Market Microstructure Models för High Frequency Trading Strategies Följ Jonathan Kinlay, PhD Market Microstructure Modeller för High Frequency Trading Strategiesjonathankinlayp408 Denna not innehåller en sammanfattning av några av nyckelforskningen inom marknadsmikrostrukturen och betraktar några av de modeller som föreslagits av forskarna. Många av de idéer som presenteras här har blivit allmänt antagna av högfrekventa handelsföretag och införlivat i sina handelssystem. Market Microstructure Modeller för High Frequency Trading Strategies jonathankinlay Trevligt arbete. Tack för att du tagit dig tid att sammanfatta dessa marknadsmikrostrukturer. Som ett tillfälle ser din föreslagna 8220Masters i programmet High Frequency Finance8221 också ganska bra ut. 8211 Intressant, jag skulle gärna se lite mer på jorden tillämpning av en av modellerna. Från mina erfarenheter är akademiska papper mer inriktade på publikation än att generera pengar. Jag skulle vilja ansluta mig till något program på High Frequency Finance. Vänligen håll mig uppdaterad8230 tack En en sida inte om du har några projekt som du arbetar på HF-saker. Och letar efter nummerkräkning etc. Låt mig veta OBS! Jag lägger nu in min TRADING ALERTS i min personliga FACEBOOK ACCOUNT och TWITTER. Oroa dig inte eftersom jag inte lägger upp dumma kattvideor eller vad jag äter Dela det här: Om författaren Hej jag där Jag heter Bryan Downing. Jag är en del av ett företag som heter QuantLabs. Det här är specifikt ett företag med en hög profilblogg om teknik, handel, ekonomi, investering, kvant etc. Det postar saker om hur man gör jobbintervjuer med stora företag som Morgan Stanley, Bloomberg, Citibank , Och IBM. Det lägger också in olika unika tips och tricks på Java, C eller C programmering. Den postar om olika tekniker för att lära sig om Matlab och bygga modeller eller strategier. Det finns mycket här om du går in i den finansiella världen som kvant eller teknisk analys. Det diskuterar också den framtida generationen av handel och programmering Specialiteter: C, Java, C, Matlab, kvant, modeller, strategier, teknisk analys, Linux, Windows P. S. Jag har varit känd för att vara den värsta maskinskrivaren. Bli inte förolämpad av det, eftersom jag gillar att smälla ut saker och lägga priorty av vad jag gör över att skriva. Kanske en dag kan jag få en fulltext kopioredigerare för att hjälpa till. Lägg märke till att jag föredrar videor eftersom de är mycket enklare att producera så kolla in mina många videor på youtubequantlabs Vill du handla som en chef Lär dig hur Algo Secrets kan förbättra ditt liv Din information är 100 säker med oss och kommer aldrig att delas. Högfrekventa marknadsmikrostrukturer Marknader Är olika nu, förvandlas av teknik och högfrekvent handel. I detta dokument undersöker jag konsekvenserna av dessa förändringar för högfrekvent marknadsmikrostruktur (HFT). Jag beskriver den nya högfrekvensvärlden, med särskilt fokus på hur HFT påverkar strategierna för handlare och marknader. Jag diskuterar några av de luckor som uppkommer när man tänker på mikrostrukturforskningsproblem i högfrekvensvärlden. Jag föreslår att forskningen, precis som allt annat på marknaden, måste förändras för att återspegla världens nya realiteter. Jag föreslår några ämnen för denna nya forskningsagenda i högfrekvent marknadsmikrostruktur. JEL-klassificering Högfrekvent handel Marknadsmikrostruktur Algoritmisk handel Mitt tack till Bill Schwert och Ken French för att föreslå detta dokument till mig. Jag är mycket tacksam för två domare, Ayan Bhattacharya, David Easley, Frank Hatheway, Joel Hasbrouck, David Meitz, Pam Moulton, Gideon Saar och Mao Ye för hjälp och vägledning med detta dokument. Jag vill särskilt tacka Jamie Selway, Jeff Bacidore, Wenjie Xu, Cindy Yang och Lin Jiang för all deras hjälp med detta projekt. Maureen OHara är styrelseordförande för Investment Technology Group (ITG), ett globalt mäklarehandelsföretag med inriktning på behoven hos inköpsklienter. Tel. 1 607 255 3645 fax: 1 607 254 4590. Upphovsrätt kopia 2015 Elsevier BV Alla rättigheter förbehållna. Trafikstrategier och marknadsmikrostruktur: Bevis från en förutsägelsemarknad Columbia University, Barnard College - Institutionen för ekonomi Santa Fe Institute Datum skriven: 22 november 2015 Vi undersöker transaktionsnivådata från Intrades 2012 presidentmarknadsvinstmarknaden för hela tvåårsperioden för vilken handel inträffade. Uppgifterna tillåter oss att beräkna nyckelstatistik, inklusive volym, transaktioner, aggression, riktningsexponering, innehavstid, marginal och vinst för var och en av 6 300 unika näringsidkare. Vi identifierar en mångsidig uppsättning handelsstrategier som utgör en rik marknadsekologi. Dessa sträcker sig från arbitragebaserade strategier med låg och flyktig riktningsexponering mot strategier som involverar stora ackumulerade positioner i en av de två större partikandidaterna. De flesta handlare som gör riktningsbud gör det konsekvent i en enda riktning, till skillnad från informationshandlare i vissa kanoniska modeller av marknadsmikrostruktur. Vi presenterar bevis som tyder på manipulation av en enda stor näringsidkare och överväger möjliga motiv för sådant beteende. Bredare konsekvenser för tolkningen av priser på finansmarknaderna och teorin om marknadsmikrostrukturen är ritade. Nyckelord: Prediction Markets, Market Microstructure, Trading Strategies, Manipulation JEL Klassificering: G12, D83, D84 Föreslagen citat: Föreslagen citat Rothschild, David M. och Sethi, Rajiv, handelsstrategier och marknadsmikrostruktur: Bevis från en förutsägelsesmarknad (22 november, 2015). Journal of Prediction Markets 10 (1), 1-29, 2016. Tillgänglig på SSRN: ssrnabstract2322420 eller dx. doi. org10.2139ssrn.2322420 Microsoft Research - NYC (email) High Frequency Scalping Strategies HFT scalping-strategier njuter av flera mycket önskvärda egenskaper , jämfört med lågfrekventa strategier. Ett fall i åtanke är vår scalping-strategi i VIX-futures, som för närvarande går på Collective2-webbplatsen: Strategin är mycket lönsam, med en Sharpe-andel på över 9 (utan transaktionskostnader om 14 prt). Prestanda är konsekvent och pålitlig, eftersom det är Baserad på ett stort antal affärer (10-20 per dag) Strategin har låg eller negativ korrelation med de underliggande aktie - och volatilitetsindexen. Det finns ingen övernattningsrisk. Bakgrund till HFT Scalping Strategier Att attrahera sådana strategier är otänkbar. Så hur går det att utveckla dem? Det är viktigt för läsaren att bekanta sig med en del av bakgrunden till högfrekvent handel i allmänhet och scalping-strategier i synnerhet. Speciellt skulle jag rekommendera att läsa följande blogginlägg: Exekvering mot Alpha Generation i HFT-strategier Nyckeln till att förstå HFT-strategier är att utförandet är allt. Med lågfrekventa strategier går ett stort arbete med att undersöka källor till alfa, som ofta använder mycket sofistikerade matematiska och statistiska tekniker för att identifiera och separera alfasignalen från bakgrundsbruset. Strategi alpha står för kanske lika mycket som 80 av den totala avkastningen i en lågfrekvent strategi, med utförande som utgör de återstående 20. Det är inte så att genomförandet är oväsentligt, men det finns bara så många punkter som man kan tjäna (eller spara) i en strategi med månadsomsättning. Däremot är en högfrekvent strategi starkt beroende av handelens genomförande, vilket kan utgöra 80 eller mer av den totala avkastningen. De algoritmer som genererar strategin alpha är ofta mycket enkla och kan ge endast de minsta kanterna. Men den mycket lilla kanten, uppskalad över tusentals affärer, är tillräcklig för att ge en betydande avkastning. Och eftersom risken är spridd över ett stort antal mycket små tidsintervaller kan avkastningen bli synvattenhögt på en riskjusterad basis: Sharpe-förhållanden om 10 eller mer uppnås vanligtvis med HFT-strategier. I många fall syftar en HFT-algoritm till att uppskatta den förutsebara sannolikheten för en uptick eller downtick i det underliggande, lutande på budet eller anbudspriset i enlighet med detta. Under förutsättning att order kan placeras mot köens främre del för att säkerställa en tillräcklig fyllningsgrad, kommer sannolikhetslagen att göra resten. Så, i HFT-sammanhanget, satsas mycket på att mildra latens och på att utveckla tekniker för att upprätta och behålla prioritet i gränsvärdesboken. En annan stor angelägenhet är att övervaka orderbokdynamiken för tecken på att boktryck kan röra sig mot eventuella öppna order, så att de kan avbrytas i god tid, undviker negativt urval av informerade näringsidkare eller en uppbyggnad av oönskad inventering. I en högfrekvent scalping-strategi ser man typiskt att fånga i genomsnitt mellan 12 och 1 fack per handel. Exempelvis är den genomsnittliga VIX-scalpingstrategin som här illustreras här ungefär 23 per kontrakt per handel, dvs. under tolv en tick i terminsavtalet. Handelsinträde och utträde sker genom användning av gränsvärden, eftersom det inte finns något utrymme att tillgodose släpp i ett handelssystem som genererar mindre än en enda tick per handel i genomsnitt. Som med de flesta HFT-strategier är alfa-algoritmerna bara måttligt sofistikerade och strategin är högt beroende av att man uppnår en acceptabel fyllningshastighet (andelen av gränsvärdena som exekveras). Betydelsen av att uppnå en tillräckligt hög fyllhastighet illustreras tydligt i den första av de två posterna som nämns ovan. Så vad är en acceptabel fyllningshastighet för en HFT-strategi Fyll priserna I8217m kommer att ta itu med frågan om fyllnadsfrekvenser genom att fokusera på en kritisk delmängd av problemet: fyller som uppträder längst ut i baren, även känd som 8220extreme hits8221. Dessa är gränsvärden där priserna sammanfaller med det högsta (i fallet med en försäljningsorder) eller lägst (i fallet med ett köporder) handelspris i vilken prisserie som helst. Limiteringsorder till priser inom barens inre är nödvändigtvis fyllda och är därför okontroversiella. Men gränserna i barens ytterkantar kan eller kanske inte fyllas och det är därför dessa order som är uppmärksamhetsfokus. Som standard antar de flesta återförsäljarplattformsimulatorer att alla gränsvärden, inklusive extrema träffar, fylls om de underliggande affärerna finns där. Med andra ord antar dessa system vanligtvis en 100-fyllningshastighet vid extrema träffar. Detta är mycket orealistiskt: i många fall utgör den höga eller låga av en stapel en vändpunkt att prisserierna endast besöker flyktigt innan de vänder om sin senaste trend och återgår inte lång tid. De första beställningarna på köens framsida kommer att fyllas, men många, kanske majoriteten av orderna längre ner i prioriteringsordningen kommer att bli besvikna. Om näringsidkaren använder ett detaljhandelssystem istället för en HFT-plattform för att utföra sina affärer, är hans gränsvärden nästan alltid garanterad att vila mot könets baksida på grund av den relativt höga latiden av hans system. Som en följd av detta kommer en stor del av hans gränsvärden 8211 i synnerhet de extrema träffarna 8211 inte att fyllas. Konsekvenserna av att missa ett stort antal affärer på grund av ofyllda gränsvärden är sannolikt katastrofala för någon HFT-strategi. Ett enkelt test som är lättillgängligt i de flesta backtestsystemen är att ändra det underliggande antagandet med avseende på fyllhastigheten på extrema träffar 8211 istället för att anta att 100 av sådana order är fyllda, kan systemet testa resultatet om gränsvärdena är Fylls endast om prisserien därefter överskrider gränsvärdet. Resultatet som produceras under detta alternativa scenario är typiskt extremt negativt, vilket illustreras i första bloggpost som tidigare refererats. I verkligheten är naturligtvis inte antagandet rimligt: det är osannolikt att antingen 100 eller 0 av en strategy8217s extrema träffar kommer att fyllas 8211 kommer den faktiska fyllningsgraden sannolikt att ligga någonstans mellan dessa två resultat. Och det här är det kritiska problemet: På någon nivå av fyllningsränta kommer strategin att gå från lönsamhet till olönsamhet. Nyckeln till genomförandet av en HFT-scalpingstrategi är att säkerställa att utförandet faller på den högra sidan av den delningen. Implementera HFT Scalping-strategier i praktiken En lösning på problemfyllnadsproblemet är att spendera miljontals dollar för att bygga HFT-infrastruktur. Men i det här meddelandet antar let8217s att näringsidkaren är begränsad till att använda en detaljhandelsplattform som Tradestation eller Interactive Brokers. Är HFT-scalping-system fortfarande möjliga i en sådan miljö Svaret är överraskande ett kvalificerat ja 8211 med hjälp av en teknik som tog mig många år att upptäcka. För att illustrera metoden kommer jag att använda följande HFT-scalping-system i E-Mini SampP500-terminsavtalet. Systemet handlar E-Mini-futures på 3 minuters barer, med en genomsnittlig hålltid på 15 minuter. Den genomsnittliga handeln är mycket låg 8211 cirka 6, exklusive provisioner på 8 prt. Men strategin verkar vara mycket lönsam, på grund av det stora antalet affärer 8211 runt 50 till 60 per dag, i genomsnitt. Än så länge är allt bra. Men den kritiska frågan är det mycket stora antalet extrema träffar som produceras av strategin. Ta handelsaktiviteten 1018 som ett exempel (se nedan). Av 53 branscher den dagen var 25 (47) extrema träffar som uppstod vid det höga eller låga priset på den 3-minutiga baren där handeln ägde rum. Sammantaget löper strategiens extrema slagfrekvens på 34, vilket är extremt högt. I verkligheten kanske bara 14 eller 13 av dessa order faktiskt utförs 8211 vilket betyder att resten, som uppgår till cirka 20 av det totala antalet beställningar, kommer att misslyckas. En HFT-scalpingstrategi kan inte hoppas att överleva ett sådant resultat. Strategiets lönsamhet kommer att decimeras av en kombination av missade lönsamma affärer och förluster på affärer som eskalerar efter att en utgåvaorder misslyckats att genomföra. Så vad kan man göra i en sådan situation Manuell överstyrning, MIT och andra ingrepp Ett tillvägagångssätt som inte kommer att fungera är att anta att en viss manuell övervakning är tillräcklig för att rätta till problemet. Let8217 säger att näringsidkaren kör två versioner av systemet sida vid sida, en i simulering och den andra i produktion. När en gränsvärde exekveras på simuleringssystemet, men det går inte att utföra i produktion, kan näringsidkaren komma in, manuellt åsidosätta systemet och genomföra handeln genom att korsa spridningen. På så sätt kan näringsidkaren förhindra förluster som skulle ha inträffat om handeln inte hade verkställts eller tvinga tillträde till en handel som senare visar sig vara lönsam. Likaså kan emellertid handelsmannen tvinga utgången till en handel som senare vänder sig om och flyttar från förlust till vinst, eller in i en handel som visar sig vara en förlorare. Det finns inget sätt för näringsidkaren att, ex ante, veta vilka av dessa scenarier som kan spela ut. Och näringsidkaren måste möta samma beslut kanske så många som tjugo gånger om dagen. Om näringsidkaren är så bra att välja vinnare och skära förlorare ska han skrapa sitt handelssystem och handla manuellt. Ett alternativt tillvägagångssätt skulle vara att handelssystemet hanterar problemet. Till exempel kan man programmera systemet för att konvertera begränsningsorder till marknaden Beställer om en handel sker till gränsvärdet (MIT) eller efter x sekunder efter att gränsvärdet berörs. Återigen är det emellertid inte möjligt att på förhand veta om en sådan åtgärd kommer att ge ett positivt resultat eller ett ännu sämre utfall jämfört med att gränseringsordern lämnades på plats. I verkligheten är det inte troligt att ingripanden, vare sig manuell eller automatiserad, förbättrar systemets prestanda. Det som är säkert är emellertid att genom att tvinga in och utträde av affärer som uppträder runt ytterst av en pristang, kommer näringsidkaren att medföra extra kostnader genom att korsa spridningen. Inkluderande det kostar för kanske så många som 13 av alla affärer, i ett system som producerar, i genomsnitt mindre än en halv tick per handel, är säker på att förstöra lönsamheten. Framgångsrikt genomförande av HFT-strategier på en detaljhandelsplattform I många år antog jag att den enda lösningen på problemfyllnadsproblemet var att genomföra scalping-strategier för HFT-infrastruktur. En dag frågade jag mig själv: Vad skulle hända om vi saktade strategin ner Specifikt, antar vi tog 3-minuters E-Mini-strategin och sprang den på 5 minuters barer. Min första insikt var att den relativa enkelheten hos alfa - generationsalgoritmer i HFT-strategier är en fördel här. I ett lågfrekvent sammanhang mildrar komplexiteten i alfa-extraktionsprocessen sin förmåga att generalisera till andra tillgångar eller tidsramar. Men HFT-algoritmer är i stort sett enkla och generiska: vad som fungerar på 3-minutersstänger för E-Mini-futures kan fungera på 5-minuters barer i E-Minis, eller till och med i SPY. Om algoritmens essens är något så enkelt som: 8220buy när priset sjunker med mer än x under dess y-bar moving average8221, kan det här sättet fungera på 3 minuter, 5 minuter, 60 minuter, eller Även dagliga barer. Så vad händer om vi kör E-mini scalping-systemet på 5-minuters staplar istället för 3-minuters staplar. Den strategiska övergripande lönsamheten minskar givetvis i linje med det lägre antalet branscher på denna långsammare tidsskala. Men notera att den genomsnittliga handeln har ökat och strategin är fortsatt mycket lönsam övergripande. Ännu viktigare är att den genomsnittliga extrema slagfrekvensen har fallit från 34 till 22. Därför får vi inte bara färre, något mer lönsamma affärer, men en mycket lägre andel av dem förekommer vid de yttersta 5 minuterna. Följaktligen är utfyllnadsproblemet mindre kritiskt i denna tidsram. Naturligtvis kan man fortsätta denna process. Vad sägs om 10-minuters barer eller 30-minuters barer Vad man brukar hitta från sådana experiment är att det finns en tidsram som optimerar avvägningen mellan strategisk lönsamhet och fyllningsberoende. Det finns emellertid en annan viktig faktor som vi behöver förklara. Om du undersöker handelsrekordet från systemet ser du väsentlig variation i extrem slaghastighet från dag till dag (till exempel är den så hög som 46 på 1018, jämfört med det totala genomsnittet på 22). Faktum är att det finns signifikanta variationer i den extrema slagfrekvensen under varje handelsdag, med satser som stiger under långsammare marknadsintervaller som från 12 till 2:00. Den viktiga förverkligandet som så småningom uppstod till mig är att det som är självklart inte är klocktid (eller 8220wall time8221 i HFT parlance) men handelstid: det vill säga den hastighet vid vilken bransch förekommer. Wall Time vs Trade Time Vad vi behöver göra är att omkonfigurera vårt diagram för att visa barer som omfattar ett visst antal affärer, i stället för ett visst antal minuter. I det här systemet bryr vi oss inte om hur lång tid som har gått i en viss stapel är 3 minuter, 5 minuter eller något annat tidsintervall: allt vi behöver är att baren omfattar samma mängd handelsaktivitet som någon annan stapel. Under högvolymperioder, till exempel när marknaden är öppen eller stängd, kommer handelstiderna att vara kortare, bestående av kanske bara några sekunder. Under långsammare perioder på mitten av dagen kommer det att ta mycket längre tid för samma antal affärer att utföra. Men varje stapel representerar samma nivå av handelsaktivitet, oavsett hur länge en period det kan omfatta. Hur bestämmer du hur kan handla per stapel du vill ha i diagrammet Som en tumregel kommer en strategi att tolerera en extrem träffhastighet mellan 15 och 25, beroende på den dagliga kursen. Antag att strategin i sin ursprungliga implementering har en oacceptabelt hög träffhastighet på 50. Och let8217s säger för att illustrera att varje tidsfält producerar i genomsnitt 1 000 kontrakt. Eftersom volatiliteten vågar ungefär med kvadratroten av tiden, om vi vill minska den extrema träfffrekvensen med en faktor 2, det vill säga från 50 till 25, måste vi öka det genomsnittliga antalet handel per streck med en faktor 22, dvs 4. Så i denna illustration skulle vi behöva volymstänger bestående av 4 000 kontrakt per bar. Naturligtvis är det bara en tumregel 8211 i praktiken skulle man vilja implementera strategin för en mängd olika volymstorlekar i intervallet från kanske 3000 till 6000 kontrakt per streck och utvärdera avvägningen mellan prestanda och fyllningshastighet i varje fall. Med hjälp av detta tillvägagångssätt kommer vi fram till en volymradskonfiguration för E-Mini scalping-strategin på 20 000 kontrakt per bar. På denna 8220time8221-ram reduceras handelsaktiviteten till cirka 20-25 branscher per dag, men med högre vinst och genomsnittlig handelstorlek. Ännu viktigare, den extrema träffhastigheten löper med ett mycket lägre medelvärde på 22, vilket innebär att näringsidkaren måste oroa sig för kanske bara 4 eller 5 branscher per dag som uppträder längst ut i volymstången. I det här scenariot kommer manuell inblandning sannolikt att ha en mycket mindre skadlig inverkan på handelsprestanda och strategin är trovärdig, även på en detaljhandelsplattform. (Obs! Resultaten nedan sammanfattar endast strategins resultat under de senaste sex månaderna, den tidsperiod för vilken volymen är tillgängliga). Avslutande anmärkningar Vi har sett att det är möjligt att i princip genomföra en HFT-scalping-strategi på en detaljhandelsplattform genom att sakta ner den, dvs genom att implementera strategin på staplar med lägre frekvens. Enkelheten hos många HFT alfa-generationsalgoritmer gör dem ofta robusta för generalisering över tidsramar (och ibland även över tillgångar). Ett ännu bättre tillvägagångssätt är att använda volymstänger eller handelstid för att genomföra strategin. Du kan beräkna lämplig streckstorlek med kvadratroten av tidsregeln för att justera streckvolymen för att producera den önskade fyllningsfrekvensen. En extrem slaghastighet om upp till 25 kan vara acceptabelt, beroende på den dagliga handelshastigheten, även om en träffhastighet inom intervallet 10 till 15 normalt skulle vara idealisk. Slutligen ett ord om data. Medan nödvändiga kompromisser kan göras med avseende på handelsplattformen och anslutningsförmågan, gäller inte samma för marknadsdata, som måste vara av högsta kvalitet, både när det gäller aktualitet och fullständighet. Anledningen är självklart, särskilt om man försöker genomföra en strategi i handels tid, där integriteten och latensen av marknadsdata är avgörande. I det här sammanhanget, exempelvis med hjälp av dataflödet från, säger Interactive Brokers, gör det inte bara 8211 data som levereras i 500ms-paket, helt oanpassade för uppgiften. Den näringsidkare måste försöka använda det högsta tillgängliga marknadsdata som han rimligen kan bekosta. Det där undantaget kan man dra slutsatsen att det verkligen är möjligt att genomföra strategier för hög volymskalning, även på en detaljhandelsplattform, med tillräcklig försiktighet vid systemets modellering och implementering.
No comments:
Post a Comment