Systemy handlu hft

Projektowanie i zarządzanie systemem handlu wysokimi częstotliwościami Zarządzanie projektami i procesami w zakresie projektowania systemów wysokiej częstotliwości Doradca: Roy E. Welsch. Katedra: Projekt Systemu Zarządzania i Zarządzania. Wydawca: Massachusetts Institute of Technology Data wydania: 2009 Firmy handlowe są obecnie w dużej mierze zależne od wydobycia danych, modelowania komputerów i rozwoju oprogramowania. Analitycy finansowi wykonują wiele podobnych zadań w sektorze oprogramowania i produkcji. Jednak sektor finansowy jeszcze nie w pełni przyjął ramy inżynierii systemów wysokiej jakości i podejścia do zarządzania procesami, które odniosły sukces w przemyśle oprogramowania i produkcji. W dziedzinie finansów można zastosować wiele tradycyjnych metodologii projektowania produktów, kontroli jakości, innowacji systematycznych i ciągłego doskonalenia, które można znaleźć w dyscyplinach inżynierskich. Niniejsza praca pokazuje, w jaki sposób wiedza zdobyta dzięki dyscyplinom inżynieryjnym może poprawić projektowanie i zarządzanie procesami systemów handlu wysokiej częstotliwości. Systemy handlu wysokimi częstotliwościami są oparte na obliczeniach. Systemy te są automatycznymi lub półautomatycznymi systemami oprogramowania, które są z natury złożone i wymagają dużej precyzji projektowej. Projekt systemu handlu wysokimi częstotliwościami łączy wiele dziedzin, w tym finansów ilościowych, projektowania systemów i inżynierii oprogramowania. W przemyśle finansowym, gdzie teorie matematyczne i modele handlowe są stosunkowo dobrze zbadane, zdolność do wdrażania tych projektów w praktyce handlowej jest jednym z kluczowych elementów konkurencyjności firm inwestycyjnych. Możliwość przekształcania pomysłów inwestycyjnych w wydajne systemy transakcyjne skutecznie i skutecznie może dać przedsiębiorstwu inwestycyjnemu dużą przewagę konkurencyjną. (Ciąg dalszy) Niniejsza praca zawiera szczegółowe badania obejmujące projektowanie systemów handlu wysokimi częstotliwościami, modelowanie systemów i zasady oraz zarządzanie procesami dla rozwoju systemu. Szczególny nacisk kładzie się na testy wstępne i optymalizację, które są uważane za najważniejsze elementy budowy systemu handlowego. Te badania budują modele inżynierii systemów, które prowadzą do procesu rozwoju. Wykorzystuje także eksperymentalne systemy handlowe w celu zweryfikowania i zatwierdzania zasad omawianych w tej pracy. Na koniec teza stwierdza, że ​​zasady i ramy inżynierii systemów mogą być kluczem do sukcesu w realizacji handlu wysokonakładowego lub ilościowych systemów inwestycyjnych. Teza (S. M.) - Massachusetts Institute of Technology, Program Projektowania i Zarządzania Systemem, 2009. Zeszyt z teksu. Zawiera odniesienia bibliograficzne (str. 78-79). Słowa kluczowe: Program projektowania i zarządzania systemem. Moje kontoInfoReach HiFREQ Oprogramowanie handlu wysokimi częstotliwościami (HFT) dla handlu algorytmicznego HiFREQ to silny algorytmiczny silnik, który daje przedsiębiorcom możliwość wdrażania strategii HFT dla akcji, kontraktów terminowych, opcji i handlu walutami bez konieczności inwestowania czasu i zasobów w budowę i utrzymanie ich własnej infrastruktury technologicznej. Zapewnia wszystkie istotne komponenty ułatwiające przepustowość dziesiątków tysięcy zamówień na sekundę w milisekundowej latencji. HiFREQ może być używany niezależnie jako autonomiczne rozwiązanie do handlu czarnymi pudełkami lub jako część platformy handlowej InfoReach TMS dla kompletnego systemu handlu końcowego. Otwarta, neutralna od pośrednika architektura pozwala użytkownikom tworzyć i wdrażać własne, złożone strategie handlowe, a także algorytmy dostępu od pośredników i innych dostawców. Zamówienia mogą być kierowane do dowolnego globalnego miejsca docelowego za pośrednictwem wewnętrznego wewnętrznego silnika FIX z informacjami o słabym opóźnieniu przez InfoReachs. Wielofunkcyjne Globalne akcje, kontrakty futures, opcje i kontrola ryzyka walutowego HiFREQ zapewnia ocenę ryzyka każdego zamówienia i zapewnia zgodność z wcześniej ustalonymi ograniczeniami dotyczącymi handlu specyficznymi dla danego przedsiębiorstwa. Broker neutralny HiFREQ łączy Cię z wieloma brokerami, giełdami i ECN. Scentralizowane monitorowanie i kontrola Podczas gdy komponenty HiFREQ mogą być rozmieszczone w różnych lokalizacjach geograficznych, wszystkie funkcje monitorowania i kontroli skuteczności strategii mogą być wykonywane ze scentralizowanej lokalizacji zdalnej. HiFREQ może wykonać 20 000 zamówień na sekundę na pojedyncze połączenie FIX. Użycie dwóch lub więcej połączeń FIX może znacząco zwiększyć przepustowość. Trwałość niskiej czę stoś ci Podsometria czułoś ci zwrotnej wewnę trznej mierzona od punktu HiFREQ pobiera raport z realizacji FIX do momentu, w którym HiFREQ wysyła komunikat z zamówieniem FIX. Rozdzielone i skalowalne Aby zwiększyć skuteczność i skuteczność strategii handlowych, ich komponenty można zaprojektować do pracy równolegle. Komponenty strategii mogą być rozmieszczone na wielu serwerach, które można rozmieszczać w różnych miejscach realizacji. Java Programmers GuideThis post szczegółowo, co zrobiłem, aby ok. 500 tys. Z handlu wysokimi częstotliwościami od 2009 do 2017 roku. Odkąd byłem całkowicie niezależny, a mój program Irsquom z przyjemnością nie powiedział. Moje transakcje były głównie w kontraktach futures Russel 2000 i DAX. Kluczem do mojego sukcesu, moim zdaniem, nie był wyrafinowany równanie finansowe, ale raczej ogólny projekt algorytmowy, który łączył wiele prostych elementów i wykorzystywał naukę maszyn do optymalizacji, aby uzyskać maksymalną rentowność. Więc potrzebujesz znać jakąś wyrafinowaną terminologię, ponieważ podczas instalacji mojego programu wszystko opierało się na intuicji. (Andrew Ngrsquos zadziwiający kurs nauki maszyn nie był jeszcze dostępny - jeśli klikniesz na ten link, musisz wziąć udział w moim obecnym projekcie: CourseTalk, witryna z recenzjami MOOC) Po pierwsze, chcę pokazać, że mój sukces nie był wynikiem tylko szczęście. Mój program robił 1000-4000 robót dziennie (pół długie, pół krótkie) i nigdy nie dostał się na stanowiska więcej niż kilka umów na raz. Oznaczało to, że szczęście losowe z jednego konkretnego handlu wyniosło dość szybko. W rezultacie nigdy nie straciłem ponad 2000 w jednym dniu i nigdy nie miałem miesiąca utraty: (EDIT, liczby te są po wypłacaniu prowizji) I herersquos wykres, aby dać poczucie codziennej odmian. Zauważ, że wyklucza się to przez ostatnie 7 miesięcy, ponieważ - gdy liczba przestała rosnąć - straciłem moją motywację do wejścia do nich. Moje doświadczenie handlowe Przed założeniem mojego zautomatyzowanego programu handlowego Irsquod miał 2 lata doświadczenia jako przedsiębiorca dzienny ldquomanualrdquo. To było w 2001 roku - to były wczesne dni handlu elektronicznego i były szanse na ldquoscalpersrdquo, aby zarobić dobre pieniądze. Mogę jedynie opisać to, co robiłem, podobnie jak grając w gry hazardowe z domniemaną krawędzią. Osiągnięcie sukcesu oznacza szybkie, bycie zdyscyplinowanym i posiadającym dobre intuicyjne zdolności rozpoznawania wzoru. Miałem około 250 tys. Dolarów, spłacić kredyty studenckie i pozostawić pieniądze. Zwycięstwo Przez następne pięć lat chciałbym uruchomić dwa starty, zbierając umiejętności programistyczne po drodze. Nie mogłoby być aż do końca 2008 r., Że wrócę do handlu. Z pieniędzmi na niskim poziomie ze sprzedaży mojego pierwszego uruchomienia, handel oferował nadzieje na szybkie gotówki, a ja wymyśliłem mój następny ruch. W 2008 roku byłem ldquomanuallyrdquo dzień handlowych kontrakty futures przy użyciu oprogramowania o nazwie T4. Irsquod szukał niestandardowych klawiszy skrótu, więc po odkryciu T4 miałem interfejs API, podjęłam wyzwanie uczenia się C (języka programowania wymaganego do korzystania z interfejsu API) i poszedłem naprzód i zbudowałem kilka klawiszy skrótu. Po staniu na nogach z API wkrótce miałem większe aspiracje: chciałem nauczyć komputer do handlu dla mnie. Interfejs API zapewniał zarówno strumień danych rynkowych, jak i łatwy sposób wysyłania zamówień do giełdy - wszystko, co musiałem zrobić, stworzyło logikę w środku. Poniżej znajduje się zrzut ekranu okna handlowego T4. Co fajne jest to, że kiedy dostałem mój program pracowałem byłem w stanie obejrzeć handel komputerowy na tym dokładnie tym samym interfejsie. Oglądanie prawdziwych zamówień, które pojawiają się i wychodzić (same z moimi prawdziwymi pieniędzmi), było zarówno denerwujące, jak i przerażające. Projekt mojego algorytmu Od samego początku moim celem było stworzenie systemu, dzięki któremu mogłem być w pewnym stopniu przekonany, że Irsquod zarabia pieniądze przed podjęciem jakichkolwiek transakcji na żywo. Aby to osiągnąć, musiałem zbudować ramy symulacji handlowej, które - jak dokładnie to tylko możliwe - symulować transakcje na żywo. Podczas handlu w trybie na żywo wymagane aktualizacje rynkowe, które są przesyłane strumieniowo przez interfejs API, wymagany był tryb symulacji, czytający aktualizacje rynkowe z pliku danych. Aby zebrać te dane, skonfiguruj pierwszą wersję mojego programu, aby po prostu połączyć się z interfejsem API i zapisywać aktualizacje rynkowe z znacznikami czasu. Skończyło się na wykorzystaniu 4 tygodniowych danych rynkowych do szkolenia i testowania mojego systemu. Z podstawową ramą na miejscu wciąż miałem zadanie zastanowienia się nad tym, jak tworzyć korzystny system handlowy. Ponieważ okazuje się, że mój algorytm rozbije się na dwa odrębne komponenty, które Irsquoll zbadają z kolei: Przewidywanie zmian cen i osiąganie rentownych transakcji Prognozowanie ruchów cen Być może oczywisty składnik systemu handlowego jest w stanie przewidzieć, gdzie ceny będą się przemieszczać. I moje nie było wyjątkiem. Zdefiniowałem aktualną cenę jako średnią z oferty wewnętrznej i wewnętrznej oferty i wyznaczam cel przewidywania, gdzie cena będzie w ciągu najbliższych 10 sekund. Mój algorytm musiałby wymyślić tę prognozę w każdej chwili w ciągu dnia handlowego. Tworzenie wskaźników optymalizacji wzmacniaczy stworzyłem kilka wskaźników, które okazały się znaczącą zdolnością do przewidywania krótkoterminowych zmian cen. Każdy wskaźnik wytworzył liczbę, która była dodatnia lub ujemna. Wskaźnik był użyteczny, gdyby częściej niż nie dodatni wynik odpowiadał rynkowi, a liczba ujemna odpowiadała spadkowi rynku. Mój system pozwolił mi szybko określić, ile wskaźnika predykcyjnego miał jakiś wskaźnik, więc mogłem eksperymentować z wieloma różnymi wskaźnikami, aby sprawdzić, jak to działa. Wiele wskaźników miało zmienne w formułach, które je wytworzyły i udało mi się znaleźć optymalne wartości dla tych zmiennych, przez porównanie wyników osiągniętych z różnymi wartościami. Wskaźniki, które były najbardziej przydatne, były stosunkowo proste i opierały się na ostatnich wydarzeniach na rynku, na którym prowadziłem transakcje, jak również na rynkach skorelowanych papierów wartościowych. Dokładne prognozy dotyczĘ ... ce przesunię cia ceny Wystę pujĘ ..., że wskaźniki, które po prostu przewidywały wzrost cen w górę lub w dół, nie były wystarczające. Musiałam dokładnie wiedzieć, ile ruchów cen przewidywano przez każdą możliwą wartość każdego wskaźnika. Potrzebuję formuły, która zmieniłaby wartość wskaźnika w przewidywaną cenę. Aby to osiągnąć, śledziłem przewidywane zmiany cen w 50 wiadrach, które zależały od zakresu, w którym wartość wskaźnika spadła. Dotyczyło to unikalnych przewidywań dla każdego wiadra, który byłem w stanie wydrukować w programie Excel. Jak widać oczekiwana zmiana ceny wzrasta wraz ze wzrostem wskaźnika. Na podstawie takiego wykresu udało mi się stworzyć formułę dopasowującą się do krzywej. Na początku ręcznie robiłem to ręcznie, ale wkrótce napisałem jakiś kod, aby zautomatyzować ten proces. Zauważ, że nie wszystkie krzywe wskaźników miały ten sam kształt. Zauważ, że wiadra były logarytmicznie rozłożone, aby rozprowadzić dane równomiernie. Wreszcie zwróć uwagę, że ujemne wartości wskaźników (i odpowiadające im prognozy cenowe w dół) zostały odwrócone i połączone z wartościami dodatnimi. (Mój algorytm traktował w górę iw dół dokładnie tak samo.) Łączenie wskaźników dla pojedynczej predykacji Ważną kwestią do rozważenia było to, że każdy wskaźnik nie był całkowicie niezależny. Nie mogłem po prostu podsumować wszystkich przewidywań, które każdy wskaźnik wykonał indywidualnie. Kluczem było ustalenie dodatkowej predykcyjnej wartości, którą każdy wskaźnik wykraczał poza to, co było już przewidywane. Nie było to trudne do wdrożenia, ale oznaczało to, że jeśli byłbym w stanie dopasować wiele wskaźników w tym samym czasie musiałem uważać, że zmiana spowoduje przewidywania drugiego. W celu lepszego dopasowania wszystkich wskaźników w tym samym czasie, ustawię optymalizator, aby przejść krok 30 w stronę nowych krzywych predykcji z każdym przejściem. Z tego 30 skoku stwierdziłem, że krzywe predykcji ustabilizują się w ciągu kilku przejść. Z każdym wskaźnikiem, dając nam teraz dodatkową prognozę, mogłabym po prostu dodać je do pojedynczego przewidywania, gdzie rynek będzie trwał 10 sekund. Dlaczego prognozowanie cen nie wystarcza Myślisz, że z tą przewagą na rynku byłem złoty. Musisz jednak pamiętać, że rynek składa się z ofert i ofert - itrsquos nie tylko jednej ceny rynkowej. Sukces w handlu wysokimi częstotliwościami sprowadza się do uzyskania dobrych cen i nie jest to łatwe. Następujące czynniki powodują, że tworzenie opłacalnego systemu jest trudne: przy każdym handlu musiałem płacić prowizje zarówno dla mojego maklera, jak i dla wymiany. Spread (różnica między najwyższą ofertą a najniższą ofertą) oznaczało, że jeśli miałbym po prostu kupować i sprzedawać losowo, Irsquod traci mnóstwo pieniędzy. Większość woluminu rynkowego to inne boty, które mogłyby prowadzić handel ze mną tylko wtedy, gdy myśleli, że mają pewną przewagę statystyczną. Oglądanie oferty nie gwarantowało, że mógłbym ją kupić. Do czasu, kiedy moje zamówienie kupiono na giełdzie, było bardzo możliwe, że oferta ta została odwołana. Jako mały gracz na rynku nie było możliwości, aby rywalizować z prędkością. Budowanie pełnej symulacji handlowej Więc miałem ramy, które pozwoliły mi sprawdzić i optymalizować wskaźniki. Musiałem jednak wykraczać poza to - potrzebowałem ramy, która umożliwiłaby mi sprawdzenie wyników i zoptymalizowanie pełnego systemu handlowego, w którym wysyłałem zamówienia i zajmując pozycje. W tym przypadku Irsquod będzie optymalizować całkowite Pampl i do pewnego stopnia przeciętnie Pampl na handel. Byłoby to trudniejsze i w pewnym sensie niemożliwe do dokładnego modelowania, ale najlepiej, jak tylko mogłem. Oto kilka kwestii, z którymi musiałem się zmierzyć: Kiedy zamówienie na rynek zostało wysłane na rynek w symulacji, musiałem modelować czas opóźnienia. Fakt, że mój system widział ofertę, nie oznaczał, że może od razu kupić. System wysyła zamówienie, poczekaj około 20 milisekund, a potem tylko wtedy, gdy oferta nadal była tam uznawana za wykonaną wymianę handlową. To było niedokładne, ponieważ rzeczywisty czas opóźnienia był niespójny i nieudokumentowany. Kiedy składałem oferty lub oferty musiałem patrzeć na strumień transakcji (dostarczony przez interfejs API) i używać tych do sprawdzenia, kiedy mój rozkaz mógłby zostać zabity. Aby to zrobić, musiałem śledzić pozycję mojego zamówienia w kolejce. (Itrsquos pierwszy w pierwszej kolejności systemu.) Ponownie, couldnrsquot zrobić to doskonale, ale zrobiłem najlepsze przybliżenie. Aby udoskonalić symulację realizacji zleceń, zrobiłem to, co zrobiłem, pobierając moje pliki dziennika z transakcji na żywo za pośrednictwem interfejsu API i porównaj je do plików dzienników generowanych przez symulowany handel z dokładnego okresu czasu. Udało mi się uzyskać moją symulację do tego stopnia, że ​​jest dość dokładna, a części, które nie były w stanie dokładnie wytworzyć modelu, upewniłem się, że przynajmniej osiągnęły rezultaty, które były statystycznie podobne (w danych, które uważałem za ważne). Dokonywanie rentownych transakcji Z modelem symulacji zamówień w miejscu można teraz wysłać zamówienia w trybie symulacji i zobaczyć symulowany Pampl. Ale jak mój system miałby wiedzieć, kiedy i gdzie kupić i sprzedawać Prognozy zmian cen były punktem wyjścia, ale nie całą historię. To, co zrobiłem, stworzyło system punktacji dla każdego z 5 poziomów cen w ofercie i ofercie. Obejmowały one jeden poziom powyżej oferty wewnętrznej (w przypadku zlecenia kupna) i jeden poziom poniżej oferty wewnętrznej (na zlecenie sprzedaży). Jeśli wynik na jakimkolwiek podanym poziomie cenowym był powyżej pewnego progu, co oznaczałoby, że mój system powinien mieć aktywny bidoffer - poniżej progu, wszystkie aktywne zamówienia powinny zostać anulowane. W oparciu o to nie było rzadkości, że mój system będzie błyskawicznie licytować na rynku, a następnie natychmiast go anulować. (Chociaż próbowałem zminimalizować to, co irytuje irytujące przeczucia każdemu, kto patrzy na ekran z ludzkimi oczami - w tym ze mną). Oceny na poziomie ceny zostały obliczone na podstawie następujących czynników: Prognoza przeniesienia ceny (omawiana wcześniej). Podany poziom cen. (Wewnętrzne poziomy oznaczały, że wymagane były większe przewidywania dotyczące przesunięć cen). Liczba kontraktów przed moim porządkiem w kolejce. (Mniej było lepsze.) Liczba zamówień za moim zamówieniem w kolejce. (Większe było lepsze.) Zasadniczo czynniki te służyły do ​​identyfikacji miejsc, w których dano bidoffer. Sama prognoza przeniesienia ceny nie była wystarczająca, ponieważ nie uwzględniała faktu, że podczas składania oferty nie zostałem automatycznie napełniony - napełniłem tylko wtedy, gdy ktoś mi sprzedał. Rzeczywistość polegała na tym, że sam fakt, że ktoś sprzedaje mi po pewnej cenie, zmienił statystyny ​​kurs wymiany handlowej. Zmienne stosowane w tym kroku były przedmiotem optymalizacji. Dokonano tego dokładnie tak samo, jak zoptymalizowane zmienne w wskaźnikach zmian cen, z wyjątkiem tego, że optymalizowałem dla dolnej linii PampL. Co mój program zignorowany W handlu ludźmi często mamy silne emocje i uprzedzenia, które mogą prowadzić do mniej niż optymalnych decyzji. Oczywiście nie chciałem kodyfikować tych uprzedzeń. Oto kilka czynników, z którymi system się zignorował: cena, którą wprowadzono do pozycji - w biurze handlowym itrsquos dość często słyszy rozmowę o cenie, w której ktoś jest długi lub krótki, jak gdyby miało to wpływać na ich przyszłe decyzje. Chociaż ma to pewność w ramach strategii redukcji ryzyka, to nie ma to żadnego wpływu na przyszły przebieg wydarzeń na rynku. Dlatego mój program całkowicie zignorował te informacje. Itrsquos takie samo pojęcie, jak ignorowanie zatopionych kosztów. Mówiąc krótko i wychodząc z długiej pozycji - zazwyczaj przedsiębiorca miałby inne kryteria, które decydują, gdzie sprzedać długą pozycję, a gdzie się zwieść. Jednak z mojego punktu widzenia algorytm nie miał powodu, aby wyróżnić. Jeśli mój algorytm spodziewał się sprzedaży w dół, był dobry pomysł niezależnie od tego, czy był on obecnie długi, krótki lub płaski. Strategia ldquojeddling uprdquo - jest to wspólna strategia, w której handlowcy kupią więcej zapasów w przypadku, gdy ich handel jest sprzeczny z oryginałem. Powoduje to, że średnia cena zakupu jest niższa, a to oznacza, kiedy (lub jeśli) zapasy zmieniają się w Twoim banku, aby można było szybko odzyskać swoje pieniądze. Moim zdaniem jest to naprawdę okropna strategia, chyba że otrzymasz Warren Buffet. Zdesquore oszukani myśląc, że robisz dobrze, ponieważ większość twoich transakcji będzie zwycięzcami. Problem polega na tym, że stracisz strach. Innym skutkiem jest to, że trudno ocenić, czy rzeczywiście masz przewagę na rynku lub tylko się szczęście. Możliwość monitorowania i potwierdzania, że ​​mój program rzeczywiście miał przewagę, był ważnym celem. Ponieważ mój algorytm podejmował decyzje w ten sam sposób, niezależnie od miejsca, w którym został wprowadzony do obrotu lub jeśli był on obecnie długi lub krótki, od czasu do czasu zasiadał (i wziął) niektóre duże transakcje z utratą transakcji (oprócz dużych wygranych transakcji). Ale nie należy pomyśleć, że nie było problemu z zarządzaniem ryzykiem. Aby zarządzać ryzykiem, zmobilizowałem maksymalnie 2 miejsca na raz, od czasu do czasu zderzyłem się z dużą ilością dni. Miałem też maksymalną dzienną stratę w celu zabezpieczenia przed nieoczekiwanymi warunkami rynkowymi lub błędem w moim oprogramowaniu. Te limity zostały wymuszone w moim kodzie, ale także w backend przez mojego pośrednika. Kiedy to się stało, nigdy nie natknęłam się na żadne istotne problemy. Uruchamianie algorytmu Od chwili, gdy zacząłem pracować nad moim programem, zajęło mi to około 6 miesięcy, zanim dotarło do rentowności i zaczęło działać na żywo. Mimo że uczciwy znaczny czas to nauka nowego języka programowania. Kiedy pracowałem nad ulepszeniem programu, przez następne cztery miesiące widziałem większe zyski. Każdego tygodnia przekwalifikowałbym mój system w oparciu o poprzednie dane w ciągu 4 tygodni. Odkryłem, że doszło do właściwej równowagi między pozyskaniem najnowszych trendów zachowań rynkowych a ubezpieczeniem mojego algorytmu było wystarczające dane, aby ustalić znaczące wzorce. Gdy trening zaczął się wydawać coraz bardziej, rozdzieliłem go na 8 maszyn wirtualnych, używając amazon EC2. Wyniki były następnie scalane na mojej lokalnej maszynie. Najwyższym punktem mojego handlu był październik 2009, kiedy zarobiłem prawie 100 tys. Potem kontynuowałem kolejne cztery miesiące, starając się poprawić mój program pomimo spadku zysku każdego miesiąca. Niestety w tym momencie przypuszczam, że Irsquod zaimplementował wszystkie moje najlepsze pomysły, ponieważ nic, co próbowałem, nie pomogło. Z frustracją niezdolności do ulepszeń i braku poczucia wzrostu zacząłem myśleć o nowym kierunku. Wysłałem e-mailem 6 różnych firm zajmujących się handlem wysokimi częstotliwościami, aby sprawdzić, czy są oni zainteresowani zakupem mojego oprogramowania i zatrudnianiem mnie do pracy. Nikt nie odpowiedział. Miałem nowe pomysły, które chciałem zacząć, więc nigdy nie podążałem za nim. AKTUALIZACJA - opublikowałem to na Hacker News i dostałem dużo uwagi. Chcę tylko powiedzieć, że nie opowiadam się za tym, że ktokolwiek próbuje teraz coś takiego zrobić. Potrzebujesz zespołu naprawdę inteligentnych ludzi z wieloma doświadczeniami, aby mieć nadzieję na konkurencję. Nawet wtedy, gdy robiłem to, uważam, że bardzo rzadko zdarzało się, że jednostki osiągnęły sukces (chociaż słyszałem o innych). Na górze strony znajduje się komentarz, który wspomina manipulowanie statystykami i odnosi się do mnie jako ldquoretail investorrdquo, że quants byłby ldquaredefully wybrać offrdquo. Jest to raczej nieszczęśliwy komentarz, który nie jest właściwy. AKTUALIZACJA 2 - Irsquove opublikowała kolejne FAQ, które odpowiada na kilka często zadawanych pytań Irsquove otrzymanych od podmiotów gospodarczych na temat tego postu. High Frequency Trading 1: Podstawy, historia strategii wzmacniających PROSIMY PIERWSZE PRZEGLĄDĘ WPROWADZENIE VIDEO ABOVE Witamy w kursie High Frequency Trading część 1: Podstawy, historia i strategie. Nazywam się Igor Neunyvakin i będę Cię prowadził przez cały kurs. Zacząłem karierę jako analityk finansowy i przedsiębiorca w firmie Adekta, a nawet w latach studiów uniwersyteckich zacząłem zarządzać milionowym funduszem. Przez jakiś czas przechodziłem do sfery technologii i stał się konsultantem na rynkach finansowych w firmie Cognitive Finance Technologies, która rozwijała systemy dopasowywania do giełd i terminali handlowych. Pracując w parze z wieloma utalentowanymi programistami i inżynierami, potrafiłem nauczyć się High Frequency Trading Forex, Stocks i Commodities od wewnątrz i rozumieć go nie tylko jako przedsiębiorcę, ale także jako eksperta technicznego. Moje serie kursów na temat High Frequency Trading na rynku Forex, zapasy i produkty są przeznaczone dla tych, którzy interesują się wszystkim na temat rynków finansowych i handlu. Po przechodzeniu przez te kursy zna się wszystkie zawiłości High Frequency Trading: koncepcje, strategie, technologie, które zniszczą wiele mitów i błędnych wyobrażeń na temat Forex na platformach Forex, zapasach i zauważa jasne zrozumienie tego, jak wszystko działa rzeczywistość. Ale to nie znaczy, że jest to konieczne, aby rozpocząć od pierwszego etapu, wszystkie są całkiem niezależne, więc możesz zacząć od tego. Z tej części 1 dowiesz się podstaw handlu wysokiej częstotliwości, historii jego pochodzenia, jako podobnie jak popularne strategie HFT we współczesnym świecie. W tej pierwszej części serii będziemy rozmawiać o: różnych sposobach definicji High Frequency Trading, jako kluczu do zrozumienia rentowności i potencjalnych trudności dla handlowców z udziałem HFT, zajmiemy się historią HFT w celu zrozumienia współczesnych trendów jej dalszego rozwoju rozwoju, odkryjemy także główne typy strategii High Frequency Trading, jak również ich różnice i cechy. Idealnym studentem tego kursu jest początkujący lub doświadczony handlowiec, który już zna podstawowe pojęcia rynków finansowych i handlu i chciałby poszerzyć swoją wiedzę w tak popularnej, ale szeroko niezrozumianej sferze, jak High Frequency Trading on Forex, Zapasy amp Commodities. Idealnym studentem tego kursu jest początkujący lub doświadczony handlowiec, który już zna podstawowe pojęcia rynków finansowych i handlu i chciałby poszerzyć swoją wiedzę w tak popularnej, ale szeroko niezrozumianej sferze, jak High Frequency Trading