Ai Trading กลยุทธ์

ที่นักลงทุนของ Aquitaine เราเชื่อว่าการซื้อขายอัตโนมัติที่ประสบความสำเร็จต้องพึ่งพาการสร้างและการพัฒนากลยุทธ์ซึ่งขึ้นอยู่กับการวิเคราะห์ทางเทคนิคที่พิสูจน์แล้วและหลักการบริหารเงิน เราเชื่อว่าความเรียบง่ายและความคิดสร้างสรรค์เล็ก ๆ น้อย ๆ ก็มีมากเช่นกัน จากประสบการณ์ของเราเราสามารถทำให้กลยุทธ์การซื้อขายของคุณเป็นไปโดยอัตโนมัติเปลี่ยนแนวคิดของคุณให้กลายเป็นหุ่นยนต์ที่ทำงานได้ตรงกับความต้องการและแนวโน้มส่วนบุคคลของคุณ (เช่นความกระหายต่อความเสี่ยง) การทดสอบย้อนกลับและเพิ่มประสิทธิภาพกลยุทธ์ของคุณให้การวิเคราะห์ผลการทดสอบกลับของคุณเอง เกี่ยวกับวิธีใหม่หรือกลยุทธ์ที่มีอยู่เดิมอาจได้รับการปรับปรุงให้ดีขึ้นรวมถึงการบริหารความเสี่ยงและการหลีกเลี่ยงการโค้งงอ (นั่นคือการถูกเข้าใจผิดโดยผลลัพธ์ที่มองโลกในแง่ดี) สร้างตัวบ่งชี้เฉพาะเพื่อปรับปรุงประสิทธิภาพการค้าของคุณให้คำแนะนำในการตั้งค่าการซื้อขายอัตโนมัติของคุณ โครงสร้างพื้นฐานให้การสนับสนุนอย่างต่อเนื่องเมื่อหุ่นยนต์ของคุณเริ่มต้นใช้งานภาษาโปรแกรมที่เราเลือกคือ PowerLanguage ซึ่งพัฒนาขึ้นโดย Multicharts LLC การเพิ่มขึ้นของกองทุนเฮดจ์ฟันด์อัจฉริยะการเพิ่มขึ้นของกองทุนเฮดจ์ฟันด์อัจฉริยะอัจฉริยะสัปดาห์ที่ผ่านมาเบน Goertzel และ บริษัท Aidyia ได้เปิดกองทุนเฮดจ์ฟันด์ซึ่งทำให้ธุรกิจการค้าหุ้นทั้งหมดต้องใช้การแทรกแซงของมนุษย์ 8220 ถ้าทุกคนตาย 8221 กล่าวว่า Goertzel, guru AI อันยาวนานและ 8220it 8282 นักวิทยาศาสตร์หัวหน้า 8282 จะให้ความหมายต่อไป Goertzel และมนุษย์คนอื่นสร้างระบบแน่นอนและพวกเขาก็ยังคงแก้ไขได้ตามต้องการ แต่การสร้างของพวกเขาระบุและดำเนินการธุรกิจการค้าด้วยตัวเองโดยอาศัยรูปแบบต่างๆของ AI รวมถึงแรงบันดาลใจจากวิวัฒนาการทางพันธุกรรมและอีกมุมหนึ่งที่อิงตามตรรกะที่น่าจะเป็นไปได้ ในแต่ละวันหลังจากวิเคราะห์ทุกอย่างตั้งแต่ราคาตลาดและข้อมูลปริมาณมหาศาลไปจนถึงข้อมูลทางเศรษฐศาสตร์มหภาคและเอกสารทางบัญชีของ บริษัท เครื่อง AI เหล่านี้จะทำการคาดการณ์ตลาดของตนเองและจากนั้นไป 8220vote8221 ในการดำเนินการที่ดีที่สุด ถ้าเราตายทั้งหมดก็จะทำให้การซื้อขาย Ben Goertzel, Aidyia แม้ว่า Aidyia จะตั้งอยู่ในฮ่องกงระบบอัตโนมัติแบบนี้จะซื้อขายในตลาดหุ้นสหรัฐฯและในวันแรกของการเป็น Goertzel จะสร้างผลตอบแทน 2% จากเงินทุนที่ยังไม่ได้เปิดเผย That8217s ไม่น่าประทับใจหรือมีความสัมพันธ์ทางสถิติ แต่มันหมายถึงการเปลี่ยนแปลงที่โดดเด่นในโลกของการเงิน ซานฟรานซิสโกเริ่มต้นเทคโนโลยี Sentient ได้รับการสนับสนุนจาก 143 ล้านดอลลาร์ในการซื้อขายด้วยระบบที่คล้ายคลึงกันตั้งแต่ปีที่แล้ว กองทุนป้องกันความเสี่ยงด้านข้อมูลเป็นศูนย์กลางเช่น Two Sigma และ Renaissance Technologies กล่าวว่าพวกเขาพึ่งพา AI และจากรายงานอื่น ๆ อีก 2 ฉบับคือ 8212Bridgewater Associates และ Point72 Asset Management ซึ่งดำเนินการโดย Big Wall Street ชื่อ Ray Dalio และ Steven A. Cohen8212are ที่เคลื่อนไหวไปในทิศทางเดียวกัน Automatic Improvement กองทุนป้องกันความเสี่ยงได้พึ่งพาคอมพิวเตอร์เพื่อช่วยในการทำธุรกิจการค้า ตามที่ บริษัท วิจัยตลาด Preqin กองทุนป้องกันความเสี่ยงประมาณ 1,360 รายทำธุรกรรมทางการเงินส่วนใหญ่ด้วยความช่วยเหลือจากโมเดลคอมพิวเตอร์ 82% และ 9 เปอร์เซ็นต์ของเงินทั้งหมด 821 และมีการบริหารจัดการประมาณ 197 พันล้านดอลลาร์ แต่โดยทั่วไปแล้วข้อมูลเหล่านี้เกี่ยวข้องกับนักวิทยาศาสตร์ข้อมูล 8212 หรือ 8220quant 8221 ใน Wall Street lingo8212 เครื่องที่ใช้ในการสร้างแบบจำลองทางสถิติที่มีขนาดใหญ่ โมเดลเหล่านี้มีความซับซ้อน แต่ก็ค่อนข้างคงที่ เนื่องจากการเปลี่ยนแปลงของตลาดอาจไม่ทำงานและทำงานได้ดีในอดีต และตามการวิจัย Preqin8217s กองทุนที่มีระบบทั่วไปไม่ดำเนินการตลอดจนเงินที่ดำเนินการโดยผู้จัดการของมนุษย์ในช่วงไม่กี่ปีที่ผ่านมาเงินทุนได้เคลื่อนไปสู่การเรียนรู้ด้วยเครื่องจริงซึ่งระบบอัจฉริยะเทียมสามารถวิเคราะห์ข้อมูลจำนวนมากได้ ที่ความเร็วและปรับปรุงตัวเองผ่านการวิเคราะห์ดังกล่าว การวิจัยการจลาจลของ บริษัท New York ก่อตั้งขึ้นโดยหลานชายของทีมเบสบอลฮอลล์ของ Famer Hank Greenberg และอีกหลายคนโดยอาศัยรูปแบบการเรียนรู้ของเครื่องที่เรียกว่า Bayesian networks ใช้เครื่องจักรจำนวนหนึ่งเพื่อคาดการณ์แนวโน้มของตลาดและระบุธุรกิจการค้าโดยเฉพาะ ในขณะที่ชุดเช่น Aidyia และ Sentient พึ่งพา AI ที่วิ่งข้ามเครื่องนับร้อยหรือหลายพันเครื่อง ซึ่งรวมถึงเทคนิคต่างๆเช่นการคำนวณวิวัฒนาการซึ่งได้รับแรงบันดาลใจจากพันธุกรรมและการเรียนรู้ลึก ๆ เทคโนโลยีที่ใช้เพื่อจดจำรูปภาพระบุคำพูดและดำเนินงานอื่น ๆ ภายใน บริษัท อินเทอร์เน็ตเช่น Google และ Microsoft หวังว่าระบบดังกล่าวจะสามารถรับรู้ถึงการเปลี่ยนแปลงในตลาดได้โดยอัตโนมัติและปรับเปลี่ยนในรูปแบบที่สามารถคำนวณได้ 8220 They8217re พยายามที่จะเห็นสิ่งต่างๆก่อนที่จะพัฒนา 8221 กล่าว Ben Carlson ผู้เขียนความมั่งคั่งของสามัญสำนึก: ทำไมเรียบง่าย Trumps ความซับซ้อนในแผนการลงทุนใด ๆ ที่ใช้เวลาเป็นสิบปีกับกองทุนบริจาคที่ลงทุนในหลากหลายผู้จัดการเงิน การจัดการกองทุน AI แบบนี้ไม่ควรสับสนกับการซื้อขายด้วยความถี่สูง มันไม่ได้เป็นที่ต้องการการค้าด้านหน้าหรืออื่น ๆ ทำเงินจากความเร็วของการกระทำ It8217s กำลังมองหาธุรกิจการค้าที่ดีที่สุดในระยะยาวระยะเวลา 8212 ชั่วโมงวันสัปดาห์และเดือนแม้กระทั่งในอนาคต และยิ่งไปกว่านั้นก็คือการเลือกกลยุทธ์ของมนุษย์ Evolving Intelligence แม้ว่า บริษัท จะไม่ได้ออกวางตลาดกองทุนนี้ แต่อย่างใด Sentient CEO Antoine Blondeau กล่าวว่า บริษัท ได้ดำเนินธุรกิจการค้าอย่างเป็นทางการตั้งแต่ปีที่แล้วโดยใช้เงินจากนักลงทุนรายย่อย ตามรายงานจากบลูมเบิร์ก บริษัท ได้ทำงานร่วมกับธุรกิจกองทุนป้องกันความเสี่ยงภายใน JP Morgan Chase ในการพัฒนาเทคโนโลยีการซื้อขาย AI แต่ Blondeau ปฏิเสธที่จะหารือเกี่ยวกับความเป็นหุ้นส่วน อย่างไรก็ตามเขาบอกว่ากองทุนนี้ดำเนินงานผ่านปัญญาประดิษฐ์ทั้งหมด ความคิดทั้งหมดคือการทำสิ่งที่ไม่มีมนุษย์คนอื่น ๆ และไม่มี machineis อื่นทำ หัวหน้าแผนกวิทยาศาสตร์ Babak Hodjat กล่าวว่าระบบนี้ช่วยให้ บริษัท สามารถปรับการตั้งค่าความเสี่ยงบางอย่างได้ซึ่งเป็นส่วนหนึ่งของทีมที่สร้าง Siri ก่อนที่ Apple จะได้รับความช่วยเหลือด้านดิจิทัลจาก Apple แต่มิฉะนั้นจะดำเนินการโดยปราศจากความช่วยเหลือของมนุษย์ 8220 มันเขียนกลยุทธ์โดยอัตโนมัติและมันทำให้เรามีคำสั่ง 8221 Hodjat กล่าว 8220 มันบอกว่า: 8216 ซื้อมากตอนนี้กับเครื่องดนตรีนี้โดยใช้คำสั่งซื้อชนิดนี้โดยเฉพาะอย่างยิ่ง 821 นอกจากนี้ยังบอกเราเมื่อออกจากการลดการสัมผัสและชนิดของสิ่งที่ 8222 ตามที่ Hodjat ระบบคว้าอำนาจคอมพิวเตอร์ที่ไม่ได้ใช้จาก 8220millions8221 จาก โปรเซสเซอร์คอมพิวเตอร์ภายในศูนย์ข้อมูลร้านอินเทอร์เน็ตคาเฟ่และศูนย์เกมคอมพิวเตอร์ที่ดำเนินการโดย บริษัท ต่างๆในเอเชียและที่อื่น ๆ เครื่องยนต์ซอฟต์แวร์ของตนในขณะเดียวกันจะขึ้นอยู่กับการคำนวณวิวัฒนาการ 8212 เทคนิคเดียวกันที่ได้รับแรงบันดาลใจจากพันธุกรรมที่เข้าสู่ระบบ Aidyia8217s ในแง่ที่ง่ายที่สุดหมายความว่าจะสร้างกลุ่มผู้ซื้อขายหุ้นดิจิทัลที่มีขนาดใหญ่และสุ่มและทดสอบประสิทธิภาพของข้อมูลสต็อคที่ผ่านมา หลังจากเลือกนักแสดงที่ดีที่สุดแล้วจะใช้ 8220genes8221 เพื่อสร้างกลุ่มผู้ค้ารายใหม่ ๆ และกระบวนการนี้จะเกิดขึ้นซ้ำ ในที่สุดระบบจะอยู่ในธุรกิจดิจิทัลที่สามารถทำงานได้ด้วยตัวเอง 8220 คนรุ่นต่อไปนับพันล้านล้านล้านล้านล้านล้านพันล้านและแข่งขันและเจริญเติบโตหรือเสียชีวิต 8221 Blondeau กล่าวว่า 8220 และในที่สุดคุณจะได้รับรายได้จากผู้ค้าสมาร์ทที่คุณสามารถใช้งานได้จริงโดยอาศัยการลงทุนอย่างลึกซึ้งแม้ว่าการคำนวณเชิงวิวัฒนาการจะช่วยขับเคลื่อนระบบในปัจจุบัน Hodjat ยังเห็นสัญญา ในอัลกอริธึมการเรียนรู้ลึก ๆ 822 ขั้นตอนวิธีที่ได้รับการพิสูจน์แล้วว่าเชี่ยวชาญอย่างมากในการระบุภาพการจดจำคำพูดและแม้กระทั่งการทำความเข้าใจวิธีธรรมชาติที่มนุษย์เราพูด เช่นเดียวกับการเรียนรู้ลึกสามารถระบุคุณลักษณะเฉพาะที่แสดงในภาพของแมวเขาอธิบายว่ามันสามารถระบุคุณสมบัติเฉพาะของหุ้นที่สามารถทำให้คุณมีเงิน Google เปิดแหล่งที่มา TensorFlow, เครื่องมือ Intelligence ประดิษฐ์ของตน Facebook เปิดแหล่งที่มาของฮาร์ดแวร์ AI มันแข่ง Google Google สร้าง Chatbot ที่อภิปรายความหมายของชีวิต Goertzel8212who ยังดูแลมูลนิธิ OpenCog ความพยายามในการสร้างกรอบแหล่งข้อมูลโอเพนซอร์สสำหรับปัญญาประดิษฐ์ทั่วไป8212disagrees ส่วนหนึ่งเป็นเพราะขั้นตอนการเรียนรู้ลึกได้กลายเป็นสินค้าโภคภัณฑ์ 8220 ถ้าทุกคนใช้อะไรบางอย่างการคาดการณ์ของ the8217s จะมีราคาเข้าสู่ตลาด 8221 เขากล่าว 8220 คุณต้องทำอะไรแปลก ๆ 8221 นอกจากนี้เขายังชี้ให้เห็นว่าแม้ว่าการเรียนรู้ลึก ๆ จะเหมาะสำหรับการวิเคราะห์ข้อมูลที่กำหนดโดยชุดรูปแบบที่เฉพาะเจาะจงมากเช่นรูปถ่ายและคำพูดรูปแบบต่างๆเหล่านี้ don8217t จำเป็นต้องปรากฏตัวขึ้นในตลาดการเงิน . และถ้าพวกเขาทำพวกเขา aren8217t ที่ useful8212again เพราะทุกคนสามารถหาพวกเขา อย่างไรก็ตามสำหรับ Hodjat งานคือการปรับปรุงการเรียนรู้ในชั้นเรียนในยุคปัจจุบัน8217s และนี่อาจเกี่ยวข้องกับการรวมเทคโนโลยีกับการคำนวณวิวัฒนาการ ตามที่อธิบายไว้คุณสามารถใช้การคำนวณวิวัฒนาการเพื่อสร้างอัลกอริธึมการเรียนรู้ที่ลึกขึ้น นี้เรียกว่า neuroevolution 8220 คุณสามารถพัฒนาน้ำหนักที่ใช้กับผู้เรียนในระดับลึก 8221 Hodjat กล่าว 8220 แต่คุณสามารถพัฒนาสถาปัตยกรรมของผู้เรียนได้ลึก ๆ ด้วยเช่นกัน Microsoft และชุดอื่น ๆ กำลังสร้างระบบการเรียนรู้ที่ลึกซึ้งขึ้นผ่านการเลือกสรรตามธรรมชาติ แม้ว่าพวกเขาจะไม่ใช้การคำนวณวิวัฒนาการต่อ se ราคาใน AI ไม่ว่าจะใช้วิธีใดคำถามหนึ่งหรือไม่ว่า AI สามารถประสบความสำเร็จได้ใน Wall Street หรือไม่ แม้ว่าหนึ่งกองทุนประสบความสำเร็จกับ AI แต่ความเสี่ยงก็คือระบบอื่น ๆ จะทำซ้ำระบบและทำลายความสำเร็จของกองทุน หากส่วนใหญ่ของตลาดมีพฤติกรรมในทางเดียวกันก็จะเปลี่ยนตลาด 8220I8217m สงสัยว่า AI สามารถคิดออกได้อย่างแท้จริง 8221 Carlson กล่าว 8220 ถ้ามีคนพบเคล็ดลับที่ใช้ได้ไม่เพียง แต่กองทุนอื่น ๆ จะยึดเอาไว้ แต่ผู้ลงทุนรายอื่น ๆ จะเทเงินเข้ามา It8217s ยากที่จะมองเห็นสถานการณ์ที่มันไม่ได้รับเพียงแค่ arbitraged.8221 Goertzel เห็นความเสี่ยงนี้ That8217s ทำไม Aidyia ใช้ไม่เพียง แต่การคำนวณวิวัฒนาการ แต่หลากหลายของเทคโนโลยี และถ้าคนอื่นเลียนแบบวิธีการของ company8217s ก็จะมีการเรียนรู้เกี่ยวกับเครื่องอื่น ๆ ความคิดทั้งหมดคือการทำอะไรบางอย่างที่ไม่มีมนุษย์คนอื่นและไม่มีคนอื่นทำ machine8212 8220 งบการเงินเป็นโดเมนที่คุณได้รับประโยชน์ไม่เพียง แต่จากการเป็นสมาร์ท, 8221 Goertzel กล่าวว่า 8220 แต่จากการเป็นสมาร์ทในทางที่แตกต่างจากคนอื่น ๆ 8222 ธุรกิจมากขึ้นเพื่อระบุกลยุทธ์การค้าอัลกอริทึมในบทความนี้ผมอยากจะแนะนำคุณกับวิธีการที่ฉัน ตัวเองระบุกลยุทธ์การค้าอัลกอริธึมที่มีกำไร เป้าหมายของเราในวันนี้คือการทำความเข้าใจในรายละเอียดในการหาประเมินและเลือกระบบดังกล่าว อธิบายวิธีการระบุกลยุทธ์เป็นเรื่องเกี่ยวกับการตั้งค่าส่วนบุคคลเช่นเดียวกับที่เกี่ยวกับประสิทธิภาพของกลยุทธ์วิธีการตรวจสอบชนิดและปริมาณของข้อมูลที่ผ่านมาสำหรับการทดสอบวิธีการประเมินกลยุทธ์การซื้อขายอย่างไม่ลดละและในที่สุดวิธีการดำเนินการต่อขั้นตอนการทำ backtesting และการใช้กลยุทธ์ . ระบุความชอบส่วนบุคคลของคุณสำหรับการเทรดเพื่อที่จะเป็นผู้ประกอบการค้าที่ประสบความสำเร็จ - ไม่ว่าจะเป็นทางเลือกหรือแบบอัลกอริทึม - จำเป็นต้องถามตัวเองด้วยความซื่อสัตย์ เทรดดิ้งทำให้คุณมีความสามารถในการเสียเงินในอัตราที่น่าตกใจดังนั้นจึงจำเป็นต้องรู้จักตัวเองให้มากที่สุดเท่าที่จำเป็นเพื่อให้เข้าใจถึงกลยุทธ์ที่คุณเลือก ฉันจะบอกว่าการพิจารณาที่สำคัญที่สุดในการซื้อขายคือการตระหนักถึงบุคลิกภาพของคุณเอง การซื้อขายและการค้าอัลกอริธึมโดยเฉพาะอย่างยิ่งต้องมีวินัยอย่างอดทนและความรู้สึกไม่ดี เนื่องจากคุณอนุญาตให้อัลกอริทึมดำเนินการซื้อขายให้กับคุณคุณจำเป็นต้องแก้ไขไม่ให้ยุ่งเกี่ยวกับกลยุทธ์เมื่อดำเนินการ นี้อาจเป็นเรื่องยากมากโดยเฉพาะอย่างยิ่งในช่วงเวลาของการเบิกขยาย อย่างไรก็ตามกลยุทธ์หลายอย่างที่แสดงให้เห็นว่ามีผลกำไรสูงในการทำ backtest สามารถทำลายได้ด้วยการแทรกแซงง่ายๆ เข้าใจว่าถ้าคุณต้องการที่จะเข้าสู่โลกของการค้าอัลกอริธึมคุณจะได้รับการทดสอบทางอารมณ์และเพื่อที่จะประสบความสำเร็จคุณจำเป็นต้องทำงานผ่านปัญหาเหล่านี้การพิจารณาต่อไปคือหนึ่งครั้ง คุณทำงานเต็มเวลาหรือไม่คุณทำงานนอกเวลาทำงานจากที่บ้านหรือเดินทางเป็นประจำทุกวันคำถามเหล่านี้จะช่วยในการกำหนดความถี่ของกลยุทธ์ที่คุณควรหา สำหรับบรรดาผู้ที่อยู่ในการจ้างงานแบบเต็มเวลากลยุทธ์ในอนาคตของฟิวเจอร์สอาจไม่เหมาะสม (อย่างน้อยก็จนกว่าจะมีการดำเนินการโดยอัตโนมัติ) ข้อ จำกัด ด้านเวลาของคุณจะกำหนดวิธีการของกลยุทธ์ด้วย หากกลยุทธ์ของคุณมีการซื้อขายกันบ่อยครั้งและพึ่งพาฟีดข่าวที่มีราคาแพง (เช่น Bloomberg Terminal) คุณจะต้องมีความเป็นจริงเกี่ยวกับความสามารถในการทำงานในขณะนี้ที่สำนักงานสำหรับคุณด้วยเวลาหรือทักษะ เพื่อทำให้กลยุทธ์ของคุณเป็นไปโดยอัตโนมัติคุณอาจต้องการดูกลยุทธ์การซื้อขายทางเทคนิคที่มีความถี่สูงขึ้น (HFT) ความเชื่อของฉันคือต้องดำเนินการวิจัยต่อเนื่องเกี่ยวกับกลยุทธ์การซื้อขายเพื่อรักษาผลงานที่ทำกำไรได้อย่างสม่ำเสมอ กลยุทธ์น้อยอยู่ภายใต้เรดาร์ตลอดไป ดังนั้นส่วนที่สำคัญของเวลาที่จัดสรรให้กับการซื้อขายจะเป็นในการดำเนินการวิจัยต่อเนื่อง ถามตัวเองว่าคุณพร้อมที่จะทำเช่นนี้หรือไม่เพราะอาจเป็นความแตกต่างระหว่างความสามารถในการทำกำไรที่แข็งแกร่งหรือการลดลงอย่างช้าๆต่อความสูญเสีย คุณต้องพิจารณาทุนการซื้อขายของคุณด้วย จำนวนเงินขั้นต่ำที่เหมาะสำหรับกลยุทธ์เชิงปริมาณโดยทั่วไปที่ยอมรับโดยทั่วไปคือ 50,000 เหรียญสหรัฐ (ประมาณ 35,000 สำหรับเราในสหราชอาณาจักร) ถ้าฉันเริ่มต้นใหม่ฉันจะเริ่มต้นด้วยจำนวนเงินที่มากขึ้นซึ่งอาจจะใกล้ 100,000 ดอลลาร์ (ประมาณ 70,000) เนื่องจากต้นทุนการทำธุรกรรมอาจมีราคาแพงมากสำหรับกลยุทธ์ตั้งแต่กลางถึงความถี่สูงและจำเป็นต้องมีเงินทุนเพียงพอในการดูดซับพวกเขาในช่วงเวลาเบิกเงินกู้ หากคุณกำลังพิจารณาเริ่มต้นด้วยน้อยกว่า 10,000 เหรียญสหรัฐคุณจะต้อง จำกัด ตัวเองกับกลยุทธ์ความถี่ต่ำซึ่งจะซื้อขายสินทรัพย์หนึ่งหรือสองรายการเนื่องจากค่าใช้จ่ายในการทำธุรกรรมจะกินเข้าไปในผลตอบแทนของคุณอย่างรวดเร็ว โบรกเกอร์เชิงโต้ตอบซึ่งเป็นหนึ่งในโบรกเกอร์ที่เป็นมิตรกับผู้ที่มีทักษะการเขียนโปรแกรมเนื่องจาก API มีบัญชีรายย่อยไม่ต่ำกว่า 10,000 เหรียญสหรัฐฯ ทักษะการเขียนโปรแกรมเป็นปัจจัยสำคัญในการสร้างกลยุทธ์การซื้อขายแบบอัลกอรึทึมอัตโนมัติ การมีความรู้ความเข้าใจในภาษาเขียนโปรแกรมเช่น C, Java, C, Python หรือ R จะช่วยให้คุณสามารถสร้างระบบจัดเก็บข้อมูลแบบ end-to-end, เครื่องมือทดสอบและทำระบบงานด้วยตัวคุณเอง ซึ่งมีข้อดีหลายอย่างซึ่งหัวหน้าซึ่งเป็นความสามารถในการตระหนักถึงทุกด้านของโครงสร้างการค้าอย่างครบถ้วน นอกจากนี้ยังช่วยให้คุณสามารถสำรวจกลยุทธ์ความถี่สูงขึ้นได้ด้วยเนื่องจากคุณจะสามารถควบคุมสแต็คเทคโนโลยีของคุณได้อย่างเต็มที่ แม้ว่าจะหมายความว่าคุณสามารถทดสอบซอฟต์แวร์ของคุณเองและกำจัดข้อบกพร่องได้ แต่ก็หมายถึงเวลาที่ใช้ในการเข้ารหัสโครงสร้างพื้นฐานและไม่ใช้กลยุทธ์มากนักอย่างน้อยก็ในช่วงก่อนหน้าของอาชีพการค้าแบบอัลกอร์ของคุณ คุณอาจพบว่าคุณพอใจกับการซื้อขายใน Excel หรือ MATLAB และสามารถ outsource การพัฒนาส่วนประกอบอื่น ๆ ฉันไม่อยากแนะนำเรื่องนี้ แต่โดยเฉพาะอย่างยิ่งสำหรับการซื้อขายที่ความถี่สูง คุณต้องถามตัวเองว่าคุณหวังว่าจะบรรลุเป้าหมายด้วยการซื้อขายแบบอัลกอลิกึม คุณสนใจในรายได้ประจำโดยที่คุณหวังว่าจะดึงรายได้จากบัญชีการซื้อขายของคุณหรือคุณสนใจที่จะได้รับเงินทุนระยะยาวและสามารถจ่ายได้โดยไม่จำเป็นต้องเบิกเงินดาวน์การพึ่งพารายได้จะกำหนดความถี่ของกลยุทธ์ของคุณ . การถอนเงินรายได้เพิ่มเติมจะต้องมีกลยุทธ์การซื้อขายความถี่ที่สูงขึ้นและมีความผันผวนน้อย (เช่นอัตราส่วน Sharpe ที่สูงขึ้น) ผู้ค้าระยะยาวสามารถจ่ายเงินได้มากขึ้น สุดท้ายอย่าหลงระเริงกับแนวคิดเรื่องการเป็นผู้มั่งคั่งในช่วงเวลาสั้น ๆ การค้าขายของ Algo ไม่ใช่โครงการที่ร่ำรวยอย่างรวดเร็วหากมีอะไรเกิดขึ้นอาจกลายเป็นโครงการที่ไม่ค่อยเร็ว ต้องมีวินัยอย่างมากการวิจัยความขยันและอดทนเพื่อให้ประสบความสำเร็จในการซื้อขายแบบอัลกอลิกึม อาจใช้เวลาหลายเดือนหากไม่ใช้เวลาหลายปีในการสร้างผลกำไรที่สม่ำเสมอ การจัดหาแนวคิดการค้าอัลกอริทึมแม้จะมีการรับรู้ร่วมกันในทางตรงกันข้าม แต่ก็ค่อนข้างตรงไปตรงมาในการหากลยุทธ์การซื้อขายที่มีกำไรในโดเมนสาธารณะ ไม่เคยมีแนวคิดการซื้อขายที่พร้อมใช้งานมากกว่าที่เป็นอยู่ในปัจจุบัน วารสารทางวิชาการการเงินเซิร์ฟเวอร์ก่อนการพิมพ์บล็อกการซื้อขายฟอรัมการซื้อขายนิตยสารการค้ารายสัปดาห์และตำราผู้เชี่ยวชาญนับพันกลยุทธ์การซื้อขายที่จะนำความคิดของคุณมาใช้ เป้าหมายของเราในฐานะนักวิจัยเชิงปริมาณคือการสร้างท่อกลยุทธ์ซึ่งจะช่วยให้เรามีกระแสความคิดในการซื้อขายอย่างต่อเนื่อง เราต้องการสร้างแนวทางที่เป็นระบบในการจัดหาการประเมินและการใช้กลยุทธ์ที่เราเจอ จุดมุ่งหมายของท่อคือการสร้างจำนวนของความคิดใหม่ ๆ ที่สม่ำเสมอและเพื่อให้เรามีกรอบในการปฏิเสธความคิดส่วนใหญ่เหล่านี้ด้วยการพิจารณาทางอารมณ์อย่างน้อย เราต้องระมัดระวังอย่างยิ่งที่จะไม่ให้อคติทางความคิดมีผลต่อวิธีการตัดสินใจของเรา นี้อาจเป็นง่ายๆเป็นมีความพึงพอใจสำหรับชั้นสินทรัพย์หนึ่งมากกว่าอื่น (ทองและโลหะมีค่าอื่น ๆ มาใจ) เนื่องจากพวกเขาจะรับรู้ว่าแปลกมากขึ้น เป้าหมายของเราควรจะหากลยุทธ์ที่ทำกำไรได้อย่างต่อเนื่องพร้อมกับคาดหวังในเชิงบวก การเลือกประเภทสินทรัพย์ควรพิจารณาจากข้อควรพิจารณาอื่น ๆ เช่นข้อ จำกัด ด้านเงินทุนค่าธรรมเนียมการเป็นนายหน้าซื้อขายหลักทรัพย์และความสามารถในการยกระดับการลงทุน หากคุณไม่คุ้นเคยกับแนวคิดของกลยุทธ์การซื้อขายอย่างสมบูรณ์สถานที่แรกที่ดูก็คือตำราที่ได้รับการยอมรับ ข้อความคลาสสิกให้ความคิดที่เรียบง่ายและตรงไปตรงมามากขึ้นซึ่งจะทำความคุ้นเคยกับการซื้อขายเชิงปริมาณ นี่คือสิ่งที่ฉันแนะนำสำหรับผู้ที่ยังใหม่กับการซื้อขายเชิงปริมาณซึ่งค่อยๆกลายเป็นความซับซ้อนมากขึ้นในขณะที่คุณทำงานผ่านรายการ: สำหรับรายการการซื้อขายเชิงปริมาณอีกต่อไปโปรดไปที่รายการการอ่าน QuantStart สถานที่ถัดไปเพื่อหากลยุทธ์ที่ซับซ้อนมากขึ้นคือการซื้อขายฟอรัมและบล็อกการซื้อขาย อย่างไรก็ตามข้อควรระวัง: บล็อกการค้าหลายแห่งขึ้นอยู่กับแนวคิดในการวิเคราะห์ทางเทคนิค การวิเคราะห์ทางเทคนิคเกี่ยวข้องกับการใช้ตัวบ่งชี้พื้นฐานและจิตวิทยาพฤติกรรมเพื่อกำหนดแนวโน้มหรือรูปแบบการกลับรายการในราคาสินทรัพย์ แม้ว่าการได้รับความนิยมอย่างมากในพื้นที่การค้าโดยรวมการวิเคราะห์ทางเทคนิคถือว่าค่อนข้างไม่ได้ผลในชุมชนการเงินเชิงปริมาณ บางคนบอกว่าไม่ดีไปกว่าการอ่านดวงชะตาหรือการศึกษาใบชาในแง่ของพลังแห่งการคาดการณ์ในความเป็นจริงมีบุคคลที่ประสบความสำเร็จในการใช้การวิเคราะห์ทางเทคนิค อย่างไรก็ตามในฐานะที่เป็น quants กับกล่องเครื่องมือทางคณิตศาสตร์และสถิติที่มีความซับซ้อนมากขึ้นในการกำจัดของเราเราสามารถประเมินประสิทธิผลของกลยุทธ์แบบ TA ดังกล่าวได้อย่างง่ายดายและใช้การตัดสินใจด้วยข้อมูลแทนที่จะเป็นพื้นฐานในการพิจารณาทางอารมณ์หรือการคาดการณ์ล่วงหน้า นี่คือรายชื่อบล็อกและฟอรัมการซื้อขายอัลกอริธึมที่เป็นที่ยอมรับนับถือ: เมื่อคุณมีประสบการณ์ในการประเมินกลยุทธ์ที่เรียบง่ายแล้วคุณต้องพิจารณาถึงข้อเสนอทางวิชาการที่ซับซ้อนมากขึ้น วารสารวิชาการบางเรื่องอาจยากที่จะเข้าถึงโดยไม่มีการสมัครสมาชิกหรือค่าใช้จ่ายเพียงครั้งเดียว หากคุณเป็นสมาชิกหรือศิษย์เก่าของมหาวิทยาลัยคุณควรสามารถเข้าถึงวารสารทางการเงินบางส่วนได้ มิเช่นนั้นคุณสามารถดูเซิร์ฟเวอร์ pre-print ได้ ซึ่งเป็นที่เก็บอินเทอร์เน็ตของบทคัดย่อของเอกสารทางวิชาการที่กำลังผ่านการตรวจสอบโดย peer เนื่องจากเราสนใจเป็นพิเศษในกลยุทธ์ที่เราสามารถทำซ้ำได้สำเร็จ backtest และได้รับผลกำไรการตรวจทานของเพื่อนมีความสำคัญน้อยกว่าสำหรับเรา ข้อเสียที่สำคัญของกลยุทธ์การศึกษาคือการที่พวกเขามักจะล้าสมัยจำเป็นต้องมีข้อมูลทางประวัติศาสตร์ที่คลุมเครือและมีราคาแพงการค้าในประเภทสินทรัพย์ที่ไม่มีหลักประกันหรือไม่คิดค่าบริการการลื่นไถลหรือการแพร่กระจาย นอกจากนี้ยังอาจไม่ชัดเจนว่าจะมีการดำเนินกลยุทธ์การซื้อขายกับคำสั่งซื้อของตลาดคำสั่งซื้อที่ จำกัด หรือไม่ว่าจะมีการขาดทุนจากขาดทุนแบบสแตนด์อโลนเป็นต้นดังนั้นจึงจำเป็นอย่างยิ่งที่จะต้องทำซ้ำกลยุทธ์นี้ให้ดีที่สุดเท่าที่จะทำได้ นี่เป็นรายการของเซิร์ฟเวอร์ pre-print และวารสารทางการเงินที่เป็นที่นิยมมากขึ้นซึ่งคุณสามารถนำมาใช้ประโยชน์ได้จาก: สิ่งที่เกี่ยวกับการสร้างกลยุทธ์เชิงปริมาณของคุณเอง ความเชี่ยวชาญเฉพาะด้านในประเภทใดประเภทหนึ่งหรือหลายประเภทดังต่อไปนี้โครงสร้างจุลภาคในตลาด - สำหรับกลยุทธ์ความถี่สูงโดยเฉพาะอย่างยิ่งสามารถใช้โครงสร้างจุลภาคในตลาดได้ กล่าวคือเข้าใจเกี่ยวกับพลวัตหนังสือสั่งซื้อเพื่อสร้างผลกำไร ตลาดที่แตกต่างกันจะมีข้อ จำกัด ด้านเทคโนโลยีข้อบังคับนักลงทุนในตลาดและข้อ จำกัด ต่างๆที่เปิดกว้างสำหรับการแสวงหาผลประโยชน์โดยใช้กลยุทธ์เฉพาะ นี่เป็นพื้นที่ที่มีความซับซ้อนมากและผู้ค้าปลีกจะพบว่ายากที่จะสามารถแข่งขันได้ในพื้นที่นี้โดยเฉพาะอย่างยิ่งเมื่อการแข่งขันประกอบด้วยกองทุนเฮดจ์ฟันด์เชิงปริมาณขนาดใหญ่ที่มีทุนจดทะเบียนสูงและมีความสามารถด้านเทคโนโลยีที่แข็งแกร่ง โครงสร้างกองทุน - กองทุนรวมที่ลงทุนเช่นกองทุนบำเหน็จบำนาญข้าราชการหุ้นส่วนการลงทุนภาคเอกชน (กองทุนป้องกันความเสี่ยง) ที่ปรึกษาการซื้อขายสินค้าโภคภัณฑ์และกองทุนรวมมีข้อ จำกัด ทั้งจากกฎระเบียบที่เข้มงวดและทุนสำรองที่มีขนาดใหญ่ ดังนั้นพฤติกรรมที่สอดคล้องกันบางอย่างสามารถใช้ประโยชน์กับผู้ที่มีความว่องไวมากขึ้น ตัวอย่างเช่นกองทุนขนาดใหญ่อาจมีข้อ จำกัด ด้านกำลังการผลิตอันเนื่องมาจากขนาดของโครงการ ดังนั้นหากจำเป็นต้องลดปริมาณ (ขาย) ปริมาณของหลักทรัพย์อย่างรวดเร็วพวกเขาจะต้องเดินโซเซเพื่อหลีกเลี่ยงการเคลื่อนย้ายตลาด อัลกอริทึมที่ซับซ้อนสามารถใช้ประโยชน์จากสิ่งนี้และความเฉพาะเจาะจงอื่น ๆ ในกระบวนการทั่วไปที่เรียกว่าการเก็งกำไรโครงสร้างของกองทุน กลไกการเรียนรู้ของเครื่องจักรได้กลายเป็นที่แพร่หลายมากขึ้นในช่วงหลายปีที่ผ่านมาในตลาดการเงิน (ขั้นตอนวิธีทางพันธุกรรม) และการเพิ่มประสิทธิภาพ (ขั้นตอนวิธีทางพันธุกรรม) ได้ถูกนำมาใช้เพื่อคาดการณ์เส้นทางสินทรัพย์หรือเพิ่มประสิทธิภาพกลยุทธ์การซื้อขาย หากคุณมีพื้นหลังในบริเวณนี้คุณอาจมีข้อมูลเชิงลึกเกี่ยวกับวิธีการใช้อัลกอริทึมเฉพาะกับบางตลาด มีพื้นที่อื่น ๆ อีกมากมายสำหรับ quants เพื่อตรวจสอบ คุยกันถึงวิธีการกำหนดกลยุทธ์ในรายละเอียดในบทความในภายหลัง ด้วยการติดตามตรวจสอบแหล่งข้อมูลเหล่านี้เป็นประจำทุกสัปดาห์หรือแม้กระทั่งทุกวันคุณจะกำหนดตัวเองเพื่อรับรายการกลยุทธ์ที่สอดคล้องกันจากหลากหลายแหล่งข้อมูล ขั้นตอนต่อไปคือการกำหนดวิธีการปฏิเสธชุดย่อยขนาดใหญ่ของกลยุทธ์เหล่านี้เพื่อลดการสูญเสียเวลาและทรัพยากรที่เกิดขึ้นหลังการทดสอบของคุณกับยุทธศาสตร์ที่อาจไม่มีประโยชน์ การประเมินกลยุทธ์การซื้อขายการพิจารณาครั้งแรกและเห็นได้ชัดที่สุดคือคุณเข้าใจกลยุทธ์จริงหรือไม่ คุณจะสามารถอธิบายกลยุทธ์ได้อย่างราบรื่นหรือไม่จำเป็นต้องมีข้อแม้และรายการพารามิเตอร์ที่ไม่มีที่สิ้นสุดนอกจากนี้กลยุทธ์ยังมีพื้นฐานที่ดีและมั่นคงในความเป็นจริงตัวอย่างเช่นคุณชี้ไปที่เหตุผลบางอย่างเกี่ยวกับพฤติกรรมหรือข้อ จำกัด โครงสร้างกองทุนหรือไม่ อาจก่อให้เกิดรูปแบบที่คุณกำลังพยายามใช้ประโยชน์ข้อ จำกัด นี้จะมีผลต่อการเปลี่ยนแปลงระบอบการปกครองเช่นการรบกวนด้านกฎระเบียบอย่างมากกลยุทธ์นี้ใช้กฎทางสถิติหรือคณิตศาสตร์ที่ซับซ้อนหรือไม่ใช้กับชุดข้อมูลทางการเงินใด ๆ หรือเป็น เฉพาะเจาะจงกับประเภทสินทรัพย์ที่อ้างว่าเป็นผลกำไรเมื่อคุณควรคิดถึงปัจจัยเหล่านี้อย่างต่อเนื่องเมื่อประเมินวิธีการซื้อขายใหม่มิเช่นนั้นคุณอาจต้องเสียเวลามากพอที่จะทำ backtest และเพิ่มประสิทธิภาพกลยุทธ์ที่ไม่หวังผลกำไร เมื่อคุณพิจารณาแล้วว่าคุณเข้าใจหลักการพื้นฐานของกลยุทธ์แล้วคุณต้องตัดสินใจว่าจะเหมาะกับโปรไฟล์บุคลิกภาพที่กล่าวมาของคุณหรือไม่ นี้ไม่ได้เป็นที่คลุมเครือการพิจารณาตามที่เสียงกลยุทธ์จะแตกต่างกันอย่างมากในลักษณะการทำงานของพวกเขา มีบางประเภทบุคลิกภาพที่สามารถจัดการระยะเวลาที่สำคัญมากขึ้นของการเบิกหรือยินดีที่จะยอมรับความเสี่ยงมากขึ้นสำหรับผลตอบแทนที่มีขนาดใหญ่ อย่างไรก็ตามข้อเท็จจริงที่ว่าเราเป็น quants ลองและกำจัดความเอนเอียงเกี่ยวกับความรู้ความเข้าใจให้มากที่สุดเท่าที่จะเป็นไปได้และควรสามารถประเมินกลยุทธ์ได้อย่างไม่ลดละความลำเอียงจะเล็ดลอดเข้ามาเสมอดังนั้นเราจำเป็นต้องมีวิธีการที่ไม่ซ้ำกันซึ่งจะประเมินผลการปฏิบัติงานของกลยุทธ์ . นี่คือรายการของเกณฑ์ที่ฉันตัดสินกลยุทธ์ใหม่ที่มีศักยภาพโดย: วิธีการ - เป็นโมเมนตัมกลยุทธ์หมายถึงการย้อนกลับ, ตลาดที่เป็นกลาง, ทิศทางกลยุทธ์ไม่ใช้เทคนิคทางคณิตศาสตร์ที่ซับซ้อน (หรือซับซ้อน) หรือเครื่องจักรการเรียนรู้ที่ยาก เพื่อทำความเข้าใจและต้องการปริญญาเอกในสถิติที่จะเข้าใจเทคนิคเหล่านี้นำเสนอจำนวนมากของพารามิเตอร์ซึ่งอาจนำไปสู่การเพิ่มประสิทธิภาพอคติเป็นกลยุทธ์ที่น่าจะทนต่อการเปลี่ยนแปลงระบอบการปกครอง (เช่นกฎระเบียบใหม่ที่มีศักยภาพของตลาดการเงิน) อัตราส่วน Sharpe - อัตราส่วน Sharpe heuristically characterizes อัตราส่วน rewardrisk ของกลยุทธ์ เป็นการวัดว่าคุณจะได้รับผลตอบแทนเท่าใดสำหรับระดับความผันผวนที่ต้องทนต่อเส้นโค้งส่วนได้เสีย โดยธรรมชาติเราจำเป็นต้องกำหนดระยะเวลาและความถี่ที่จะวัดผลตอบแทนและความผันผวนเหล่านี้ (เช่นค่าส่วนเบี่ยงเบนมาตรฐาน) กลยุทธ์ความถี่สูงกว่าจะต้องมีอัตราการสุ่มตัวอย่างที่มากขึ้นของค่าเบี่ยงเบนมาตรฐาน แต่ตัวอย่างเช่นระยะเวลาในการวัดโดยรวมที่สั้นกว่า กลยุทธ์ไม่จำเป็นต้องใช้แรงจูงใจอย่างมีนัยสำคัญเพื่อที่จะทำกำไรได้หรือไม่ยุทธศาสตร์นี้จำเป็นต้องใช้สัญญาซื้อขายล่วงหน้าที่มีผลประโยชน์ (futures, options, swaps) เพื่อที่จะทำให้ผลตอบแทน (Return to return) สัญญาที่ใช้ประโยชน์เหล่านี้สามารถมีความผันผวนสูงและสามารถนำไปสู่ การเรียกเงินกำไร คุณมีเงินทุนหมุนเวียนและมีอารมณ์แปรปรวนหรือไม่ความถี่ - ความถี่ของกลยุทธ์มีการเชื่อมโยงอย่างใกล้ชิดกับกองเทคโนโลยีของคุณ (และความชำนาญด้านเทคโนโลยี) อัตราส่วน Sharpe และระดับค่าใช้จ่ายในการทำธุรกรรมโดยรวม ปัญหาอื่น ๆ ทั้งหมดที่พิจารณาแล้วกลยุทธ์ด้านความถี่ที่สูงขึ้นต้องการเงินทุนเพิ่มขึ้นมีความซับซ้อนและใช้งานได้ยากขึ้น อย่างไรก็ตามสมมติว่าเครื่องมือการทำ backtesting ของคุณมีความซับซ้อนและปราศจากข้อผิดพลาดพวกเขามักจะมีสัดส่วน Sharpe ที่สูงกว่าอยู่มาก ความผันผวน - ความผันผวนเกี่ยวข้องกับความเสี่ยงของกลยุทธ์ อัตราส่วน Sharpe มีลักษณะนี้ ความผันผวนที่สูงขึ้นของประเภทสินทรัพย์อ้างอิงหากไม่ได้รับความเสี่ยงมักจะนำไปสู่ความผันผวนที่สูงขึ้นในส่วนของส่วนของทุนและอัตราส่วน Sharpe ที่เล็กลง ฉันเดาว่าสมมติฐานความผันผวนที่เป็นบวกเท่ากับความผันผวนเชิงลบ กลยุทธ์บางอย่างอาจมีความผันผวนมากขึ้น คุณต้องตระหนักถึงคุณลักษณะเหล่านี้ WinLoss, ProfitLoss โดยเฉลี่ย - กลยุทธ์จะแตกต่างกันไปในลักษณะ winloss และ average profitloss ของพวกเขา หนึ่งสามารถมีกลยุทธ์ที่ทำกำไรได้มากแม้ว่าจำนวนการสูญเสียการค้าเกินจำนวนธุรกิจการค้าที่ชนะ กลยุทธ์โมเมนตัมมีแนวโน้มที่จะมีรูปแบบนี้เมื่อพวกเขาพึ่งพาจำนวนขนาดใหญ่จำนวนมากเพื่อที่จะทำกำไรได้ กลยุทธ์การพลิกกลับค่าเฉลี่ยมีแนวโน้มที่จะมีโปรไฟล์ที่ไม่เห็นด้วยซึ่งเป็นธุรกิจที่ชนะมากที่สุด แต่ธุรกิจการค้าที่สูญหายอาจรุนแรงมาก การเบิกใช้สูงสุด - การเบิกสูงสุดคือการลดลงเปอร์เซ็นต์เปอร์เซ็นต์สูงสุดโดยรวมโดยรวมในส่วนของส่วนของกลยุทธ์ กลยุทธ์โมเมนตัมเป็นที่รู้จักกันดีที่จะประสบกับช่วงเวลาของการเบิกขยาย (เนื่องจากสตริงของการค้าที่เพิ่มขึ้นจำนวนมากที่สูญเสีย) นักลงทุนจำนวนมากจะยอมแพ้ในช่วงที่มีการเบิกเงินกู้เพิ่มขึ้นแม้ว่าการทดสอบในอดีตจะชี้ให้เห็นว่านี่เป็นธุรกิจตามปกติสำหรับกลยุทธ์ คุณจะต้องกำหนดเปอร์เซ็นต์ของการเบิกเงินกู้ (และช่วงเวลาใด) ที่คุณสามารถยอมรับได้ก่อนที่คุณจะยุติการซื้อขายกลยุทธ์ของคุณ นี่เป็นการตัดสินใจที่เป็นส่วนตัวและต้องได้รับการพิจารณาอย่างรอบคอบ CapacityLiquidity - ในระดับค้าปลีกเว้นเสียแต่ว่าคุณจะซื้อขายตราสารที่ไม่มีสภาพคล่องสูงมาก (เช่นหุ้นขนาดเล็ก) คุณจะไม่ต้องห่วงใยกับความสามารถด้านกลยุทธ์มากนัก ความสามารถกำหนดความยืดหยุ่นของกลยุทธ์เพื่อเพิ่มทุน กองทุนป้องกันความเสี่ยงขนาดใหญ่จำนวนมากประสบปัญหาด้านกำลังการผลิตที่สำคัญเนื่องจากกลยุทธ์ของพวกเขาเพิ่มขึ้นในการจัดสรรทุน พารามิเตอร์ - กลยุทธ์บางอย่าง (โดยเฉพาะที่พบในชุมชนการเรียนรู้ด้วยเครื่อง) ต้องมีพารามิเตอร์เป็นจำนวนมาก ทุกพารามิเตอร์พิเศษที่กลยุทธ์ต้องใช้ใบจะมีความเสี่ยงที่จะมีอคติด้านการเพิ่มประสิทธิภาพ (หรือที่เรียกว่า curve-fitting) คุณควรลองและตั้งเป้าหมายที่มีพารามิเตอร์น้อยที่สุดหรือตรวจสอบว่าคุณมีปริมาณข้อมูลเพียงพอที่จะทดสอบกลยุทธ์ของคุณ เกณฑ์มาตรฐาน (Benchmark) - เกือบทุกกลยุทธ์ (ยกเว้นที่มีลักษณะเป็นผลตอบแทนที่แท้จริง) วัดจากเกณฑ์ประสิทธิภาพบางอย่าง เกณฑ์มาตรฐานมักเป็นดัชนีที่บ่งบอกลักษณะตัวอย่างของกลุ่มสินทรัพย์ชั้นต้นที่กลยุทธ์การค้าเข้ามาหากกลยุทธ์การค้าหุ้นขนาดใหญ่ของสหรัฐในตลาดหลักทรัพย์ฯ SP500 จะเป็นเกณฑ์มาตรฐานตามธรรมชาติในการวัดกลยุทธ์ของคุณ คุณจะได้ยินคำว่า alpha และ beta ใช้กับกลยุทธ์ประเภทนี้ เราจะกล่าวถึงค่าสัมประสิทธิ์เหล่านี้ในเชิงลึกในบทความภายหลัง โปรดสังเกตว่าเราไม่ได้พูดถึงผลตอบแทนที่แท้จริงของกลยุทธ์ ทำไมถึงเป็นเช่นนี้ผลตอบแทนที่ได้จะให้ข้อมูลที่ จำกัด เกี่ยวกับประสิทธิภาพของยุทธศาสตร์ พวกเขาไม่ได้ให้ข้อมูลเชิงลึกเกี่ยวกับการใช้ประโยชน์ความผันผวนมาตรฐานหรือความต้องการด้านเงินทุน ดังนั้นกลยุทธ์จะไม่ค่อยตัดสินในผลตอบแทนของพวกเขาคนเดียว พิจารณาความเสี่ยงของกลยุทธ์ก่อนพิจารณาผลตอบแทน ในขั้นตอนนี้หลายกลยุทธ์ที่พบจากท่อส่งของคุณจะถูกปฏิเสธไม่ให้พ้นมือเนื่องจากไม่เคยมีคุณสมบัติตรงตามความต้องการด้านเงินทุนข้อ จำกัด การใช้ประโยชน์ความคลาดเคลื่อนการเบี่ยงเบนสูงสุดหรือความผันผวนของค่าใช้จ่าย ขณะนี้คุณสามารถพิจารณากลยุทธ์ที่มีอยู่เพื่อทดสอบย้อนหลังได้ อย่างไรก็ตามก่อนหน้านี้จะเป็นไปได้เราจำเป็นต้องพิจารณาเกณฑ์การปฏิเสธครั้งสุดท้ายนั่นคือข้อมูลประวัติที่มีอยู่เพื่อทดสอบกลยุทธ์เหล่านี้ การได้รับข้อมูลทางประวัติศาสตร์ในปัจจุบันความกว้างของข้อกำหนดด้านเทคนิคในชั้นสินทรัพย์สำหรับการจัดเก็บข้อมูลในอดีตเป็นเรื่องสำคัญ เพื่อที่จะยังคงสามารถแข่งขันได้ทั้งฝ่ายซื้อ (ฝั่ง) และด้านการขาย (ธนาคารเพื่อการลงทุน) ลงทุนอย่างมากในโครงสร้างพื้นฐานด้านเทคนิค มีความจำเป็นที่ต้องพิจารณาถึงความสำคัญ โดยเฉพาะอย่างยิ่งเรามีความสนใจในความถูกต้องตรงเวลาและความต้องการในการจัดเก็บข้อมูล ตอนนี้ผมจะสรุปสาระสำคัญของการได้รับข้อมูลทางประวัติศาสตร์และวิธีการเก็บข้อมูล น่าเสียดายว่านี่เป็นหัวข้อที่มีความลึกและเป็นเทคนิคดังนั้นฉันจึงไม่สามารถพูดทุกอย่างได้ในบทความนี้ อย่างไรก็ตามในตอนนี้ฉันจะเขียนมากขึ้นเกี่ยวกับเรื่องนี้เนื่องจากประสบการณ์ทางอุตสาหกรรมในอุตสาหกรรมการเงินของฉันเป็นส่วนใหญ่เกี่ยวข้องกับการเก็บข้อมูลและการเข้าถึงข้อมูลทางการเงิน ในส่วนก่อนหน้านี้เราได้จัดทำแผนกลยุทธ์ที่ช่วยให้เราสามารถปฏิเสธกลยุทธ์บางอย่างตามเกณฑ์การปฏิเสธของเราเอง ในส่วนนี้เราจะกรองกลยุทธ์เพิ่มเติมตามการตั้งค่าของเราเพื่อให้ได้ข้อมูลที่ผ่านมา ข้อพิจารณาหลัก (โดยเฉพาะในระดับผู้ประกอบการค้าปลีก) คือค่าใช้จ่ายของข้อมูลความต้องการพื้นที่จัดเก็บและระดับความเชี่ยวชาญด้านเทคนิคของคุณ นอกจากนี้เรายังต้องหารือข้อมูลประเภทต่างๆที่มีอยู่และการพิจารณาที่แตกต่างกันซึ่งข้อมูลแต่ละประเภทจะกำหนดให้กับเรา เริ่มต้นด้วยการพูดถึงประเภทของข้อมูลที่พร้อมใช้งานและประเด็นสำคัญที่เราต้องคำนึงถึง: ข้อมูลพื้นฐาน - รวมถึงข้อมูลเกี่ยวกับแนวโน้มเศรษฐกิจมหภาคเช่นอัตราดอกเบี้ยตัวเลขเงินเฟ้อการดำเนินการขององค์กร (การจ่ายเงินปันผลหุ้นหุ้น) เอกสารที่ยื่นต่อ SEC บัญชี บริษัท ตัวเลขกำไรรายงานเกี่ยวกับพืชข้อมูลทางอุตุนิยมวิทยา ฯลฯ ข้อมูลนี้มักใช้ในการกำหนดมูลค่าของ บริษัท หรือสินทรัพย์อื่น ๆ โดยพื้นฐานเช่นการคาดการณ์กระแสเงินสดในอนาคต ไม่รวมถึงชุดราคาหุ้น ข้อมูลพื้นฐานบางอย่างสามารถใช้ได้อย่างอิสระจากเว็บไซต์ของรัฐบาล ข้อมูลพื้นฐานทางประวัติศาสตร์ในระยะยาวอื่น ๆ อาจมีราคาแพงมาก ข้อกำหนดในการจัดเก็บข้อมูลมักไม่มีขนาดใหญ่โดยเฉพาะเว้นแต่จะได้มีการศึกษาหลายพัน บริษัท ในครั้งเดียว ข้อมูลข่าว - ข้อมูลข่าวสารมักเป็นข้อมูลเชิงคุณภาพ ประกอบด้วยบทความโพสต์บล็อกโพสต์ไมโครบล็อก (ทวีต) และบทวิจารณ์ เทคนิคการเรียนรู้ของเครื่องจักรเช่นการจำแนกประเภทมักใช้เพื่อตีความความรู้สึก ข้อมูลนี้มักเป็นอิสระหรือมีราคาถูกด้วยการสมัครสมาชิกสื่อต่างๆ ฐานข้อมูลเอกสาร NoSQL ใหม่ได้รับการออกแบบมาเพื่อจัดเก็บข้อมูลที่มีโครงสร้างแบบไม่มีโครงสร้างนี้ ข้อมูลราคาสินทรัพย์ - นี่คือโดเมนข้อมูลแบบดั้งเดิมของระบบควอนตัม ประกอบด้วยชุดเวลาของราคาสินทรัพย์ หุ้น (หุ้น) ผลิตภัณฑ์ตราสารหนี้ (พันธบัตร) สินค้าโภคภัณฑ์และราคาปริวรรตเงินตราทั้งหมดนั่งอยู่ในชั้นนี้ ข้อมูลทางประวัติศาสตร์ในแต่ละวันมักจะง่ายกว่าที่จะได้รับสำหรับประเภทสินทรัพย์ที่ง่ายกว่าเช่นหุ้น อย่างไรก็ตามเมื่อความแม่นยำและความสะอาดรวมอยู่และลบความลำเอียงทางสถิติข้อมูลอาจมีราคาแพง นอกจากนี้ข้อมูลชุดข้อมูลตามเวลามีข้อกำหนดในการจัดเก็บข้อมูลที่สำคัญโดยเฉพาะอย่างยิ่งเมื่อพิจารณาข้อมูลระหว่างวัน ตราสารทางการเงิน - หุ้นกู้พันธบัตรและฟิวเจอร์สและตัวเลือกตราสารอนุพันธ์ที่แปลกใหม่มีลักษณะและพารามิเตอร์แตกต่างกันมาก จึงไม่มีขนาดใดเหมาะกับโครงสร้างฐานข้อมูลทั้งหมดที่สามารถรองรับได้ ต้องระมัดระวังอย่างมากในการออกแบบและใช้โครงสร้างฐานข้อมูลสำหรับเครื่องมือทางการเงินต่างๆ เราจะหารือเกี่ยวกับสถานการณ์เมื่อเรามาสร้างฐานข้อมูลหลักของหลักทรัพย์ในบทความในอนาคต ความถี่ - ความถี่ของข้อมูลมีค่ามากขึ้นค่าใช้จ่ายและความต้องการในการจัดเก็บข้อมูลมากขึ้น สำหรับกลยุทธ์ความถี่ต่ำข้อมูลประจำวันก็เพียงพอแล้ว สำหรับกลยุทธ์ความถี่สูงอาจจำเป็นต้องได้รับข้อมูลระดับขีดฆ่าและสำเนาทางประวัติศาสตร์ของข้อมูลหนังสือสั่งซื้อขายแลกเปลี่ยนโดยเฉพาะ การใช้เครื่องมือจัดเก็บข้อมูลประเภทนี้เป็นเทคโนโลยีที่เข้มข้นมากและเหมาะสำหรับผู้ที่มีพื้นฐานทางเทคนิคที่เข้มแข็ง Benchmarks - กลยุทธ์ที่อธิบายไว้ข้างต้นมักจะถูกเปรียบเทียบกับเกณฑ์มาตรฐาน นี้มักจะปรากฏตัวเองเป็นชุดเวลาทางการเงินเพิ่มเติม สำหรับตลาดหุ้นนี้มักเป็นดัชนีอ้างอิงระดับชาติเช่น SP500 index (US) หรือ FTSE100 (UK) สำหรับกองทุนตราสารหนี้จะเป็นประโยชน์เปรียบเทียบกับตะกร้าของพันธบัตรหรือผลิตภัณฑ์ตราสารหนี้ อัตราดอกเบี้ยที่ปราศจากความเสี่ยง (เช่นอัตราดอกเบี้ยที่เหมาะสม) เป็นอีกหนึ่งเกณฑ์มาตรฐานที่ยอมรับกันอย่างกว้างขวาง หมวดหมู่ประเภทสินทรัพย์ทั้งหมดมีเกณฑ์มาตรฐานที่น่าพอใจดังนั้นจึงจำเป็นต้องศึกษาข้อมูลนี้ตามยุทธวิธีเฉพาะของคุณหากคุณต้องการได้รับความสนใจในกลยุทธ์ของคุณจากภายนอก เทคโนโลยี - เทคโนโลยีที่อยู่เบื้องหลังศูนย์เก็บข้อมูลทางการเงินมีความซับซ้อน บทความนี้สามารถขูดขีดพื้นผิวเกี่ยวกับสิ่งที่เกี่ยวข้องกับการสร้างได้เท่านั้น อย่างไรก็ตามจะใช้ศูนย์กลางของเครื่องมือฐานข้อมูลเช่นระบบจัดการฐานข้อมูลเชิงสัมพันธ์ (RDBMS) เช่น MySQL, SQL Server, Oracle หรือ Document Storage Engine (เช่น NoSQL) นี่เข้าถึงผ่านทางรหัสแอ็พพลิเคชันทางธุรกิจที่สืบค้นฐานข้อมูลและให้การเข้าถึงเครื่องมือภายนอกเช่น MATLAB, R หรือ Excel บ่อยครั้งที่ตรรกะทางธุรกิจนี้เขียนขึ้นใน C, C, Java หรือ Python นอกจากนี้คุณยังต้องโฮสต์ข้อมูลนี้ไว้ที่ใดแห่งหนึ่งไม่ว่าจะเป็นบนคอมพิวเตอร์ส่วนบุคคลของคุณเองหรือจากระยะไกลผ่านทางเซิร์ฟเวอร์อินเทอร์เน็ต ผลิตภัณฑ์เช่น Amazon Web Services ทำให้ราคานี้ง่ายและราคาถูกกว่าในช่วงหลายปีที่ผ่านมา แต่ก็ยังคงต้องใช้ความชำนาญทางเทคนิคอย่างมีนัยสำคัญเพื่อให้บรรลุผลอย่างมีประสิทธิภาพ สามารถมองเห็นได้เมื่อมีการระบุกลยุทธ์ผ่านทางท่อแล้วจะต้องมีการประเมินความพร้อมใช้จ่ายค่าใช้จ่ายความซับซ้อนและรายละเอียดการดำเนินการของชุดข้อมูลทางประวัติศาสตร์ที่เฉพาะเจาะจง คุณอาจพบว่าจำเป็นต้องปฏิเสธกลยุทธ์โดยพิจารณาจากข้อมูลทางประวัติศาสตร์ นี่คือพื้นที่ขนาดใหญ่และทีมงานของ PhDs ทำงานที่กองทุนขนาดใหญ่ทำให้แน่ใจว่าราคาถูกต้องและทันเวลา อย่าประมาทความยากลำบากในการสร้างศูนย์ข้อมูลที่มีประสิทธิภาพสำหรับวัตถุประสงค์ในการทำ backtesting ของคุณฉันต้องการกล่าว แต่อย่างไรก็ตามแพลตฟอร์ม backtesting จำนวนมากสามารถให้ข้อมูลนี้แก่คุณโดยอัตโนมัติได้โดยเสียค่าใช้จ่าย ดังนั้นคุณจะต้องใช้ความเจ็บปวดจากการดำเนินงานเป็นอย่างมากและคุณสามารถมุ่งความสนใจไปที่การใช้กลยุทธ์และการเพิ่มประสิทธิภาพได้อย่างหมดจด เครื่องมือเช่น TradeStation มีคุณสมบัตินี้ อย่างไรก็ตามมุมมองส่วนบุคคลของฉันคือการใช้งานให้มากที่สุดเท่าที่เป็นไปได้ภายในและหลีกเลี่ยงการเอาต์ซอร์สส่วนของสแต็คให้กับผู้จัดจำหน่ายซอฟต์แวร์ ฉันชอบกลยุทธ์ที่มีความถี่สูงกว่าเนื่องจากอัตราส่วน Sharpe ที่น่าสนใจยิ่งกว่า แต่พวกเขามักจะแน่นแฟ้นกับกลุ่มเทคโนโลยีซึ่งการเพิ่มประสิทธิภาพขั้นสูงเป็นสิ่งสำคัญ ขณะนี้เราได้กล่าวถึงประเด็นต่างๆที่เกี่ยวกับข้อมูลทางประวัติศาสตร์แล้วถึงเวลาที่เราจะเริ่มใช้กลยุทธ์ของเราในเครื่องมือ backtesting นี้จะเป็นเรื่องของบทความอื่น ๆ เนื่องจากเป็นพื้นที่ขนาดใหญ่ของการสนทนาเพียงการเริ่มต้นกับปริมาณการซื้อขาย