High Frequency Trading Strategy Pdf

Opções Binárias Negociação: Opções de Forex, Opções de ações, Opções de índice Opções de commodities - opçõesClique em OpçõesClique. Por que a negociação de alta freqüência está aqui para ficar Philip Porado e Sara Tatelman Investimentos Você pode imaginar mandíbulas de sangue azul do século 19 caindo quando os comerciantes de ações Supostamente começou a prática de enviar corredores através de pisos de troca para colocar lances e ofertas. Mas a desaprovação não impediu aqueles comerciantes de praticar seus sprints do vento ou de empregar estrelas da trilha da escola secundária para fazer o corredor para eles. O tempo sempre foi dinheiro. Mais tarde naquele mesmo século, os queixosos gritavam sobre as empresas que empregavam o telégrafo novo-fangled para colocar ordens. E o século 20 viu descontentamento com a forma como telefones e computadores mudaram o negócio gentil de trocar ações. Negociação de alta freqüência é hoje equivalente a corrida para o cargo, e enquanto evidência mostra que injustamente vantagem maiores investidores, especialistas dizem que está aqui para ficar. Em dezembro, a Organização Reguladora do Setor de Investimentos do Canadá adicionou mais forragem ao debate com o lançamento de um estudo que não revelou quaisquer preocupações que justifiquem uma nova resposta regulatória. As chances são boas de que quando alguém menciona alta freqüência de negociação, coisas ruins saltar à mente: comerciantes desonestos, um nível perturbador de investimento por grandes wirehouses em nanossegundo de negociação de tecnologia e às vezes inexplicável mergulha no mercado de ações que acontecem quando os algoritmos don t trabalho. O mais recente boom da tecnologia para bater Wall Street, Bay Street e Londres, Inglaterra, recebeu sua parcela de má imprensa após o Flash Crash em 2010, um evento desencadeado por uma única grande empresa de fundos mútuos vendendo E-Mini S P 500 contratos. O Flash Crash envolveu negociação agressiva de posições de futuros longos acumuladas por comerciantes de alta freqüência do fundo mútuo como eles compraram e venderam grandes volumes em velocidades de relâmpagos e usaram algoritmos elaborados que os deixam ganhar dinheiro em pequenas mudanças de preços. Essa atividade fez com que o Dow Jones Industrial Average baixasse mil pontos (o segundo maior declínio intraday na história do mercado de ações) antes de se recuperar vários minutos depois. Aqueles sem acesso à tecnologia mais rápida e melhor vêem tais práticas comerciais como predatória. E um monte de algoritmos de negociação sem dúvida curto-circuitos o propósito original dos mercados de capitais, que é trazer fundos para as empresas que precisam deles para crescer. Em seguida, há citações de recheio, um processo pelo qual os comerciantes plug milhões de lances e ofertas em uma montagem comercial apenas para cancelá-los momentos mais tarde. A prática é projetada para distrair outros participantes do mercado, adicionando informações estranhas ao fluxo de dados e tornando difícil alcançar decisões sólidas. Aumento de liquidez Além de críticas, o comércio de alta freqüência como um todo fornece liquidez valiosa para o mercado. Vemos benefícios para o mercado na forma de spreads reduzidos, diz Kevin Sampson, vice-presidente de desenvolvimento de negócios e estratégia da TMX. Em última análise, os investidores estão ficando melhores preços. Nossos mercados são provavelmente tão eficientes, ou mais eficientes, agora do que nunca. Ele observa que os investidores devem às vezes pagar custos mais altos devido à atividade de negociação de alta freqüência, mas sugere que esses desafios sempre existirão. Ryan Riordan, professor de negócios da Queen's University, expressa uma opinião semelhante. Não temos provas de que os HFTs desestabilizam o mercado, diz ele. Sua pesquisa descobriu que as negociações de alta freqüência podem ser boas para fornecer liquidez aos mercados, geralmente, reduzindo o spread bid-ask. Isso, por sua vez, reduz os custos de negociação, exceto quando os comerciantes de alta freqüência vendem a descoberto. Descobrimos que eles são grandes para a liquidez quando você está submetendo a ordem, diz ele. Achados do IIROC sobre a HFT Em dezembro, a Organização Reguladora do Setor de Investimentos do Canadá lançou um estudo sobre o comércio de alta freqüência. HFTs geralmente fornecem mais liquidez HFT provisão de liquidez pode ser significativamente menor quando um grande comércio representa uma percentagem maior do que o normal de todo o volume de negociação no dia HFTs contribuir substancialmente para a descoberta de preços a maioria das ordens passivas entrou HFT ou melhorar O melhor preço ou combinar os melhores preços prevalecendo há pouca evidência de que HFTs aproveitar mais lento não-HFTs ou frente-run não HFTs. Os resultados do estudo não revelaram preocupações que justifiquem uma resposta regulatória além das medidas já implementadas pelo OCRMM e indicam que a presença de HFT tem impactos diferentes nos mercados de ações canadenses e aqueles que investem nesses mercados, disse a OCRVI ao anunciar os resultados de O estudo em 9 de dezembro. Quando você parar de enviar a ordem, a liquidez desliga. Mas essa vantagem não faz muito para investidores institucionais, diz Robert Young, ex-diretor executivo da Liquidnet. A liquidez que é adicionada pela HFT realmente não ajuda os investidores institucionais, diz Young, que recentemente se aposentou da Liquidnet. Em vez disso, ele acrescenta, a OCRCM descobriu que os comerciantes de alta freqüência se tornam concorrência quando os investidores institucionais começam a fazer um grande comércio à medida que entram no modo de compra. O resultado é que menos estoque está disponível à medida que a demanda sobe, o que afeta o preço. Se alguém descobre que alguém está comprando muito, eles começam a comprar porque sabem que os preços vão subir, diz ele, observando que os comerciantes de alta freqüência tendem a ser mais ágeis. E as flutuações de preços em pequena escala, mesmo as tão pequenas quanto um centavo, mas repetidas muitas vezes, têm um impacto maior em qualquer um que faz grandes negócios. Quando você o multiplica, é o suficiente para separar o 25º melhor performer do 26º melhor performer, diz Young. É realmente importante para eles não perder esse centavo. Com práticas como o recheio de citações e vendendo o acesso adiantado à informação, é nenhuma surpresa que os comerciantes em ambos os lados da beira estão procurando maneiras de fazer negociar de alta freqüência mais justo. Alguns sugeriram uma espécie de colisão de velocidade eletrônica para nivelar o campo de jogo. E, como Young ressalta, a OCRMM tomou alguma ação alocando certos custos aos comerciantes de alta freqüência para o volume de mensagem adicional que suas atividades geram. Além disso, aqueles preocupados com a prática de catering para comerciantes anônimos ofereceram sugestões para a iluminação de chamados piscinas escuras, onde as transações ocorrem entre as partes que desejam comprar ou vender grandes blocos de ações longe de grandes montagens cotação do mercado. No Canadá, Young diz que o OICVM analisou piscinas escuras nos Estados Unidos e determinou que não são apropriadas aqui. Eles impediram o crescimento de pequenas piscinas escuras, o que teria sido uma coisa ruim, diz ele. Mais importante ainda, quando se trata de investidores institucionais, Young gostaria de ver alguma flexibilidade para permitir que os negócios em bloco ocorram fora dos turnos de preços temporários causados ​​pela alta freqüência de negociação. Deve haver pouca flexibilidade nas regras em torno de negociações em bloco, diz ele, acrescentando que uma fusão com pelo menos algum grau de reguladores de valores mobiliários do Canadá também ajudaria a fortalecer sua capacidade de combater a influência de grandes comerciantes de alta freqüência. Criando a justiça Algumas trocas no Canadá e nos Estados Unidos, por sua vez, seguiram outro caminho: criar seus próprios sistemas de negociação vinculados por regras rígidas e taxas mais altas. O IEX Group Inc., um corretor americano, é um sistema de negociação alternativo baseado em assinatura, financiado exclusivamente por um grupo de fundos mútuos, hedge funds, family offices e indivíduos. Fundada por Markham, Ont. Nativo Brad Katsuyama, criou uma infra-estrutura destinada a proteger as ordens de comércio predatório, uma subclasse de negociação de alta freqüência, que tenta identificar e desvantagem fluxo fluxo tradicional investidor. Apesar da reputação que HFT garnered, há muitas estratégias de HFT, que fornecem um serviço valioso para o mercado. O comércio predatório não é um deles. E nosso plano é parar, de acordo com documentos do IEX. Com o lançamento no ano passado da Aequitas Neo Exchange, uma nova bolsa cujo nome significa justiça e que tem como objetivo atender às questões urgentes do mercado de justiça, liquidez e transparência que afetam a confiança dos investidores, os investidores terão outra alternativa. O presidente e executivo-chefe da Aequitas, Jos Schmitt, vê a Aequitas como uma alternativa para outras bolsas canadenses, que ele acredita que nunca tratará de comércio predatório de alta freqüência. Os mercados estabelecidos consideram os clientes HFT como volume. Para eles, é uma grande fabricante de dinheiro. Ele diz que a Aequitas não é contra a negociação de alta freqüência, mas ele observa que seu objetivo é implementar uma série de soluções tecnológicas e de estrutura de mercado para restabelecer um nível de concorrência entre os participantes do mercado que têm uma vantagem informacional e aqueles que don t. No balanço, diz Mark Yamada, presidente da P R Investing Inc. o mercado faz um bom trabalho de gestão de discrepância de preços. Para mim, a HFT é apenas uma forma tecnológica mais avançada disso, diz ele. Pode ser abusado um pouco, mas como eu digo, em equilíbrio, ele arbitra as discrepâncias entre os mercados. Um nível de jogo é uma coisa boa. Deixe o mais forte sobreviver, deixe o mais fraco morrer. Pequenos investidores afastado Alta freqüência de negociação de ações tem obtido um mau rap para afiar os pequenos investidores aqueles sem os fundos para pagar super-rápido comércios fora dos mercados. Os perdedores são provavelmente os corretores tradicionais, as pessoas que costumavam fazer um assassinato, diz Ryan Riordan, professor de negócios da Queen's University. Eles costumavam suprir a liquidez. Agora, HFT está tomando a parte mais fácil de seus negócios. E, ele diz, os custos elevados da tecnologia são também uma barreira à adopção mais larga. Há produtos que eu gostaria de desenvolver mais rapidamente para meus clientes que eu não posso porque o TMX está me forçando a atualizar meus sistemas de negociação, diz Doug Clark, diretor-gerente da ITG Canadá, um membro do consórcio Aequitas. É uma demanda constante de tecnologia do mercado, e em nenhum ponto tem um regulador disse, Isso é demais para os concessionários. Para os intermediários, ou os concessionários menos tecnicamente capazes, é mais do que eles têm recursos para. Por isso, realmente limita a sua capacidade de construir ferramentas de gestão de risco ou para melhorar seus algoritmos, por exemplo. O presidente e executivo-chefe da Aequitas, Jos Schmitt, concorda que as negociações de alta freqüência têm afetado o mercado. A questão-chave é que os HFTs fornecem liquidez a títulos já líquidos, desbancando os tradicionais criadores de mercado. Isso, combinado com a HFT predatória, leva os negociantes, investidores e empresas a perderem a confiança no mercado. Kevin Sampson, vice-presidente de desenvolvimento de negócios e estratégia da TMX, reconhece que a perda de confiança no mercado é uma grande preocupação, mas não culpa a negociação de alta freqüência para o crash de 2010. Foi demonstrado através de estudos que foram feitos nos EUA que não era predominantemente comerciantes HF que causou o Flash Crash. Mas ele volta para a percepção, diz Sampson. O investidor só tem essa sensação de que algo não parece certo ou não está funcionando corretamente. Isso influencia o grau em que participam nos mercados. De fato, muitos observadores do mercado apontam para o que chamam de uma prática perturbadora em que alguns think-tanks e universidades estavam vendendo comerciantes de alta freqüência acesso precoce a pesquisas de consumidores e outras informações. O protesto contra a prática, que supostamente deu a comerciantes com acesso ultra-rápido uma vantagem, resultou no escritório do procurador-geral do estado de Nova York chegar a um acordo com a Thomson Reuters em 2013 para deixar de vender os resultados da pesquisa de consumidores da Universidade de Michigan aos comerciantes de alta freqüência dois Segundos antes de as informações se tornarem publicamente disponíveis. Mark Yamada, presidente da PUR Investing Inc. não se opõe à negociação de alta freqüência, mas ele saúda a mudança de política. O princípio da divulgação justa e igual deve ser aplicado. Fazer o contrário é como vender informação privilegiada. Se a Thomson Reuters disponibilizar todos os dados para todos ao mesmo tempo, é difícil objetar. Obtenha um PDF deste artigo. Com arquivos de Dean DiSpalatro, Jessica Bruno, Katie Keir, Glenn Kauth e Anna Sharratt. Philip Porado é diretor de conteúdo do grupo de serviços financeiros, incluindo Benefits Canada. Sara Tatelman é editora associada do Canadian Insurance Top Broker. Este artigo foi publicado originalmente em Corporate Risk Canada. Algoritmos on-line em negociação de alta freqüência Os desafios enfrentados por algoritmos HFT concorrentes Jacob Loveless, Sasha Stoikov e Rolf Waeber HFT (comércio de alta freqüência) surgiu como uma força poderosa nos mercados financeiros modernos. Apenas 20 anos atrás, a maior parte do volume de negociação ocorreu em bolsas como a Bolsa de Valores de Nova York, onde os humanos vestidos com roupas coloridas gesticulariam e gritariam suas intenções comerciais. Hoje em dia, a negociação ocorre principalmente em servidores eletrônicos em data centers, onde os computadores comunicam suas intenções comerciais através de mensagens de rede. Esta transição das trocas físicas para plataformas eletrônicas tem sido particularmente lucrativa para as empresas HFT, que investiram pesadamente na infra-estrutura deste novo ambiente. Embora a aparência do local e seus participantes tenha mudado drasticamente, o objetivo de todos os comerciantes, seja ele eletrônico ou humano, permanece o mesmo: comprar um ativo de um local / comerciante e vendê-lo para outro local / comerciante por um preço mais alto. A diferença determinante entre um operador humano e um HFT é que este último pode reagir mais rapidamente, com maior frequência e tem períodos de detenção de carteira muito curtos. Um algoritmo HFT típico opera na escala de tempo sub-milissegundo, onde os comerciantes humanos não podem competir, como o piscar de um olho humano leva aproximadamente 300 milissegundos. Como os algoritmos HFT competem uns com os outros, eles enfrentam dois desafios: eles recebem grandes quantidades de dados a cada microssegundo. Eles devem ser capazes de agir muito rápido sobre os dados recebidos, como a rentabilidade dos sinais que estão observando decair muito rapidamente. Algoritmos online fornecem uma classe natural de algoritmos adequados para aplicações HFT. Em um problema on-line, novas variáveis ​​de entrada são reveladas seqüencialmente. Depois de cada nova entrada o algoritmo precisa tomar uma decisão, por exemplo, se deve ou não submeter um comércio. Isto está em contraste com um problema offline, que pressupõe que todos os dados de entrada estão disponíveis no momento da tomada de decisão. Muitos problemas de otimização prática abordados em ciência da computação e aplicações de pesquisa de operações são problemas on-line. 1 Além de resolver um problema on-line, algoritmos HFT também precisam reagir extremamente rápido às atualizações do mercado. Para garantir um tempo de reação rápido, a manipulação de memória eficiente é uma necessidade para um algoritmo de negociação ao vivo. Manter uma grande quantidade de dados na memória irá desacelerar qualquer CPU, por isso é importante que um algoritmo use apenas uma quantidade mínima de dados e parâmetros, que podem ser armazenados em memória de acesso rápido, como o cache L1. Além disso, esses fatores devem refletir o estado atual do mercado e devem ser atualizados em tempo real quando novos pontos de dados forem observados. Em resumo, quanto menor o número de fatores que precisam ser mantidos na memória e quanto mais simples a computação necessária para atualizar cada fator, mais rápido um algoritmo é capaz de reagir às atualizações do mercado. Com base na exigência de velocidade e na natureza on-line dos problemas HFT, a classe de algoritmos de uma passagem é especialmente adequada para aplicações HFT. Esses algoritmos recebem um ponto de dados de cada vez e usam-no para atualizar um conjunto de fatores. Após a atualização, o ponto de dados é descartado e somente os fatores atualizados são mantidos na memória. Três problemas podem surgir em algoritmos HFT. A primeira é a estimativa de uma média corrente de liquidez que pode ser útil para um HFT na determinação do tamanho de uma ordem que é provável executar com sucesso em uma troca eletrônica particular. O segundo problema é uma estimativa de volatilidade corrente, que pode ajudar a quantificar o risco de curto prazo de uma posição. O terceiro problema é uma regressão linear em execução, que pode ser usada em pares comerciais de ativos relacionados. Cada um desses problemas pode ser resolvido de forma eficiente usando um algoritmo one-pass on-line. Neste artigo nós backtest o desempenho de algoritmos one-pass em dados de livro de ordem-limite para ETFs altamente líquidos (fundos negociados em bolsa) e descrevem como calibrar esses algoritmos na prática. Algoritmos Online em HFT A única vantagem que HFT tem sobre os outros participantes do mercado é a velocidade de reação. HFT empresas são capazes de ver todas as ações no mercado e reagir dentro de microssegundos. Embora alguns algoritmos HFT possam basear suas ações em uma fonte de informação fora do mercado (digamos, analisando relatórios de notícias, medindo a temperatura ou avaliando o sentimento do mercado), a maioria baseia suas decisões apenas nas mensagens que chegam ao mercado. Segundo algumas estimativas, há aproximadamente 215.000 atualizações de cotações por segundo na Bolsa de Valores de Nova York. 4 O desafio para os HFTs é processar esses dados de uma forma que lhes permita tomar decisões, como quando entrar em posições ou reduzir riscos. Os exemplos usados ​​neste artigo pressupõem que os HFTs podem observar cada atualização nos melhores preços de lances e pedidos, incluindo os melhores tamanhos de lances e pedidos. Este subconjunto de informações contidas no livro de ordens de limite é muitas vezes referido como as informações do livro de pedidos de Nível-I. Os três exemplos seguintes de algoritmos online, cada um motivado com uma aplicação em HFT, são descritos em detalhes neste artigo: Algoritmo médio online. Ilustrado pela construção de um fator que prediz a liquidez disponível, definida como a soma dos tamanhos na melhor oferta e na melhor pergunta, em um horizonte fixo no futuro. Essa quantidade pode ser útil para estimar qual tamanho de ordem é provável que seja executado nas melhores cotações em uma dada latência. Algoritmo de variação online. Ilustrado pela construção de um fator que prediz a volatilidade realizada sobre um horizonte fixo no futuro. Esta quantidade pode ser útil na estimativa do risco de curto prazo de manter o estoque. Algoritmo de regressão online. Ilustrado pela construção de um fator que prevê o esperado PNL (lucro e prejuízo) de uma posição longa-short em dois ativos relacionados. Isto pode ser útil na construção de um sinal indicando quando é provável que uma posição longa-curta seja rentável. Em todos os três casos, o algoritmo tem um único parâmetro, alfa, que controla a taxa na qual as informações antigas são esquecidas. A Figura 1 representa a medida de liquidez bruta (tamanho da oferta mais o tamanho da solicitação) em azul. Vermelho e verde representam o fator de liquidez on-line, com alfa 0,9 e alfa 0,99, respectivamente. Observe que, à medida que o alfa se aproxima de um valor de 1, o sinal fica mais suave e rastreia eficientemente a tendência nos dados subjacentes. A Figura 2 representa a medida de volatilidade online para vários valores de alfa. Mais uma vez, note que a medida é mais suave para alfa maior. Embora um alfa maior forneça um sinal mais liso, retarda também mais atrás a tendência subjacente porque dá muitos do peso aos dados mais velhos. Como discutido mais tarde, a escolha de um valor para alfa traduz-se em um tradeoff entre um sinal suave e um atraso reduzido da tendência. Para ilustrar o algoritmo de regressão on-line, observamos a série temporal de preços médios para SPY e SSO, dois ETFs altamente relacionados (SSO é a versão de dupla alavancagem do SPY). Conforme mostrado na figura 3, a relação entre os dois ativos parece muito próxima da linear ao longo de um dia. A Figura 4 representa a média e o intercepto online de dois valores de alfa. Algoritmos de uma passagem Como indicado por seu nome, um algoritmo de uma passagem lê cada variável de entrada exatamente uma vez e, em seguida, descarta-a. Este tipo de algoritmo é muito eficiente em termos de manipulação de memória, uma vez que requer apenas uma quantidade mínima de dados a serem armazenados na memória. Esta seção apresenta três exemplos importantes de algoritmos one-pass on-line: a média móvel exponencial, a variância ponderada exponencialmente e a regressão ponderada exponencialmente. A próxima seção descreve a aplicação desses algoritmos para HFT. Primeiro, vamos ver brevemente a média móvel simples de uma série de tempo. Esta é uma estimativa da média de uma série de tempo sobre uma janela em movimento de um tamanho fixo. Em finanças, é frequentemente utilizado para detectar tendências de preço, nomeadamente através da comparação de duas médias móveis simples: uma sobre uma janela longa e outra sobre uma janela curta. Em outra aplicação, o volume médio negociado nos últimos cinco minutos pode servir como uma previsão do volume negociado no minuto seguinte. Em contraste com a média móvel exponencial, a média móvel simples não pode ser resolvida com um algoritmo de uma passagem. Seja (X t) t X 0, X 1, X 2. Ser a sequência observada de variáveis ​​de entrada. Em qualquer momento t queremos prever o próximo resultado X t 1. Para M que é,. A média móvel também pode ser calculada através da seguinte recursão: Embora este seja um algoritmo on-line, não é um algoritmo de uma passagem, uma vez que precisa acessar cada ponto de dados de entrada exatamente duas vezes: uma vez para adicioná-lo à média móvel e, em seguida, Novamente para descartá-lo da estimativa da média móvel. Tal algoritmo é referido como um algoritmo de duas passagens e requer manter uma matriz inteira de tamanho M na memória. Exemplo 1: Média ponderada exponencial de uma passagem Em contraste com a média regular, a média ponderada exponencial atribui um peso exponencialmente decrescente a observações mais antigas: Aqui 1. Como esta média ponderada exponencial dá mais importância a uma entrada mais recente em comparação com pontos de dados mais antigos, É frequentemente considerado como uma boa aproximação da média móvel simples. Comparado com a média móvel simples, a média ponderada exponencial leva em consideração todos os dados anteriores, não apenas as últimas M observações. Para comparar a média móvel simples ea média ponderada exponencial, a figura 5 mostra quantos pontos de dados recebem 80, 90, 95, 99 e 99,9 por cento do peso na estimativa em função de 0,95, então o último M90 observado Dados contribuem para 99% do valor estimado. Como advertência, se a série temporal (X t) t tem caudas muito pesadas, então a média suavizada exponencial pode ser dominada por uma observação extrema, enquanto que a média móvel é menos propensa a observações extremas que eventualmente caem da janela de observação . A reinicialização freqüente do procedimento de estimação pode resolver este efeito de memória de longo prazo da suavização exponencial. A razão para favorecer a média móvel exponencial sobre a média móvel simples em HFT é que ela pode ser eficientemente resolvida usando um algoritmo de uma passagem, inicialmente introduzido em Brown (1956). Esta fórmula também fornece uma interpretação simples do parâmetro como um controle de quanto peso é dado à observação mais recente, em comparação com todas as observações anteriores. Exemplo 2: Variância Exponencialmente Ponderada de Uma Passo A suavização exponencial descrita na secção anterior estima uma média móvel de uma série temporal. Em finanças, a volatilidade de uma série de tempo é frequentemente um fator importante também. Em termos gerais, a volatilidade deve captar o quanto uma série temporal flutua em torno de sua média. Não há uma definição amplamente aceita de volatilidade para dados financeiros de alta frequência. Esta seção considera a volatilidade como o desvio padrão (raiz quadrada de variância) de um ponto de dados na série de tempo (X t) t. Similar à média móvel exponencialmente ponderada da seção anterior, pode-se construir um algoritmo on-line de passagem única que estime a volatilidade da série temporal (Xt) t com um esquema de ponderação exponencial. A variância de uma variável aleatória é definida como Var (X) E X - E X) 2. A estimativa da variância exponencial ponderada da série temporal requer dois estimadores: um que estima a média E X e um que estima a variância: O desvio padrão do próximo ponto de medição X t 1 é então estimado como. Novamente, o parâmetro de entrada (0,1) é escolhido pelo usuário e reflete quanto peso é atribuído a pontos de dados mais antigos comparados com a entrada de dados observada mais recente. Aqui, inicializamos o estimador da variância com 1, que é uma escolha bastante arbitrária. Outra maneira é ter um período de burn-in inicial para o qual a série de tempo (X t) t é observada e um estimador de variância padrão da série sobre esta janela de tempo de burn-in pode ser usado para inicializar o estimador. É claro que um método semelhante pode ser usado para inicializar o estimador do estimador exponencial ponderado. Exemplo 3: Algoritmo de passagem única para regressão linear ponderada exponencialmente O último exemplo é um algoritmo on-line de uma passagem para o modelo de regressão linear ponderado exponencialmente. Este modelo é semelhante à regressão linear ordinária, mas novamente dá mais importância (de acordo com uma ponderação exponencial) para observações recentes do que para observações mais antigas. Como já mostrado, tais métodos de regressão são muito úteis em estratégias de HFT para estimar a relação de diferentes ativos, que podem, por exemplo, ser explorados na criação de estratégias de negociação em pares. Neste modelo consideramos uma série temporal bidimensional (X t, Y t) t e conjecturamos que as variáveis ​​X e Y estão relacionadas através de uma relação linear corrompida por um termo de ruído t com média zero. Isto é, a variável Y é referida como a variável de resposta, enquanto que X é chamada de variável explicativa. Para simplificar, vamos assumir apenas uma variável explicativa aqui, mas a extensão para várias variáveis ​​explicativas é direta. Na abordagem off-line padrão para regressão linear, os parâmetros 1 são calibrados após todos os pontos de dados serem observados. Esses pontos de dados são coletados em um vetor Y (Y0.Y1Yt) T e uma matriz A coluna de uns na matriz X corresponde à interceptação na equação 3. Se escrevermos mais os parâmetros então a relação entre Y E X pode convenientemente ser escrito em notação de matriz como onde é um vetor de termos de ruído estocástico, e cada um desses termos de erro tem média zero. A abordagem mais comum para estimar o parâmetro é escolhida de modo a minimizar a soma dos resíduos quadrados. A solução para este problema de minimização é. Como nas estimativas de médias e variâncias, pontos de dados mais recentes devem ser mais importantes para a estimativa do parâmetro é necessária para a computação rápida. Em seguida, vamos considerar um método recursivo que atualiza seqüencialmente e minimiza. Novamente, o vetor de parâmetro 1 V t precisa ser salvo na memória e atualizado com um novo ponto de dados de acordo com a seguinte recursividade: Como para o estimador de média e variância, a inicialização de A recursividade pode ser feita usando um período de burn-in. Finalmente, após o tempo t. A melhor estimativa de é. Na literatura esse método também é chamado de mínimos quadrados recursivos com esquecimento exponencial. 2 Estimativa de Alpha Como se decide sobre o valor ótimo de alfa, o único parâmetro de todos esses modelos on-line Nossa abordagem para os três modelos é definir uma função de resposta que pretendemos prever e minimizar o erro quadrático entre a resposta ri e Nosso fator fi. Esse método localiza o alpha ideal em uma série de tempo histórica. Outra abordagem seria estimar o alfa ideal online também. Isso, no entanto, requer mais trabalho e vai além do escopo deste artigo. Agora fornecemos os detalhes sobre os estimadores on-line descritos e estimamos o alfa ótimo em um dado conjunto de dados. 1. O estimador de liquidez médio é definido como o índice i representa o tempo de cotação. A resposta é definida como a liquidez em 10 segundos: onde bs i (10) representa o tamanho da oferta 10 segundos após a citação i-ésima. Executar uma rotina de otimização sobre alfa mostra que o alfa ótimo para os dados dados é 0,97, exibido na figura 6 como um gráfico de dispersão do fator e da resposta. 2. O estimador de volatilidade é definido como onde o índice i representa o tempo real em segundos. A resposta é definida como a volatilidade realizada no próximo minuto: Novamente, a busca por diferentes valores de alfa produz um alfa ótimo de 0,985 para o dado conjunto de dados. A Figura 7 exibe um gráfico de dispersão do fator e da resposta. 3. O estimador de regressão de negociação de pares é definido como onde o índice i representa o tempo de cotação. O fator representa o valor de SPY relativo a SSO que é, se a quantidade é positiva, então SPY é relativamente barato e um comércio que é SPY longo é provável que seja rentável. A resposta é definida como o PNL sobre o próximo minuto de um comércio que é longo uma ação de SPY e ações curtas de SSO: onde representa o preço de SPY 60 segundos depois. A resposta r i representa o PNL da seguinte estratégia de longo prazo: Compre 1 ação de SPY e venda ações de SSO no momento i. Sair da posição após 60 segundos. No conjunto de dados analisados, o alfa óptimo revela-se 0,996. A Figura 8 é um gráfico de dispersão do factor e da resposta. Conclusão Os algoritmos one-pass online são fundamentais na negociação de alta freqüência, onde recebem grandes quantidades de dados a cada microssegundo e devem ser capazes de agir de forma extremamente rápida nos dados recebidos. Este artigo abordou três problemas que enfrentam os algoritmos HFT: a estimativa de uma média de liquidez corrente, que pode ser útil na determinação do tamanho de uma ordem que é provável executar com sucesso em uma determinada troca eletrônica uma estimativa de volatilidade em funcionamento, o que pode ajudar Quantificar o risco de curto prazo de uma posição e uma regressão linear em execução, que pode ser utilizada em pares comerciais de activos relacionados. Algoritmos one-pass on-line podem ajudar a resolver cada um desses problemas. Referências 1. Albers, S. 2003. Algoritmos online: uma pesquisa. Programação Matemática 97 (1-2): 3-26. 2. Astrom, A. Wittenmark, B. 1994. Adaptive Control, segunda edição. Addison Wesley. 3. Brown, R. G. 1956. Suavização exponencial para prever a demanda. Arthur D. Little Inc. p. 15 AME-O, ODEIE-NOS CONHEÇA JACOB LOVELESS é o CEO de Lucera e ex-chefe de negociação de alta freqüência para Cantor Fitzgerald. O Sr. Loveless trabalhou tanto para grupos de negociação de alta freqüência como para trocas nos últimos 10 anos em quase todos os ativos eletrônicos. Antes de uma vida em finanças, o Sr. Loveless era um contratado especial para o Departamento de Defesa dos EUA, com foco na análise heurística de coisas que não podem ser discutidas. Antes disso, ele foi o CTO e fundador da Data Scientific, um pioneiro na análise de sistemas distribuídos. SASHA STOIKOV é associado sênior de pesquisa na Cornell Financial Engineering Manhattan (CFEM) e ex-vice-presidente do grupo de negociação de alta freqüência da Cantor Fitzgerald. Ele trabalhou como consultor no Galleon Group e Morgan Stanley e foi instrutor no Courant Institute of NYU e no departamento de IEOR da Columbia. Ele possui um Ph. D. Da Universidade do Texas e uma BS do MIT. ROLF WAEBER is a Quantitative Research Associate at Lucera and previously served as a Quantitative Researcher at Cantor Fitzgerald s High Frequency Trading Group. He participated in studies on liquidity risk adjustments within the Basel II/III regulation frameworks at the Deutsche Bundesbank. Rolf earned his Ph. D. in Operations Research and Information Engineering from Cornell University in 2013. He holds a BS and an MS in Mathematics from ETH Zurich, Switzerland. 2013 ACM 1542-7730/13/0800 10.00 Originally published in Queue vol. 11, no. 8 see this item in the ACM Digital Library Andre Medeiros - Dynamics of Change: Why Reactivity Matters Tame the dynamics of change by centralizing each concern in its own module. Brendan Gregg - The Flame Graph This visualization of software execution is a new necessity for performance profiling and debugging. Ivar Jacobson, Ian Spence, Brian Kerr - Use-Case 2.0 The Hub of Software Development Tyler McMullen - It Probably Works Probabilistic algorithms are all around us--not only are they acceptable, but some programmers actually seek out chances to use them. Comments xxx Mon, 21 Oct 2013 07:48:57 UTC Name of the Author, Loveless. tai diao le mperez Fri, 08 Jan 2016 21:47:19 UTC Why, when measuring volatility, they calculate the standard deviation instead of just using the variance They lose time while calculating the square root. Brandon Sun, 08 May 2016 21:39:10 UTC I am currently stuck calculating the mean and variance estimators used to calculate beta. The article says At each step of the algorithm a 2 2 matrix Mt and a 2 1 vector Vt need to be saved in memory and updated with a new data point according to the following recursion. As for the mean and variance estimator, the initialization of the recursion can be done using a burn-in period. The problem I am having is that I m not sure what values the M and V parameters should be initialized to using a burn-in period. I am not sure what values the 2x2 matrix or the 2x1 vector should be. 2016 ACM, Inc. All Rights Reserved.