شرکت فارکس در افغانستان

منظور از معاملات الگوریتمی چیست؟

طراحی یک سیستم معاملاتی خودکار با استفاده از شبکه عصبی پیچشی

1 دانشجوی کارشناسی ارشد مهندسی صنایع، دانشگاه تربیت مدرس، تهران، ایران.

2 استادیار دانشکده مهندسی صنایع و سیستم‌ها، دانشگاه تربیت مدرس، تهران، ایران

چکیده

در سال‌های اخیر مقالات و پژوهش‌های زیادی در زمینه‌ی استفاده از روش‌های یادگیری ماشینی و معاملات الگوریتمی در بازارهای مالی به منظور کسب بازدهی منتشر شده است. هدف این پژوهش ایجاد یک سیستم معاملاتی خودکار با استفاده از پردازش تصویر به وسیله‌ی شبکه عصبی پیچشی است. بدین منظور، در ابتدا پس از دریافت داده‌های مورد نیاز برای سهام منتخب، 28 اندیکاتور تحلیل تکنیکال انتخاب و مقادیر هر کدام به صورت جداگانه برای هر سهم محاسبه شد. سپس سری‌های زمانی این اندیکاتورها به تصاویر 2 بعدی تبدیل شده و در نتیجه برای هر داده روی سری زمانی قیمت سهم، یک تصویر دو بعدی با ابعاد 28×28 ساخته‌ شد. پس از برچسب‌گذاری هر تصویر با یکی از برچسب‌های خرید، فروش و نگهداری، این تصاویر به شبکه عصبی پیچشی وارد شدند. همچنین برای بررسی بازدهی و ریسک سیستم ارائه شده، یک روش برای خرید و فروش بر اساس نتایج مدل در زمان گذشته معرفی شده است. نتایج پژوهش نشان می‌دهد که در 80% موارد، این روش بازدهی بیشتری نسبت به استراتژی مرسوم خرید و نگهداری کسب کرده است. همچنین همواره از نظر معیارهای ریسک انحراف معیار و بیشترین افت بهتر عمل می‌کند. همچنین، نتایج نشان‌دهنده‌ی تأثیر زیاد کارمزد معاملات بورس اوراق بهادار تهران بر روی بازدهی مدل است. به گونه‌ای که مدل چند برابر سود کسب شده را برای پرداخت کارمزد از دست می‎دهد.

کلیدواژه‌ها

20.1001.1.26454637.1399.10.31.7.3

عنوان مقاله [English]

Designing an Automated Trading System Using Convolutional Neural Network

نویسندگان [English]

  • Amir Hossein Yaftian 1
  • Mohammad Ali Rastegar 2

2 Assistant Prof, Department of Industrial & Systems Engineering, Tarbiat Modares University, Tehran, Iran.

In recent years, many articles and researches have been published on the use of machine learning methods and algorithmic trading in financial markets in order to earn returns. The aim of this study is to create an automated trading system using image processing by convolutional neural network. For this purpose, initially, after receiving the data required for the selected stocks, 28 technical analysis indicators were selected and the values of each were calculated separately for each stock. Then the time series of these indicators were converted to 2D images, and as a result, for each data on the time series of the stock price, a 2D image with dimensions of 28 x 28 was created. After labeling each image with one of the buy, sell, or hold labels, these images entered the convolutional neural network. Also, to evaluate the return and risk of the proposed system, a method for buying and selling based on the results of the model in the past has been introduced. The results show that in 80% of cases, this method is more effective than the buy and hold strategy. It also always performs better in terms of standard deviation risk and maximum drawdown. Also, the results show the high impact of trading commission on the Tehran Stock Exchange on the return of the model. In such a way that the model loses many times the profit earned for the payment of the commission.

کلیدواژه‌ها [English]

  • Algorithmic Trading
  • Technical Analysis
  • Deep Learning
  • Convolutional neural networks

مراجع

1. Ahmed, N. K., Atiya, A. F., Gayar, N. E., & El-Shishiny, H. (2010). An empirical comparison of machine learning models for time series forecasting. Econometric Reviews, 29(5-6), 594-621.

2. Bajlan, S., Fllah Poor, S., & Dana, N. (2017). Predicting stock price trends using a modified support vector machine with hybrid feature selection, Journal of Financial Management Perspective, 17(1), 69-86. (In Persian)

3. Canziani, A., Paszke, A., & Culurciello, E. (2016). An analysis of deep neural network models for practical applications. arXiv preprint arXiv:1605.07678.

4. Cartea, A., & Jaimungal, S. (2013). Modelling asset prices for algorithmic and high-frequency trading. Applied Mathematical Finance, 20(6), 512-547.

5. Das, G., Lin, K. I., Mannila, H., Renganathan, G., & Smyth, P. (1998, August). Rule Discovery from Time Series. In KDD (Vol. 98, No. 1, pp. 16-22).

6. Deng, Y., Bao, F., Kong, Y., Ren, Z., & Dai, Q. (2016). Deep direct reinforcement learning for financial signal representation and trading. IEEE transactions on neural networks and learning systems, 28(3), 653-664.

7. Esmaeili, Z., Abbasi, E., Fallahshams, M. (2018). Prediction of initial public offering short-term performance using nearest neighbor and support vector machine models. ـJournal of Financial Management Perspective, 8(21), 9-27. (In Persian)

8. Ganz, F., Puschmann, D., Barnaghi, P., & Carrez, F. (2015). A practical evaluation of information processing and abstraction techniques for the internet of things. IEEE Internet of Things journal, 2(4), 340-354.

9. Gudelek, M. U., Boluk, S. A., & Ozbayoglu, A. M. (2017, November). A deep learning based stock trading model with 2-D CNN trend detection. In 2017 IEEE Symposium Series on Computational Intelligence (SSCI) (pp. 1-8). IEEE.

10. Kalchbrenner, N., Grefenstette, E., & Blunsom, P. (2014). A convolutional neural network for modelling sentences. arXiv preprint arXiv:1404.2188.

11. Karpathy, A., Toderici, G., Shetty, S., Leung, T., Sukthankar, R., & Fei-Fei, L. (2014). Large-scale video classification with convolutional neural networks. In Proceedings of the IEEE conference on Computer Vision and Pattern Recognition (pp. 1725-1732).

12. Kalaitzakis, K., Stavrakakis, G. S., & Anagnostakis, E. M. (2002). Short-term load forecasting based on artificial neural networks parallel implementation. Electric Power Systems Research, 63(3), 185-196.

13. Kim, T., & Kim, H. Y. (2019). Forecasting stock prices with a feature fusion LSTM-CNN model using different representations of the same data. PloS one, 14(2), e0212320.

14. Kim, Y. (2014). Convolutional neural networks for sentence classification. arXiv preprint arXiv:1408.5882.

15. Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems (pp. 1097-1105).

16. Kuo, S. C., Li, S. T., Cheng, Y. C., & Ho, M. H. (2004, December). Knowledge discovery with SOM networks in financial investment strategy. In Fourth International Conference on Hybrid Intelligent Systems (HIS'04) (pp. 98-103). IEEE.

17. Pakbaz, M., Davari, M., & Balgourian, M. (2018). Investigating the predictive power of information content of accounting profit announcement by technical analysis signals. Journal of Financial Management Perspective, 20(4), 115-131. (In Persian)

18. Ramoni, M., Sebastiani, P., & Cohen, P. (2002). Bayesian clustering by dynamics. Machine learning, 47(1), 91-121.

19. Ratner, M., & Leal, R. P. (1999). Tests of technical trading strategies in the emerging equity markets of Latin America and Asia. Journal of Banking & Finance, 23(12), 1887-1905.

20. Sezer, O. B., & Ozbayoglu, A. M. (2018). Algorithmic financial trading with deep convolutional neural networks: Time series to image conversion approach. Applied Soft Computing, 70, 525-538.

21. Sezer, O. B., & Ozbayoglu, A. M. (2019). Financial trading model with stock bar chart image time series with deep convolutional neural networks. arXiv preprint arXiv:1903.04610.

22. Shen, F., Chao, J., & Zhao, J. (2015). Forecasting exchange rate using deep belief networks and conjugate gradient method. Neurocomputing, 167, 243-253.

23. Sweeney, R. J. (1988). Some new filter rule tests: Methods and results. Journal of Financial and Quantitative Analysis, 285-300.

24. Wen, Y., & Yuan, B. (2018, March). Use CNN-LSTM network to analyze secondary market data. In Proceedings of the 2nd International Conference on Innovation in Artificial Intelligence ,pp. 54-58.

معاملات فرکانس بالا (High Frequency Trading) چیست؟

معاملات فرکانس بالا (High Frequency Trading) چیست؟

معاملات فرکانس بالا (High Frequency Trading) بصورت الگوریتمی و همراه با تعداد زیادی سفارش در کسری از ثانیه انجام می‌شوند، به همین دلیل به آن‌ها معاملات سرعت بالا نیز گفته می‌شود.

در این گونه‌ از معاملات برای تحلیل بازارها و اجرای تعداد زیادی سفارشات در بازه‌های زمانی کوتاه، از داده های مالی با فرکانس بالا و ابزارهای پیشرفته نظیر ربات های ترید و اکسپرت‌ها استفاده می‌کنند.

کاهش هزینه‌های تراکنش به دلیل اتکای زیاد به فناوری، یکی از کارکردهای ارزشمند معاملات فرکانس بالا محسوب می‌شود. نظارت رایانه‌‌ها بر فعالیت‌های روزمره‌ی معاملاتی سبب کاهش اشتباهات معاملاتی شده است و به همین دلیل تریدر ها می‌توانند توجه خود را بر روی برنامه‌ریزی و اجرای استراتژی‌های معاملاتی معطوف سازند.

تریدر‌هایی که از روش HFT استفاده می‌کنند، با سرعت زیاد وارد معاملات و سپس از آنها خارج می‌شوند و هدف از این کار منظور از معاملات الگوریتمی چیست؟ کسب سودهای اندکی است که به مرور زمان بدست می‌آید و بعد از گذشت مدتی به مقدار توجهی می‌رسد. بهترین استراتژی معاملاتی برای انجام معاملات فرکانس بالا روش میکرو اسکالپینگ می‌باشد که در دوره‌های آموزش جامع صفر تا صد ترید و تحلیل تکنیکال به آن پرداخته شده است.

بهره‌گیری از روش معاملاتی HFT، شرایط بازار را بهبود می‌بخشد، چراکه سبب ایجاد یک جریان نقدینگی ثابت می‌شود و به طور قابل توجهی شکاف قیمت پیشنهادی خرید و فروش را از بین می‌برد. از آنجایی که معاملات فرکانس بالا تأثیر مثبتی در بازار‌های مالی دارند، برخی از صرافی‌ها با ارائه تخفیف یا کاهش کارمزدها، کاربران را نسبت به انجام این نوع از معاملات تشویق می کنند.

از سوی دیگر HFT می‌تواند نوسانات موجود در بازار را به طور چشم‌گیری افزایش دهد، به این دلیل که الگوریتم‌های مورد استفاده در HFT بگونه ای طراحی شده‌اند که در هزارم ثانیه و بدون هیچ گونه تعامل انسانی بصورت خودکار و یا نیمه خودکار، برای ورود یا خروج از یک پوزیشن تصمیم می‌گیرند.

امروزه در بازارهای جهانی نظیر فارکس یا ارزهای دیجیتال، الگوریتم‌های HFT نقش پر رنگی در میزان و حجم معاملات انجام شده ایفا می‌کنند و به دلیل پیچیدگی این الگوریتم‌ها معمولا تنها سازمان‌های بزرگ مالی به این روش معاملاتی دسترسی دارند.

معاملات فرکانس بالا در بازارهای مالی

معاملات فرکانس بالا در بازارهای مالی

در بانک ها و شرکت های سرمایه گذاری بزرگ دنیا، معاملات به شکل‌های رایج و بصورت دستی انجام نمی‌شود. در سطح کلان، تمامی معاملات توسط الگوریتم‌های کامپیوتری و سوپر کامپیوترهای بسیار قدرتمند انجام می‌شوند. اینجاست که به تکنولوژی سطح بالایی در معاملات خواهیم رسید که اصطلاحا به “معاملات فرکانس بالا” یا “ترید پرسرعت” یا “معاملات سرعتی” مشهور هستند.

در بازارهای بزرگ بین‌المللی نظیر فارکس و بازار بورس آمریکا، در هر ثانیه حجم بسیار زیادی از معاملات توسط الگوریتم های طراحی شده برای سوپرکامپیوتر ها پردازش و اجرایی می‌شوند. بر اساس مطالعات انجام شده، از سال ۲۰۰۹ حدود ۶۰ تا ۷۳ درصد از معاملات بازار سهام آمریکا بوسیله معاملات الگوریتمی فرکانس بالا انجام شده‌اند.

معاملات فرکانس بالا (HFT) همانگونه که از نامشان پیداست، سرعت بسیار زیادی در انجام معاملات دارند. بانک‌ها و شرکت‌های بزرگ سرمایه‌گذاری با بهره‌گیری از الگوریتم های طراحی شده توسط “کوانت ها” می‌توانند بازار‌های مالی بزرگی مانند فارکس را در کسری از ثانیه تحلیل و آنالیز کرده و الگوهای معاملاتی مناسب برای انجام ترید را انتخاب نمایند.

در اینجا منظور از کوانت، افرادی هستند که تخصص و مهارت بسیار بالایی در حوزه علوم کامپیوتری، ریاضیات و علوم مالی دارند و شرکت‌ها و سازمان‌های بزرگ آن‌ها را برای ایجاد و تولید سیستم الگوریتمی خود استخدام می‌کنند. نکته جالب توجه این است که برنامه نویسان فعال در حوزه معاملات الگوریتمی جزو پر درآمد ترین برنامه نویسان در کل دنیا هستند که این موضوع اهمیت معاملات فرکانس بالا (HFT) را برای صاحبان سرمایه و تریدها مشخص می‌کند.

معاملات فرکانس بالا چه تاثیری در بازارهای مالی دارند؟

معاملات فرکانس بالا چه تاثیری در بازارهای مالی دارند؟

معاملات فرکانس بالا باعث کاهش اختلاف قیمت خرید و فروش می‌شود. با بررسی داده‌های بدست آمده از بازار بورس توکیو و لندن می‌توان گفت که حجم معاملات فرکانس بالا، رابطه‌ی معکوسی با اختلاف قیمت خرید و فروش دارد. در بازار سهام تورنتو نیز، تفاوت موثر قیمت خرید و فروش با کاهش معاملات الگوریتمی به شدت افزایش یافت. معاملات HFT همچنین باعث کم عمق شدن اختلاف قیمت خرید و فروش سهام و در نتیجه کاهش اندازه‌ی معاملات می‌شوند.

پیشرفت‌ در تکنولوژی‌های معاملاتی و استفاده از الگوریتم‌ها و اکسپرت‌های خاص در بازار بورس نزدک (در سال ۲۰۱۰) موجب تسریع ارسال سفارشات خرید و فروش شد و نشان داد که استفاده از این الگوریتم‌ها تأثیر چندانی بر تفاوت بهای واقعی و بهای اعلام شده‌ی خرید و فروش نداشته است.

همچنین با تحلیل شاخص نزدک OMXS 30 مشخص شد که رقابت بین موسسات مالی در استفاده از معاملات HFT، سبب تزریق بیشتر نقدینگی به بازار و بالا رفتن حجم معاملات می‌شود. از سوی دیگر، کمیسیون سرمایه‌گذاری و اوراق بهادار استرالیا (ASIC, 2013) به بررسی بازار سهام استرالیا پرداخته و گزارش کرده که معاملات فرکانس بالا با تغییرات تفاوت قیمت اعلام شده و قیمت واقعی خرید و فروش ارتباطی نداشته و تاثیری در کاهش نقدینگی موجود در بازار ندارد.

مطالعات که انجام شده توسط مرکز تحقیقات بلاکچین نشان می‌دهد که در بازارهای جهانی نظیر فارکس، افزایش معاملات HFT همبستگی مستقیمی با کارآیی قیمت‌ها دارد. معاملات فرکانس بالا معمولاً به جای ایجاد حرکات انتقالی باعث تغییرات دائمی می‌شوند و کارآیی کلی قیمت‌ها را بهبود می‌بخشند.

کارآیی قیمت‌ها با معاملات سرعت بالا همبستگی مستقیم داشته و معاملات الگوریتمی نیز با افزایش کارآیی قیمت‌ها مرتبط هستند. بر همین اساس با بررسی سه بازار با بیشترین حجم یعنی بازار یورو-دلار، بازار دلار-ین، و بازار یورو-ین، مشخص شد که کارآیی قیمت‌ها با تناوب فرصت‌های آربیتراژ مثلثی و ارتباط خودکار بازده معاملات فرکانس بالا اندازه‌گیری می‌شود.

معاملات الگوریتمی بورس چیست و چقدر در کسب سود موثر است؟

سهامداران بازار سرمایه همچون سایر سرمایه گذاران پیش از سرمایه گذاری باید مجموعه ای از آموزش ها را فرا بگیرند. این روزها فعالیت در بورس بیش از هر زمان دیگری به دغدغه گروهی از افراد تبدیل شده است، به همین دلیل قصد داریم شما را با یکی از مفاهیم بازار سرمایه آشنا کنیم.

امروز (چهارشنبه، دوم مهرماه) سازمان بورس و اوراق بهادار با دستور ابلاغیه ای اعلام کرد: استفاده از الگوهای الگوریتمی و تقسیم سفارشات برخط در بورس و اوراق بهادار تهران و فرابورس ایران برای تمامی اشخاص اعم از حقوقی ها و حقیقی ها به منظور حفظ شرایط تعادل عرضه و تقاضا تا اطلاع ثانوی ممنوع است.

معاملات الگوریتمی بورس چیست؟

معاملات الگوریتمی که با نام الگو تریدینگ نیز نامیده می‌شود از زبان برنامه نویسی همراه با مجموعه دستور‌های تعریف شده به نام الگوریتم برای معاملات استفاده می‌کند.

در تعریف معاملات الگوریتمی یا معاملات خودکار گفته می‌شود: «استفاده از برنامه‌های کامپیوتری برای ورود به سفارش‌های معاملاتی بدون دخالت انسان»؛ به بیان دیگر، این الگوریتم‌ها که بلک‌باکس یا «اَلگو تریدینگ» (Algorithmic Trading) هم نامیده می‌شوند، از زبان برنامه نویسی در کامپیوتر و مجموعه‌ای از دستورهای مشخص شده در کنار هم برای انجام معاملات استفاده می‌کنند.

این الگوریتم‌ها که می‌توانند بیش از یکی باشند، برای انجام معاملات بررسی‌های لازم را از جنبه‌های گوناگونی مانند زمان‌بندی، قیمت و حجم روی سفارشات و بازار انجام داده و تصمیم می‌گیرند. این امر کمک می‌کند تا بازار سرمایه به روشی اصولی‌تر و به دور از دخالت احساسات انسانی پیش رود که یکی از نتایج آن بالارفتن نقدینگی در بازار است.

در معاملات الگوریتمی مجموعه دستورالعمل‌های تعریف شده بر اساس زمان بندی، قیمت، کمیت یا هر مدل ریاضی است. جدا از فرصت‌های سود برای معامله گر، الگو تریدینگ با رد کردن تاثیر احساسات انسانی بازار را بیشتر به طرف نقدینگی می‌برد و معاملات به روش اصولی انجام می‌پذیرد.

اگر بخواهیم به زبان ساده معاملات الگوریتمی را تعریف کنیم، به هر نوع معامله خودکار اعم از اینکه پربسامد (High Frequency Trading) یا کم بسامد باشد معاملات الگوریتمی می‌گویند. به عنوان مثال، حد سود و ضرر یک الگوریتم، معاملاتی است که با رسیدن قیمت به اعداد خاصی، دستور خرید یا فروش خودکار را انجام می‌دهد. اما آیا معاملات الگوریتمی به همین موارد ختم می‌شود؟ پاسخ قطعا خیر است.

الگو تریدینگ یا معاملات الگوریتمی در کدام قسمت معامله‌گری قرار دارد؟

یک فرایند کامل معامله‌گری را می‌توان به قسمت‌های زیر تقسیم کرد:

  1. دانش و اطلاعات معامله‌گری (روش)
  2. انتخاب بازار
  3. انتخاب محصول
  4. مدیریت ریسک و سرمایه
  5. ورود به موقعیت معاملاتی
  6. مدیریت معاملات باز

الگو تریدینگ فقط در مورد اول (دانش و اطلاعات معامله‌گری (روش)) نمی‌تواند به شما کمک کند، خوب نباید هم توقع داشت که الگو تریدینگ به‌جای ما یاد بگیرد. ولی در بقیه موارد ۲ تا ۶ می‌تواند کمک بسیار بزرگی به معامله گران بکند.

نوشته معاملات الگوریتمی بورس چیست و چقدر در کسب سود موثر است؟ اولین بار در سایت خبری شایانیوز. پدیدار شد.

اگر اطلاعات و یا تصاویری در این صفحه به اشتباه درج شده در قسمت دیدگاه (پایین صفحه) اعلام کنید تا اصلاح و یا حذف شود یا به مدیر سایت ایمیل بدهید.. واتساپ (فقط پیام): 09374615072

بورس درآستانه تحولی تازه

بورس درآستانه تحولی تازه

این روزها در بورس صحبت از تغییر است و بخشی از تغییرات به تحول در شیوه معاملات یا خودکارسازی آن بازمی‌گردد. معاملات خودکار که در قالب الگوریتم‌ها انجام می‌شود به‌سرعت در دنیا در حال رشد است و تب آن به ایران هم رسیده است. تحلیلگران بر این باورند که با فراگیر شدن این معاملات در بورس بازار سهام دچار یک تحول بنیادین خواهد شد. حتی مطهره مروج، مدیر فناوری اطلاعات سازمان بورس و اوراق بهادار که روزنامه همشهری گفت‌وگویی را در همین باره با او انجام داده معتقد است با گسترش این معاملات کل زمین بازی در بازار سرمایه ایران تغییر خواهد کرد و حتی نهادهای جدیدی در بازار سرمایه تشکیل خواهند شد که بسیاری از پارامتر‌های بازار را تغییر می‌دهند.


معاملات الگوریتمی چیست؟
در معاملات الگوریتمی بازار سرمایه سفارش‌ها بنابر تصمیم یک ماشین ارسال می‌شود به این معنا که ماشین سفارش‌ها را براساس یک‌سری الگوریتم‌‌ها که از قبل توسط انسان تعریف شده است، ارسال می‌کند. در معاملات الگوریتمی لازم نیست معامله‌گر مدام پشت سیستم قرار بگیرد، بلکه می‌تواند یک‌بار استراتژی معاملات خود را تعریف کند و سفارش‌ها به‌صورت الکترونیک و خودکار ارسال شود. درواقع ماشین براساس شرایط بازار تصمیم می‌گیرد که شخص یک سهم را بخرد یا بفروشد. با استفاده از معاملات الگوریتمی به جای اینکه معامله‌گر به‌صورت فیزیکی حضور داشته باشد بیشتر به کشف قوانین و روابط بازار‌های مالی می‌پردازد. آنها را یک‌بار در قالب الگوریتم‌ها برای ماشین تعریف می‌کند و ماشین به‌صورت خودکار معاملات را با استفاده از این روابط و راهبرد مشخص انجام می‌دهد.

منظور شما از انجام خودکار معاملات چیست؟
معاملات در بازار سرمایه شامل مجموعه‌ای از تصمیم‌هاست به این معنا که در هر لحظه سرمایه‌گذار باید تصمیم بگیرد که معاملاتش را چگونه انجام بدهد، بخرد یا فروشد. این معاملات متاثر از عوامل زیادی ازجمله شرایط اقتصاد داخلی و خارجی است. در معاملات الگوریتمی این تصمیم‌ها می‌تواند توسط ماشین و از طریق الگوریتم یا فلوچارت و شرایطی که برای آن طراحی شده، گرفته شود.

این کار چه کمکی به معامله‌گران می‌کند؟
یکی از مزایای آن این است که یک فرد می‌تواند در ساعت‌های مختلف و مشخص پشت سیستم معاملات قرار نگیرد و شرایط را از طریق این الگوریتم‌های معاملاتی از قبل به‌گونه‌ای تعریف کند که ماشین به‌صورت خودکار خودش معاملات را انجام دهد. ویژگی دیگر معاملات الگوریتمی بهینه‌سازی‌ عملیات بازارگردانی در بازار سهام است؛ به‌طوری که با استفاده از این سیستم می‌توانیم ماشین‌ها را جایگزین افرادی کنیم که این عملیات را انجام می‌دهند. البته این به‌معنای حذف نقش انسان نیست بلکه به‌معنای این است که علمیات بازارگردانی به‌گونه‌ای مدیریت ‌شود که نوسان‌های قیمت سهام و بازارگردانی سهام به‌صورت خودکار مدیریت ‌شود. درواقع با استفاده از این معاملات دیگر لازم نیست بازارگردان به‌طور مداوم بازار را رصد کند و اگر به دلایل مختلفی پشت سیستم معاملات نباشد ناگهان قیمت سهام با نوسان عجیبی مواجه شود، بلکه بازارگردان از طریق تعریف استراتژی معاملاتی این امکان را به ماشین می‌دهد که خودش به‌صورت خودکار عملیات بازارگردانی را انجام دهد و از نوسان‌های ناگهانی و عجیب سهام جلوگیری کند. از سوی دیگر این معاملات هیجان را در بازار سهام کم می‌کند به این معنا که ممکن است شایعه‌ای در بازار وجود داشته باشد یا اتفاقی در جامعه افتاده باشد که به نگرانی سهامدار یا معامله‌گر منجر شود؛ در چنین شرایطی احتمال بروز رفتار هیجانی در معامله‌گران و سرمایه‌گذاران افزایش می‌یابد که ممکن است در روند معاملات فرد خدشه وارد کند؛ یعنی به‌صورت هیجانی اوراق بهاداری را بخرد یا بفروشد اما در معاملات الگوریتمی جلوی این هیجان‌ها گرفته می‌شود چون ماشین‌ها با رصد بازار شرایط را برای خرید و فروش سهام ارزیابی می‌کنند و جلوی تغییر استراتژی معاملاتی و هیجان‌ها را می‌گیرند.

آیا سرمایه‌گذاران خرد هم می‌توانند از این معاملات استفاده کنند؟
خدمات مربوط به معاملات الگوریتمی توسط کارگزاران به سرمایه‌گذاران خرد ارائه می‌شود به این معنا که وقتی کارگزار تشخیص داد معامله‌گر دانش فنی و مالی مورد نیاز برای انجام این معاملات را دارد Api یا واسط کاربری در اختیار معامله‌گر قرار می‌دهد و آن وقت سرمایه‌گذار می‌تواند از این خدمات استفاده کند. Api یک واسط کاربری برای ارسال خودکار سفارش‌های معاملاتی است.

فرض کنید سبد سهام یک سرمایه‌گذار متشکل از 5شرکت است که براساس یک تحلیل و ارزیابی که در گذشته انجام داده آنها را خریداری کرده و برنامه دارد در یک زمانبندی مشخص روی قیمت مشخص این سهام را بفروشد. در این بخش معاملات الگوریتمی چه کمکی می‌تواند به یک سرمایه‌گذاری بکند؟
تصمیم‌گیری درباره اینکه چه زمانی فرصت مناسب خرید و فروش یک سهام یا اوراق بهادار است و چه سیگنال‌هایی در بازار وجود دارد به یک‌سری تحلیل و پردازش نیاز دارد؛ برای همین معامله‌گر باید در ابتدا با استفاده از این تحلیل‌ها الگوریتم‌هایی را با استفاده از روابط و قانون‌هایی که در بازار‌های مالی وجود دارد برای ماشین تعریف کند که ماشین بتواند به‌صورت خودکار کار معاملات را انجام دهد؛ یعنی اینکه معامله‌گران باید از پردازش و تحلیل شرایط موجود در بازار یک‌سری قاعده استخراج کرده و آنها را تبدیل به استراتژی معاملاتی کنند.

اما تحلیلگری یک رفتار ایستا نیست و عمدتا پویا و داینامیک است. معاملات الگوریتمی آیا می‌تواند پویا باشد؟
الگوریتم‌ها هم می‌توانند در یک فرایند یاد‌گیری هوشمند باشند و این کاملا متناسب با دانش فنی نویسنده آن الگوریتم است که چگونه شرایطی را ایجاد کند که فرایند یادگیری توسط ماشین انجام شود؛ به همین دلیل افرادی که الگوریتم‌ها را می‌نویسند به‌طور مداوم در حال رصد داده‌های تاریخی هستند تا از این طریق به کشف روابط گذشته برای نتیجه‌گیری در آینده بپردازند. درواقع امکان یادگیری در سیستم وجود دارد و می‌تواند هر چه جلوتر می‌رود پخته‌تر شود و از طریق یادگیری خودش را به‌روز کند.

آیا می‌توان گفت که نقش انسان در این سیستم حذف خواهد شد؟
فعلا نمی‌توانیم بگوییم که نقش انسان حذف می‌شود. درواقع دخالت انسان برای ارسال سفارش حذف می‌شود اما در تعریف راهبرد‌ها و فرایند‌های معاملات همچنان نقش انسان برجسته است. در مرحله کنونی دخالت انسان برای ارسال سفارش حذف می‌شود ولی تحلیل و مغز افزار پشت تعریف الگوریتم کماکان وجود دارد.

آیا سامانه کنونی بورس، این توانایی را دارد که از معاملات الگوریتمی پشتیبانی کند؟
بله، از سال 1395 معاملات الگوریتمی به‌صورت جسته و گریخته در بازار سرمایه در حال انجام است اما هنوز انجام این معاملات به‌صورت عام و با تعداد سفارش‌های خیلی زیاد انجام نشده است. کارهایی که به‌تازگی برای توسعه معاملات الگوریتمی انجام شده به همین منظور است. درواقع ما در تلاشیم تا امکان انجام معاملات الگوریتمی با بسامد بسیار بالا یعنی با تعداد سفارش‌های معاملاتی خریدو فروش خیلی بالا را توسعه دهیم. هم‌اکنون فاصله زمانی ارسال 2سفارش را به هسته معاملات یک ثانیه درنظر گرفته‌ایم اما این عدد در دنیا نیم‌ثانیه است و برای معاملات پر بسامد و با حجم بالا کمتر از نیم ثانیه است. هم‌اکنون این امکان برای سامانه معاملات فراهم نیست اما مقدمات کار فراهم شده و در آینده این توانایی ایجاد می‌شود.

ایجاد این ظرفیت‌ها چه تغییری در بازار ایجاد می‌کند؟
طبیعتا به محض اینکه تقاضا برای انجام چنین معاملاتی افزایش یابد کل معماری سامانه معاملات باید تغییر کند؛ زیرا کل زمین بازی تغییر خواهد کرد و نهادهای جدیدی در بازار سرمایه تشکیل خواهند شد که بسیاری از پارامتر‌های بازار را تغییر می‌دهند.

به‌دلیل مقررات فعلی، صف‌های خرید و فروش که در بورس تشکیل می‌شود بسیار بالاتر از نرم جهانی است. درواقع تعداد تراکنش‌های معاملاتی ایران برای ارسال سفارش‌های خریدوفروش سهام در دنیا بی‌سابقه است و این موضوع برای هسته معاملات هم مشکلات زیادی ایجاد کرده است. آیا با افزایش بیشتر حجم معاملات تحت‌تأثیر معاملات الگوریتمی مشکلی برای سامانه معاملات ایجاد نمی‌شود؟
در شرایط فعلی با توجه به ظرفیت‌های موجود فقط بخشی از معاملات به معاملات الگوریتمی اختصاص می‌یابد ولی طبیعتا ما در کوتاه‌مدت باید به فکر جایگزینی سامانه معاملات باشیم. درواقع اگر اقبال عمومی به معاملات الگوریتمی زیاد باشد یعنی بازارگردانی و معاملات خودکار از طریق معاملات الگوریتمی افزایش یابد، مشابه همه بازارهای مالی دنیا سامانه معاملات بورس هم باید عوض شود.

یعنی سامانه فعلی باید تغییر کند و سامانه جدید خریداری شود؟
در حال طراحی و تولید یک سامانه معاملات بومی در داخل ایران هستیم اما گزینه‌هایی مانند خرید سامانه از خارج یا انتقال تکنولوژی هم مدنظر است.

آیا این سامانه بومی که در داخل ایران تولید می‌شود، قادر به انجام معاملات الگوریتمی هست؟

طبیعا انتظار زیادی است که از همان ابتدا این سامانه همه انتظارات را برآورده کند اما در تلاشیم این سامانه را در شرایطی قرار بدهیم که به انجام معاملات الگوریتمی هم قادر باشد. کار تولید این سامانه هم‌اکنون با مشارکت دانشگاه‌ها در حال انجام است و تخمین می‌زنیم تا 4سال آینده این سامانه آماده بهره‌برداری شود. در شرایط کنونی بعد از انتظار فراخوان و حضور تعداد زیادی از شرکت‌ها درنهایت 5 شرکت انتخاب شده‌اند و برنامه ما این است که کار تولید این سامانه از طریق هم‌افزایی و تشکیل یک کنسرسیوم توسط همه این شرکت‌ها انجام شود.

وبلاگ مدیریت مالی -احمد سوری

این وبلاگ جهت تمرکز داده ها و اطلاعاتی که در مدیریت مالی به آن مراجعه داشته ام گردآوری شده است . امیدوارم برای شما و دیگران نیز مفید باشد و به ارتقاء دانش مالی کمک نماید .
همچنین بخش های متفرقه دیگری نیز در این وبلاگ مشاهده می کنید که امیدوارم برای شما نیز جالب باشد .

    (۷۰) (۱۵۴) (۱۴۲) (۱۰۹) (۱۳۶) (۱۳۷) (۱۸) (۱) (۲۴) (۶۰) (۱۶۹) (۲۴۳) (۲۱۹) (۸۳) (۴۴) (۱۱۵) (۴۶) (۴۰) (۲۸) (۱) (۵) (۵) (۷) (۷) (۷) (۶۴) (۱۳) (۱) (۱۴) (۸) (۱) (۶) (۱۱) (۲) (۴) (۶) (۶۴) (۲۵) (۱۷) (۲۵) (۳۵) (۱) (۱۰) (۱) (۱۳) (۲۳۱) (۹۹) (۱۳) (۲) (۱۰) (۱۵) (۱۱) (۱۱) (۱۴) (۲۱) (۴) (۵) (۳) (۱۴) (۱۴) (۹) (۴) (۶) (۹) (۲۰) (۱۲) (۹) (۵۵) (۹) (۲۶)

مدیریت مالی

قوانین

بورس،سرمایه گذاری

حسابداری،حسابرسی،مالیاتی،تامین اجتماعی،قانون کار

اقتصاد،تجارت،صنعت،بانکداری

مرکز دانلود و فایل های کاربردی

آفیس،اکسس،اکسل.نرم افزار،ویندوز،کامپیوتر

متفرقه،عکس،بزرگان،گردشگری،خلقت

درس،ارشد،دکتری،آموزش

معرفی کتاب،فصلنامه،مجله و سایت انجمن های حرفه

آزمون های بورس

پایان نامه،مقاله،پژوهش،سمینار

مدیریت،کارآفرینی،بازاریابی،موفقیت

دنیای دیجیتال،تکنولوژی اطلاعات،اینترنت

دلنوشته ها

یاسین جان،یسنا جان

جامعه،روابط فردی،خانواده،کودک،روابط اجتماعی

ذبده المعارف،شعر،فرهنگ

اهداف

احمد سوری

نرم افزار اوت لوک

نقاشی یسنا سوری

6 ساله از تهران

کشک حسابداری

برنامه نویسی پایتون

مدیریت کشکی

کشک مدیریت

نقاشی بعدی یسنا سوری

دوره بازگشت سرمایه

باغ سلیمانیه تهران

دانلود رایگان فایل اکسل طرح توجیهی

دانلود فایل اکسل طرح توجیهی

بخشنامه درخصوص ساماندهی صادرات لوله و پروفیل

بخشنامه درخصوص ابلاغ قانون مالیات بر ارزش افزوده

بخشودگی جرایم قانون مالیاتهای مستقیم و قانون مالیات بر ارزش افزوده

فایل اکسل تقویم شمسی سال 1400

قانون پایانه های فروشگاهی و سامانه مؤدیان

مدیر مالی

حسابداری

مدیریت مالی

مدیران خبره و ۵ مهارت اساسی

چرا پایتون برای امور مالی؟

کاربرد پایتون در امور مالی

ویژگی‌های زبان برنامه‌نویسی پایتون

محاسبه قیمت‌ها پس از افزایش سرمایه از محل سود انباشته

مراحل افزایش سرمایه

افزایش سرمایه شرکت‌ها در بازار سرمایه

نرم افزار اکسل

معاملات الگوریتمی چیست؟

مصاحبه دنیای اقتصاد با علیرضا پاکدین تحلیلگر بازارهای مالی

معاملاتی است. یک یا چند الگوریتم در انتخاب و اعمال این سفارش‌ها از جنبه‌های مختلف مانند زمان‌بندی، قیمت یا حجم بدون دخالت انسان تصمیم‌گیری و اجرا می‌شود. معاملات الگوریتمی حجم عظیمی از داده‌ها را پردازش و از تکنیک‌های پیشرفته ریاضی جهت یافتن بهترین الگو استفاده می‌کند. پیش‌بینی‌ها و تصمیمات بر پایه مدل و تئوری احتمالات ایجاد می‌شود. این نوع معاملات یک حوزه میان رشته‌ای است که بر بینش محاسباتی، ریاضیات مالی، روش‌های عددی و شبیه‌سازی کامپیوتری تکیه و تصمیماتی به منظور مدیریت ریسک اخذ می‌کند. معاملات الگوریتمی کاربرد گسترده‌ای در شرکت‌های تامین سرمایه، صندوق‌های بازنشستگی و صندوق‌های سرمایه‌گذاری مشترک دارد.

مسیر ظهور معاملات الگوریتمی چگونه بوده است؟

معاملات الگوریتمی در راستای توسعه بازار سرمایه معرفی شده است. در سال‌های اخیر تعدادی از بازیگران عملیاتی بازار همانند شرکت‌های IT ارائه دهنده نرم‌افزارهای کاربردی و زیرساخت در بازار سرمایه ظهور کردند که موجب تقویت ساختار الکترونیکی بازار سرمایه کشور شد. این امر منجر به هدایت فعالان بازار سرمایه به سمت زیرساخت‌های نرم‌افزاری و جلب حمایت از تشکیل شرکت‌های نرم‌افزاری در بازار شد. بورس اوراق بهادار به سامانه معاملاتی ATOS مجهز و پس از آن به راه‌اندازی معاملات آنلاین سهام در بازار نقدی شد. در پی تشکیل شورای راهبری ICT در بازار سرمایه، ICT Master Plan تدوین و معاملات آنلاین قراردادهای آتی سهام و کالا راه‌اندازی شده است. همزمان محصولات نرم‌افزارهای Back Office شامل: Online Trading، Web Site، Technical Analysis، Call Center، IME-CO، CRM، Mobile VAS و. معرفی و توسعه یافتند و شیوه انجام معاملات برای دسترسی به ATOS به واسطه OMS با دسترسی مستقیم صورت پذیرفت. این شیوه به کارایی عملیاتی بازار سرمایه کشور کمک کرد. در تمامی فرایندهایی که اشاره شد، بازیگران بازار سرمایه، نیاز به سرعت عمل بالا، حجم انبوه اطلاعات بازار منظور از معاملات الگوریتمی چیست؟ و روند تغییرات را درک کردند که منجر به شکل‌گیری معاملات الگوریتمی شد.

هدف از طراحی و اجرای معاملات الگوریتمی در کشور چه بوده است؟

بازیگران فعال بازار سرمایه همواره نگاه متمایز و کیفی به این بازار داشته‌اند در این راستا به منظور ارتقای کیفیت بازارگردانی با هدف نزدیک شدن بازار سرمایه کشور با کلاس جهانی برای انجام فعالیتِ بازارگردانی اقدام به طراحی و پیاده‌سازی معاملات الگوریتمی کردند. بازارگردان شخص حقوقی موضوع بند ۱۵ ماده ۱ قانون بازار اوراق بهادار است کـه بـا مجـوز سازمان بورس و اوراق بهادار ابزارهای مالی معینی را بازارگردانی می‌کند. به عبارت دیگر بازارگردان به کارگزار یا معامله‌گری گفته می‌شود که با اخذ مجوز لازم و با تعهد به افزایش نقدشوندگی و تنظیم عرضه و تقاضای اوراق بهادار معین و تحدید دامنه نوسان قیمت، به داد و ستد آن اوراق می‌پردازد. این نهادِ بازار سرمایه همواره به عنوان بهترین مرجع اطلاعاتی اوراق بهادار در دنیا عمل می‌کند و با محدود کردن دامنه نوسان، به خرید و فروش اوراق روی می‌آورد. اگر چه بازارگردانی یک فعالیت حرفه‌ای محسوب می‌شود و تخصص و دانش کافی از الزامات این حرفه است، ولی اقداماتی که منجر به چابکی فعالیت و سرعت در معاملات کمک می‌کند حائز اهمیت بوده است. همواره بازارگردان به دادوستد پول و دارایی مالی در بازار سرمایه کمک و به افزایش قدرت نقدشوندگی در کنار عرضه و تقاضای اوراق بهادار، کنترل قیمت ورقه بهادار در یک محدوده معین و جلوگیری از نوسانات شدید قیمتی اقدام می‌کند.

مزایای به کارگیری معاملات الگوریتمی چیست؟

سرعت عمل موردنیاز و حجم انبوه اطلاعات بازار و روند تغییرات، نیاز به سازوکار تصمیم‌ساز هوشمند براساس تجزیه و تحلیل تخصصی داده‌ها است. سیستم‌های معاملات خودکار الگوریتمی محصول این نیاز بازارهای حرفه‌ای در دنیا بوده که در بازار سرمایه کشور نیز معرفی شده است. دسترسی مستقیم بازارگردان به سامانه معاملات در راستای کاهش هزینه‌های معاملاتی از طریق کاهش شکاف قیمتی خرید و فروش و تثبیت نقدینگی در بازار سرمایه خواهد بود. همچنین به منظور بهره‌گیری از انجام معاملات با سرعت بالا، حذف خطا و هیجانات انسانی، محاسبه دقیق و درج قیمت و حجم براساس استراتژی‌های معاملاتی در نمادهای مختلف به صورت آنی، استفاده از مکانیزم بازارگردانی مبتنی بر سیستم الگوریتم اجتناب‌ناپذیر است. به عبارت دیگر، امروزه در فرآیند سفارش‌گیری دیگر انسان دخالت نداشته و سیستم معاملات الگوریتم این فعالیت را برعهده گرفته است. بر این اساس بین قیمت، حجم و زمان شروطی گذاشته می‌شود که نرم‌افزار هوشمند می‌تواند کار انسان را انجام دهد. جمع‌آوری سریع و خودکار اطلاعات لحظه‌ای و تصمیم‌سازی خودکار و سریع از دیگر مزایای این سازوکار است. تشخیص ریسک‌های موجود در بازار، محاسبه ریسک قبل از انجام معاملات و اعمال دستورالعمل‌های دقیق در کنترل معاملات برای توقف زیان از جمله جذابیت‌های معاملات الگوریتمی محسوب می‌شود.

معاملات الگوریتمی در بورس‌های دنیا چگونه است؟

در بورس‌های دنیا سیستم معاملات الگوریتم ۸۰ درصد معاملات را به خود اختصاص داده است. از الزامات بورس‌های توسعه یافته برای اعطای مجوز فعالیت بازارگردانی به نهادهای مالی متقاضی در انواع مختلف ابزارهای مالی، در اختیار داشتن مکانیزم بازارگردانی مبتنی بر سیستم الگوریتم است. یکی از دلایل ایجاد این الزام استفاده از این سیستم الگوریتمی به منظور کاهش هزینه‌های بازارگردانی با استفاده از به کارگیری استراتژی‌های معاملاتی و افزایش سودآوری است. سازوکار بازارگردانی مبتنی بر سیستم الگوریتم براساس حراج و کاملا خودکار شامل مظنه‌های الگوریتمی بازارگردان‌های منتخب و سایر اعضا است. حفظ نظم و منصفانه‌بودن فرایند اجرا در بازار، بهبود قیمت‌ها، تطبیق سفارشات ورودی و حداقل کردن تأخیر در اجرای سفارشات از وظایف تعریف شده بازارگردانی مبتنی بر سیستم الگوریتم است. برخی از انواع استراتژی‌هایی که در معاملات الگوریتمیِ بورس‌های توسعه یافته استفاده شده منظور از معاملات الگوریتمی چیست؟ است شامل: Trend Following، Mean Reversion، Arbitrage، News Reading، Human Sentiment، Scalping، HFT و Iceberg است. در حال حاضر، استفاده از مکانیزم بازارگردانی مبتنی بر سیستم الگوریتم در اوراق بهادار بدهی و اسناد خزانه اسلامی در بازار سرمایه کشورمان مجاز بوده و بیش از ۲ سال بازارگردانی مبتنی بر سیستم الگوریتم سابقه دارد.

مقالات مرتبط

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

برو به دکمه بالا