Estratégias de negociação de ordens de livros

Estratégias de negociação baseadas em carteira de pedidos.
Nos últimos anos, os pedidos de limite eletrônico, que coletam pedidos de limite de entrada e correspondem automaticamente às ordens de mercado contra a melhor ordem de limite disponível, foram introduzidos por quase todas as principais bolsas de valores. A introdução de livros de ordens limitadas mudou significativamente as estratégias de negociação, à medida que a velocidade de negociação aumentou drasticamente e os traders têm a escolha entre diferentes tipos de pedidos, o que automaticamente impõe a questão de qual deles deve ser usado e sob quais condições. Isso representa uma grande quantidade de dados financeiros eletrônicos que podem ser armazenados e processados ​​para explorar padrões subjacentes. As instituições financeiras estão usando esses dados para criar vantagem para eles no mercado. Uma das aplicações são estratégias de negociação automatizadas que usam esses padrões para negociar com vantagem competitiva.
Analise os dados do histórico de pedidos de limite e tente encontrar padrões, que possam ser reutilizados na criação de futuras estratégias de negociação algorítmica ou na engenharia reversa. Para conseguir o que precisamos, vamos usar algoritmos genéticos para diferentes estratégias de negociação.
Candidatar-se ao TotalView-ITCH histórico do LOBSTER / TradingPhysics NASDAQ. Análise dos conjuntos de dados de amostra disponíveis (7 a 10 dias)
Treinamento + Mecanismo do sistema (analisador, analisador, processador de dados) básico (4 semanas).
2.1 Algoritmos Genéticos (descrição do Vidor)
2.2 Especifique interfaces e necessidades do nosso System Engine.
2.3 Iniciando a implementação do nosso System Engine.
Conclusão do mecanismo do sistema para testar diferentes algoritmos / estratégias (1 semana)
4. Implementação de algoritmos e estratégias em simulações com dados históricos (1 semana)
4.1 Iniciando a implementação de diferentes algoritmos de negociação.
4.2 Iniciar a implementação de estratégias baseadas em algoritmos de negociação.
5. Otimização, teste e avaliação do sistema final (1 semana)
5.1 Teste e otimização de algoritmos de negociação.
5.2 Avaliação dos resultados das estratégias de negociação e do sistema final.
Obteremos os dados da seguinte maneira:
A LOBSTER oferece dados de limite de pedidos derivados dos arquivos Historical TotalView-ITCH da NASDAQ somente para pesquisa acadêmica. (Lobster. wiwi. hu-berlin. de/info/help_faq_general. php)
Como ingressar na LOBSTER: lobster. wiwi. hu-berlin. de/info/HowToJoin. php.
O processo pode levar até duas semanas. No entanto, existem conjuntos de dados de amostra fornecidos que podem ser usados ​​para iniciar. O preço é de 300 EUR excl. IVA, a pagar antecipadamente. Esta é uma taxa anual mais um bloco de crédito pré-pago (por exemplo, 100 dias de um nível de ação (por exemplo, Amazon) 10 (4 vezes mais dias para dados de nível 1).
Já fez uma consulta para acesso gratuito aos arquivos históricos do TotalView-ITCH. Esperando pelo replay. (tradingphysics / Feeds / DownloadHistoricalItch. aspx). Preço normal para dados derivados e brutos ilimitados - US $ 199,95. OU 500 Créditos - US $ 99,95 para até 500 downloads de arquivos históricos (
Algoritmos Genéticos e Estratégias Evolutivas.
Muitas estratégias de negociação estão por aí. Para a maioria deles é alegado que eles são bem sucedidos, embora ainda não exista uma estratégia final que todos usam. (Existem teorias que sugerem que tal algoritmo não pode existir.)
A fim de fazer uso de todas as estratégias, usaremos algoritmos genéticos e estratégias evolutivas para encontrar o algoritmo mais eficiente, que é talvez uma mistura de muitos outros algoritmos. Para obter nosso algoritmo, precisamos:
1. Colete o máximo possível de algoritmos de negociação, estratégias que pudermos.
2. Implemente-os (ou alguns deles) como benchmarks, para que possamos comparar nosso algoritmo derivado com eles.
3. Encontre uma maneira de extrair os recursos deles. É essencial ser capaz de discernir os recursos, pois cada um deles representará um cromossomo em nossa evolução.
4. Construa um sistema no qual possamos executar a evolução (já existe um kit de ferramentas de algoritmo genético baseado em scala, do qual podemos fazer uso). Além disso, teremos que garantir que o conjunto de recursos seja facilmente modificável. Com o tempo, podemos adicionar novos recursos derivados de novas estratégias de negociação exatas ou novas possibilidades devido a novos dados.
4.a. a disponibilidade dos dados determinará que tipo de estratégias podemos usar.
Se o intervalo de tempo for curto, não podemos avaliar as estratégias de longo prazo, pois na evolução temos que calcular a adequação da população, e teremos que ter gerações suficientes para descobrir uma boa estratégia.
Se pudermos obter apenas preços diários, não poderemos implementar tantos algoritmos quanto pudéssemos se tivéssemos um dado do livro de pedidos.
4.b. Existem estratégias que usam, por exemplo, a análise de sentimentos de notícias, tweets, ou tirar conclusões pelo volume de pesquisas em algumas palavras-chave no google. Apesar de não nos concentrarmos nesta parte, teremos uma interface comum com outras equipes, que estão trabalhando nisso. Dessa forma, poderemos fazer uso de seu progresso.
5. Invente novas ideias para melhorar as estratégias. Por exemplo, descubra como avaliar uma adequação da estratégia de longo prazo em comparação com uma estratégia de curto prazo, ou para tornar algumas características mais relevantes se for provado que sua contribuição é maior para o sucesso do que outra.
6. Como sempre neste tipo de projetos, não podemos prever como o nosso investimento mudaria a estrutura do mercado e o movimento de preços. Mas este não é o escopo do nosso projeto.
Dados financeiros estão disponíveis, mas muitas vezes são muito caros (a exceção é a LOBSTER para pesquisa acadêmica)
Existem algumas dúvidas sobre o uso de técnicas de aprendizado de máquina na análise dos mercados financeiros (www-stat. wharton. upenn. edu/
As estratégias de negociação baseadas em dados do livro de ordens não levam em consideração a transação estabelecida em dark pools. Estas são principalmente grandes transações que teriam um grande impacto no mercado (manequins / como fazer / conteúdo / investigar-o-encomendar-livro-para-uptotheminute-stock. html)
Visualização de dados dos resultados coletados. Integração da análise de notícias de sentimentos em nosso sistema. Aplicação de estratégias de negociação em dados em tempo real.
& # 65279; Atualmente, somos 6 pessoas neste projeto.
Alexios Voulimeneas (comunicação com outras equipes para interface comum)
As habilidades necessárias para este projeto são Data Mining, Machine Learning, algumas estatísticas, Java, Scala, Hadoop / Spark.
No início, todos nós nos concentraremos na coleta de dados e na busca de diferentes estratégias de negociação que possam ser implementadas. Quando fizermos isso, vamos nos separar e todos terão sua própria atribuição, alguns trabalharão no aprendizado de máquina e outros se concentrarão na criação do mecanismo do sistema.
No momento, não podemos fornecer um plano detalhado de requisitos de recursos. No entanto, temos certeza de que não precisaremos de processamento paralelo pesado em tempo real. Vamos criar nossos algoritmos e fazer a mineração de dados de forma paralela, que pode ser executada algumas vezes em um cluster. É claro que também usaremos nossas máquinas locais para que possamos fazer testes em conjuntos de dados menores.

Estratégias de negociação de carteiras de pedidos
As carteiras de ordens de troca são frequentemente escondidas como as chamadas "Dark Pools". A medida foi tomada para evitar estratégias aparentes de manipulação de mercado executadas por traders na época.
Quais dessas estratégias de arbitragem / manipulação são possíveis se a carteira de pedidos for pública?
Explique as estratégias em detalhes.
Dica # 1: Existem três estratégias de exemplo nos comentários abaixo.
Um livro de ordens público fornece aos comerciantes informações não apenas sobre o preço atual de um título, mas também sobre o volume e a estrutura de todo o cronograma de oferta e demanda.
Tais informações podem ser usadas para estratégias de arbitragem e manipulação de mercado de várias maneiras:
Spoofing: Inserir uma ordem de limite grande como um sinal de compra ou venda aparente que é cancelado a qualquer momento antes de poder ser executado. Citação recheio: Inserindo uma seqüência rápida de limite ou ordens de mercado para dar ao mercado a impressão de um grande movimento próximo. Encerramento do Fogo: Muitas instituições financeiras usam apenas preços de fechamento, mas não preços intradiários para seus modelos financeiros. Portanto, é possível alterar rapidamente o preço de fechamento antes do final do dia, se o livro de ofertas não for suficientemente espesso, e não pode haver pedidos posteriores após esse período. Intermitente: algoritmos de negociação de alta velocidade podem identificar uma ordem pública e, em seguida, negociar com antecedência para "acompanhar" seu impacto no mercado. Sabe-se para amplificar falhas de mercado de grandes encomendas. Arbitragem de Latência: usa diferenças de preço entre trocas e ordens de velocidade rápida para capturar desvios da lei de um preço. Aprendizado de Máquina: O livro de pedidos público e seu fluxo de pedidos podem ser usados ​​para extrair informações valiosas sobre as mudanças de preço esperadas.
Não tenho certeza se Dark Pools (DP) foram criados para evitar "manipulação de mercado". Eles foram criados por empresas porque encontraram uma vantagem para criá-los (veja Market Microtructure in Practice, L e Laruelle Eds.). As principais razões foram:
taxas de reposição de mercado, para DP criadas por corretores (como o UBS MTF); impacto de mercado de reposição, para pools de bloco (como ITG / POSIT); Metade sobressalente do bid ask spread, para DP criado por market makers (como o Knight Link).
É possível uma negociação otimizada em DP, veja por exemplo Divisão ideal de ordens em pools de liquidez: uma abordagem de algoritmo estocástico, por Laruelle, Pagès e L (publicado no SIAM Journal em Financial Mathematics, Vol. 2 (2011), pp. 1042-1076 ). Você pode dar uma olhada em estratégias de alocação ideal para o problema do Dark Pool, por Agarwal, Bartlett e Dama. E à exploração censurada e ao problema do dark pool, por Ganchev, Nevmyvaka, Kearns e Vaughan também.
Em termos de negociação ideal em carteiras de pedidos, você tem poucos documentos interessantes:
um para negociação de muito curto prazo: Preço de postagem ótimo de ordens limitadas: aprendendo por negociação, por Laruelle, Pagès e L (de novo), publicado em Mathematics and Financial Economics, vol. 7, No. 3. (11 de junho de 2013), pp. 359-403. um para fazer o mercado: Lidando com o risco de estoque: uma solução para o problema de mercado, por Guéant, Fernandez-Tapia e L, em Matemática e Economia Financeira, vol. 4, No. 7. (3 de setembro de 2013), pp. 477-507. Compre Low Sell High: uma perspectiva de negociação de alta frequência, por Cartea, Jaimungal e Ricci.
Você encontrará aqui tudo o que precisa para construir sua própria estratégia de pedidos.

Aprimorando Estratégias de Negociação com os Sinais do Livro de Ordens.
38 Pages Publicado: 3 Out 2015 Última revisão: 14 Oct 2015.
Álvaro Cartea.
Universidade de Oxford; Universidade de Oxford - Oxford-Man Institute of Quantitative Finance.
Ryan Francis Donnelly.
Universidade de Washington - Departamento de Matemática Aplicada.
Sebastian Jaimungal.
Universidade de Toronto - Departamento de Estatística.
Data de Escrita: 1 de outubro de 2015.
Utilizamos dados de alta frequência da bolsa Nasdaq para construir uma medida de desequilíbrio de volume no livro de pedidos de limite (LOB). Mostramos que nossa medida é um bom preditor do sinal da próxima ordem de mercado (MO), ou seja, comprar ou vender, e também ajuda a prever mudanças de preço imediatamente após a chegada de um MO. Com base nesses resultados empíricos, introduzimos e calibramos um modelo de salto puro modulado por cadeia de Markov de preço, spread, chegadas LO e MO e desequilíbrio de volume. Como uma aplicação do modelo, colocamos e resolvemos um problema de controle estocástico para um agente que maximiza a riqueza terminal, sujeito a penalidades de estoque, executando operações usando LOs. Utilizamos dados amostrais (janeiro a junho de 2014) para calibrar o modelo para dez ações negociadas na bolsa Nasdaq e usamos dados fora da amostra (julho a dezembro de 2014) para testar o desempenho da estratégia. Mostramos que a introdução da medida de desequilíbrio de volume no problema de otimização aumenta consideravelmente os lucros da estratégia. Os lucros aumentam porque o uso de nossa medida de desequilíbrio reduz os custos de seleção adversos e posiciona os LOs no livro para aproveitar os movimentos favoráveis ​​de preços.
Palavras-chave: desequilíbrio de ordem, negociação algorítmica, negociação de alta frequência, fluxo de pedidos, criação de mercado, seleção adversa.
Classificação JEL: G10, G11, G14, C41.
Álvaro Cartea.
Universidade de Oxford (email)
Oxford, Oxfordshire OX1 4AU.
Universidade de Oxford - Oxford-Man Instituto de Finanças Quantitativas (email)
Walton Well Road.
Oxford, Oxfordshire OX2 6ED.
Ryan Francis Donnelly.
Universidade de Washington - Departamento de Matemática Aplicada (email)
Sebastian Jaimungal (Contato)
Universidade de Toronto - Departamento de Estatística (email)
100 St. George St.
Toronto, Ontário M5S 3G3.
Estatísticas de papel.
EJournals relacionados.
Mercado de Capitais: Preços e Avaliação de Ativos eJournal.
Inscreva-se neste diário de taxas para obter mais artigos selecionados sobre este tópico.
Mercados de Capitais: eJournal da Microestrutura da Mercado.
Inscreva-se neste diário de taxas para obter mais artigos selecionados sobre este tópico.
IO: Estudos Empíricos de Empresas e Mercados eJournal.
Inscreva-se neste diário de taxas para obter mais artigos selecionados sobre este tópico.
Modelagem Econométrica: Mercado de Capitais - eJournal de Preços de Ativos.
Inscreva-se neste diário de taxas para obter mais artigos selecionados sobre este tópico.
Links Rápidos do SSRN.
Rankings SSRN.
Sobre o SSRN.
Os cookies são usados ​​por este site. Para recusar ou aprender mais, visite nossa página de Cookies. Esta página foi processada por apollo8 em 0,203 segundos.

Aprimorando Estratégias de Negociação com os Sinais do Livro de Ordens.
38 Pages Publicado: 3 Out 2015 Última revisão: 14 Oct 2015.
Álvaro Cartea.
Universidade de Oxford; Universidade de Oxford - Oxford-Man Institute of Quantitative Finance.
Ryan Francis Donnelly.
Universidade de Washington - Departamento de Matemática Aplicada.
Sebastian Jaimungal.
Universidade de Toronto - Departamento de Estatística.
Data de Escrita: 1 de outubro de 2015.
Utilizamos dados de alta frequência da bolsa Nasdaq para construir uma medida de desequilíbrio de volume no livro de pedidos de limite (LOB). Mostramos que nossa medida é um bom preditor do sinal da próxima ordem de mercado (MO), ou seja, comprar ou vender, e também ajuda a prever mudanças de preço imediatamente após a chegada de um MO. Com base nesses resultados empíricos, introduzimos e calibramos um modelo de salto puro modulado por cadeia de Markov de preço, spread, chegadas LO e MO e desequilíbrio de volume. Como uma aplicação do modelo, colocamos e resolvemos um problema de controle estocástico para um agente que maximiza a riqueza terminal, sujeito a penalidades de estoque, executando operações usando LOs. Utilizamos dados amostrais (janeiro a junho de 2014) para calibrar o modelo para dez ações negociadas na bolsa Nasdaq e usamos dados fora da amostra (julho a dezembro de 2014) para testar o desempenho da estratégia. Mostramos que a introdução da medida de desequilíbrio de volume no problema de otimização aumenta consideravelmente os lucros da estratégia. Os lucros aumentam porque o uso de nossa medida de desequilíbrio reduz os custos de seleção adversos e posiciona os LOs no livro para aproveitar os movimentos favoráveis ​​de preços.
Palavras-chave: desequilíbrio de ordem, negociação algorítmica, negociação de alta frequência, fluxo de pedidos, criação de mercado, seleção adversa.
Classificação JEL: G10, G11, G14, C41.
Álvaro Cartea.
Universidade de Oxford (email)
Oxford, Oxfordshire OX1 4AU.
Universidade de Oxford - Oxford-Man Instituto de Finanças Quantitativas (email)
Walton Well Road.
Oxford, Oxfordshire OX2 6ED.
Ryan Francis Donnelly.
Universidade de Washington - Departamento de Matemática Aplicada (email)
Sebastian Jaimungal (Contato)
Universidade de Toronto - Departamento de Estatística (email)
100 St. George St.
Toronto, Ontário M5S 3G3.
Estatísticas de papel.
EJournals relacionados.
Mercado de Capitais: Preços e Avaliação de Ativos eJournal.
Inscreva-se neste diário de taxas para obter mais artigos selecionados sobre este tópico.
Mercados de Capitais: eJournal da Microestrutura da Mercado.
Inscreva-se neste diário de taxas para obter mais artigos selecionados sobre este tópico.
IO: Estudos Empíricos de Empresas e Mercados eJournal.
Inscreva-se neste diário de taxas para obter mais artigos selecionados sobre este tópico.
Modelagem Econométrica: Mercado de Capitais - eJournal de Preços de Ativos.
Inscreva-se neste diário de taxas para obter mais artigos selecionados sobre este tópico.
Links Rápidos do SSRN.
Rankings SSRN.
Sobre o SSRN.
Os cookies são usados ​​por este site. Para recusar ou aprender mais, visite nossa página de Cookies. Esta página foi processada por apollo1 em 0.203 segundos.

Encomendar
O que é um "livro de pedidos"?
Um livro de ofertas é uma lista eletrônica de ordens de compra e venda de um instrumento financeiro ou de segurança específico, organizado por nível de preço. O livro de ofertas lista o número de ações que estão sendo ofertadas ou oferecidas em cada ponto de preço ou profundidade de mercado. Ele também identifica os participantes do mercado por trás das ordens de compra e venda, embora alguns optem por permanecer anônimos. O livro de ofertas é dinâmico e constantemente atualizado em tempo real ao longo do dia. Intercâmbios como a Nasdaq referem-se a este livro de encomendas como o livro contínuo. & Rdquo; As ordens que especificam a execução apenas no mercado aberto ou no mercado são mantidas separadamente. Estes são conhecidos como o & ldquo; livro de abertura (ordem) & rdquo; e & ldquo; livro de fechamento (pedido) & rdquo; respectivamente.
QUEBRANDO PARA BAIXO 'Livro de Ofertas'
No mercado aberto na Nasdaq, o livro de abertura e o livro contínuo são consolidados para criar um preço de abertura único. Um processo similar é seguido no fechamento do mercado, quando o livro de fechamento e o livro contínuo são consolidados para gerar um único preço de fechamento.
A informação da carteira de pedidos ajuda os negociadores a tomarem decisões de negociação mais bem informadas, uma vez que eles podem ver quais corretoras estão comprando ou vendendo as ações e se a ação do mercado está sendo conduzida por investidores ou instituições de varejo. O livro de ofertas também mostra os desequilíbrios de pedidos, que podem fornecer pistas para a direção do estoque no curtíssimo prazo. Um desequilíbrio maciço de ordens de compra em comparação com ordens de venda, por exemplo, pode indicar um movimento mais alto no estoque devido à pressão de compra.
O livro de ofertas também é útil para identificar os níveis de suporte e resistência potencial de um estoque. Um cluster de grandes ordens de compra a um preço específico pode indicar um nível de suporte, enquanto uma abundância de ordens de venda a um preço próximo ou próximo a ele pode sugerir uma área de resistência.
O livro de ofertas não mostra & ldquo; dark pools, & rdquo; que são lotes de ordens ocultas mantidas por grandes jogadores que não querem que suas intenções de negociação sejam conhecidas por outros operadores. A presença de dark pools reduz a utilidade da carteira de pedidos em certa medida, já que não há como saber se as ordens mostradas no livro são representativas da oferta real e da demanda pela ação.
Os livros de pedidos continuam agrupando uma quantidade crescente de informações que estão disponíveis aos negociadores por uma taxa. O TotalView da Nasdaq, por exemplo, pretende fornecer mais informações de mercado do que qualquer outro livro, como exibir mais de 20 vezes a liquidez de seu produto de profundidade de mercado herdado Nível 2. Embora essas informações adicionadas possam não ter muita importância para o investidor médio comprado e mantido, pode ser útil para day traders e profissionais experientes do mercado para os quais o livro de ofertas é um dos insumos mais críticos na formulação de decisões de negociação.

Um modelo de Markov de um livro de ordens de limite: limites, recorrência e estratégias de negociação.
Formulamos um modelo analiticamente tratável de um livro de ordens com limites em escalas de tempo curtas, em que a dinâmica é impulsionada por flutuações estocásticas entre oferta e demanda. Estabelecemos a existência de uma distribuição limitante para o lance mais alto e para o menor, onde as distribuições limitantes estão confinadas entre dois limites. Fazemos uso extensivo de limites de fluidos para estabelecer propriedades de recorrência do modelo. Usamos nosso modelo para analisar várias estratégias de negociação de alta frequência e comentamos os equilíbrios de Nash que emergem entre os operadores de alta frequência quando um mercado em tempo contínuo é substituído por leilões em lote frequentes.
Palavras-chave: limite de pedidos, filas, limite de fluidos, negociação de alta frequência, equilíbrio de Nash arxiv, repositório de Cambridge Versões anteriores deste trabalho apareceram na tese de PhD de Elena Filas de colaboração: rede de serviços de grande porte e um livro de pedidos de limite, 2012, e seu artigo A modelo simples de um livro de ordens com limite, 2012.
A última versão do artigo de Jan Swart "Resultados rigorosos para o modelo Stigler-Luckock para a evolução de um livro de pedidos" está disponível em sua página na Internet.