Handel har altid været en vanskelig opgave , at opnå højere alpha er blandt de øverste prioriteter fondsforvaltere. Selv om dette kan synes som en simpel "intelligent job" , med zillion mængde af information , der strømmer gennem hvert sekund i de finansielle markeder , er en fondsforvalter (FM) gjort ude af stand til at klare og få hans job gjort med høj ydeevne og maksimalt afkast .
Multi- aktiv ( cross -asset ) klasse handel involverer god mængde af forskning og analyse, og for at gøre en fortjeneste gennem denne praksis kræver en FM til at arbejde aktivt sammen med den erhvervsdrivende - Alpha er, hvad det handler om ( Skinner , 2007). Finde likviditet og gøre fortjeneste på handler indgået med større spreads og afkast har været det endelige mål for de fleste hedge FM er. Men med øget regulering og gennemsigtighed i dagens finansielle markeder FM s har måttet se på en bedre tilgang at opnå den ønskede alfa og i sidste ende give overskud.
Brug af algoritmer i handel har oplevet en betydelig vækst i det seneste årti. Forskellige strategier findes for at hjælpe en FM i hans / hendes søgen efter alpha . Disse adskiller sig på tværs af asset- klasser, handels- størrelser, risikovillighed og forskellige andre faktorer.
Denne artikel den første i en serie af algoritmisk handel, artikler har til formål at diskutere de grundlæggende principper for algoritmisk handel med henblik på modelberegninger , som kan hjælpe med at beslutte en algoritme strategi. I efterfølgende artikler, vi teoretisk bygge en alfa- model er i stand til smart- ordre routing på tværs af flere steder. Vi vil også komme ind på nogle få algoritme evaluering retningslinjer baseret på forskning på dette område . Vi afslutter denne serie af artikler med vægt på konsekvenserne af teknologien i væksten af algoritmen handel. Serien slutter med analyse på en idé om brug af cloud computing til at gennemføre algoritmiske modeller.
Indledning
Under uroen 2008 hedgefonde over hele verden var i stand til at opretholde deres vækst som set før krisen. Fra US $ 2,646 billioner i begyndelsen af 2008 til US $ 2,679 billioner ved udgangen af juni 2008 de aktiver, der forvaltes af hedgefonde faldet med 30 % , ved udgangen af 2008 til lige over US $ 1,8 billioner. ( Ratner , 2009)
Et princip mange hedgefonde De følger er - tjene penge, når det er det rigtige tidspunkt og før nogen ved , det er muligt . De handler aktivt på begge sider af ordrebogen , om markedet er på vej op eller ned. Evne til at finde likviditet på tværs af alle aktivklasser på tværs af geografi kan ikke være en realitet i dag , men med virkningerne af teknologi og den alarmerende vækst i den alternative handel rum kan dette ikke være en fjern mulighed.
Udgifterne blev ramt , men de proaktive fondsforvaltere vil tage nogen afmatning som en mulighed for at gennemføre algoritmer, der vil genvinde deres tabte dollars i en kort span af tid.
Vedtagelse af Teknologi
FM er er på udkig for at vedtage måder at forbedre deres handelsstrategi. Ved at anvende ph.d. s og matematik forskere til at udvikle komplekse arbitrage modeller, de er blandt de tidlige adaptere teknologi, for at hjælpe med at gøre finansielle beslutninger.
Teknologi muliggør cheapness af behandling, netværk og tilslutningsmuligheder , kombineret med stadig mere effektive løsninger og services. FM er skubber grænserne for, hvad teknologien kan gøre mere og mere for hver dag for at finde likviditet ( Skinner , 2007).
De dage af OMS og EMS er modne og hedgefonde kigger på AES , der vil støtte dem i at nå deres mål. Anvendelse af matematiske modeller giver et vist håb i denne retning, og da disse systemer har været på plads med mange af de store STO er for et par år, sker der meget i dette rum.
Hvad er det for den erhvervsdrivende ?
Bortset fra at indlede en algoritme , er en erhvervsdrivende ikke at blive involveret i nogen anden beslutning i algoritmisk - handel. Dette betyder ikke, at algoritmen vil erstatte den erhvervsdrivende , men snarere er den erhvervsdrivende med kvantitative analytikere udtænke nye algoritmer og skræddersy eksisterende ( Bates , 2007 ) . Overvågning og styring af hundredvis af uafhængige algoritmer ved hjælp af et grafisk dashboard er vejen frem til at skalere handlende ' produktive.
Værktøjer af handelen
I en artikel ( Cohn , 2006) , Jonathan beskriver en tankevækkende sammenligning af Batman og buy side erhvervsdrivende. Han forklarer, hvor effektivt en erhvervsdrivende kan bruge den rige sæt algoritme handel kapacitet til rådighed for ham til at nå sine mål , ligesom hvordan batman bekæmper kriminalitet. Ideen er ikke at have et helt sæt af teknikker under dem, bælte , men hvordan kreative den erhvervsdrivende anvender disse til hans fordel dvs. at reducere omkostningerne, øge handel effektiviteten og frigøre kritisk tidspunkt at arbejde komplekse ordrer, der kræver hans ekspertise og erfaring.
Han diskuterer nogle vejspærringer buy- side erhvervsdrivende bør sigte mod at rydde at gøre effektiv brug af disse værktøjer.
Efter at have begrænset visning af strategiske muligheder.
Alt for mange muligheder for at overveje .
Teknologiske spørgsmål .
Jonathan vurderer også nogle ideer til at hjælpe den erhvervsdrivende realisere det fulde potentiale af hans værktøj .
1. . At erkende urealiseret potentiale ( blotte VWAP algoritmer er ikke nok)
Algoritmisk handel skrivebord bør foretage vurderinger med de erhvervsdrivende på deres nuværende brug og ønskede brug af algoritmer. Kurser , oplevelser og vækstplaner for algoritmisk handel vil bringe til lyse områder for ekspansion.
2 . At udvikle en struktureret tilgang (opbygge en diversificeret sæt af sub- algoritmer )
Udvikle algoritmer med komplekse funktioner er en udfordrende opgave, og at nedbryde opgaven i delopgaver vil hjælpe i udbygningen algoritmer med et rigt sæt af features.
3 . For at opretholde en robust algoritme portefølje (ingen enkelt strategi på alle problemer )
Algoritmisk handel skrivebord bør udvikle en kortlægning af handel mål til algoritme type. Handel mål vil variere med FMS behov og markedsvilkår, og de erhvervsdrivende bør have en klar kort over hvor forskellige algoritmer bør bruges til bedst udføre deres specifikke handel krav.
4. . Due diligence på Forhandler udvælgelse ( opretholdelse af SLA )
Når du vælger en leverandør udviklet algoritme , bør trading desk foretage en sælger gennemgang at vurdere, om en in- house udvikling på nogen måde er fordelagtig .
5. . Udvikling af teknologisk ekspertise (teknisk ekspertise)
At have et dedikeret team inden for trading desk ikke lyder tiltrækkende på de aktuelle markedsvilkår, men har teknisk ekspertise på hånden , vil være en fordel at designe og udvikle algoritmer med kortere leveringstid.