Przewodnik po handlu algorytmicznym i rentowności funduszy ilościowych
W tym artykule przyjrzymy się bliżej, czym jest handel algorytmiczny i jakie są różne rodzaje strategii handlowych. Sprawdzi również wyniki wybranych funduszy hedgingowych, które stosują ilościowe podejście do inwestowania. Najpierw obejrzyj nasz film wprowadzający…
Co to jest handel algorytmiczny?
Handel algorytmiczny (zwany także handlem ilościowym lub automatycznym) w prostych słowach opisuje proces wykorzystania programów komputerowych do automatyzacji procesu handlu (kupna i sprzedaży) instrumentami finansowymi (akcje, waluty, kryptowaluty, instrumenty pochodne). Te programy komputerowe są kodowane do handlu na podstawie danych wejściowych, które zostały dla nich zdefiniowane. Dane wejściowe mogą opierać się na ukierunkowanej strategii, aby wykorzystać różne zachowania rynkowe, takie jak konkretna zmiana ceny, która może spowodować, że algorytmy dokonają określonych transakcji lub inne czynniki, takie jak wolumen, czas lub zaawansowane algorytmy, które handlują w oparciu o wskaźniki handlowe.
Algorytmiczne strategie handlowe i testy historyczne
Prawie wszystkie pomysły handlowe są najpierw przekształcane w strategię handlową i kodowane w algorytm, który następnie ożywa i jest gotowy do działania. Większość algorytmicznych strategii handlowych powstaje w oparciu o szeroką wiedzę handlową na temat rynku finansowego połączoną z analizą ilościową i modelowaniem matematycznym. Później strategie są przekazywane programistom kwantów, którzy przekształcają strategię w wykonywalne algorytmy.
Powszechne jest przeprowadzanie testów strategii handlowych, zanim zostaną one wprowadzone na rynek, praktyka ta znana jest jako testowanie wsteczne. W tym miejscu algorytm jest testowany na danych historycznych w celu sprawdzenia algorytmu i zastosowania dalszych modyfikacji.
Głównym celem backtestingu jest ocena wydajności strategii algorytmicznej. Strategia jest testowana, jeśli zachowuje się tak, jak została przyjęta w rzeczywistych sytuacjach rynkowych, a jego rentowność jest sprawdzana na podstawie historycznych danych rynkowych.
W przypadku bardziej wyrafinowanych algorytmów i firm dysponujących bardziej zaawansowanymi narzędziami strategie algorytmiczne działają na tak zwanym handlu papierowym, gdzie strategia wykonuje wirtualny handel bez angażowania jakiejkolwiek wartości handlowej (handel bez pieniędzy).
Najpopularniejszymi językami programowania używanymi do pisania automatycznych strategii handlowych są JAVA, Python i C++. Matlab jest również dobrym narzędziem z szeroką gamą narzędzi analitycznych do wykreślania i analizowania strategii algorytmicznych.
Kto korzysta z handlu algorytmicznego?
Zdecydowanie najbardziej popularnymi fanami przeprowadzania transakcji algorytmicznie są większe instytucje finansowe, a także banki inwestycyjne obok funduszy hedgingowych, funduszy emerytalnych, maklerów i animatorów rynku.
Niektóre dobrze znane strategie algorytmiczne
W szerokim znaczeniu najczęściej stosowanymi strategiami algorytmicznymi są strategie Momentum. Tak jak nazwa wskazuje, algorytm rozpoczyna wykonywanie na podstawie danego skoku lub określonego momentu. Algorytm zasadniczo wykrywa moment (np. skok) i wykonuje zlecenie sprzedaży, jak zostało zaprogramowane.
Inną popularną strategią jest strategia algorytmiczna Mean-Reversion. Algorytm ten zakłada, że ceny zwykle odchylają się od swojej średniej.
Bardziej wyrafinowanym rodzajem handlu algorytmicznego jest strategia animowania rynku. Algorytmy te są znane jako dostawcy płynności. Strategie animowania rynku mają na celu dostarczanie zleceń kupna i sprzedaży w celu wypełnienia arkusza zleceń i zwiększenia płynności określonego instrumentu na rynku. Strategie animowania rynku mają na celu uchwycenie rozpiętości między ceną kupna i sprzedaży, a ostatecznie zmniejszenie rozpiętości.
Inną zaawansowaną i złożoną strategią są algorytmy Arbitrage. Algorytmy te mają na celu wykrywanie błędnych cen i rozprzestrzenianie nieefektywności na różnych rynkach. Zasadniczo algorytmy arbitrażu znajdują różne ceny na dwóch różnych rynkach i zlecenia kupna lub sprzedaży, aby skorzystać z różnicy cen.
Wśród dużych banków inwestycyjnych i funduszy hedgingowych popularną praktyką jest również handel z dużą częstotliwością. Wiele transakcji zawieranych na całym świecie odbywa się właśnie przy użyciu transakcji o wysokiej częstotliwości. Głównym celem handlu o wysokiej częstotliwości jest przeprowadzanie transakcji opartych na zachowaniach rynkowych tak szybko i jak najbardziej skalowalnie. Jednak handel ten wymaga solidnej i nieco drogiej infrastruktury. Firmy, które chciałyby przeprowadzać transakcje z dużą częstotliwością, muszą umieścić swoje serwery obsługujące algorytm w pobliżu rynku, który wykonują, aby maksymalnie zminimalizować opóźnienia.
Algorytm Adaptive Implementation Shortfall zaprojektowany w celu zmniejszenia wpływu na rynek podczas realizacji dużych zleceń. Pozwala na prowadzenie planów handlowych z automatyczną reakcją na płynność cen.
Basket Orders to strategia przeznaczona do automatycznego handlu równoległego wieloma aktywami, równoważąc ich udział w wartości portfela.
Strategia wstęg Bollingera to algorytm handlowy, który oblicza trzy wstęgi – dolną, środkową i górną. Kiedy środkowe wstęgi przecinają się ze sobą z właściwej strony, następuje pewien porządek.
Strategia indeksu kanału towarowego to algorytm handlowy, którego działania są uzależnione od wartości indeksu CCI, który opiera się na średniej i wariancji pewnej liczby ostatnich transakcji.
Strategia MACD to algorytm handlowy, którego działania są uzależnione od dwóch linii MACD i Linii Sygnału MACD obliczonej za pomocą EMA.
Strategia ma na celu redukcję kosztów powiązanych z wpływem rynkowym ogromnych zamówień. Działa do żądanego czasu i może skorzystać z aukcji na zamknięciu rynku.
Strategia parabolic SAR to algorytm handlowy, którego rolą jest przewidywanie zmian trendów rynkowych i handel aktywami w określonych warunkach rynkowych.
Procent wolumenu (POV) to algorytm handlowy oparty na wolumenie wykorzystywany do realizacji większych zleceń bez nadmiernego wpływu na cenę rynkową.
Strategia indeksu względnej siły to algorytm handlowy, którego działania są uzależnione od wartości indeksu RSI, który opiera się na średnich wygranych i stratach strategii.
Powolny oscylator stochastyczny
Strategia Slow Stochastic Oscillator jest budowana w celu osiągnięcia zysku na kupnie/sprzedaży akcji w określonych warunkach rynkowych.
Arbitraż Statystyczny (SA) jest zbudowany w celu osiągnięcia zysku na jednoczesnym kupnie i sprzedaży dwóch akcji dwóch skorelowanych ze sobą instrumentów.
Time-Weighted Average Price (TWAP) to algorytm handlowy oparty na średniej cenie ważonej służący do realizacji większych zleceń bez nadmiernego wpływu na cenę rynkową.
Średnia cena ważona wolumenem (VWAP) to algorytm handlowy oparty na wcześniej obliczonym harmonogramie, który jest wykorzystywany do realizacji większego zlecenia bez nadmiernego wpływu na cenę rynkową.
Strategia Williams %R to algorytm handlowy oparty na zmianie trendu wskazywanej przez oscylator Williams %R. Oscylator prowadzi strategię do ustawienia długiej lub krótkiej pozycji.
Inteligentne kierowanie zamówieniami
Technicznie inteligentna technologia kierowania zleceniami będzie wyszukiwać dostępne środki płynne w danych systemach obrotu, a dzięki dopasowywaniu w punkcie środkowym uzyska najlepszą możliwą szansę na poprawę cen.
Arbitraż trójkątny jest używany, gdy inwestor chciałby skorzystać z możliwości wykorzystania arbitrażu z trzech różnych walut lub kryptowalut. Arbitraż trójkątny ma miejsce, gdy w systemie/systemach obrotu obowiązują różne stawki.
Narzędzia do handlu algorytmicznego
W zależności od danego przypadku użycia, takiego jak wielkość zleceń, możliwości dostosowywania i poziom doświadczenia, dostępne są opcje oprogramowania do handlu algorytmicznym. Większe firmy, takie jak fundusze hedgingowe, banki inwestycyjne lub firmy zajmujące się handlem na własny rachunek, korzystają raczej z bardziej dostosowanych, niestandardowych i zaawansowanych narzędzi. Jeśli chodzi o bardziej indywidualnych traderów lub quantów z mniejszym kapitałem do handlu, będą oni raczej korzystać z gotowych strategii algorytmicznych.
Najczęstszymi cechami oprogramowania do handlu algorytmicznego są sposoby analizy zysku/straty algorytmu na danych rynkowych na żywo. Dostępne są różne protokoły do otrzymywania, przetwarzania i wysyłania zamówień z oprogramowania na rynek, takie jak TCP/IP, webhook, FIX itp. Jednym z ważnych czynników przetwarzania danych od otrzymania do przetworzenia i wysłania zamówienia jest mierzone opóźnieniem. Latencja to opóźnienie czasowe wprowadzone do przepływu danych z punktów do punktów. Biorąc pod uwagę zmiany cen na rynku im mniejszy uzyskany czas oczekiwania tym lepiej oprogramowanie reaguje na zdarzenia rynkowe a co za tym idzie szybszą reakcję.
Testowanie wsteczne to kolejna przydatna funkcja, która powinna być zawarta w oprogramowaniu do handlu algorytmicznego. Zazwyczaj oprogramowanie to pozwala traderom stosować ich zautomatyzowane strategie handlowe i testować je z danymi historycznymi w celu oceny rentowności ich strategii.
Plusy i minusy handlu algorytmicznego
Tak jak w przypadku każdego innego wyboru, korzystanie ze strategii handlu algorytmicznego i automatyzacja procesu handlu ma swoje wady i zalety. Opierając się na wielu opiniach ekspertów w zakresie inwestycji, ludzkie emocje mogą być toksyczne i błędne, jeśli chodzi o handel, jednym z chyba najbardziej uznanych zalet handlu ilościowego jest usuwanie ludzkich emocji i błędów z handlu.
Kolejną ogromną zaletą handlu algorytmicznego jest zwiększenie szybkości działania egzekucji na rynek oraz możliwość testowania strategii za pomocą Backtestingu i handlu papierowego w sposób symulowany. Testowanie strategii ilościowych określa żywotność idei strategii handlowych.
Inną szeroko dyskutowaną zaletą handlu ilościowego jest dywersyfikacja ryzyka. Handel algorytmiczny pozwala handlowcom na dywersyfikację w różnych kontach, strategiach lub rynkach w dowolnym momencie. Akt dywersyfikacji rozłoży ryzyko różnych instrumentów rynkowych i zabezpieczy je przed utratą pozycji.
Automatyczne dokonywanie transakcji przy użyciu handlu ilościowego zmniejsza koszty operacyjne wykonywania dużych wolumenów transakcji w krótkim okresie czasu.
Istnieje również kilka innych zalet, takich jak automatyzacja alokacji aktywów, utrzymanie spójnej dyscypliny w handlu i szybsza realizacja.
Przejdźmy teraz do niektórych wad korzystania z handlu algorytmicznego. Być może jedną z bardzo dyskutowanych kwestii związanych z handlem algorytmicznym jest ciągłe monitorowanie strategii, co dla niektórych traderów może być nieco stresujące, ponieważ ludzka kontrola w handlu automatycznym jest znacznie mniejsza. Chociaż często zdarza się, że traci się funkcje kontrolne zawarte w strategiach i oprogramowaniu do handlu algorytmicznego (automatycznego i ręcznego).
Dla większości indywidualnych traderów posiadanie wystarczających zasobów może być kolejną wadą handlu algorytmicznego. Zautomatyzowany handel zmniejsza koszty realizacji dużych zleceń, ale może być kosztowny, ponieważ wymaga początkowej infrastruktury, takiej jak koszt oprogramowania lub koszt serwera.
| Za | Przeciw |
| Handel bez emocji | Potrzeby monitorowania |
| Mniej błędów | Infrastruktura technologiczna |
| Wyższa prędkość handlu | Umiejętności programistyczne wymagane do aktualizacji strategii |
| Backtesting i handel papierami | |
| Dywersyfikacja ryzyka | |
| Niższe koszty operacyjne | |
| Konsekwentna dyscyplina handlowa |
Wykonanie funduszy ilościowych
Istnieją różne wyniki wydajności w zależności od podstawy, na której zbudowana jest strategia handlu algorytmicznego. Choć dla przykładu fundusz zarządzany algorytmicznie w 2018 roku (w którym indeks S&P500 osiągnął 19,42% wysoki poziom) SH Capital Partners odnotował zwrot 234,09%. W tym samym okresie Silver8 Partners i Global Advisors Bitcoin Investment Fund osiągnęły odpowiednio 770,75% i 330,08% zwrotów. Oba te przykłady handlu algorytmicznego są przedmiotem handlu automatycznego, ale różnią się konkretnymi strategiami – jednak oba przypisują swój sukces zwycięskim strategiom automatycznego handlu i ich uzasadnieniu w odniesieniu do aktywów cyfrowych.
Nawet najbardziej dochodowe algorytmy o rozsądnym poziomie zmienności (np. współczynnik Sharpe’a 2+ i maksymalne wypłaty <5–10%) mają ograniczony okres przydatności do spożycia, ponieważ każde Algo, które generuje stałe zyski większe niż rynkowe, będzie cierpieć z powodu rozpadu alfa (erozja przewagi z powodu włączenia się innych do akcji). Aby zapewnić lepszy wgląd w statystyki wyników, przygotowaliśmy wyniki funduszu hedgingowego Reinsseance, patrz poniższa tabela: Oto niektóre statystyki wydajności z firmy handlowej Reinsseance:
| Rok | Zwrot netto | Opłata za zarządzanie | Opłata za wyniki | Zwrot przed opłatami | Wielkość funduszu | Zyski z handlu medalionami |
| 1988 | 9.0% | 5% | 20% | 16.3% | $20 million | $3 million |
| 1989 | -0.4% | 5% | 20% | 1.0% | $20 million | $0 |
| 1990 | 55.0% | 5% | 20% | 77.8% | $30 million | $23 million |
| 1991 | 39.4% | 5% | 20% | 54% | $42 million | $23 |
| 1992 | 33.6% | 5% | 20% | 47% | $74 million | $35 million |
| 1993 | 39.1% | 5% | 20% | 53.9% | $122 million | $66 million |
| 1994 | 70.7% | 5% | 20% | 93.4% | $276 million | $258 million |
| 1995 | 38.3% | 5% | 20% | 52.9% | $462 million | $244 million |
| 1996 | 31.5% | 5% | 20% | 44.4% | $637 million | $283 million |
| 1997 | 21.2% | 5% | 20% | 31.5% | $829 million | $261 million |
| 1998 | 41.7% | 5% | 20% | 57.1% | $1.1 billion | $261 million |
| 1999 | 24.5% | 5% | 20% | 35.6% | $1.54 billion | $549 million |
| 2000 | 98.5% | 5% | 20% | 128.1% | $1.9 billion | 2,434 million |
| 2001 | 33.0% | 5% | 36% | 56.6% | $3.8 billion | 2,149 million |
| 2002 | 25.8% | 5% | 44% | 51.1% | $5.24 billion | 2.676 billion |
| 2003 | 21.9% | 5% | 44% | 44.1% | $5.09 billion | $2.245 billion |
| 2004 | 24.9% | 5% | 44% | 49.5% | $5.2 billion | $2.572 billion |
| 2005 | 29.5% | 5% | 44% | 57.7% | %5.2 billion | $2.572 billion |
| 2006 | 44.3% | 5% | 44% | 84.1% | $5.5 billion | $4.374 billion |
| 2007 | 73.7% | 5% | 44% | 136.6 | $5.2 billion | $7.104 billion |
| 2008 | 82.4% | 5% | 44% | 152.1% | $5.2 billion | $7.911 billion |
| 2009 | 39.0% | 5% | 44% | 74.6% | $5.2 billion | $3.881 billion |
| 2010 | 29.4% | 5% | 44% | 57.7% | $5.2 billion | $3.881 billion |
| 2011 | 37.0% | 5% | 44% | 71.1% | $10 billion | $7.107 billion |
| 2012 | 29.0% | 5% | 44% | 56.8% | $10 billion | $5.679 billion |
| 2013 | 46.9% | 5% | 44% | 88.8% | $10 billion | $8..875 billion |
| 2014 | 39.2% | 5% | 44% | 75.0% | $9.5 billion | 7.125 billion |
| 2015 | 36.0% | 5% | 44% | 69.3% | $9.5 billion | $6.582 billion |
| 2016 | 35.6% | 5% | 44% | 68.6% | $9.5 billion | $6.514 billion |
| 2017 | 45.0% | 5% | 44% | 85.4% | $10 billion | $8.536 billion |
| 2018 | 40.0% | 5% | 44% | 76.4% | $10 billion | 7.643 billion |
Źródło: The man who solved the market, how Jim Simons launched the quant revolution, by Gregory Zuckerman
Reasekuracyjny fundusz hedgingowy osiągnął łącznie 39,1% zwrotu netto, 66,1% średniego zwrotu przed opłatami i łącznie 104 530 000 000 USD łącznych zysków handlowych.
Algorytmiczny handel kryptowalutami
W przeciwieństwie do bardziej dojrzałych instrumentów, takich jak akcje, opcje lub kontrakty CFD, rynek kryptowalut jest dość niestabilny. Zwykle większa zmienność prowadzi do częstszych skoków cen instrumentów, wyższych i niższych. Dlatego niektórzy profesjonalni handlowcy uważają to za zabawne i oportunistyczne, aby jak najlepiej wykorzystać zyski.
Ogólnie rzecz biorąc, dla handlowców kryptowalut istnieje wiele rozwiązań opartych na chmurze wykorzystujących boty handlowe, chociaż dla bardzo profesjonalnych i instytucjonalnych handlowców może to nie być wystarczająco elastyczne. Istnieje niewiele zautomatyzowanych platform transakcyjnych dla kryptowalut, które mogą wykorzystać zapotrzebowanie na bardziej wyrafinowanych i instytucjonalnych inwestorów.
Ilościowe trendy handlowe
Średnio 80% codziennych transakcji w Stanach Zjednoczonych odbywa się za pomocą handlu algorytmicznego i maszyn. Chociaż wolumen handlu automatycznego może się zmieniać w zależności od zmienności na rynku. Według J.P. Morgan, fundamentalni uznaniowi inwestorzy stanowią zaledwie 10% wolumenu obrotu akcjami. Jest to tradycyjny sposób sprawdzania wyników biznesowych firmy i jej perspektyw przed podjęciem decyzji o kupnie lub sprzedaży pozycji.
Wzrost liczby handlu algorytmicznego od zeszłego roku zbliża się do 47%, a liczba użytkowników realizujących swoje transakcje algorytmicznie wzrosła o 41%. Urządzenia mobilne odgrywają również ważną rolę w narzędziach, pod warunkiem, że istnieje około 54% wzrost algorytmicznego handlu walutami za pomocą urządzeń mobilnych.
Nowe technologie, sztuczna inteligencja, uczenie maszynowe, Blockchain
Według innego badania J.P. Morgan, przewiduje się, że sztuczna inteligencja i uczenie maszynowe będą miały największy wpływ na kształtowanie przyszłości handlu. Na podstawie tej analizy sztuczna inteligencja i uczenie maszynowe będą miały wpływ na przyszłość handlu o 57% i 61% w ciągu najbliższych trzech lat.
Co ciekawe, w raporcie tym stwierdzono, że samo przetwarzanie języka naturalnego będzie stanowić 5% zmian w ciągu najbliższych 12 miesięcy i do 9% w ciągu najbliższych trzech lat.
Raport J.P. Morgan pokazuje, że około 68% traderów uważa, że sztuczna inteligencja i uczenie maszynowe zapewniają głęboką analizę danych. Około 62% uważa, że sztuczna inteligencja i uczenie maszynowe optymalizują realizację transakcji, a 49% traderów uważa, że sztuczna inteligencja i uczenie maszynowe stanowią okazję do doskonalenia ich decyzji handlowych.
Ten sam raport wskazuje, że Blockchain w ciągu najbliższych 12 miesięcy wpłynie na handel do 9% i 19% w ciągu najbliższych trzech lat. W ramach tego samego raportu wykorzystanie mobilnych aplikacji handlowych ma wpłynąć na rynek handlowy do 28% w ciągu najbliższych 12 miesięcy i 11% w ciągu najbliższych 3 lat.
Udział w rynku
Morgan Stanley oszacował w 2017 r., że strategie algorytmiczne rosły o 15% rocznie w ciągu ostatnich sześciu lat i kontrolują około 1,5 biliona dolarów między funduszami hedgingowymi, funduszami inwestycyjnymi i inteligentnymi beta ETF. Inne raporty sugerują, że branża funduszy hedgingowych miała wkrótce przekroczyć 1 bilion dolarów AUM, prawie podwajając swoją wielkość od 2010 r. w związku z odpływami z tradycyjnych funduszy hedgingowych. Dla kontrastu, według najnowszego globalnego raportu Hedge Fund Research, całkowity kapitał branży funduszy hedgingowych sięgnął 3,21 biliona dolarów.
