신경망 고주파 거래 전략

Arbitrage는 시장 비 효율성으로 이익을 압박합니다.
효율적인 시장 가설은 거래 된 자산의 가격이 주어진 시간에 알려진 모든 정보를 반영한다는 점에서 금융 시장은 "정보면에서 효율적"이라고 말합니다. 그러나 이것이 사실이라면 새로운 기본 정보가 없어도 가격은 매일 달라지는 이유는 무엇입니까? 대답은 개별 거래자들 사이에서 일반적으로 잊혀지는 한 측면을 포함합니다 : 유동성.
하루 동안의 많은 대규모 기관 거래는 정보와 관련이 없으며 유동성과 관련이 있습니다. 과다 노출 된 투자자는 공격적으로 포지션을 헤지하거나 청산하여 결국 가격에 영향을 미치게됩니다. 이러한 유동성 수요자들은 종종 자신들의 포지션을 종료하기 위해 가격을 기꺼이 지불하며 이는 유동성 공급자에게 이익이 될 수 있습니다. 정보에 대한 이익을 얻는이 능력은 효율적인 시장 가설에 모순되는 것처럼 보이지만 통계적 재정 거래의 기초를 형성합니다.
통계적 재정 거래는 가격과 유동성 간의 관계를 활용하는 것을 목표로하며 통계 모델에서 생성 된 자산의 기대 가치에 기초한 하나 이상의 자산의 통계적 오류로 이익을 얻습니다. 이 모델에 대한 자세한 내용과이 모델의 작동 방식에 대해 읽어보십시오.
통계적 차익 거래의 기원.
통계적 재정 거래는 1980 년대 Morgan Stanley의 주식 거래 데스크 운영으로 창출 된 헤지 수요로 시작되었습니다. Morgan Stanley는 밀접하게 상관 된 주식의 지분을 자사의 지위에 대한 헤지로 구입함으로써 대규모 블록 구매와 관련된 가격 벌칙을 피할 수있었습니다. 예를 들어, 회사가 큰 주식 블록을 구매했다면, 시장의 주요 침체에 대비하기 위해 밀접한 상관 관계가있는 주식을 줄이게됩니다. 이는 회사가 구매 한 주식을 블록 거래에 배치하려는 동안 시장 위험을 효과적으로 제거했습니다.
거래자들은 곧 이러한 쌍을 사형 집행 및 그 헤지가 아니라 단순히 헤지보다 이익을 창출하는 거래 전략의 두 측면으로 생각하기 시작했습니다. 이러한 쌍 거래는 결국 유동성, 변동성, 위험 또는 기타 요소로 인한 보안 가격의 통계적 차이를 이용하는 데 목적을 둔 다양한 전략으로 진화했습니다. 우리는 이제 이러한 전략을 통계적 재정 거래로 분류합니다.
통계적 차익 거래의 유형.
몇 가지 유형의 기회를 활용하기 위해 만들어진 다양한 통계적 재정 거래가 있습니다. 일부 유형은보다 효율적인 시장에 의해 단계적으로 제거되었지만, 다른 유형의 기회가 생겨났습니다.
위험 조정은 합병 상황에서 이익을 얻으려는 통계적 재정 거래의 한 형태입니다. 합병 중재인 (투자자가 호출 됨)을 대상으로 주식을 구입하고 (주식 거래 인 경우) 동시에 취득자의 주식을 단절합니다. 결과는 매수 가격과 시장 가격의 차이로 실현 된 이익입니다.
전통적인 통계적 재정 거래와는 달리 위험 조정은 몇 가지 위험을 감수해야합니다. 가장 큰 위험은 합병이 끝나고 목표 주가가 합병 전 수준으로 떨어질 것이라는 것입니다. 또 다른 위험은 투자 한 돈의 시간 가치를 다룹니다. 합병하기까지 오랜 시간이 걸리는 합병은 투자자의 연간 수익으로 먹을 수 있습니다.
리스크 차익 거래의 성공의 열쇠는 합병의 가능성과 적시성을 결정하고이를 목표 주가와 매수 제안 사이의 가격 차이와 비교하는 것입니다. 일부 위험 중재자는 인수 대상에 대해서도 추측하기 시작했으며, 이로 인해 훨씬 ​​큰 이익을 가져올 수 있으며 위험도 똑같이 높아질 수 있습니다.
변동성 차익 거래는 옵션의 내재 변동성과 델타 중립 포트폴리오의 미래 실현 변동성 예측 간의 차이를 이용하는 데 초점을 맞춘 통계적 재정 거래의 인기 유형입니다. 본질적으로 변동성 중개인은 기본 보안의 가격에 방향성을 내기보다는 기본의 변동성을 추측합니다.
이 전략의 핵심은 미래의 변동성을 정확하게 예측하는 것인데, 이는 다음과 같은 다양한 이유에서 벗어날 수 있습니다.
특허 분쟁 임상 시험 결과 불확실한 실적 M & A 추측.
일단 변동성 중재인이 미래의 실현 변동성을 추정하면 내재 변동성이 기본 보안에 대한 예측 된 실현 변동성보다 상당히 낮거나 높은 옵션을 찾기 시작할 수 있습니다. 묵시적인 변동성이 낮 으면, 상인은 delta-neutral 포트폴리오를 만들기 위해 기본 증권과 함께 옵션과 헤지 펀드를 구입할 수 있습니다. 마찬가지로 묵시적인 변동성이 높으면 상장 된 증권사와 옵션 및 헤지 펀드를 매각하여 델타 중립 포트폴리오를 만들 수 있습니다.
그러면 상장 된 증권의 실현 변동성이 시장 예측 (또는 내재 변동성)보다 예측에 더 가깝게 접근 할 때 상인은 거래 이익을 실현하게됩니다. 포트폴리오 델타를 중립적으로 유지하는 데 필요한 지속적인 재 헤징을 통해 무역에서 이익이 실현됩니다.
다른 종류의 차익 거래.
지난 수십 년 동안 발전해 온 많은 다른 유형의 차익 거래가 있습니다. 여기에는 신경망 및 고주파 거래가 포함됩니다. 이 전략들을 살펴보고 미래의 차익 거래 거래의 미래를 어떻게 설명하는지 살펴 보겠습니다.
뉴럴 네트워크 (Neural Networks) : 뉴럴 네트워크는 인간의 눈에는 보이지 않는 복잡한 수학적 관계를 찾는 능력 때문에 통계적 재정 거래 영역에서 점점 인기를 얻고 있습니다. 이러한 네트워크는 생물학적 신경 네트워크를 기반으로하는 수학적 또는 계산적 모델입니다. 이들은 연결 론적 접근법을 사용하여 정보를 처리하는 상호 연결된 인공 뉴런 그룹으로 구성됩니다. 이는 학습 단계에서 네트워크를 통해 흐르는 외부 또는 내부 정보를 기반으로 구조를 변경한다는 것을 의미합니다. 본질적으로, 신경망은 데이터의 패턴을 찾기 위해 입력과 출력 간의 복잡한 관계를 모델링하는 데 사용되는 비선형 통계 데이터 모델입니다. 증권 가격 변동에 대한 어떠한 패턴도 이익을 위해 악용 될 수 있습니다. 고주파 거래 : 고주파 거래는 컴퓨터가 트랜잭션을 신속하게 실행할 수있는 능력을 활용하는 것을 목표로하는 새로운 개발입니다. 거래 분야에서의 지출은 수년간 크게 증가했으며 결과적으로 초당 3,000 건 이상의 거래를 수행 할 수있는 많은 프로그램이 있습니다. 대부분의 통계적 재정 거래 기회는 경쟁으로 인해 제한되어 있으므로 신속하게 거래를 수행 할 수있는 능력은 이익 규모를 조정하는 유일한 방법입니다. 점차 복잡한 신경망과 통계 모델을 컴퓨터와 결합하면 숫자를 빠르게 처리하고 거래를 신속하게 수행 할 수있어 중재자의 미래 이익을위한 열쇠가됩니다.
통계적 재정 거래는 시장에서 매일 매일의 유동성을 제공하는 데 중요한 역할을합니다. 대규모 블록 거래자는 시장 가격에 큰 영향을 미치지 않으면 서 거래를 할 수 있으며, 동시에 미국 주식 예탁 증서와 같은 문제의 변동성을 모회사 주식과보다 밀접하게 연관시킴으로써 감소시킬 수 있습니다.
통계적 재정 거래는 또한 몇 가지 중대한 문제를 일으켰습니다. 가장 쉽게 알 수있는 것은 Long Capital Capital Management의 붕괴로 시장을 거의 폐허로 만들었습니다. 이러한 작은 가격 편차로부터 이익을 얻기 위해서는 상당한 영향력을 행사할 필요가 있습니다. 또한 이러한 거래는 자동화되어 있기 때문에 기본 제공되는 보안 조치가 있습니다. LTCM의 경우 이것은 아래쪽으로 움직일 때 청산 될 것이라는 의미였습니다. 문제는 LTCM의 청산 명령이 단지 정부 개입으로 끝난 끔찍한 루프에서 더 많은 매도 주문을 유발했다는 것이 었습니다. 대부분의 주식 시장 충돌은 유동성과 레버리지가있는 문제, 즉 통계적 중재가 작용하는 바로 그 영역에서 발생한다는 것을 기억하십시오.
통계적 차익 거래는 1990 년대 이후 약간의 인기가 감소 했음에도 불구하고 고안된 가장 영향력있는 거래 전략 중 하나입니다. 오늘날 대부분의 통계적 재정 거래는 신경 네트워크와 통계 모델을 결합하여 고주파 거래를 통해 이루어집니다. 이러한 전략은 유동성을 촉진 할뿐만 아니라 과거에 LTCM과 같은 회사에서 겪었던 대규모 충돌에 크게 책임이 있습니다. 유동성과 레버리지 이슈가 합쳐 지기만하면 공통 투자자에게도 가치있는 전략을 계속해서 제공 할 것입니다.

딥 뉴럴 네트워크 기반의 고주파 거래 전략
Andrés Arévalo 저자 Jaime Niño 독일 Hernández Javier Sandoval.
이 백서에서는 딥 뉴럴 네트워크 (DNN) 기반의 고주파수 전략을 제시합니다. DNN은 다음 1 분 평균 가격을 예측하기 위해 현재 시간 (시와 분) 및 \ (n \) - 1 분 의사 회신, 가격 표준 편차 및 추세 지표에 대해 교육을 받았습니다. DNN 예측은 다음 예상 평균 가격이 마지막 마감 가격보다 높을 때 (판매 된) 고주파수 거래 전략을 수립하는 데 사용됩니다. 교육 및 테스트에 사용되는 데이터는 2008 년 9 월에서 11 월까지 AAPL Ticket-by-Tick 트랜잭션입니다. 가장 잘 찾아낸 DNN은 방향 정확도가 66 %입니다. 이 전략은 테스트 기간 동안 81 %의 성공적인 거래를 산출합니다.
참조.
저작권 정보.
저자 및 제휴사.
Andrés Arévalo 1 작가 Jaime Niño 1 독일 Hernández 1 Javier Sandoval 2 1. Universidad Nacional de Colombia Bogotá 콜롬비아 2. Algocodex 연구소 Universidad Externado Bogotá 콜롬비아.
이 백서에 대해서.
개인화 된 권장 사항.
종이를 인용하십시오.
.RIS 논문 참조 관리자 RefWorks Zotero.
.BIB BibTeX JabRef Mendeley.
용지를 공유하십시오.
즉시 다운로드 모든 장치에서 읽을 수 있음 영원히 소유 가능 해당되는 경우 현지 판매 세 포함.
종이를 인용하십시오.
.RIS 논문 참조 관리자 RefWorks Zotero.
.BIB BibTeX JabRef Mendeley.
용지를 공유하십시오.
손끝에서 천만 가지 이상의 과학적 문서를 제공합니다.
전환 판.
&부; 2017 Springer International Publishing AG. 스프링거 자연의 일부입니다.

신경망 고주파 거래 전략
App Store를 통해 가져 오기 우리의 응용 프로그램 에서이 게시물을 읽으십시오!
어떤 유형의 신경망이 거래에 가장 적합한가?
예상 수익에 가장 적합한 유형의 신경망은 무엇입니까? 신경 네트워크가 고주파 거래 전략의 기초가 될 수 있습니까?
신경망의 유형은 다음과 같습니다.
지원 벡터 머신 방사형 기반 기능 네트워크 다중 레이어 퍼셉트론 Q - 학습 네트워크 또는 반복적 인 강화.
나는 (예 : HFT에 대한 내 의견을 참조) 재발 성 신경 네트워크 (RNN)의 추가 개발, 예를 들어. 예측 앙상블과 함께 소위 역사 일관성 신경망 (HCNN)이 최첨단입니다.
나는 Springer Verlag (Zimmermann, Grothmann, Tietz, von Jouanne-Diedrich : 역사적인 일관된 신경망을 이용한 시장 모델링, 예측 및 위험 분석)에 의해 이번 달에 발간 될 기사를 발표했다.
여기서 새로운 패러다임에 대한 아이디어를 얻으려면 짧은 발췌 부분 만 있습니다.
이 기사에서는 HCNN (historical consistent neural network)이라는 새로운 유형의 반복적 인 NN을 제시합니다. HCNN을 사용하면 상호 작용이 많은 비선형 동적 시스템을 여러 시간 규모로 모델링 할 수 있습니다. HCNN은 투입물과 산출물 사이에 어떤 구별도하지 않고, 큰 주 공간의 동역학에 포함 된 관찰 관측치를 모델링한다.
RNN은 비선형 회귀 접근법을 사용하여 개방형 동적 시스템을 모델링하고 예측하는 데 사용됩니다. 그러나 실제 (real-world) 기술 및 경제 응용 분야는 다양한 (비선형) 역 동성이 서로 상호 작용하는 대형 시스템의 맥락에서 볼 수 있어야합니다. 모델에 투영되면, 우리는 입력과 출력을 구별하지 않고 관찰 할 수있는 것을 말합니다. 대형 시스템의 부분 관측 가능성으로 인해 우리는 관측 대상의 역학을 설명 할 수있는 숨겨진 상태가 필요합니다. Observables과 숨겨진 변수는 같은 방식으로 모델에 의해 처리되어야합니다. 관찰 변수라는 용어는 입력 및 출력 변수를 포함한다 (즉, Yτ : = (yτ, uτ)). 우리가 관측 가능한 모든 관측 자료의 역학을 기술 할 수있는 모델을 구현할 수 있다면 우리는 개방 시스템을 폐쇄 할 수있는 입장에 서게 될 것입니다.
. 결론에서 :
대규모 반복적 신경망에서 숨겨진 변수와 관찰 된 변수의 공동 모델링은 계획 및 위험 관리에 대한 새로운 전망을 제공합니다. HCNN에 기반한 앙상블 접근법은 미래의 확률 분포 예측에 대한 대안 접근법을 제공합니다. HCNN은 과거 관측 대상의 역동성에 대한 완벽한 설명을 제공합니다. 그러나 세계의 부분 관측 가능성으로 인해 숨겨진 변수의 고유하지 않은 재구성이 생겨 결과적으로 미래 시나리오가 달라집니다. 역 동성의 진정한 개발은 알려지지 않았고 모든 경로는 동일한 확률을 갖기 때문에, 앙상블의 평균은 최상의 예측으로 간주 될 수있는 반면, 분포의 대역폭은 시장 리스크를 설명합니다. 오늘날 우리는 HCNN 예측을 사용하여 조달 결정의 타이밍을 최적화하기 위해 에너지 및 귀금속 가격을 예측합니다. 현재 진행중인 작업은 앙상블의 속성 분석과 실제 리스크 관리 및 금융 시장 애플리케이션에서의 이러한 개념의 구현에 관련됩니다.
이제 종이의 일부를 공개적으로 볼 수 있습니다. 여기.
모델링하려는 데이터에 따라 다릅니다. 데이터 경험 체제가 변경되면 시그 모이 드 기능 (arctan, hTan,.)
데이터가 대부분 선형이지만 약간의 편차가있는 경우 방사형 편향을 사용하십시오.
이것들은 신경망에 대한 일반적인 지침입니다. 데이터의 빈도는 위의 진술과 관련이 없습니다.
기본 함수 집합은 모든 데이터 집합에 맞게 만들 수 있습니다. 아이디어는 데이터에 대한 거짓 진실을 밝혀주는 기능을 사용하는 것입니다.
데이터, 지평선, 입력 등에 따라 달라집니다. 웨이블릿 변환은 시간을 줄이는데 좋으며 PCA는 자산을 줄이는 데 적합합니다. 이 분야에서 많은 작업이 이루어 졌으므로 Jurik Research WAV 및 DDR 모듈을 살펴보십시오. 그 결과는 EOD가 가장 유익하고 어떤 기능이 가장 유익한지를 모를 수 있음을 나타냅니다. 따라서 웨이블릿을 통해 무너지는 것이 이점을 제공합니다. 나는 NN을 많이 보았고 과거를 아는 것이 미래를 예측하는 데 도움이된다고 생각하지 않습니다. 밴티지 포인트 (Vantagepoint)가 승인 한 특허는 전혀 이해가되지 않았지만, 아마도 인터 마켓 분석이 도움이 될 수 있을까요?
(NN, RNN, SVM)이 필요하지 않습니다. 일일 영업 및 마감은 단순한 VARMA (선형 모델)가 동적 주식 가격을 매우 정확하게 설명하는 매우 유익한 가격 / 수량입니다. . 그러나 wr는 intraday에 발을 두는 것이 완전히 다른 이야기라는 것을 알아야합니다.
우리는 동적 비선형 접근법을 사용하는 것이 고전적인 선형 계량 경제학 / 확률론 모델에 비해 실제 가치가 있음을 인정해야합니다.
그럼에도 불구하고 우리는 잘 이해되고있는 것이 단순하게 설명하기 쉬워야하고 그러한 종류의 모델은 너무 많은 '숨겨진'특징을 나타 내기 때문에 그러한 비선형 접근법에서 가능한 한 최대한 최대를 방지합니다.

신경망 고주파 거래 전략
인공 신경망 (ANN)과 같은 현대 기술은 여러 가지 이유로 고주파수 거래에 가장 적합합니다. 첫째, 그들은 인간 지능을 모방하지만 그들은 인간의 지능 수준에 거의 도달하지 못하기 때문에 인간이 쉽게 일할 수있는 시간 척도로 그러한 기술을 사용하는 것은 중요하지 않습니다. 그들의 장점은 작동 속도와 지속적인 활동에서 비롯됩니다.
둘째, 신경망을 효율적으로 학습하기 위해 많은 양의 데이터가 필요하며, 이 양의 데이터는 고주파수 거래에서만 발견됩니다. Forex는 모두 일일 또는 주간 시간 규모에 관한 관련성이 낮은 과거 데이터가있는 도구가 거의 없습니다.
또한, 고주파 거래는 계측기의 진정한 가치를 둘러싼 소음을 파악하는 스캘핑 전략의 한 유형입니다. 이것은 근본적인 분석에 따라 도구의 의미있는 움직임을 따르려고 시도하는 장기 거래와는 다릅니다.
인공 신경망.
작업 할 좋은 시간 규모는 분 단위의 시간 규모입니다. 이 시간 규모는 지역 고지에서 판매하고 지역 최저 가격으로 구매하기 위해 알고리즘에 의해 포착되는 잡음으로 가득 차 있습니다.
이것은 다음 10 분 최고를 예측하기 위해 훈련 된 간단한 신경 네트워크를 사용하여 증명할 수 있습니다. 신경 네트워크가 어떻게 작동하는지 정확하게 알고 싶다면 3 월 한 달 동안 내 기사를 읽는 것이 좋습니다. 신경망과의 거래 2 부.
위의 그래프에서 주석 (high 0 ~ -10)은 & ldquo; present & rdquo;로 간주되는 분 0과 관련하여 분 (0)과 분 (-10) 사이의 간격에서 가장 높음을 의미합니다. 이 훈련은 올해의 훈련과 데이터를위한 2012 년의 데이터와 함께 유전 알고리즘을 사용하여 수행됩니다.
무슨 일이 일어나고있는 것은 중복되는 & ldquo; high to high & rdquo; 미래의 높은 움직임에서 높은 움직임을 예측하기위한 움직임. 이는 우리가 과거의 최고치가 이미지나 갔는지 여부를 결코 알지 못하기 때문에 실제적으로 사용될 수 없습니다. 가까운 네트워크와 가까운 네트워크는 작동하지 않습니다. 그 이유는 높음 (및 낮음)이 닫기보다 훨씬 많은 정보를 보유하기 때문입니다. 닫기는 시간의 전체 기간을 나타내며, 닫기는 단일 한 순간을 나타냅니다.
미래에 대해 진실로 예측되고있는 것을 보여주는 짧은 시간 규모에서 이전부터 다음으로 높은 움직임을 예측하는 것만 가능합니다. 거기에서 & ldquo; close & rdquo;를 예측하는 것은 사소한 일이었습니다. 운동은 적어도 나 혼자만의 경우는 아니었다. 작업에서의 메커니즘을 이해하는 데는 며칠이 걸렸지 만, 결과는 실제로 내 기대를 능가했습니다.
우선, 최고 또는 최저를 사용하지 않을 것이지만 오히려 최고 및 최저 (AHL) 사이의 평균을 사용하려고합니다.
나는 처음부터 다음 AHL에 가까운 운동을 예측하려고 시도했지만 이것은 효과가 없었습니다. 이것은 정말로 이상하고 비논리적 인 것처럼 보였다. AHL (-10 to 0)에서 AHL (0 to 10)까지 예측할 수 있었기 때문에 AHL (-10 to 0) 이동에 가까운 쪽 (0)을 순서대로 추가 할 수있는 것처럼 보였습니다. 다음 AHL 운동에 가까운 것을 예측하지만 이것은 효과가 없습니다.
내 머리를 긁고 복잡한 반복적 인 신경망, 의사 결정 트리 및 가장 가까운 이웃 알고리즘과 같은 몇 가지 다른 전술을 시도했지만 아무 것도 효과가 없었습니다.
사실은 AHL을 AHL 운동으로 정확하게 예측할 수 없다는 것입니다. 예측과 실제 움직임 간의 상관 관계는 약 0.4에 불과합니다. 그래도 AHL (-10 to 0)과 AHL (0 ~ 10) 운동의 양성 AHL (0 ~ 10)이 AHL (-10 ~ 0)보다 낮다고 예측하면 올바른 기회가 있어야합니다 AHL 운동에 가까운 예측. 따라서 네트워크가 AHL에서 AHL 로의 부정적인 움직임을 예측할 때 AHL (-10 ~ 0)보다 근접한 경우 (0)를 선택하고 반대로 AHL보다 가까운 값 (0) 인 경우를 선택했습니다. (-10에서 0), AHL에서 AHL 로의 이동이 양성으로 예측되었다. 마지막으로, 획기적인 결과로, 이제는 AHL에 가까운 것으로 예상 할 수 있으며 경우의 절반에 가까운 동작까지도 예측할 수 있습니다. 예측과 가까운 움직임에 가까운 실제와의 상관 관계는 예상대로 증가했지만 기대했던 것보다 훨씬 많았습니다. AHL에서 AHL 로의 움직임이 증가 할 것으로 예상되지만 가까운 (0)이 AHL (-10에서 0)보다 높을 때, AHL에 가깝게 또는 가까운 운동에 가까운 반대 예측이 이루어져야합니다.
분 시간 규모.
위의 이미지는 분 단위의 시장 이동에 대한 이상적인 전망을 보여줍니다. 가격은 진동의 반주기가 약 10 분의 실제 값 주변에서 진동합니다.
현실적으로 악기의 진정한 가치도 바뀌지 만 그다지 중요하지 않습니다. 스컬 핑에 대해 이야기 할 때 실제로 중요한 것은 우발적 인시기입니다. 일단 가격이 충분히 많이 올라가고 고원하기 시작하면, 구매할 때와 반대로 팔 때가 있습니다.
이것은 이전에 발생한 문제에 대한 가장 좋은 설명입니다. AHL에서 AHL 로의 이동 (평균 높음 낮음)은 예측 가능하지만, 닫기 이미지는 아래 이미지와 같이 시간 0에서의 닫기가 마지막 AHL과 비교하여 어디에 있는지 알게 된 후에 만 ​​추론 할 수 있습니다. 이 정보가 신경망에 사용 가능했지만 인공 신경망을 해결하는 것은 매우 어려운 문제인 것 같습니다. 마지막 문제를 풀기 위해 하위 문제를 푸는 것. 이것은 유인원과 특정 새와 같은 매우 지적인 동물의 특성이기도합니다.
물론, 사물은 너무 깨끗하고 단순하지 않습니다. 진동의주기는 그리 안정적이지 않으며 진동의 진폭은 시간대에 따라 변하고 차트는 분명히 위에 묘사 된 것처럼 부드럽 지 않습니다. 상한과 하한은 그 점에서 지표로 사용하는 것보다 훨씬 도움이됩니다. 단일 시점이 아닌 전체 기간을 기술한다는 사실 때문에 시간이 변하지 않는 품질을 가지고 있습니다. 왜 예측할 수 없는지에 대한 이유는 무엇입니까? 가깝게 움직임을 닫습니다.
마지막으로, 이론이 완벽하지 않기 때문에 오류가 발생하고 약화가 발생합니다. 중요한 것은 이러한 전략이 커미션 및 스프레드 비용보다 더 많은 수익을 창출 할 수 있는지 여부입니다.
전파와 위임.
매도 호가 스프레드와 수수료는 장기 거래에 중요하지 않지만 고주파 거래에서는 매우 중요합니다. 평균 10 분간의 움직임을 감안할 때 수익이 발생하려면이 시간 규모에 맞춰 전략을 세우는 것이 수익 창출과 손실 마진을 동등하게 유지하면서 최소 70 %의 수익성있는 거래가 필요할 것이라고 계산했습니다. 달리 말하자면, 평균적인 거래는 수익성이있는 전략을 위해 1.5 pips 이상을 벌어야합니다. 이것은 dukascopy의 가장 큰 커미션 율과 EURUSD의 평균 bid-ask spread를 사용하여 계산됩니다. 이것은 주문이 즉시 처리되지 않기 때문에 발생하는 확산을 고려하지 않습니다. 그러나 시간 제한이있는 주문을하면 정렬 문제를 제한 할 수 있습니다.
HFT 전략은 이론적으로 거래 당 평균 4 pips의 이익을 달성하지만, 몇 가지 요인을 고려하지 않은 역 테스트를 통해 얻을 수 있습니다. 실제 결과는 더 나빠질 것이고 더 많은 문제가 발생할 것입니다. 그러나 이것은 HFT 전략을 더 발전시키기위한 견고한 토대입니다.
jforex 로봇은 아직 설정되지 않았습니다. 결과는 jforex 플랫폼을 사용하여 다운로드 한 데이터로 직접 설정 한 백 테스트 결과입니다. 나는 지금 자동화 된 전략을 쓰고있다. 이 전략이 jforex 백 테스트와 비슷한 결과를 보여 주면 아주 좋은 징조가 될 것입니다. 그러나이 전략에 대해 매우 흥분하기는하지만 성배를 아직 성지라고 부르지 마십시오.