نصب همراه صندوق fundMobileApp
Rayan
/ دسته ها: فناوری اطلاعات

معاملات الگوریتمی - قسمت دوم

تحلیل های پیش از معامله

 تحلیل های پیش از معامله در یک سیستم الگوریتم تریدینگ معمولاَ تحلیل داده های مالی یا اخباری را با جهت گیری به سوی پیش بینی تغییرات آتی قیمت یا نوسانات آن شامل می شود و زمانی که یک موقعیت معامله اتفاق می افتد سیگنال های معاملاتی را ایجاد میکند. عموماً از تحلیل های فاندامنتال، تکنیکال و مقداری (Quantitative) برای پیش بینی رفتار یک دارایی استفاده می شود.

 

 تحلیل بنیادی یا تحلیل فاندامنتال


تحلیل های فاندامنتال شامل مطالعه جزئی نگرانه اطلاعات مرتبطی می شود که می توانند روی ارزش دارائی تاثیر بگذارند با این هدف که ارزش نسبی یک دارائی را در آینده پیش بینی کنند (یا جابجایی های بالقوه قیمت را شناسایی کنند). این اطلاعات مرتبط ممکن است شامل شرایط عمومی اقتصاد کشور (مانند آمار بیکاری)، درصد سود، شاخص تولید ملی (جی. دی. پی.) یا سیاست های ملی شود. تحلیل بنیادی بر اساس این ایده شکل گرفته است که قیمت فعلی یک دارایی مساوی با ارزش واقعی آن نیست بلکه تاثیر گرفته از شرایط فرضی بازار است که با بازنمایی تمام اطلاعات در دسترس ارزش فعلی دارایی را پیشنهاد می کند. تحلیل بنیادی عموماً سیگنالهای معامله را زمانی ایجاد می کند که ارزش فعلی دارائی با ارزش واقعی آن متفاوت است که در این مسیر برای تحلیل از مدل های تنزیل سود(Discounts Models)، نسبتها مانند قیمت به درآمد یا خصوصیات مشخص بنیادی مانند سودهایی دارای دو برابر بازده اوراق معتبر(AAA-Bonds) استفاده می کند. در چند دهه گذشته آنالیزور ها و معامله گرها از ریاضیات و آمار پیش رفته در کنار یادگیری ماشین و آمار پردازش شده استفاده کرده اند تا ارتباط بین قیمت سهام در آینده و داده های فاندامنتال را با هدف تشخیص سهام مطلوب و نامطلوب تعیین کنند.

 

تحلیل های تکنیکال


تحلیل های تکنیکال نیز قصد دارند تا تغییرات قیمت آینده سهام را پیش بینی کند و در این مسیر از تاریخچه قیمت سهام و برخی  اطلاعات متناسب با معاملات مانند حجم معاملات استفاده می کنند. با این بینش که ارزش بازار منعکس کننده تمام اطلاعات مورد نیاز است، تحلیل تکنیکال در جستجوی این است که الگو های تغییر قیمت سهام را مشخص کند به جای اینکه فاکتورهای زیرساختی که روی ارزش یک دارایی تاثیر میگذارند را مورد بررسی قرار دهد. عموماً بسیاری از روش های تحلیل تکنیکال بر اساس الگوهایی هستند که ارزش دارایی در یک بازه زمانی حرکت کرده است، بنابراین سیستم های معامله گری تکنیکال عموما زمانی سیگنالهای ورود تولید می کنند که یک حرکت جدید شناسایی میشود و در مقابل سیگنال خروج زمانی تولید می شود که یک حرکت خاتمه می یابد. به طور سنتی آنالیزهای تکنیکال با تحلیل کردن الگو های تکرار شونده (مانند الگوی مثلث متساوی الاضلاع صعودی) یا الگو های معکوس در یک نمودار، مشابه با خطوط trend، ساپورتها و محدوده های مقاومت استفاده از اندیکاتورهایی مانند میانگین متحرک، خطوط پیش کاهش و نسبتها، شاخص قدرت نسبی و نوسان سازهای تصادفی سعی در تعیین تکرارهای بازار دارند. اخیراً با استفاده از برنامه نویسی ژنتیک مدل های پیچیده تری قواعد معاملات را در بر گرفته اند، از همین دسته میتوان به سری های آماری پیش بینی بر اساس زمان مانند مدل های شکست اتورگرسیو بهبودیافته در جابجایی میانگین و شبکه های عصبی اشاره کرد.

 

تحلیل های مقداری (Quantitative)


تحلیل های مقداری با ارزش دارایی به عنوان یک فاکتور تصادفی رفتار می کنند و از روش های تحلیل ریاضی و آماری استفاده می کنند تا به یک مدل مناسب برای توضیح این حرکت تصادفی دست پیدا کنند. این نوع از تحلیل با شکل دهی به یک بنیان مستحکم برای تئوری پروتفولیو، قیمت گذاری وابسته و مدیریت ریسک صنعت فاینانس را در دهه های اخیر تحت سیطره قرار داده است. اگرچه تحلیل های بنیادی و تکنیکی نیز از روش های آماری و ریاضی استفاده می کنند اما آنها به صورت ابتدایی درگیر با ارتباطات تعیین کننده بین ارزش دارایی و اطلاعات مرتبط با آن هستند. در مقابل تحلیل مقداری روی رفتار ارزش تصادفی یک دارایی تمرکز می کند در نتیجه تحلیل مقداری عموماً با قیمت گذاری محصولات مشتقه مانند قراردادهای اختیار یا مبادله متناسب است که ارزش واقعی آنها همانقدر به ارزش تصادفی لایه های پایین تر دارایی وابستگی دارد که به همگرایی و واگرایی های موقت در تغییرات قیمت سبد دارایی یا جابجایی های سهام های کوتاه مدت و بلند مدت (Pairs). وقتی از یک سیستم الگوریتمیک تریدینگ استفاده می شود تحلیل های مقداری عموما زمانی تولید سیگنالهای معامله میکنند که ارزش فعلی دارایی با ارزش واقعی دارایی متفاوت است مانند آربیتراژهای آماری با این هدف که از عدم تاثیر پذیری قیمتها ایجاد سود کند. ساده ترین و پیش پا افتاده ترین کیس از آربیتراژهای آماری معاملات جفتی است که تلاش میکند واگرایی قیمت دو سهم مرتبط را تعیین کند.

 

مثالی از کاربرد الگوریتمیک تریدینگ در تحلیل های پیش از معامله

 

یکی از راه های تعیین موقعیت های جذب سود استفاده از برنامه نویسی ژنتیک است. معامله گرها از برنامه نویسی ژنتیک استفاده می کنند تا قواعد معامله گری تکنیکال را برای قیمت یک سهام تعیین کنند. این نوع الگوریتم به کار می رود تا با تقسیم روزها به دو بخش مجزا: درون بازار (دستیابی به نسبت سود بازار) و بیرون از بازار (دستیابی به سود بدون ریسک) قواعد تصمیم گیری یک معامله گر را شکل دهد. هر ساختار ژنتیک یک قاعده معامله گری منحصر بفرد را ارائه میدهد و هر قاعده معامله یک سیگنال خرید یا فروش برای هر قیمت ارائه شده بر اساس زمان بازمیگرداند. اجزا این قواعد معامله را تابعی ساده از اطلاعات قیمت پیشین، ثابتهای منطقی و عددی و توابع منظقی ایجاد می کنند که اجازه می دهند تا اجزا بسیار کوچک و کم اهمیت به عبارت های پیچیده تر تبدیل شوند. گره اصلی برای هر ساختار ژنتیک به یک تابع بولین واکنش نشان می دهد تا از این طریق  تعیین کند استراتژی معامله به خوبی تعریف شده است یا خیر. به کارگیری قواعد معامله گری پیچیده از این بابت مفید فایده است که قابلیت پیش بینی از سودآوری های آتی را تنها با استفاده از سابقه قیمت ها برجسته می کند. اگر الگوریتم قواعد پیچیده ایی را ارائه دهد به این معنی است که امکان کشف نوعی ساختار پنهان در قیمت های گذشته وجود دارد. در مقابل اگر خروجی الگوریتم شامل قواعد ساده بین عوامل باشد به این معنی است که قیمت های گذشته اهمیت ناچیزی در تعیین قیمت آینده دارند.

منبع: معاملات الگوریتمی – جوزپه نوتی، مهنوش میرقائمی، فیلیپ تریلیوان و چایاکورن یانگسایری – مرکز پردازش های مالی لندن، انگلستان – ژورنال دانشگاه Washington university in st.Louis سال 2011

مطلب قبلی معاملات الگوریتمی - قسمت اول
مطلب بعدی معاملات الگوریتمی - قسمت سوم
Print
1783

نام شما
ایمیل شما
عنوان
پیام خود را وارد کنید ...
x