Zitat darstellt. Das Ausführen einer Optimierungsroutine über alpha zeigt, daß das optimale Alpha für die gegebenen Daten 0,97 ist, wie in Fig. 6 als Streudiagramm des Faktors und der Antwort gezeigt. 2. Der Volatilitätsschätzer ist definiert als wo der Index i in Sekunden die Realzeit darstellt. Die Antwort wird als die realisierte Volatilität über die nächste Minute definiert: Wiederum ergibt die Suche über verschiedene Werte von alpha ein optimales Alpha von 0,985 für den gegebenen Datensatz. Fig. 7 zeigt ein Streudiagramm des Faktors und der Antwort. 3. Der Paarungsregressionschätzer ist definiert als, wo der Index i die Anführungszeit darstellt. Der Faktor repräsentiert den Wert von SPY relativ zu SSO, dh, wenn die Menge positiv ist, dann ist SPY relativ billig und ein Handel, der lange SPY ist, dürfte profitabel sein. Die Antwort ist definiert als die PNL über die nächste Minute eines Handels, der lange eine Aktie von SPY und kurzen Aktien von SSO ist: wo der Preis von SPY 60 Sekunden danach darstellt. Die Antwort r i repräsentiert die PNL der folgenden Long-Short-Strategie: Kaufe 1 Anteil SPY und verkaufe Aktien von SSO zum Zeitpunkt i. Verlassen Sie die Position nach 60 Sekunden. Im analysierten Datensatz erweist sich das optimale Alpha als 0,996. Fig. 8 ist ein Streudiagramm des Faktors und der Antwort. Fazit Online-One-Pass-Algorithmen sind maßgeblich für den Hochfrequenzhandel, wo sie große Datenmengen pro Mikrosekunde erhalten und extrem schnell auf die empfangenen Daten reagieren können. Dieser Artikel hat drei Probleme, die HFT-Algorithmen Gesicht: die Schätzung eines laufenden Mittels der Liquidität, die nützlich sein können, bei der Bestimmung der Größe einer Bestellung, die wahrscheinlich ausführen wird erfolgreich auf einer bestimmten elektronischen Austausch eine laufende Volatilität Schätzung, die helfen können Quantifizieren das kurzfristige Risiko einer Position und eine laufende lineare Regression, die in Handelspaaren verwandter Vermögenswerte verwendet werden können. Online-One-Pass-Algorithmen können helfen, lösen jedes dieser Probleme. Referenzen 1. Albers, S. 2003. Online-Algorithmen: eine Umfrage. Mathematische Programmierung 97 (1-2): 3-26. 2. Aström, A. Wittenmark, B. 1994. Adaptive Kontrolle, zweite Auflage. Addison Wesley. 3. Brown, R. G. 1956. Exponentielle Glättung zur Vorhersage der Nachfrage. Arthur D. Little Inc. p. 15 LOVE IT, HATE IT LASSEN SIE UNS KENNEN JACOB LOVELESS ist der CEO von Lucera und ehemaliger Leiter des High Frequency Trading für Cantor Fitzgerald. Herr Loveless hat für beide Hochfrequenz-Handelsgruppen und Börsen für die letzten 10 Jahre in fast jedem elektronischen Asset gearbeitet. Vor einem Leben in der Finanzierung war Herr Loveless ein spezieller Auftragnehmer für das US Verteidigungsministerium mit einem Fokus auf heuristische Analyse auf Sachen, die nicht diskutiert werden können. Zuvor war er CTO und Gründer von Data Scientific, einem Pionier in der verteilten Systemanalyse. SASHA STOIKOV ist ein Senior Research Associate bei Cornell Financial Engineering Manhattan (CFEM) und ein ehemaliger VP in der Hochfrequenz-Handelsgruppe bei Cantor Fitzgerald. Er arbeitete als Berater bei der Galleon Group und Morgan Stanley und war Lehrer am Courant Institute of NYU und an der Columbia s IEOR Abteilung. Er hat einen Doktortitel. Von der University of Texas und einem BS von MIT.