A Bitfinex anunciou hoje o início dos contratos de mineração como um produto de negociação em sua plataforma. No total, 100 THS (terahashes por segundo) com um vencimento em 3 meses foram disponibilizados para negociação sob o nome TH1BTC. Os 100 THS fazem parte de um pool maior de 3500 THS para que mais contratos de mineração possam se tornar disponíveis no futuro. Curiosamente, isso marca a primeira vez que é possível cortar um contrato de mineração. Shorting um contrato de mineração significa receber uma quantidade de Bitcoin agora (o preço que vendê-lo em) e, posteriormente, pagar dividendos (em Bitcoin) durante os três meses seguintes até o contrato expira em meados de dezembro. Um lucro é feito se a soma de todos os dividendos pagos (mais os juros que pagamos para curto o contrato) é menor do que o que recebemos no início quando vendemos o contrato (para alguém obviamente). Isto significa que o preço do TH1BTC deve depender de 3 variáveis (em ordem decrescente de importância): A mudança da dificuldade de mineração até 15 de dezembro O tempo restante até 15 de dezembro A taxa de juros (taxa de swap) THS representa uma fração menor do poder de hashing da rede inteira. Portanto, o preço de um contrato deve diminuir se a dificuldade aumenta. Quanto mais perto chegarmos à expiração da febre Bitcoins pode ser mente com 1 THS no total. Portanto, o preço de um contrato deve diminuir mais perto chegamos à expiração e chegar a um preço de 0 na expiração. Quanto maior a taxa de juros mais caro é para entrar e manter o contrato sobre o comprimento total de 3 meses. Bitfinex não oferece swaps de 90 dias, portanto, entrar um contrato com a meta de mantê-lo até o final contém um pouco de risco de taxa de juros porque em algum momento um novo swap tem de ser retirado (a uma taxa de juros potencialmente desfavorável). Isto é menos um problema quando vai longo (Bitcoin taxas são normalmente baixas) do que quando vai curto (há apenas um máximo de 100 contratos disponíveis no total, sem naked shorting). Para compensar os preços de risco deve aumentar quando as taxas de swap estão aumentando. O grande desconhecido é, naturalmente, a mudança na dificuldade de mineração nos próximos 90 dias. Na figura a seguir, vemos como a dificuldade mudou nos últimos 6 meses. Os dados são de Tradeblock e mostra não apenas uma representação gráfica de mudanças passadas na dificuldade (a dificuldade muda a cada 14 dias, dependendo da taxa de hash do passado. Mais informações podem ser encontradas no wiki), mas também algumas estatísticas básicas de resumo. Em média, a dificuldade aumentou 27 nos últimos 30 dias e 77 nos últimos 60 dias. Para estimar o preço justo de um TH1BTC vamos assumir que a dificuldade vai aumentar em média 15 por mês durante os próximos 3 meses. Atualmente, o preço de compra de um contrato no valor de 1 THS é de 2 BTC. A taxa de piscina é 3 e vamos ignorar as taxas de juros. Preenchendo todas as informações obtemos os seguintes resultados: Portanto, se vamos longo um contrato com base em nossas suposições que faria uma perda de cerca de 0,39 Bitcoin (um pouco mais na realidade, uma vez que vamos começar a mineração em meados de setembro até o meio De dezembro) porque os dividendos esperados (receita mensal) não vão cobrir nossos custos iniciais de 2 BTC antes do contrato expirar. Por outro lado, ir curto a um preço de 2 Bitcoin teria gerado um lucro de cerca de 0,39 Bitcoin por contrato. Tenha em mente que nós didn8217t incluir swap custos que estão atualmente em torno de 1 por dia (). Há duas maneiras de olhar para os resultados. Ou podemos dizer que os preços para TH1BTC estão atualmente sobrevalorizados e devem estar mais perto de 1,5 BTC. Se assumir a dificuldade vai aumentar mais de 15 por mês, em seguida, os preços devem ser ainda mais baixos do que isso. Ou poderíamos dizer que o mercado é eficiente e os preços estão corretos, o que implicaria que o mercado está esperando dificuldade de diminuir em média cerca de 2 por mês nos próximos 90 dias. De qualquer maneira, os resultados serão conhecidos com certeza em 90 dias. Esforçando-se para recuperar do mais recente acidente de flash Bitcoin que se originou no Bitfinex apenas quatro dias. Os preços da Bitcoin deram outro mergulho hoje, à medida que os comerciantes de margem obtiveram suas posições liquidadas no BTC-e. O evento começou às 1:36 PM (UTC1) quando grandes ordens de venda começaram a aparecer na terceira maior troca Bitcoin ocidental BTC-e. O impulso descendente aumentou de forma constante à medida que a carteira de encomendas ficou cada vez mais fina, atingindo preços baixos de US $ 309 por Bitcoin às 13h43. Nos minutos seguintes, os preços recuperaram rapidamente em volume fino de volta para cerca de USD 442 como comerciantes de arbitragem começou a tirar proveito do desconto em relação a outras bolsas. A BTC-e é uma das poucas trocas importantes que oferecem margem de negociação para seus clientes através da plataforma MetaTrader desde novembro de 2017, mas os detalhes de quem excactly fornece os fundos necessários para a margem comercial permanecem obscuros. A forma e especialmente o tempo do acidente apontam para os comerciantes de margem que estão sendo liquidados (ou ordens de parada sendo executadas), semelhante ao que aconteceu no Bitfinex um par de dias atrás. No entanto, ao contrário do Bitfinex, que é transparente sobre as posições de swap aberto. BTC-e não fornece dados importantes que seriam necessários para fornecer uma análise mais aprofundada e por isso esta última afirmação só pode ser considerada uma boa suposição. Ao contrário do Bitfinex, que se baseia em um algoritmo escondido em um esforço para controlar o fluxo da ordem. O BTC-e parece não ter salvaguardas especiais no local para mitigar tais eventos. A queda abaixo de 400 foi principalmente devido à falta de lances no livro de encomendas e não porque o mercado acreditava que o verdadeiro valor era inferior a 400, como a recuperação de volta para mais de 440 apenas minutos mais tarde, basicamente, provou. Assim, interromper negociação durante extrema volatilidade para baixo poderia ter evitado facilmente o derramamento de sangue entre os comerciantes de margem, dando mais participantes do mercado mais tempo para engrossar o pedido. Atualização 4:58 PM (UTC1): BrCapoeira postou no Reddit um gráfico interessante baseado em dados da plataforma Metatrader: Este gráfico implica que uma única grande ordem foi a causa deste evento. Se esta ordem foi criada devido a uma chamada de margem, um simples erro, para manipular o mercado, ou para abrir uma grande posição curta permanece obscuro. O senso comum sugeriria que era provavelmente o resultado de uma chamada de margem de um único comerciante grande. Meu post anterior sobre este tópico foi criado durante as discussões no rescaldo do mais recente acidente com o flash Bitcoin. Coindesk foi um dos primeiros a buscá-lo e desde então vários posts sobre transparência e a possível responsabilidade de trocas para gerenciar ativamente a execução de ordens começaram a aparecer. Como resultado desses eventos, Josh Rossi, vice-presidente de Desenvolvimento de Negócios da Bitfinex, foi à Reddit para abordar abertamente algumas das questões levantadas contra a troca. Os fatos que sabemos com certeza são que houve algumas grandes ordens de venda pouco antes do início do acidente, por exemplo, uma ordem de venda de 500 na Bitstamp às 9.49am (UTC1), cerca de 6 minutos antes de uma grande ordem de venda no Bitfinex disparou o acidente. No entanto, os dados não nos dizem se foi insider trading, alguma forma de manipulação do mercado. Ou um simples erro. O fato é que após o flash flash Bitcoin as posições de swap abertas diminuíram de cerca de 28m para 24m o que indica cerca de 8400 margem de posições longas foram fechadas (assumindo uma média de 475) de uma forma (chamada de margem) ou outra. Os dados não nos dizem qual é a proporção, mas de acordo com Josh apenas cerca de 650 Bitcoins foram vendidos como resultado de chamadas de margem. Como correctamente salientado por Jonathan Levin. Fato é que começando cerca de 24 horas antes do acidente de flash bitcoin até o acidente em si um adicional de 1000 Bitcoins foram retirados em posições curtas e cerca de 2500 shorts foram posteriormente fechados durante o acidente. Se esses shorts foram abertos para cobrir posições existentes, como uma tentativa maliciosa para desencadear uma chamada de margem, ou uma maneira de front-run do mercado usando informações privadas não pode ser determinada a partir dos dados disponíveis (parece estranhamente suspeito embora). O que foi inesperado Pessoalmente, o ponto interessante não é que o flash Bitcoin caiu. As flutuações repentinas de preços aconteceram no passado e acontecerão no futuro, especialmente em mercados sem liquidez como o Bitcoin. O ponto interessante é o envolvimento do Bitfinex e como eles gerenciaram ativamente a execução de ordens sem informar previamente os participantes do mercado. O motor de correspondência Bitfinex não foi interrompido durante todo o acidente, apesar de ter desacelerado (mas em nenhum lugar tão ruim quanto a infame 70 minutos de atraso de ordem na agora extinta troca MtGox durante o acidente em 2017). No entanto, o que Bitfinex fez foi que eles introduziram algo que eles agora se referem como colisões de velocidade. O que significa é que eles essencialmente bandeira ordens que consideram como inválido ou potencialmente perigoso e retardá-los intencionalmente. À primeira vista isso pode parecer uma boa idéia. Quem não quer um filtro para remover ou retardar ordens maliciosas No entanto, como muitas vezes com esse tipo de coisas o diabo está nos detalhes. O problema é que o Bitfinex não tem (e possivelmente nunca vai) tornar público o quão exatamente eles classificam uma ordem como 8220bad8221 e 8220slow down8221. Se um participante do mercado decide colocar uma grande ordem de venda contra um fino orderbook então that8217s sua decisão. Se sua ação foi intencional ou não, não cabe à troca decidir. Poderia ser que este participante no mercado foi simplesmente a primeira pessoa a reagir a um grande evento e está inteiramente disposto a suportar os custos adicionais da derrapagem resultante em antecipação de uma grande mudança de preços. Simplesmente não existe uma maneira de classificar com precisão ordens a priori como 8220good8221 ou 8220bad8221, uma vez que assumiria automaticamente o conhecimento de todos os eventos futuros imediatos. O que pode ser melhorado Erros, as margens são chamados e as pessoas tentam jogar o sistema de todas as maneiras possíveis. Logicamente, devem existir salvaguardas para proteger os mercados e seus participantes. Bitfinex estava definitivamente ciente do potencial fluxo de ordem tóxica e preparou contra-medidas. A única coisa que eles esqueceram foi informar seus clientes sobre os recursos de segurança escondidos. Esconder essas salvaguardas do público acrescenta incerteza ao mercado (especialmente agora que sabemos que existem e, por vezes, fazer alguma coisa) e, essencialmente, coloca todos os comerciantes confiança nas mãos do Bitfinex. Neste ponto, um comerciante só pode esperar que o Bitfinex irá sempre agir nas melhores intenções de seus clientes. Esta esperança pode ser fútil embora, desde que Bitfinex faz o dinheiro das taxas negociando, independente se um comerciante faz realmente algum dinheiro. Não é preciso pensar por muito tempo para perceber o potencial oculto de abuso em tal sistema. A principal razão trazida por Josh porque Bitfinex não pretende divulgar seu algoritmo é evitar dar aos comerciantes a possibilidade de explorá-lo é falso eo seguinte mostra o porquê. Esses são os disjuntores de mercado oficiais usados pelo NASDAQ, publicados on-line e totalmente transparentes para todos os participantes do mercado. Essas regras certamente não são perfeitas, mas são simples, transparentes e funcionam para um dos maiores mercados de ações do mundo. Agora, eu tenho um grande respeito pelas pessoas que trabalham na plataforma Bitfinex, mas duvido que eles conseguiram chegar a um algoritmo que protege os participantes do mercado melhor do que os usados por uma grande troca de mais de 900 milhões de ações por dia em média . E se eles fizeram, agora é a chance de Bitfinex para provar isso para o mundo e possivelmente escrever história, ensinando os meninos grandes como corretamente executar uma troca. Quando se trata de intercâmbio público transparência é uma obrigação, não apenas para o Bitfinex, mas para qualquer troca. Os participantes do mercado têm de saber exatamente o que acontece quando eles fazem um pedido e não devem sob nenhuma circunstância depender apenas da boa fé. As salvaguardas são importantes porque os acidentes acontecem e os mercados caem, mas não cabe à troca se envolver na discriminação de ordem secreta. Existem diferentes maneiras de salvaguardar os mercados financeiros e nenhum deles é perfeito. Adicionando complexidade geralmente aumenta a chance de efeitos colaterais não intencionais e, portanto, uma abordagem simples e transparente parece mais apropriado do que um oculto, complexo. Dois dias atrás BitMEX reduziu suas taxas de negociação para 0 e celebrou-o por liberar um mercado básico fazendo bot em Github. BitMEX está atualmente executando um desafio comercial até 29 de agosto de 2017 para promover sua nova plataforma. Liberar um mercado que marca o bot é provavelmente uma maneira interessante e eficaz de aumentar o tráfego da API e testar o stress da plataforma um pouco. Claro que não conseguia resistir e tinha um olhar. Market-maker é um bifurcado fora Liquidbot. Que era original projetado funcionar na troca agora do obsolet MtGox. Houve algumas pequenas alterações (nova classe api para se conectar ao BitMEX, algumas impressões adicionais para o console, mudanças para se adaptar para contratos de futuros e uma impressão enorme e desnecessária para o console ao iniciar), mas sem mudanças significativas na lógica comercial. O algoritmo usa REST e apenas verifica as alterações a cada 60 segundos. Isso já desqualifica o bot como é essencial muito lento para reagir às mudanças em curso no pedido. O BitMEX limita as solicitações à API REST a 150 por 5 minutos para que você possa tentar reduzir os 60 segundos para algo como 3, mas ele não mudará o fato de que, assim que os mercados começarem a se mover, você atingirá o limite e ficará preso com posições abertas. Para ser justo, o BitMEX fornece o bot mais como um stunt de marketing e afirma explicitamente que mudar para o WebSocket será altamente benéfico, pois permite atualizações em tempo real. Em geral, o algoritmo é solidamente escrito, tecnicamente funciona e é fácil de configurar, mas won8217t fazer você qualquer dinheiro a longo prazo. Se alguém considerar seriamente empregar este bot eu recomendaria as seguintes pequenas mudanças para tornar o código mais utilizável: 1. Mude para Websocket 2. Saia posição no próximo: 3. Construa ordens a partir do ponto médio: Além disso eu aconselharia a medida Volatilidade de alguma forma e adaptar a distância entre ordens dinamicamente, bem como o tamanho. Durante meus testes, a API sempre foi responsiva e precisa. Volume sobre a troca ainda é baixo, mas os fundamentos da plataforma parecem promissores. Este bot é uma ferramenta divertida para introduzir os usuários no mundo de fazer mercado e negociação algorítmica, mas ele won8217t stand uma chance contra algoritmos estabelecidos. Nota: Se você considerar usar este algoritmo, tenha em mente que fazer mercado é um trabalho em tempo integral. Qualquer coisa menos do que dedicação completa, tempo de reação rápida e 100 uptime fará com que você perca dinheiro. Edit: Acompanhe o rescaldo aqui Hoje os preços Bitcoin tomou um mergulho como comerciantes de margem em uma das maiores câmbio Bitfinex tem suas ordens liquidada. Para muitos observadores de mercado próximos e comerciantes mais sofisticados isso não veio como uma surpresa. Na verdade, as posições longas têm vindo a crescer continuamente ao longo dos últimos meses em antecipação de uma nova bolha nos preços Bitcoin e atingiu até 30m em posições de swap em circulação no Bitfinex. Agora, este wouldn8217t ser um problema sozinho, desde que haja suficiente capital de apoio ao empréstimo. Infelizmente, a maioria dessas posições longas foram inscritas em torno de 600 8211 640 USDBTC e as garantias foram fornecidas principalmente na própria Bitcoins. O gráfico a seguir mostra bem o acúmulo de posições longas, atingindo o pico em torno de 14 de julho com cerca de 32 milhões de swaps. Executando algumas matemática rápida com base na margem de manutenção do Bitfinex de 13 e assumindo Bitcoin como garantia nós achamos que chamadas de margem deve começar em torno da marca 520 8211 540 USDBTC. Ontem, os preços chegaram perto e hoje eles finalmente saltou sobre o penhasco. O problema é que uma vez que as chamadas de margem definidas em você tem um efeito em cascata que rasga o livro de encomendas, fazendo com que ainda mais ordens cheguem ao ponto de não retorno e aumentando o impulso descendente ainda mais. Este tipo de eventos não se limitam a trocas Bitcoin, mas também podem ocorrer em grandes bolsas, como durante o crash flash 2010 nos EUA. A causa de tal crashe de flash pode variar e vai de erros de dedo de gordura para erros de programação para chamadas de margem em cascata. É interessante ver como os intercâmbios lidam com esses eventos. Nos EUA, a Nasdaq implementou disjuntores de mercado, o que fará com que a negociação pare em circunstâncias tão extremas. Os mercados da Bitcoin ainda não estão tão avançados e geralmente continuam a operar. Se olharmos para a ação de ordem no Bitfinex hoje vemos algo muito peculiar: Parece (e isso é apenas uma suposição como não há nenhum comentário oficial da troca) como se Bitfinex está executando um algoritmo para lidar com as chamadas de margem. O algoritmo começa a vender, mas limita-se a uma queda de 10 nos preços em 1 minuto. Se os preços caírem mais de 10 em 1 minuto ele vai parar de vender e aguarde ordens de compra entrar. Uma vez que há novamente uma certa quantidade de ordens de compra no orderbook o algoritmo começa a vender novamente até todas as chamadas de margem são atendidas. Edit: LeMogawai foi o primeiro a apontar isso neste post e ele corresponde à minha observação pessoal no momento do evento. Esta parece ser uma maneira interessante de lidar com as chamadas de margem em cascata, mas também pode ser considerada como manipulação de mercado limítrofe do lado da troca. Ao espalhar as ordens de venda ao longo do tempo o impulso para baixo é reduzido, no entanto, os comerciantes acabam por negociar contra a própria bolsa e não o mercado mais. O câmbio tem uma vantagem informacional nesse ponto e, portanto, é mais provável que o lucro do que os comerciantes. Felizmente, isso só durou cerca de 10 minutos depois que o controle foi dado de volta para o mercado. Outras trocas que também oferecem margem de negociação, como BTC-e e OKcoin estão agora em uma posição favorável e pode aprender com os eventos de hoje. Implementar um sistema mais parecido com os disjuntores de grandes bolsas como a Nasdaq pode ser um primeiro passo inteligente. Recentemente eu estou trabalhando para obter a minha nova plataforma de negociação vai. Esta nova versão é baseada em Python, usa o MySQL para manter um banco de dados de todas as séries temporais de moedas virtuais diferentes com o preenchimento automático do BitcoinCharts e integra as 3 principais bolsas de MtGox, BTC-E e Bitstamp. A plataforma será usada como forma de backtest algumas estratégias e se envolver em negociação automática. Durante a corrida até este eu decidi retirar alguns dados de BTC contra USD de BitcoinCharts e baseado nas idéias de um papel por Hashem e Timmermann (1995) implementaram uma estratégia de negociação simples. A idéia é prever o sinal do retorno do período t1 com base em uma regressão, que é estimada em uma seleção automática de indicadores técnicos durante o último n período até t. Então, após o t1 acontecer, atualizamos o modelo e tentamos prever t2 usando todos os dados disponíveis dos últimos n períodos até t1 e assim por diante. Para minha tese de bacharel eu examinei quatro diferentes regras técnicas de negociação nos mercados de Forex. Ele usa MCS e teste de SPA para procurar modelos válidos entre diferentes parâmetros que não estão sujeitos a snooping de dados. Levando em conta os custos de transação realistas não encontramos evidência de excesso de retorno, o que é consistente com a eficiência do mercado. Com este código você deve ser capaz de procurar oportunidades de arbitragem Bitcoin dentro BTC-e. Ele usa a idéia de um preço e aplica arbitragem triangular, levando em conta os custos e propagação. A razão pela qual eu postei este aqui é apesar de que ele funciona, as chances são que você vai ser muito lento para competir com outros investidores fazendo o mesmo. Possíveis melhorias seriam levar em conta a profundidade do livro de pedidos e dividir os negócios de forma dinâmica, tentando subcotar outros comerciantes fazendo o mesmo. Também configurar tudo em um servidor dedicado perto da localização física do mecanismo de correspondência BTC-e deve reduzir drasticamente o atraso e dar-lhe uma vantagem potencial. Post navigationMatlabTrading Esta mensagem é sobre o quão importante é usar diferentes tipos de métodos de otimização, como algoritmos genéticos e paralelização para obter resultados mais rápido. Otimização de Algoritmos Genéticos Apesar do fato de que o princípio do algoritmo genético (evolutivo) é muito bem explicado nos webinars do MathWorks, nos exemplos, no entanto, ele é usado apenas para a otimização da escolha de um grupo de estratégia a partir de um conjunto. Este é um bom exemplo do uso desses algoritmos, no entanto, acontece que há uma necessidade de definir muitas variáveis com intervalos significativos para uma estratégia, você não obter com uma iteração ea paralelização de processos 8211 cálculos podem levar vários dias . Certamente, existem estratégias na fase final de otimização. Quando nós quase certamente sabemos que a estratégia de negociação é bem sucedida, podemos esperar por vários dias ou alugar o cluster inteiro - o resultado pode valer a pena. No entanto, se precisamos estimar os resultados de uma estratégia volumosa e decidir se vale a pena gastar o tempo, então algoritmos genéticos podem ser perfeitamente adequado. Nós fornecemos a possibilidade de usar três métodos para otimizar a estratégia em WFAToolbox: Método linear 8211 é um modo usual de classificação em que você verá todos os resultados intermediários (subótimos). Dá a máxima precisão. O método paralelo 8211 todos os kernels de sua CPU serão usados. Não permite ver resultados intermediários, mas acelera significativamente a operação. Dá máxima precisão durante o aumento da velocidade de cálculo. O método genético 8211 utiliza o algoritmo evolutivo de otimização. Permite ver valores subóptimos, mas dá o resultado próximo ao melhor. Não é um método muito preciso, mas é preciso o suficiente para a execução inicial da estratégia. Muito rápido. Muitas vezes nos perguntam se o WFAToolbox - Caixa de Ferramentas de Análise Walk-Forward para MATLAB tem a capacidade de usar a GPU nos cálculos. Infelizmente, a GPU não é adequada para todas as tarefas e seu uso é muito específico. Para usá-lo, você precisa ajustar a lógica eo código de cada estratégia para testes de núcleos gráficos. Infelizmente, devido a tal não universalidade do método não se pode usar GPU em WFAToolbox. Continuando a parte 2 da discussão de problemas e soluções em testes e análise de estratégia de negociação algorítmica em MATLAB, convido você a ler este post sobre o problema de indisponibilidade de visualização de processos em soluções de software moderno para testes de sistemas de negociação. Visualização do processo de teste Na minha experiência de trabalho, muitas vezes eu analisei outras plataformas populares para testes de estratégia de negociação. Tais como TradeStation. MetaStock. Multicharts etc. e eu fui surpreendido sempre em como pouca atenção foi pagada à visualização do processo testando. A coisa é que quando nós não vemos os resultados dos valores intermediários, sub-optimal de parâmetros optimized, nós jogamos frequentemente afastado o ouro junto com a sujeira. A questão é por causa de uma amostragem excessivamente ampla, a estratégia ajusta os parâmetros da maneira como vemos uma estratégia perfeita que falha na vida real ou ver um ou dois negócios, que são supostamente o melhor porque foi selecionado tais dados de intervalo de tempo onde o Melhor estratégia de negociação seria buy-and-hold, mas por que são então outras estratégias necessárias para a visualização do processo de teste de estratégia de negociação em MATLAB (proposto no webinar) Como resultado, sem ver resultados intermediários, precisamos 171blindly187 alterar os parâmetros para tentar Para obter os melhores dados ou assisti-lo em alguns 3D ou 4D (cor é a dimensão 4), como proposto em webinars. A análise de valores nos espaços N-dimensionais pode definitivamente ser uma alternativa, mas tem várias limitações: E se houver mais de 4 dimensões Quando você vê que sinais e em que freqüência eles aparecem na faixa de preço, você tem quase todos os A representação visual necessária de sua estratégia: a freqüência das transações, sua rentabilidade (curva de renda), a precisão de abertura, a similaridade com outros valores subótimos, etc. que não se pode dizer sobre o desempenho no espaço N-dimensional onde todas as informações úteis É, de fato, que o valor ótimo não é apenas um, mas há toda uma gama de valores subóptimos em uma ou mais áreas. Ao otimizar uma estratégia em WFAToolbox 8211 Walk-Forward Analysis Toolbox para MATLAB174. Como um novo valor ótimo é encontrado, os sinais de estratégia de negociação no período em amostra e fora da amostra imediatamente aparecem no gráfico, para que você sempre pode controlar o intervalo de opções que você deve atribuir, e também você pode pausar a otimização Sem esperar pelo final do teste, como se torna claro que algo deu errado ou tudo está bem. Hola, meu nome é Igor Volkov. Tenho desenvolvido estratégias de negociação algorítmica desde 2006 e tenho trabalhado em vários fundos de hedge. Neste artigo, eu gostaria de discutir as dificuldades que surgem no caminho do desenvolvimento de estratégias de negociação MATLAB durante testes e análises, bem como para oferecer soluções possíveis. Tenho vindo a utilizar o MATLAB para testar estratégias de algoritmos desde 2007 e cheguei à conclusão de que esta não é apenas a ferramenta de investigação mais conveniente, mas também a mais poderosa porque torna possível o uso de modelos estatísticos e econométricos complexos, redes neurais, Aprendizagem de máquina, filtros digitais, lógica fuzzy, etc, adicionando caixa de ferramentas. A linguagem MATLAB é bastante simples e bem documentada, por isso mesmo um não-programador (como eu) pode dominá-lo. Como tudo começou. Era 2008 (se não me engano) quando o primeiro webinar sobre negociação algorítmica em MATLAB com Ali Kazaam foi lançado, abrangendo o tópico de otimização de estratégias simples com base em indicadores técnicos, etc. apesar de um código bastante simulado, as ferramentas eram interessantes Suficiente para usar. Eles serviram como ponto de partida para a pesquisa e aprimoramento de um modelo de teste e análise que permitiria usar todo o poder das caixas de ferramentas e liberdade de ações do MATLAB durante a criação de estratégias comerciais próprias, ao mesmo tempo que permitiria controlar o processo Dos testes e os dados obtidos e sua análise subsequente escolheriam carteira efetiva de sistemas de negociação robustos. Posteriormente, webinars Mathworks foram atualizados a cada ano e gradualmente introduziu elementos cada vez mais interessantes. Assim, em 2010, realizou-se o primeiro webinar sobre pares comerciais (arbitragem estatística) utilizando a Caixa de Ferramentas Econométrica, embora a Caixa de Ferramentas de teste e análise permanecesse a mesma. Em 2017, Trading Toolbox da Mathworks apareceu que permitiu conectar MATLAB para diferentes corretores para a execução de suas aplicações. Embora houvesse soluções automáticas para a execução das transações, a partir desse ponto MATLAB poderia ser considerado um sistema para desenvolver estratégias de negociação com um ciclo completo: desde o carregamento de dados até a execução de estratégias de negociação automatizadas. Por que cada Algotrader deveria reinventar a roda? No entanto, a Mathworks não ofereceu uma solução completa para testar e analisar as estratégias. Os códigos que você poderia obter dos webinars eram os únicos elementos de um teste de sistema completo e era necessário modificá-los , Personalizá-los e adicioná-los à GUI para facilidade de uso. Foi muito demorado, colocando assim uma questão: seja qual for a estratégia, ela deve passar pelo mesmo processo de teste e análise, o que permitiria que ele fosse classificado como estável e utilizável. Então, por que cada algotrader deveria reinventar a roda e escrever Seu próprio código para estratégias de teste adequadas no MATLAB Portanto, a decisão foi tomada para criar um produto que permitiria realizar todo o processo associado ao teste e análise de estratégias de negociação algorítmicas usando uma interface simples e amigável. Em primeiro lugar, gostaria de responder às seguintes perguntas: O que aconteceu com o blog 1. Jev Kuznetsov não é o dono mais O blog foi comprado de nosso amigo, Jev Kuznetsov, que se mudou para o seu outro blog tradingwithpython. blogspot. Ele concluiu que Python é melhor do que MATLAB para negociação, o que eu considero ser falso. MATLAB continua a ser um dos melhores softwares do mundo para fins de negociação algorítmica IMHO (tenho alguns fatos sobre isso, embora para discussão futura). 2. Nós mudamos a marca A partir deste momento o blog será chamado MatlabTrading, que é muito mais compreensível sobre os temas que irá incluir. Além disso, o nome de domínio foi alterado para matlabtrading em vez do matlab-trading. blogspot inicial. Embora o domínio antigo ainda esteja trabalhando redirecionando do nome de domínio primário. O que acontecerá com o blog 1. Mais artigos e artigos Esperamos trazer vida a este blog postando conteúdo relevante uma ou duas vezes por semana. Nos primeiros meses, publicaremos na maior parte os artigos e vídeos que já temos para tornar mais fácil para os nossos queridos leitores a busca de informações sobre um recurso e ter crosslink sobre eles. Então nós temos planos para escrever posts sobre aspectos práticos de negociação algorítmica no MATLAB. Como criar estratégias de negociação automáticas modernas, tais como: pares de arbitragem estatística negociação reversão média estratégias de negociação neutra mercado baseado em cointegration bollinger bandas kalman filtro etc para commodities, ações e Forex. Tendência de estratégias de acompanhamento com Jurik Moving Average e outros filtros digitais sofisticados Previsão de estratégias com aprendizado de máquinas (Support Vector Machines) e outros métodos Criando estratégias de negociação robusto usando o teste de fluxo de visão visual de gestão de dinheiro para reinvestir seu capital (ciência sobre como obter 1M de 10K Em um ano com o máximo, mas estimado risco e suor recompensas). Talvez depois de ler este youve pensou que este vai ser um outro artigo mudo para aqueles caras pobres que procuram como se tornar rico através de negociação em forex e tudo isso. Bem, isso é totalmente falso Estamos trabalhando no MATLAB, ea maioria de nós são cientistas e especialistas nesse aspecto, então tudo é sério. 2. Mais interatividade Eu ficarei feliz se todos nós pudermos relacionar através de comentários em postagens. Assine nossas notícias para receber alertas sobre as postagens e eventos mais recentes. Mais adiante, temos planos para fazer webinars do Google Hangouts. Não perca, clique no botão Seguir no canto superior direito para se juntar à nossa comunidade. O que você gostaria de ler em nossos posts Que tópicos você pode sugerir Escreva aqui nos comentários. No meu post anterior, cheguei a uma conclusão de que fechar a fechar pares de negociação não é tão rentável hoje como costumava ser antes de 2010. Um leitor apontou que poderia ser que a natureza reverter média dos spreads apenas mudou para prazos mais curtos . Acontece que compartilho a mesma idéia, então decidi testar essa hipótese. Desta vez apenas um par é testado: 100 SPY vs -80 IWM. Backtest é realizado em dados de barra de 30 segundos de 11.2017 para 12.2017. As regras são simples e semelhantes à estratégia que testei no último post: se o retorno da barra do par exceder 1 na pontuação z, troque a próxima barra. The result looks very pretty: I would consider this to be enough proof that there is still plenty of mean-reversion on 30-second scale. If you think that this chart is too good to be true, that is unfortunately indeed the case. No transaction costs or bid-ask spread were taken into account. In fact, I would doubt that there would be any profit left after subtracting all trading costs. Still, this kind of charts is the carrot dangling in front of my nose, keeping me going. Bad news everybody, according to my calculations, ( which I sincerely hope are incorrect) the classical pairs trading is dead. Some people would strongly disagree, but here is what I found: Lets take a hypothetical strategy that works on a basket of etfs: SPY, XLY, XLE, XLF, XLI, XLB, XLK, IWM, QQQ, DIA From these etfs 90 unique pairs can be made. Each pair is constructed as a market-neutral spread. Strategy rules: On each day, for each pair, calculate z-score based on 25-day standard deviation. If z-score gt threshold, go short, close next day If z-score lt - threshold go long, close next day To keep it all simple, the calculation is done without any capital management (one can have up to 90 pairs in portfolio on each day). Transaction costs are not taken into account either. To put it simply, this strategy tracks one-day mean reverting nature of market neutral spreads. Here are the results simulated for several thresholds: No matter what threshold is used, the strategy is highly profitable in 2008, pretty good throuh 2009 and completely worthless from early 2010. This is not the first time I came across this change in mean-reverting behavior in etfs. No matter what Ive tried, I had no luck in finding a pairs trading strategy that would work on ETFs past 2010. My conclusion is that these types of simple stat-arb models just dont cut it any more. Real-time trading system demo Hello there If you are new here, you might want to subscribe to the RSS feed or email feed for updates on Undocumented Matlab topics. In May 23, 2017 I gave a presentation at the MATLAB Computational Finance Conference in New York. The room was packed-full with close to 200 professionals in the finance industry. The energy and feedback were tremendous, it was a great experience. If you came to the conference, thank you for being a great audience. In September 19, 2017 I gave a variation of that presentation at the MATLAB Computational Finance Virtual Conference. The presentation (PDF format) is provided here. the video recording is available here . In both cases I presented a demo application that showed how Matlab can be used to create a full end-to-end trading system, highlighting Matlab8217s potential as a platform of choice. I used Interactive Brokers to demonstrate live market data feed and accountportfolio input, as well as for sending trading orders to the market, via the IB-Matlab connector: The trading algorithm used in the demo is trivially simplistic (random). In a real-life system you would naturally replace it with your own proprietary algorithm. But feel free to use this demo as a starting point for your application. The demo source code is provided here (tradingDemo. m and supporting files). Note that this is provided as-is, free of charge but without any warranty or support. You would naturally need IB-Matlab and an Interactive Brokers account to run it. I hope we have a chance to work together on your projects. Send me an email if you would like my help in any consulting, training or development work. 4 Responses to Real-time trading system demo I have tried the Activex route before purchasing the product. There is one major fundamental flaw when it comes to using ActiveX with Matlab. Say, you are running an algorithm and you are processing a function, and at the same time TWS fires an Event. If you use ActiveX, MATLAB will NOT update the price until the processing of your function has completed. So several events will be missed and the price you would be looking would be a different one. Whereas in JAVA. there is no such problem. As any event fired will be immediately captured by java which is running in background. So when you call getLastPrice, you will get the correct price. Another flaw is obviously the fact that you can use ActiveX ONLY with WINDOWS. Whereas with JAVA you can use it with windows, Mac, Linux etc. It is NOT a good idea to stream in Live Trades data as it comes in into MATLAB. Imagine, you have 100 symbols, which updates every say 200 msec, so you have a trade happening so quickly and being captured and stored into Matlab. Due to MATLAB8217s single-threaded issue, some Trades ticks will be missed and also will eat up your memory. So all that you will be able to do is just to stream in data and not do anything else. Kenan 8211 indeed, the Java API (which is used by IB-Matlab) has many advantages over the ActiveX API (which is used by MathWorks8217 Trading Toolbox). One of the fortunate results of using Java is that IB-Matlab can run on all platforms that run Matlab (Windows, Mac, Linux), since all these platforms have both Java and an IB TWS client. The Java API is also much faster and more reliable (the ActiveX connector is reported to be dropping IB events every now and then). Regarding streaming-quote latency, this depends on the security volatility, number of monitored securities, network bandwidth, computer hardware, other running processes on the computer and a wide range of other aspects that can affect performance. On a standard Lenovo Thinkpad E530 laptop running Matlab R2017a on Win7, I reached streaming quote latency as low as 1-2 mSec (i. e. hundreds of IB events per second). Naturally, YMMV. Marco Ruijken says:While I like where this question is going, I would suggest to make it a little more concrete. What parts of the backtesting process would you like to learn This can range anywhere from only estimating a normal return, where the portfolio returns from your strategy are already given to implementing a full portfolio formation rule algorithmically. ndash Constantin Dec 30 14 at 21:06 To be honest I don39t know much about backtesting. I was told that I will have to backtest new strategies or improve current one during my internship. So I would like to know a bit more about the subject before starting. What are the different parts of it. ndash Maxime Dec 30 14 at 21:31 The general idea For equity securities, a simple backtest will typically consist of two steps: Computation of the portfolio return resulting from your portfolio formation rule (or trading strategy) Risk-adjustment of portfolio returns using an asset pricing model Step 2 is simply a regression and computationally very simple in Matlab. Whats trickier is the implementation of step 1, which will require you to be very comfortable in Matlab, and there are different ways to do this. If you know how to do an OLS regression in Matlab, what you should focus on is all kinds of matrix manipulations. Implementation in Matlab Portfolio formation and returns computation To give you an example of how a primitive trading strategy could be implemented in Matlab, lets assume monthly return data and a uniform holding period of one month on n assets over k periods, where i in and k in . Assuming no changes in the composition of your stock universe, your returns matrix X is of dimensions k times n. X begin x amp dots amp x amp dots amp x vdots amp ddots amp vdots amp ddots amp vdots x amp dots amp x amp dots amp x vdots amp ddots amp vdots amp ddots amp vdots x amp dots amp x amp dots amp x end Where returns are computed as x frac -1. Assuming that your selection criterion is some kind of stock characteristic which is available at monthly frequency, you will also have a characteristics matrix C. You then could write an algorithm which identifies those entries in C which fulfill your selection criterion (e. g. exceed a certain threshold) and replace the corresponding entries (where i and t are the same) of an indicator matrix I (which has been initialized as a zero matrix using the zeros function ) with ones. You can then multiply the entries of I by those of the returns matrix X to obtain a matrix R which indicates the returns resulting from your holdings. You can then compute the mean of the non-zero entries for each row of R to obtain your vector of portfolio returns. Risk-adjustment and identification of abnormal returns In step 2 you compare this vector to the normal returns obtained from regression estimation of an asset pricing model such as the Fama-French model. By subtracting the normal return vector from your portfolio returns vector, you determine whether your trading strategy has resulted in a positive abnormal return, which is what youre aiming for. Recommendations If you are new to Matlab, I personally suggest you familiarize yourself with it sufficiently to implement this simplistic strategy before relaxing some of the simplifying assumptions (such as uniform holding period and periodicity) and proceeding to more sophisticated implementations. Again, what I would like to stress is that this requires you to be very comfortable with Matlab and especially the different ways to manipulate matrices, which can take some time. If you are not required to use Matlab for your internship and would like to get results fast, you could do step 1 in Excel instead, which is tedious, but doesnt require the (worthwhile) initial investment you need to make for Matlab. To become familiar with Matlab, I am sure you have already discovered the extremely good documentation that comes with it. That, to me, is the single most valuable resource and likely more useful than any more finance-specific resources (with which I would wait until you are familiar with Matlab itself). All thats required to determine the normal return is an OLS regression and a rudimentary understanding of asset pricing models. answered Dec 30 14 at 22:20
Comments
Post a Comment