Sistemas De Negociação Hft

Design de sistemas de negociação de alta freqüência e gerenciamento de processos Design de sistemas de negociação de alta freqüência e gerenciamento de processos Conselheiro: Roy E. Welsch. Departamento: Programa de Design e Gestão de Sistemas. Editora: Massachusetts Institute of Technology Data de emissão: 2009 As empresas comerciais hoje em dia são altamente dependentes da mineração de dados, modelagem de computadores e desenvolvimento de software. Os analistas financeiros executam muitas tarefas semelhantes às das indústrias de software e fabricação. No entanto, o setor financeiro ainda não adotou completamente estruturas de engenharia de sistemas de alto padrão e abordagens de gerenciamento de processos que tenham sido bem sucedidas nas indústrias de software e fabricação. Muitas das metodologias tradicionais para design de produtos, controle de qualidade, inovação sistemática e melhoria contínua encontradas em disciplinas de engenharia podem ser aplicadas no campo das finanças. Esta tese mostra como o conhecimento adquirido de disciplinas de engenharia pode melhorar o gerenciamento de projetos e processos de sistemas de negociação de alta freqüência. Os sistemas de negociação de alta freqüência são baseados em computação. Esses sistemas são sistemas de software automáticos ou semi-automáticos que são inerentemente complexos e exigem um alto grau de precisão de projeto. O design de um sistema de comércio de alta frequência liga vários campos, incluindo financiamento quantitativo, design de sistemas e engenharia de software. No setor financeiro, onde as teorias matemáticas e os modelos comerciais são relativamente bem pesquisados, a capacidade de implementar esses projetos em práticas comerciais reais é um dos elementos-chave da competitividade das empresas de investimento. A capacidade de converter idéias de investimento em sistemas de negociação de alto desempenho de forma eficaz e eficiente pode dar a uma empresa de investimento uma enorme vantagem competitiva. (Cont.) Esta tese fornece um estudo detalhado composto por design de sistema de negociação de alta freqüência, modelagem de sistemas e princípios e gerenciamento de processos Para o desenvolvimento do sistema. É dada especial ênfase ao backtesting e otimização, que são consideradas as partes mais importantes na construção de um sistema comercial. Esta pesquisa desenvolve modelos de engenharia de sistemas que orientam o processo de desenvolvimento. Ele também usa sistemas de comércio experimental para verificar e validar os princípios abordados nesta tese. Finalmente, esta tese conclui que princípios e estruturas de engenharia de sistemas podem ser a chave para o sucesso na implementação de sistemas de investimento de alta freqüência ou de investimento quantitativo. Tese (S. M.) - Instituto de Tecnologia de Massachusetts, Projeto de Sistema e Programa de Gestão, 2009. Catalogado a partir da versão em PDF da tese. Inclui referências bibliográficas (p. 78-79). Palavras-chave: Programa de Design e Gestão de Sistemas. My AccountPROVEN TRACK RECORD GTS opera na interseção dos mercados de capitais e tecnologia avançada. Nossas inovações trazem melhor descoberta de preços, execução comercial e transparência para investidores e preços eficientes para o mercado. Destaques GTS negocia cerca de 3-5 do mercado de ações de caixa dos EUA GTS negocia mais de 10.000 instrumentos diferentes no mundo GTS executa milhões de negócios distintos por dia. O GTS é o maior fabricante de mercado da Bolsa de Valores de Nova York (11,7 Trilhões em capitalização de mercado) NOSSOS POBRES SÃO PARAMOUNT GTS É um negócio dirigido por pessoas. Nossos funcionários vêm de origens diversas, mas compartilham um espírito comum: lealdade, curiosidade inquieta, adesão implacável aos mais altos padrões e compromisso com a empresa, como visionmdashas, ​​como um pouco de uma série competitiva. Saiba como você pode se juntar à nossa equipe. Ari Rubenstein é co-fundador e diretor executivo da Global Trading Systems (GTS), liderando a gestão diária da empresa. David Lieberman é um co-fundador e o Chief Operating Officer da Global Trading Systems. Steve Reich é o chefe da FX e Commodity Liquidity Solutions da GTS Securities. Ryan Sheftel é o chefe global de renda fixa em sistemas de comércio global. Giovanni Pillitteri é chefe global de troca de câmbio no GTS. Ele é responsável por liderar e expandir o alcance global do negócio de câmbio GTSrsquos. Michael Katz é o chefe de situações especiais em sistemas de comércio global. Patrick Murphy é chefe da NYSE Market Making and Listing Services no GTS. John Merrell é o diretor-gerente, chefe global de serviços corporativos. Rama Subramaniam é chefe de gerenciamento de ativos sistemáticos Como líder de mercado, o GTS e seus líderes são freqüentemente citados como especialistas da indústria na mídia e nossa empresa está empenhada em abordar as últimas tendências no comércio eletrônico. Isso reflete nossa missão de ser um participante de classe mundial nos mercados financeiros. A Global Trading Systems, uma das quatro empresas de negociação de alta freqüência que administra quase todas as negociações no piso da NYSE, está fazendo uma peça para clientes corporativos. Leia mais raquo Bloomberg EUA fala com Ari Rubenstein, CEO da Global Trading Systems Leia mais raquo GTS anunciou hoje que sua subsidiária, GTS Securities LLC, planeja se tornar um Designated Market Maker (DMM) na New York Stock Exchange (NYSE), por Adquirindo negócios de comércio de DMLC do Barclays PLCs. Leia mais raquo The Wall Street Journal Uma maior supervisão tornará a negociação de alta freqüência mais segura e segura, aumentando a confiança e a participação dos investidores. Leia mais raquo The Wall Street Journal Alguns dos maiores comerciantes e investidores proprietários dos EUA estão testando as águas para uma maior mudança em bitcoin, dando um potencial impulso para a incipiente indústria de moeda virtual. Leia mais raquo Esta publicação detalhará o que fiz para fazer aprox. 500k de negociação de alta freqüência de 2009 a 2010. Desde que eu estava negociando completamente de forma independente e já não estou executando o meu programa Irsquom feliz em contar tudo. Minha negociação foi principalmente em contratos de futuros Russel 2000 e DAX. A chave para o meu sucesso, eu acredito, não estava em uma equação financeira sofisticada, mas sim no projeto de algoritmo geral que uniu muitos componentes simples e a aprendizagem de máquinas usadas para otimizar a máxima rentabilidade. Você wonrsquot precisa conhecer qualquer terminologia sofisticada aqui, porque quando eu configurei meu programa, tudo foi baseado na intuição. (Andrew Ngrsquos, um curso incrível de aprendizado de máquina ainda não estava disponível - por favor, se você clicar nesse link, você será levado ao meu projeto atual: CourseTalk, um site de revisão para MOOCs) Primeiro, eu só quero demonstrar que meu sucesso não foi simplesmente o resultado de sorte. O meu programa fez 1000-4000 negócios por dia (meio e meio curto) e nunca entrou em posições de mais de alguns contratos por vez. Isso significava que a sorte aleatória de qualquer comércio em particular era muito rápida. O resultado foi que nunca perdi mais de 2000 em um dia e nunca tive um mês perdedor: (EDIT. Estes números são depois de pagar comissões) E herersquos um gráfico para dar uma sensação de variação diária. Observe que isso exclui os últimos 7 meses porque - à medida que os números pararam de subir - eu perdi minha motivação para inseri-los. Histórico de negociação Antes da criação do meu programa de negociação automatizado, a Irsquod teve 2 anos de experiência como comerciante de dia de negociação. Isso foi em 2001 - eram os primeiros dias do comércio eletrônico e havia oportunidades para que ldquoscalpersrdquo ganhasse um bom dinheiro. Eu só posso descrever o que eu estava fazendo como parecido com jogar um jogo de vídeo com uma suposta vantagem. Ser bem-sucedido significou ser rápido, ser disciplinado e possuir boas habilidades de reconhecimento de padrões intuitivas. Eu consegui fazer cerca de 250k, pagar meus empréstimos estudantis e ter dinheiro restante. Win Durante os próximos cinco anos, eu lançaria duas startups, pegando algumas habilidades de programação ao longo do caminho. Não seria até o final de 2008 que eu voltaria a negociar. Com o dinheiro escorrendo da venda da minha primeira inicialização, a negociação ofereceu esperanças de algum dinheiro rápido enquanto eu descobri minha próxima jogada. Em 2008, eu era o primeiro dia do dia comercializando futuros usando o software chamado T4. Irsquod estava querendo algumas teclas de atalho de entrada de pedidos personalizadas, então, depois de descobrir que a T4 tinha uma API, assumi o desafio de aprender C (a linguagem de programação necessária para usar a API) e segui adiante e me criei algumas teclas rápidas. Depois de ficar com os pés molhados com a API, logo tive aspirações maiores: queria ensinar o computador a trocar por mim. A API forneceu um fluxo de dados de mercado e uma maneira fácil de enviar ordens para a troca - tudo o que eu tinha que fazer era criar a lógica no meio. Abaixo está uma captura de tela de uma janela de negociação T4. O que foi legal é que, quando trabalhei, consegui assistir o comércio de computadores nesta mesma interface. Ver as ordens reais entrando e saindo (por si com meu dinheiro real) foram emocionantes e assustadoras. O design do meu algoritmo Desde o início, meu objetivo era configurar um sistema, de modo que eu pudesse estar razoavelmente confiante com Irsquod ganhar dinheiro antes de fazer qualquer transação ao vivo. Para realizar isso, eu precisava construir uma estrutura de simulação de negociação que, com a maior precisão possível, simulasse a negociação ao vivo. Embora a negociação no modo ao vivo exigisse o processamento de atualizações de mercado transmitidas pela API, o modo de simulação exigia a leitura de atualizações de mercado a partir de um arquivo de dados. Para coletar esses dados, configurei a primeira versão do meu programa para simplesmente conectar-se à API e registrar as atualizações do mercado com timestamps. Acabei usando 4 semanas de dados de mercado recentes para treinar e testar meu sistema. Com um quadro básico no local, eu ainda tinha a tarefa de descobrir como criar um sistema comercial lucrativo. Como se verifica, meu algoritmo seria dividido em dois componentes distintos, que Irsquoll explorava por sua vez: Previsão de movimentos de preços e Realização de negociações rentáveis ​​Previsão de movimentos de preços Talvez um componente óbvio de qualquer sistema de negociação seja capaz de prever onde os preços se moverão. E o meu não foi exceção. Eu definei o preço atual como a média da oferta interna e da oferta interna e eu estabeleci o objetivo de prever onde o preço seria nos próximos 10 segundos. O meu algoritmo precisaria apresentar esta previsão momento a momento durante o dia da negociação. Criando indicadores de otimização de amplificador Eu criei um punhado de indicadores que provaram ter uma habilidade significativa para prever movimentos de preços de curto prazo. Cada indicador produziu um número que era positivo ou negativo. Um indicador era útil se, com maior frequência, um número positivo correspondesse com o mercado subindo e um número negativo correspondesse com o mercado descer. Meu sistema me permitiu determinar rapidamente a capacidade preditiva de qualquer indicador, então eu consegui experimentar muitos indicadores diferentes para ver o que funcionou. Muitos dos indicadores apresentaram variáveis ​​nas fórmulas que os produziram e consegui encontrar os valores ótimos para essas variáveis ​​ao fazer comparações lado a lado dos resultados obtidos com valores variáveis. Os indicadores mais úteis foram todos relativamente simples e foram baseados em eventos recentes no mercado que negociei, bem como os mercados de títulos correlacionados. Fazendo previsões de movimento de preço exato Tendo indicadores que simplesmente predisseram um movimento de preço para cima ou para baixo não era suficiente. Eu precisava saber exatamente quanto o movimento do preço era previsto por cada valor possível de cada indicador. Eu precisava de uma fórmula que convertesse um valor indicador para uma previsão de preços. Para realizar isso, rastreei os movimentos de preços previstos em 50 baldes que dependiam do alcance em que o valor do indicador caiu. Isso produziu previsões únicas para cada balde que eu então consegui representar no Excel. Como você pode ver a mudança de preço esperada aumentar à medida que o valor do indicador aumenta. Com base em um gráfico como esse, consegui fazer uma fórmula para ajustar a curva. No começo, eu fiz isso manualmente manualmente, mas logo escrevi algum código para automatizar esse processo. Observe que nem todas as curvas indicadoras tiveram a mesma forma. Observe também que os baldes foram distribuídos logaritticamente de modo a espalhar os dados de forma uniforme. Finalmente, note que os valores dos indicadores negativos (e as respectivas previsões de preços descendentes correspondentes) foram lançados e combinados com os valores positivos. (Meu algoritmo tratado de forma ascendente e exata exatamente o mesmo.) Combinando indicadores para uma única previsão. Uma coisa importante a considerar era que cada indicador não era totalmente independente. Eu não poderia simplesmente adicionar todas as previsões que cada indicador faz individualmente. A chave era descobrir o valor preditivo adicional que cada indicador tinha além do que já estava previsto. Isso não era difícil de implementar, mas isso significava que, se eu estivesse indicando vários indicadores ao mesmo tempo, eu tinha que ter uma mudança cuidadosa, isso afetaria as previsões de outro. Para ajustar todos os indicadores ao mesmo tempo, configurei o otimizador para passar apenas 30 do caminho para as novas curvas de previsão com cada passagem. Com este salto de 30, descobri que as curvas de previsão se estabilizariam dentro de algumas passagens. Com cada indicador agora nos dando a previsão de preço adicional de Itrsquos eu poderia simplesmente adicioná-los para produzir uma única previsão de onde o mercado seria em 10 segundos. Por que prever os preços não é suficiente Você pode pensar que com essa vantagem no mercado eu estava dourado. Mas você precisa ter em mente que o mercado é composto por lances e ofertas - itrsquos não apenas um preço de mercado. O sucesso na negociação de alta freqüência se resume a obter bons preços e itrsquos não é tão fácil. Os seguintes fatores tornam difícil a criação de um sistema rentável: com cada troca, eu tinha que pagar comissões tanto para o meu corretor quanto para a troca. O spread (diferença entre a oferta mais alta e a oferta mais baixa) significava que, se eu fosse simplesmente comprar e vender aleatoriamente, Irsquod perderia uma tonelada de dinheiro. A maior parte do volume do mercado eram outros bots que só executariam um comércio comigo se achassem que tinham alguma vantagem estatística. Ver uma oferta não garantiu que eu pudesse comprá-la. No momento em que minha ordem de compra chegou ao intercâmbio, era muito possível que essa oferta fosse cancelada. Como um pequeno jogador do mercado, não havia nenhuma maneira de eu competir sozinho na velocidade. Construindo uma simulação de negociação completa Então eu tive uma estrutura que me permitiu backtest e otimizar indicadores. Mas eu tinha que ir além disso - eu precisava de uma estrutura que me permitisse fazer o teste e otimizar um sistema de negociação completo onde eu estava enviando ordens e entrando em posições. Neste caso, Irsquod será otimizado para o PampL total e, em certa medida, PampL médio por comércio. Isso seria mais complicado e, de certa forma, impossível modelar exatamente, mas eu fiz o melhor que pude. Aqui estão alguns dos problemas que tive para lidar: quando um pedido foi enviado ao mercado em simulação, tive que modelar o tempo de atraso. O fato de meu sistema ter visto uma oferta não significava que pudesse comprá-lo imediatamente. O sistema enviaria o pedido, espere aproximadamente 20 milissegundos e, em seguida, apenas se a oferta ainda fosse considerada como um comércio executado. Isso foi inexato porque o tempo de atraso real era inconsistente e não relatado. Quando eu coloquei lances ou ofertas, tive que olhar para o fluxo de execução comercial (fornecido pela API) e usá-los para avaliar quando meu pedido teria sido executado. Para fazer isso, tive que rastrear a posição do meu pedido na fila. (Itrsquos um primeiro-em primeiro-out sistema.) Novamente, eu couldnrsquot fazer isso perfeitamente, mas eu fiz uma melhor aproximação. Para refinar a simulação de execução do meu pedido, fiz os meus arquivos de log da negociação ao vivo através da API e comparei-os aos arquivos de log produzidos por negociação simulada do mesmo período. Eu consegui minha simulação até o ponto de ser bastante precisa e, para as partes que eram impossíveis de modelar exatamente, me assegurei pelo menos de produzir resultados estatisticamente similares (nas métricas que achava importantes). Fazendo negociações rentáveis ​​Com um modelo de simulação de pedidos no local, eu poderia agora enviar ordens no modo de simulação e ver um PampL simulado. Mas como meu sistema saberia quando e onde comprar e vender As previsões de movimento de preços eram um ponto de partida, mas não toda a história. O que fiz foi criar um sistema de pontuação para cada um dos 5 níveis de preço na oferta e oferta. Estes incluíram um nível acima da oferta interna (para um pedido de compra) e um nível abaixo da oferta interna (para uma ordem de venda). Se a pontuação em qualquer nível de preço determinado estivesse acima de um certo limite que significaria que meu sistema deveria ter um bidoffer ativo lá - abaixo do limite, então todas as ordens ativas deveriam ser canceladas. Com base nisso, não era incomum que meu sistema apresentasse um lance no mercado e, em seguida, cancelasse-o imediatamente. (Embora eu tentei minimizar isso como itrsquos irritante como diabos para quem olhasse a tela com olhos humanos - incluindo eu.) As pontuações do nível de preços foram calculadas com base nos seguintes fatores: A previsão do movimento do preço (que discutimos anteriormente). O nível de preços em questão. (Os níveis internos significaram que foram necessárias maiores previsões de movimento de preços). O número de contratos na frente do meu pedido na fila. (Menos foi melhor.) O número de contratos por trás do meu pedido na fila. (Mais foi melhor.) Essencialmente, esses fatores serviram para identificar ldquosaferdquo lugares para bidoffer. A previsão do movimento do preço por si só não era adequada porque não contava o fato de que ao colocar uma oferta não fui preenchida automaticamente - eu só me encheram se alguém me vendesse lá. A realidade era que o simples fato de alguém me vender a um certo preço alterou as probabilidades estatísticas do comércio. As variáveis ​​utilizadas nesta etapa estavam todas sujeitas a otimização. Isso foi feito exatamente da mesma maneira que otimizei variáveis ​​nos indicadores de movimento de preços, exceto neste caso eu estava otimizando a linha inferior PampL. O que o meu programa ignorou Quando comercializamos como seres humanos muitas vezes temos poderosas emoções e desvios que podem levar a decisões menos do que ótimas. Claramente, não queria codificar esses preconceitos. Aqui estão alguns fatores que meu sistema ignorou: o preço que uma posição foi inserida - Em um escritório de negociação, Itrsquos é bastante comum para ouvir a conversa sobre o preço pelo qual alguém é longo ou curto, como se isso pudesse afetar sua futura tomada de decisões. Embora isso tenha alguma validade como parte de uma estratégia de redução de risco, ele realmente não tem influência no futuro dos eventos no mercado. Portanto, meu programa ignorou completamente essa informação. Itrsquos o mesmo conceito que ignorar custos irrecuperáveis. Ir a curto vs. sair de uma posição longa - Normalmente, um comerciante teria critérios diferentes que determinam onde vender uma posição longa em relação a onde ir curto. No entanto, da minha perspectiva de algoritmos não havia motivo para fazer uma distinção. Se o meu algoritmo esperava que uma venda de movimento para baixo fosse uma boa idéia, independentemente de ser atualmente longa, curta ou plana. Uma estratégia uprdquo ldquodoubling - Esta é uma estratégia comum em que os comerciantes comprarão mais ações no caso de o comércio original ir contra elas. Isso resulta em seu preço de compra médio sendo menor e significa quando (ou se) o estoque gira em torno de você será definido para fazer seu dinheiro de volta em nenhum momento. Na minha opinião, esta é realmente uma estratégia horrível, a menos que você seja o Warren Buffet. Yoursquore enganou em pensar que você está indo bem porque a maioria de seus negócios serão vencedores. O problema é quando você perde você perder grande. O outro efeito é que dificilmente julgar se você realmente tem uma vantagem no mercado ou está apenas tendo sorte. Ser capaz de monitorar e confirmar que o meu programa de fato teve uma vantagem foi um objetivo importante. Uma vez que meu algoritmo tomou decisões do mesmo modo, independentemente de onde ele entrou em um comércio ou, se fosse atualmente longo ou curto, ocasionalmente sentava-se (e aceitou) alguns grandes negócios perdidos (além de alguns grandes negócios vencedores). Mas, você não deve pensar que não houve nenhuma gestão de risco. Para gerenciar o risco, apliquei um tamanho de posição máximo de 2 contratos por vez, ocasionalmente superado em dias de alto volume. Eu também tive um limite máximo de perda diária para proteger contra quaisquer condições de mercado inesperadas ou um erro no meu software. Esses limites foram aplicados no meu código, mas também no backend através do meu corretor. Como aconteceu, nunca encontrei problemas significativos. Execução do algoritmo Desde o momento em que comecei a trabalhar no meu programa, demorei cerca de 6 meses antes de chegar ao ponto de rentabilidade e começar a executá-lo ao vivo. Apesar de ser justo, uma quantidade significativa de tempo era aprender uma nova linguagem de programação. Enquanto trabalhava para melhorar o programa, vi maiores lucros para cada um dos próximos quatro meses. Todas as semanas, eu treinaria o sistema com base nas 4 semanas anteriores de dados. Eu achei que isso atingiu o equilíbrio certo entre capturar tendências de comportamento do mercado recente e garantir que meu algoritmo tivesse dados suficientes para estabelecer padrões significativos. À medida que o treinamento começou a tomar mais e mais tempo, eu o separei para que ele possa ser executado por 8 máquinas virtuais usando o Amazon EC2. Os resultados foram então agrupados na minha máquina local. O ponto alto da minha negociação foi outubro de 2009, quando eu fiz quase 100k. Depois disso, continuei a gastar os próximos quatro meses tentando melhorar meu programa, apesar da diminuição do lucro a cada mês. Infelizmente, neste ponto, acho que a Irsquod implementou todas as minhas melhores idéias porque nada que tentei pareceu ajudar muito. Com a frustração de não poder fazer melhorias e não ter um senso de crescimento, comecei a pensar em uma nova direção. Eu enviei 6 empresas diferentes de comércio de alta freqüência para ver se theyrsquod estava interessado em comprar meu software e me contratar para trabalhar para eles. Ninguém respondeu. Eu tive algumas idéias de inicialização novas que queria trabalhar, então eu nunca segui. UPDATE - Posteci isso no Hacker News e tem tido muita atenção. Eu só quero dizer que não defendo ninguém tentando fazer algo assim agora. Você precisaria de uma equipe de pessoas realmente inteligentes com uma variedade de experiências para ter alguma esperança de competir. Mesmo quando eu estava fazendo isso, eu acreditava que era muito raro que os indivíduos conseguissem o sucesso (embora eu tivesse ouvido falar de outros). Há um comentário no topo da página que menciona estatísticas manipuladas e se refere a mim como um investidor de ldquoretail que quants Escolheria o pick-off do mundo. Este é um comentário bastante infeliz que não é simplesmente baseado na realidade. Estabelecendo isso de lado therersquos alguns comentários interessantes: news. ycombinatoritemid4748624 UPDATE 2 - Irsquove postou um FAQ de acompanhamento que responde algumas perguntas comuns que Irsquove recebeu dos comerciantes sobre esta publicação.