Algoritmisk handel ser ut för att ta bort den mänskliga faktorn och följer istället förutbestämda, statistikbaserade strategier som kan köras dygnet runt av datorer med minimal övervakning.
Datorer kan erbjuda flera fördelar jämfört med mänskliga handlare. För en kan de vara aktiva hela dagen, varje dag utan sömn. De kan också analysera data exakt och svara på förändringar i millisekunder. För att avsluta det faktum de aldrig känslor i sina beslut. På grund av detta har många investerare för länge sedan insett att maskiner kan göra utmärkta handlare, med tanke på att de använder rätt strategier.
Så här har området för algoritmisk handel utvecklats. Medan det började med datorer på traditionella marknader har ökningen av digitala tillgångar och utbyten dygnet runt gjort denna praxis till en ny nivå. Det verkar nästan som om automatiserad handel och kryptovalutor gjordes för varandra. Det är sant att användare fortfarande måste utarbeta sina egna strategier, men när de tillämpas på rätt sätt kan dessa tekniker hjälpa handlare att ta handen ur ratten och låta matematiken göra jobbet.
Här kan du köpa Bitcoin och även köpa andra Kryptovalutor hos eToro!
Vilka är de primära strategierna?
De viktigaste filosofierna bakom mest algoritmisk handel handlar om att använda programvara för att upptäcka lönsamma möjligheter och hoppa på dem snabbare än en människa kunde. De vanligaste metoderna är momentumhandel, medelåterföring, arbitrage och en mängd strategier för maskininlärning.
De flesta algoritmiska handelsstrategier handlar om att identifiera möjligheter på marknaden baserat på statistik. Momentumhandel försöker följa aktuella trender; medelåterföring letar efter statistiska avvikelser på marknaden; arbitrage söker efter skillnader i spotpriser i olika börser; och maskininlärningsstrategier försöker automatisera mer komplexa filosofier eller integrera flera samtidigt. Inte en av dessa är en enkel garanti för vinster, och näringsidkare måste förstå när och var de ska implementera rätt algoritm, eller “bot.”
Generellt testas bots mot historisk marknadsdata, som kallas backtesting. Detta gör att användare kan testa sin strategi på den faktiska marknaden som de planerar att släppa loss den, men med etablerade rörelser från det förflutna. Vissa risker med att göra detta kan inkludera ”övermontering” – vilket är när en botten utformas runt historiska data som inte riktigt återspeglar nuvarande förhållanden, vilket leder till en strategi som inte faktiskt producerar. Ett mycket enkelt exempel skulle vara om du designade och testade en bot mot data från en tjurmarknad men började köra den live på en björnmarknad. Uppenbarligen ser du inte de avkastningar du väntade dig till.
Vad är momentumhandel?
Momentumhandel baseras på logiken att om en dominerande trend redan är synlig på marknaden, så kommer den trenden troligtvis att fortsätta åtminstone tills signaler börjar komma in på att den har slutat.
Tanken med fart på handeln är att om en viss tillgång främst har rört sig i en riktning under, till exempel, flera månader, kan vi säkert anta att denna trend kommer att fortsätta, åtminstone tills data börjar visa något annat. Därför kommer planen att vara att köpa på varje dopp och låsa in vinster på varje pump, eller vice versa om det går brist. Naturligtvis måste handlare vara medvetna om när en marknad visar tecken på trendförändringar, annars kan samma strategi börja vända ganska snabbt.
Det bör också noteras att näringsidkare inte bör fastställa strategier som försöker köpa och sälja på de faktiska låga och höga krafterna, eller vad som kallas “fånga kniven”, utan snarare låsa in vinster och köpa tillbaka på nivåer som är rimligt säkra . Algoritmisk handel är idealisk för detta, eftersom användare helt enkelt kan ställa in procentsatser som de känner sig bekväma med och låta koden göra resten. Denna teknik på egen hand kan dock vara ineffektiv om en marknad rör sig i sidled eller så flyktig att en tydlig trend inte har uppstått.
En utmärkt indikator för att titta på trender är rörliga medelvärden. Precis som de låter är ett rörligt medelvärde en rad i ett prisdiagram som visar medelpriset för en tillgång över x antal dagar (eller timmar, veckor, månader osv.). Ofta används mängder som 50, 100 eller 200, men olika strategier tittar på olika tidsperioder för att göra sina handelsprognoser.
I allmänhet anses en trend vara stark när den förblir långt över eller under ett rörligt medelvärde – och svagt när den närmar sig eller passerar över MA-linjen. Dessutom ges MA: er baserade på längre tidsperioder i allmänhet mycket mer vikt än en som bara tittar på, säger, de senaste 100 timmarna eller en liknande tidsram.
Vad är medelvridning?
Medelåterföring avser det faktum att en tillgångs pris statistiskt sett böjer sig mot det historiska genomsnittspriset. Extrema avvikelser från detta pris innebär överköp eller överförsäljningsförhållanden och sannolikheten för en återgång.
Även för något som Bitcoin ( BTC ), som egentligen bara någonsin har varit på en björnmarknad, kan det vara anmärkningsvärda höjder eller lågheter som avviker från den bana som priset historiskt har följt. Oftare än inte kommer marknaderna att återvända mot detta medelpris för länge. Genom att titta på de långsiktiga medelvärdena kan algoritmer säkert satsa på att massiva avvikelser från dessa priser sannolikt inte kommer att hålla länge och sätta handelsordrar i enlighet därmed.
En specifik form av detta kallas till exempel standardavvikelse reversion, och den mäts med en indikator som kallas Bollinger Bands. I grund och botten fungerar dessa band som uppåt och nedåt gränser för avvikelser från ett centralt rörligt medelvärde. När prisåtgärderna rör sig mot en av dessa ytterligheter är oddsen höga att en vändning mot centrum snart kommer.
Naturligtvis är en av de största riskerna här att algoritmen inte kan redovisa grundläggande förändringar. Om en marknad kraschar på grund av något fel i den underliggande tillgången, är det möjligt att priset faktiskt aldrig kommer att återhämta sig – eller åtminstone inte snabbt. Det är återigen där handlare behöver övervaka och redogöra för vissa villkor som deras algoritmer inte kan se.
En annan form av medelåterföring kan ske över flera tillgångar, och att använda denna teknik kallas parhandel. Låt oss säga, två tillgångar är traditionellt korrelerade. Det vill säga, när den ena går upp eller ner, sedan statistiskt, det gör också den andra. En algoritm kan utformas för att se till att en av dessa tillgångar gör en övergång och sedan placera en handel baserad på sannolikheten för att den andra varan snart kommer att följa. Tidsramarna för dessa avvikelser kan ibland vara ganska korta, vilket gör den automatiska karaktären av denna strategi mycket mer värdefull.
Vad är arbitrage?
Arbitrage är en strategi som utnyttjar en prisskillnad på samma tillgång på flera marknader.
Ibland kan samma produkt, som en vara eller valuta, tillfälligt ha olika priser på olika börser. Detta kan erbjuda en stor möjlighet att tjäna vinst för dem som är tillräckligt snabba för att handla mellan dessa marknader innan de balanserar ut. För detta ändamål kan en algoritm utvecklas för att titta på olika tillgångar på olika marknader och öppna affärer så snart avvikelser hittas.
Den här tekniken är inte alltför komplex, men de handlare som kan svara snabbast har en distinkt kant gentemot de som är långsammare. Detta är en strategi där högfrekvent handel definitivt har en anmärkningsvärd fördel, eftersom det är just de handlare som utnyttjar dessa marknadsförhållanden som kommer att få gapet i priserna att kollapsa.
Vad är strategier för Machine-Learning?
Maskininlärning och artificiell intelligens står för att driva algoritmisk handel till nya nivåer. Inte bara kan mer avancerade strategier användas och anpassas i realtid utan nya tekniker som Natural Language Processing av nyhetsartiklar kan erbjuda ännu fler möjligheter för att få särskild inblick i marknadsrörelser.
Algoritmer kan redan fatta komplexa beslut och fatta dem enligt förutbestämda strategier och data, men med maskininlärning kan dessa strategier uppdatera sig själva baserat på vad som faktiskt fungerar. I stället för bara “om / då” -logik kan en ML-algoritm utvärdera flera strategier och förfina nästa transaktioner baserat på högsta avkastning. Medan de fortfarande tar arbete med att sätta upp, betyder det att handlare kan ha förtroende för sin bot även när marknadsförhållandena utvecklas utöver de ursprungliga parametrarna.
En populär typ av ML-strategi kallas naiva Bayes. I denna teknik gör inlärningsalgoritmer handel baserat på tidigare statistik och sannolikhet. Till exempel visar historiska marknadsdata att Bitcoin går upp 70% efter att ha haft tre dagar i rad i rött. En naiv Bayes-algoritm skulle se att alla de senaste tre dagarna har varit nere och automatiskt placera en beställning baserad på sannolikheten för att den kommer att stiga idag. Dessa system är mycket anpassningsbara och det kommer att vara upp till alla näringsidkare att ställa in sina egna parametrar för saker som risk- och belöningsförhållanden, men när du väl är nöjd med en balans kan du låta det köras med minimal störning.
En annan fördel med ML är förmågan för maskiner att kunna läsa och tolka nyhetsrapporter. Genom att söka efter nyckelord och lägga upp lämpliga strategier kan dessa typer av bots göra handel inom några sekunder när positiva eller negativa nyheter bryts. Uppenbarligen kommer dessa bara att vara lika exakta som logiken som går in i dem – och är därmed knepiga att genomföra – men ändå erbjuder en fördel gentemot andra handlare när de installeras korrekt.
Observera att detta är banbrytaren för en ny filial inom automatiserad handel. Så, robotar som är utformade för att fungera på detta sätt kan vara svårare att hitta, kosta mer att komma åt eller helt enkelt vara mindre förutsägbara än några av de mer tidtestade teknikerna.
Vad är orderjakt?
Orderjakt är praxis att titta på vissa, mycket stora, beställningar och sedan försöka flytta snabbt utifrån antagandet att detta kommer att leda till ytterligare prisrörelse.
Vanligtvis kräver inre information av något slag att kunna förutse en stor order från en stor aktör, och handel med sådan kunskap är i allmänhet olaglig. Vissa högfrekventa handlare har emellertid hittat lagliga sätt att skrapa uppgifter från diskforum som heter “Dark Pools”. Dessa typer av handelsforum behöver inte skicka in sina orderdata i realtid som ett utbyte, och därför har deras rörelser en tendens att ha en försenad effekt på marknaden. Genom att samla in och implementera denna information snabbare än den genomsnittliga handlaren kan användare av denna teknik ha en allvarlig fördel jämfört med dem som inte gör det.
Till exempel ser du att en massiv försäljningsorder utförs i en Dark Pool. Detta säger att snart dessa uppgifter publiceras till resten av marknaden kommer antagligen många mindre säljare att svara med sina egna beställningar. Eftersom detta kan förväntas, kan du gå före vågen och vara bland de första att sälja, vilket innebär att du enkelt kan köpa tillbaka när doppet svalnar. Återigen är denna metod inte olaglig så länge informationen samlas in via rätt kanaler, och många algoritmiska handlare har gjort detta till sin strategi att välja.
