Popular Algorithmic Trading Strategies

Top 5 Essential Beginner Books untuk Algorithmic Trading Algorithmic trading biasanya dianggap sebagai area yang kompleks bagi pemula untuk mengatasi. Ini mencakup berbagai disiplin ilmu, dengan aspek-aspek tertentu yang memerlukan tingkat kematangan matematika dan statistik yang signifikan. Akibatnya, ini bisa sangat merugikan para pemula. Pada kenyataannya, konsep keseluruhan sangat mudah dipahami, sementara rinciannya dapat dipelajari dengan cara yang berulang-ulang. Keindahan perdagangan algoritmik adalah bahwa tidak perlu menguji pengetahuan tentang modal sebenarnya, karena banyak broker menyediakan simulator pasar yang sangat realistis. Meskipun ada beberapa keberatan yang terkait dengan sistem tersebut, mereka menyediakan lingkungan untuk mendorong tingkat pemahaman yang dalam, tanpa risiko modal sama sekali. Pertanyaan umum yang saya terima dari pembaca QuantStart adalah Bagaimana saya memulai dalam perdagangan kuantitatif. Saya telah menulis panduan pemula untuk perdagangan kuantitatif. Tapi satu artikel tidak bisa berharap bisa meliput keragaman subjek. Jadi saya telah memutuskan untuk merekomendasikan buku catatan quant entry level favorit saya di artikel ini. Tugas pertama adalah mendapatkan gambaran umum yang solid. Saya telah menemukan bahwa jauh lebih mudah untuk menghindari diskusi matematis yang berat sampai dasar-dasar dibahas dan dipahami. Buku terbaik yang saya temukan untuk tujuan ini adalah sebagai berikut: 1) Perdagangan Kuantitatif oleh Ernest Chan - Ini adalah salah satu buku keuangan favorit saya. Dr. Chan memberikan gambaran bagus tentang proses pembuatan sistem perdagangan kuantitatif ritel, dengan menggunakan MatLab atau Excel. Dia membuat subjek sangat mudah didekati dan memberi kesan bahwa setiap orang dapat melakukannya. Meskipun ada banyak rincian yang dilewati (terutama untuk singkatnya), buku ini merupakan pengantar yang bagus tentang bagaimana kerja perdagangan algoritmik. Dia membahas generasi alpha (model perdagangan), manajemen risiko, sistem eksekusi otomatis dan strategi tertentu (terutama momentum dan pengembalian rata-rata). Buku ini adalah tempat untuk memulai. 2) Di dalam Kotak Hitam oleh Rishi K. Narang - Dalam buku ini Dr. Narang menjelaskan secara rinci bagaimana hedge fund kuantitatif profesional beroperasi. Ini dilontarkan pada investor cerdas yang mempertimbangkan apakah akan berinvestasi di kotak hitam semacam itu. Meskipun tampaknya tidak relevan dengan pedagang eceran, buku tersebut benar-benar berisi banyak informasi tentang bagaimana sistem perdagangan quant yang tepat harus dilakukan. Misalnya, pentingnya biaya transaksi dan manajemen risiko digariskan, dengan gagasan tentang di mana mencari informasi lebih lanjut. Banyak pedagang eceran algo bisa melakukannya dengan baik untuk mengambil ini dan melihat bagaimana para profesional menjalankan perdagangan mereka. 3) Algoritma Trading amp DMA oleh Barry Johnson - Algoritma algorithmic trading, dalam industri keuangan, biasanya mengacu pada algoritma eksekusi yang digunakan oleh bank dan broker untuk melakukan trading yang efisien. Saya menggunakan istilah ini untuk mencakup tidak hanya aspek perdagangan, tapi juga perdagangan kuantitatif atau sistematis. Buku ini terutama tentang yang pertama, ditulis oleh Barry Johnson, seorang pengembang perangkat lunak kuantitatif di sebuah bank investasi. Apakah ini berarti tidak ada gunanya untuk barang ritel Tidak sama sekali. Memiliki pemahaman yang lebih dalam tentang bagaimana pertukaran kerja dan struktur mikro dapat sangat membantu profitabilitas strategi ritel. Meski menjadi buku tebal, perlu dipungut. Begitu konsep dasar digenggam, perlu mulai mengembangkan strategi trading. Ini biasanya dikenal sebagai komponen model alpha dari sistem perdagangan. Strategi mudah ditemukan akhir-akhir ini, namun nilai sebenarnya ada dalam menentukan parameter trading Anda sendiri melalui penelitian dan backtesting yang ekstensif. Buku-buku berikut membahas beberapa jenis sistem perdagangan dan eksekusi dan bagaimana cara menerapkannya: 4) Algorithmic Trading oleh Ernest Chan - Ini adalah buku kedua dari Dr. Chan. Dalam buku pertama dia menghindari momentum, pembalikan rata-rata dan strategi frekuensi tinggi tertentu. Buku ini membahas strategi semacam itu secara mendalam dan memberikan rincian pelaksanaan yang signifikan, walaupun dengan kompleksitas matematika lebih banyak daripada yang pertama (mis., Kalman Filter, StationarityCointegration, CADF dll). Strategi, sekali lagi, membuat penggunaan MatLab secara ekstensif namun kodenya dapat dengan mudah dimodifikasi menjadi C, Pythonpandas atau R untuk mereka yang memiliki pengalaman pemrograman. Ini juga memberikan update tentang perilaku pasar terbaru, karena buku pertama ditulis beberapa tahun yang lalu. 5) Perdagangan dan Pertukaran oleh Larry Harris - Buku ini berkonsentrasi pada pasar mikro. Yang saya rasakan secara pribadi adalah area penting untuk dipelajari, bahkan pada tahap awal perdagangan quant. Struktur pasar adalah ilmu bagaimana pelaku pasar berinteraksi dan dinamika yang terjadi dalam buku pesanan. Hal ini terkait erat dengan bagaimana pertukaran berfungsi dan apa yang sebenarnya terjadi ketika sebuah perdagangan ditempatkan. Buku ini kurang tentang strategi trading seperti itu, namun lebih banyak hal yang harus diperhatikan saat merancang sistem eksekusi. Banyak profesional di ruang keuangan quant menganggap ini sebagai buku bagus dan saya juga sangat merekomendasikannya. Pada tahap ini, sebagai pedagang eceran, Anda akan berada di tempat yang baik untuk mulai meneliti komponen lain dari sistem perdagangan seperti mekanisme eksekusi (dan hubungan dalamnya dengan biaya transaksi), serta manajemen risiko dan portofolio. Saya akan mencuss buku untuk topik ini di artikel selanjutnya. Memulai dengan Perdagangan KuantitatifBasika Perdagangan Algoritma: Konsep dan Contoh Algoritma adalah kumpulan instruksi yang didefinisikan secara jelas yang bertujuan untuk melaksanakan tugas atau proses. Perdagangan Algoritma (perdagangan otomatis, perdagangan kotak hitam, atau perdagangan algo-trading) adalah proses menggunakan komputer yang diprogram untuk mengikuti serangkaian instruksi yang ditetapkan untuk menempatkan perdagangan agar menghasilkan keuntungan dengan kecepatan dan frekuensi yang tidak mungkin dilakukan. Pedagang manusia Kumpulan aturan yang ditetapkan didasarkan pada timing, price, quantity atau model matematis. Terlepas dari peluang keuntungan bagi trader, algo-trading membuat pasar lebih likuid dan membuat perdagangan lebih sistematis dengan mengesampingkan dampak emosional manusia pada aktivitas perdagangan. Anggaplah seorang pedagang mengikuti kriteria perdagangan sederhana ini: Beli 50 saham dari saham ketika rata-rata pergerakan 50 hari di atas rata-rata pergerakan 200 hari Menjual saham saat rata-rata pergerakan 50 hari di bawah rata-rata pergerakan 200 hari Dengan menggunakan dua instruksi sederhana ini, mudah untuk menulis program komputer yang secara otomatis memantau harga saham (dan indikator rata-rata bergerak) dan menempatkan pesanan beli dan jual saat kondisi pasti terpenuhi. Pedagang tidak perlu lagi berjaga-jaga untuk harga langsung dan grafik, atau dimasukkan ke dalam pesanan secara manual. Sistem perdagangan algoritmik secara otomatis melakukannya untuknya, dengan mengidentifikasi peluang trading dengan benar. (Untuk lebih lanjut tentang moving averages, lihat: Simple Moving Averages Membuat Trends Stand Out.) Algo-trading memberikan keuntungan sebagai berikut: Perdagangan dieksekusi pada harga terbaik Instan dan penempatan order perdagangan yang akurat (sehingga peluang eksekusi yang tinggi pada tingkat yang diinginkan) Perdagangan Berjangka waktu dengan benar dan seketika, untuk menghindari perubahan harga yang signifikan Mengurangi biaya transaksi (lihat contoh penerapan di bawah ini) Pemeriksaan otomatis simultan pada beberapa kondisi pasar Mengurangi risiko kesalahan manual dalam menempatkan perdagangan Backtest algoritma, berdasarkan data historis dan real time yang ada Dikurangi Kemungkinan kesalahan oleh pedagang manusia berdasarkan faktor emosional dan psikologis Bagian terbesar dari perdagangan algo hari ini adalah perdagangan frekuensi tinggi (HFT), yang mencoba memanfaatkan penempatan sejumlah besar pesanan pada kecepatan yang sangat cepat di beberapa pasar dan beberapa keputusan. Parameter, berdasarkan instruksi yang telah diprogram sebelumnya. (Perdagangan valas yang lebih banyak, lihat: Strategi dan Rahasia Perusahaan Perdagangan Frekuensi Tinggi (HFT)) Algo-trading digunakan dalam berbagai bentuk aktivitas perdagangan dan investasi, termasuk: Investor jangka menengah hingga jangka panjang atau perusahaan penjual beli (dana pensiun , Reksadana, perusahaan asuransi) yang membeli saham dalam jumlah banyak namun tidak ingin mempengaruhi harga saham dengan investasi besar dan volume. Pedagang berjangka pendek dan pelaku jualan (pelaku pasar, spekulan, dan arbitrase) mendapat keuntungan dari pelaksanaan perdagangan otomatis di samping itu, alat bantu perdagangan algo untuk menciptakan likuiditas yang cukup bagi penjual di pasar. Pedagang yang sistematis (pengikut tren, pedagang pasang, hedge fund dll) merasa jauh lebih efisien untuk memprogram peraturan perdagangan mereka dan membiarkan program bertransaksi secara otomatis. Perdagangan algoritma menyediakan pendekatan yang lebih sistematis terhadap perdagangan aktif daripada metode yang didasarkan pada intuisi atau naluri pedagang manusia. Strategi Perdagangan Algoritmik Setiap strategi untuk perdagangan algoritmik memerlukan peluang teridentifikasi yang menguntungkan dalam hal peningkatan pendapatan atau pengurangan biaya. Berikut adalah strategi perdagangan umum yang digunakan dalam algo-trading: Strategi trading algoritmik yang paling umum mengikuti tren dalam moving averages. Saluran berjerawat Pergerakan tingkat harga dan indikator teknis terkait. Ini adalah strategi termudah dan paling sederhana untuk diterapkan melalui perdagangan algoritmik karena strategi ini tidak melibatkan prediksi atau perkiraan harga. Perdagangan dimulai berdasarkan terjadinya tren yang diinginkan. Yang mudah dan lugas untuk diimplementasikan melalui algoritma tanpa masuk ke kompleksitas analisis prediktif. Contoh yang disebutkan di atas tentang rata-rata pergerakan 50 dan 200 hari adalah tren yang populer mengikuti strategi. (Untuk informasi lebih lanjut tentang strategi perdagangan tren, lihat: Strategi Sederhana untuk Memanfaatkan Tren.) Membeli saham yang tercatat ganda dengan harga lebih rendah di satu pasar dan sekaligus menjualnya dengan harga lebih tinggi di pasar lain menawarkan selisih harga sebagai keuntungan bebas risiko Atau arbitrase Operasi yang sama dapat direplikasi untuk instrumen saham versus futures, karena perbedaan harga memang ada dari waktu ke waktu. Menerapkan algoritma untuk mengidentifikasi perbedaan harga tersebut dan menempatkan pesanan memungkinkan peluang menguntungkan secara efisien. Dana indeks telah menetapkan periode penyeimbangan ulang untuk membawa kepemilikan mereka setara dengan indeks benchmark masing-masing. Hal ini menciptakan peluang menguntungkan bagi pedagang algoritmik, yang memanfaatkan perdagangan yang diharapkan yang menawarkan keuntungan 20-80 basis poin bergantung pada jumlah saham dalam dana indeks, sebelum penyeimbangan dana indeks. Perdagangan semacam itu dimulai melalui sistem perdagangan algoritmik untuk eksekusi tepat waktu dan harga terbaik. Banyak model matematis yang telah terbukti, seperti strategi perdagangan delta-netral, yang memungkinkan perdagangan kombinasi pilihan dan keamanan mendasarnya. Dimana perdagangan ditempatkan untuk mengimbangi delta positif dan negatif sehingga delta portofolio dipertahankan pada nol. Strategi pengembalian rata-rata didasarkan pada gagasan bahwa harga aset tinggi dan rendah merupakan fenomena sementara yang kembali ke nilai rata-rata mereka secara berkala. Mengidentifikasi dan menentukan kisaran harga dan menerapkan algoritma berdasarkan pada yang memungkinkan perdagangan ditempatkan secara otomatis saat harga aset turun masuk dan keluar dari kisaran yang ditentukan. Strategi harga rata-rata tertimbang volume memecah pesanan besar dan melepaskan potongan pesanan yang ditentukan secara dinamis dari pesanan ke pasar dengan menggunakan profil volume historis tertentu. Tujuannya adalah untuk melaksanakan order mendekati Volume Weighted Average Price (VWAP), sehingga menguntungkan pada harga rata-rata. Strategi harga rata-rata tertimbang waktu mematahkan pesanan besar dan melepaskan potongan pesanan yang ditentukan secara dinamis dari pesanan ke pasar dengan menggunakan slot waktu yang dibagi rata antara waktu mulai dan akhir. Tujuannya adalah untuk melaksanakan perintah mendekati harga rata-rata antara waktu mulai dan akhir, sehingga meminimalkan dampak pasar. Sampai urutan perdagangan terisi penuh, algoritma ini terus mengirimkan sebagian pesanan, sesuai dengan rasio partisipasi yang ditentukan dan sesuai dengan volume yang diperdagangkan di pasar. Strategi langkah terkait mengirim pesanan pada persentase volume pasar yang ditentukan pengguna dan meningkatkan atau menurunkan tingkat partisipasi ini saat harga saham mencapai tingkat yang ditentukan pengguna. Strategi pelemahan implementasi bertujuan untuk meminimalkan biaya eksekusi suatu pesanan dengan melakukan perdagangan dari pasar real-time, sehingga menghemat biaya pesanan dan mendapatkan keuntungan dari biaya peluang eksekusi yang tertunda. Strategi ini akan meningkatkan tingkat partisipasi yang ditargetkan ketika harga saham bergerak dengan baik dan menurunkannya saat harga saham bergerak negatif. Ada beberapa kelas algoritma khusus yang mencoba mengidentifikasi kejadian di sisi lain. Algoritma sniffing ini, yang digunakan, misalnya, oleh pembuat pasar sell side memiliki kecerdasan bawaan untuk mengidentifikasi adanya algoritma pada sisi pembelian dengan pesanan besar. Deteksi seperti itu melalui algoritma akan membantu pembuat pasar mengidentifikasi peluang ketertiban besar dan memungkinkannya mendapatkan keuntungan dengan memenuhi pesanan dengan harga lebih tinggi. Ini terkadang dikenali sebagai front-running berteknologi tinggi. (Untuk informasi lebih lanjut tentang praktik perdagangan dan penipuan frekuensi tinggi, lihat: Jika Anda Membeli Saham Secara Online, Anda Terlibat dalam HFTs.) Persyaratan Teknis untuk Perdagangan Algoritma Menerapkan algoritma yang menggunakan program komputer adalah bagian terakhir, dipukuli dengan backtesting. Tantangannya adalah mengubah strategi yang teridentifikasi menjadi proses terkomputerisasi terpadu yang memiliki akses ke akun trading untuk menempatkan pesanan. Berikut ini adalah yang diperlukan: Pengetahuan pemrograman komputer untuk memprogram strategi perdagangan yang dibutuhkan, pemrogram yang dipekerjakan atau perangkat lunak perdagangan pra-dibuat Konektivitas jaringan dan akses ke platform perdagangan untuk menempatkan pesanan Akses ke umpan data pasar yang akan dipantau oleh algoritme untuk mendapatkan kesempatan Perintah Kemampuan dan infrastruktur untuk mendukung kembali sistem yang pernah dibangun, sebelum diluncurkan di pasar riil Data historis yang ada untuk backtesting, tergantung pada kompleksitas peraturan yang diterapkan dalam algoritma Berikut adalah contoh komprehensif: Royal Dutch Shell (RDS) terdaftar di Amsterdam Stock Exchange (AEX) dan London Stock Exchange (LSE). Mari kita membangun sebuah algoritma untuk mengidentifikasi peluang arbitrase. Berikut adalah beberapa pengamatan yang menarik: Perdagangan AEX dalam Euro, sementara perdagangan LSE di Sterling Pounds Karena perbedaan waktu satu jam, AEX dibuka satu jam lebih awal dari LSE, diikuti oleh perdagangan bursa secara simultan selama beberapa jam berikutnya dan kemudian diperdagangkan hanya di LSE selama Jam terakhir saat AEX ditutup Dapatkah kita menjelajahi kemungkinan perdagangan arbitrase pada saham Royal Dutch Shell yang terdaftar di dua pasar ini dalam dua mata uang yang berbeda Program komputer yang dapat membaca harga pasar saat ini Harga feed dari kedua LSE dan AEX Sebuah suku bunga valuta asing untuk Nilai tukar GBP-EUR Ketertiban menempatkan kemampuan yang dapat mengarahkan pesanan ke pertukaran yang benar Kemampuan pengujian kembali pada umpan harga historis Program komputer harus melakukan hal berikut: Baca umpan harga yang masuk dari saham RDS dari kedua bursa Dengan menggunakan kurs valuta asing yang tersedia . Ubah harga satu mata uang ke mata uang lainnya Jika ada selisih harga yang cukup besar (diskonto biaya broker) yang mengarah ke peluang yang menguntungkan, maka letakkan pesanan beli di bursa dengan harga lebih rendah dan pesan jual pada harga yang lebih tinggi. Jika pesanan dieksekusi sebagai Yang diinginkan, keuntungan arbitrase akan mengikuti Simple and Easy Namun, praktik perdagangan algoritmik tidak sesederhana itu untuk dipelihara dan dijalankan. Ingat, jika Anda bisa menempatkan perdagangan yang dihasilkan secara algo, demikian juga para pelaku pasar lainnya. Akibatnya, harga berfluktuasi dalam milenium dan bahkan mikrodetik. Dalam contoh di atas, apa yang terjadi jika perdagangan beli Anda akan dieksekusi, tapi menjual perdagangan tidak seperti harga jual berubah pada saat pesanan Anda menyentuh pasar Anda akan akhirnya duduk dengan posisi terbuka. Membuat strategi arbitrase Anda tidak berharga Ada risiko dan tantangan tambahan: misalnya, risiko kegagalan sistem, kesalahan konektivitas jaringan, kelambanan waktu antara pesanan dan eksekusi perdagangan, dan yang terpenting dari semua algoritma yang tidak sempurna. Algoritma yang lebih kompleks, backtesting yang lebih ketat diperlukan sebelum dilakukan. Analisis kuantitatif kinerja algoritma memainkan peran penting dan harus diperiksa secara kritis. Its menarik untuk pergi untuk otomatisasi dibantu oleh komputer dengan gagasan untuk menghasilkan uang dengan mudah. Tapi kita harus memastikan sistem diuji secara menyeluruh dan batas yang dibutuhkan ditetapkan. Analitik pedagang harus mempertimbangkan belajar pemrograman dan membangun sistem mereka sendiri, untuk yakin tentang pelaksanaan strategi yang tepat dengan cara yang sangat mudah. Penggunaan hati-hati dan pengujian menyeluruh terhadap algo-trading dapat menciptakan peluang yang menguntungkan. Jenis struktur kompensasi yang biasanya digunakan oleh hedge fund manager di bagian kompensasi mana yang berbasis kinerja. Perlindungan terhadap hilangnya pendapatan yang akan terjadi jika tertanggung meninggal dunia. Penerima manfaat bernama menerima. Ukuran hubungan antara perubahan kuantitas yang diminta dari barang tertentu dan perubahan harga. Harga. Total nilai pasar dolar dari seluruh saham perusahaan yang beredar. Kapitalisasi pasar dihitung dengan cara mengalikan. Frexit singkatan dari quotFrench exitquot adalah spinoff Prancis dari istilah Brexit, yang muncul saat Inggris memilih. Perintah ditempatkan dengan broker yang menggabungkan fitur stop order dengan pesanan limit. Perintah stop-limit will. Bagaimana Mengidentifikasi Strategi Perdagangan Algoritma Pada artikel ini saya ingin mengenalkan metode kepada saya dimana saya sendiri mengidentifikasi strategi perdagangan algoritmik yang menguntungkan. Tujuan kami hari ini adalah untuk memahami secara rinci bagaimana menemukan, mengevaluasi dan memilih sistem seperti itu. Saya menjelaskan bagaimana mengidentifikasi strategi adalah sebanyak tentang preferensi pribadi karena ini tentang kinerja strategi, bagaimana menentukan jenis dan jumlah data historis untuk pengujian, bagaimana mengevaluasi strategi perdagangan secara tidak hati-hati dan akhirnya bagaimana melangkah menuju fase backtesting dan implementasi strategi. . Mengidentifikasi Preferensi Pribadi Anda Sendiri untuk Perdagangan Agar menjadi trader yang sukses - entah secara discretionally atau algorithmically - Anda perlu bertanya pada diri sendiri beberapa pertanyaan jujur. Trading memberi Anda kemampuan untuk kehilangan uang pada tingkat yang mengkhawatirkan, jadi perlu diketahui diri Anda sebanyak yang diperlukan untuk memahami strategi yang Anda pilih. Saya akan mengatakan pertimbangan terpenting dalam trading adalah menyadari kepribadian Anda sendiri. Perdagangan, dan perdagangan algoritmik pada khususnya, membutuhkan tingkat disiplin, kesabaran dan keterasingan emosional yang signifikan. Karena Anda membiarkan sebuah algoritma melakukan trading Anda untuk Anda, Anda perlu memutuskan untuk tidak mengganggu strategi saat dijalankan. Ini bisa sangat sulit, terutama pada periode penarikan yang diperpanjang. Namun, banyak strategi yang telah terbukti sangat menguntungkan dalam backtest dapat dirusak oleh gangguan sederhana. Pahami bahwa jika Anda ingin memasuki dunia perdagangan algoritmik, Anda akan diuji secara emosional dan agar berhasil, perlu untuk mengatasi kesulitan ini. Pertimbangan selanjutnya adalah salah satu dari waktu. Apakah Anda memiliki pekerjaan penuh waktu Apakah Anda bekerja paruh waktu Apakah Anda bekerja dari rumah atau memiliki perjalanan panjang setiap hari Pertanyaan-pertanyaan ini akan membantu menentukan frekuensi strategi yang harus Anda cari. Bagi Anda yang bekerja penuh waktu, strategi berjangka intraday mungkin tidak sesuai (setidaknya sampai sepenuhnya otomatis). Kendala waktu Anda juga akan menentukan metodologi strategi. Jika strategi Anda sering diperdagangkan dan bergantung pada umpan berita mahal (seperti terminal Bloomberg), Anda pasti harus realistis mengenai kemampuan Anda untuk berhasil menjalankan ini saat berada di kantor. Bagi Anda yang memiliki banyak waktu, atau keterampilan. Untuk mengotomatisasi strategi Anda, Anda mungkin ingin melihat strategi perdagangan frekuensi tinggi yang lebih teknis (HFT). Keyakinan saya adalah bahwa Anda perlu melakukan penelitian terus menerus mengenai strategi trading Anda untuk mempertahankan portofolio yang konsisten menguntungkan. Beberapa strategi tetap berada di bawah radar selamanya. Oleh karena itu porsi yang signifikan dari waktu yang dialokasikan untuk perdagangan akan dilakukan dalam melakukan penelitian yang sedang berlangsung. Tanyakan pada diri Anda apakah Anda siap melakukan ini, karena bisa jadi perbedaan antara profitabilitas yang kuat atau penurunan yang lambat terhadap kerugian. Anda juga perlu mempertimbangkan modal trading Anda. Jumlah minimum ideal ideal yang diterima secara umum untuk strategi kuantitatif adalah 50.000 USD (sekitar 35.000 untuk kami di Inggris). Jika saya mulai lagi, saya akan mulai dengan jumlah yang lebih besar, mungkin mendekati 100.000 USD (sekitar 70.000). Ini karena biaya transaksi bisa sangat mahal untuk strategi frekuensi menengah hingga tinggi dan perlu memiliki modal yang cukup untuk menyerapnya pada saat penarikan. Jika Anda mempertimbangkan untuk memulai dengan kurang dari 10.000 USD maka Anda perlu membatasi diri pada strategi frekuensi rendah, berdagang dalam satu atau dua aset, karena biaya transaksi akan cepat memakan keuntungan Anda. Pialang Interaktif, yang merupakan salah satu pialang ramah bagi mereka yang memiliki keahlian pemrograman, karena API-nya, memiliki akun ritel minimal 10.000 USD. Keterampilan pemrograman merupakan faktor penting dalam menciptakan strategi trading algoritmik otomatis. Menjadi berpengetahuan luas dalam bahasa pemrograman seperti C, Java, C, Python atau R akan memungkinkan Anda membuat penyimpanan data end-to-end, mesin backtest dan sistem eksekusi sendiri. Ini memiliki sejumlah keunggulan, kepala yang merupakan kemampuan untuk sepenuhnya menyadari semua aspek infrastruktur perdagangan. Ini juga memungkinkan Anda untuk mengeksplorasi strategi frekuensi yang lebih tinggi karena Anda akan sepenuhnya mengendalikan tumpukan teknologi Anda. Meskipun ini berarti bahwa Anda dapat menguji perangkat lunak Anda sendiri dan menghilangkan bug, ini juga berarti lebih banyak waktu yang dihabiskan untuk menyusun infrastruktur dan kurang menerapkan strategi, setidaknya di bagian awal karir algo trading Anda. Anda mungkin menemukan bahwa Anda merasa nyaman melakukan trading di Excel atau MATLAB dan dapat melakukan outsourcing pengembangan komponen lainnya. Saya tidak akan merekomendasikan ini namun, terutama untuk perdagangan pada frekuensi tinggi. Anda perlu bertanya pada diri sendiri apa yang ingin Anda capai dengan perdagangan algoritmik. Apakah Anda tertarik dengan penghasilan tetap, di mana Anda berharap dapat menarik penghasilan dari akun trading Anda Atau, apakah Anda tertarik dengan keuntungan modal jangka panjang dan mampu melakukan perdagangan tanpa perlu mencairkan dana Ketergantungan pendapatan akan menentukan frekuensi strategi Anda. . Penarikan pendapatan rutin lebih banyak akan memerlukan strategi perdagangan frekuensi yang lebih tinggi dengan volatilitas yang lebih rendah (yaitu rasio Sharpe yang lebih tinggi). Pedagang jangka panjang mampu menghasilkan frekuensi perdagangan yang lebih tenang. Akhirnya, jangan tertipu oleh gagasan untuk menjadi sangat kaya dalam waktu singkat. Perdagangan Algo BUKAN skema cepat kaya - jika memang itu bisa menjadi skema yang cepat-cepat. Dibutuhkan disiplin, penelitian, ketekunan dan kesabaran yang signifikan untuk sukses dalam perdagangan algoritmik. Ini bisa memakan waktu berbulan-bulan, jika tidak bertahun-tahun, untuk menghasilkan profitabilitas yang konsisten. Sourcing Ide Perdagangan Algoritma Meskipun ada persepsi umum sebaliknya, sebenarnya cukup mudah untuk menemukan strategi perdagangan yang menguntungkan di ranah publik. Tidak pernah ada ide trading yang lebih mudah didapat daripada saat ini. Jurnal keuangan akademis, server pra-cetak, blog perdagangan, forum perdagangan, majalah perdagangan mingguan dan teks khusus memberikan ribuan strategi trading untuk mendasari gagasan Anda. Tujuan kami sebagai peneliti perdagangan kuantitatif adalah untuk membentuk strategi pipa yang akan memberi kita aliran ide perdagangan yang sedang berlangsung. Idealnya kami ingin membuat pendekatan metodis untuk mencari, mengevaluasi dan menerapkan strategi yang kami temukan. Tujuan dari pipeline adalah untuk menghasilkan sejumlah gagasan baru yang konsisten dan memberi kita kerangka untuk menolak sebagian besar gagasan ini dengan minimal pertimbangan emosional. Kita harus sangat berhati-hati untuk tidak membiarkan bias kognitif mempengaruhi metodologi pengambilan keputusan kita. Ini bisa sesederhana memiliki preferensi untuk satu kelas aset di atas yang lain (emas dan logam mulia lainnya muncul dalam pikiran) karena dianggap lebih eksotis. Tujuan kami harus selalu mencari strategi yang menguntungkan secara konsisten, dengan harapan positif. Pilihan kelas aset harus didasarkan pada pertimbangan lain, seperti kendala perdagangan modal, biaya perantara dan kemampuan leverage. Jika Anda benar-benar tidak terbiasa dengan konsep strategi trading maka tempat pertama untuk melihat adalah dengan buku teks mapan. Teks klasik memberikan berbagai gagasan sederhana dan lebih mudah, untuk membiasakan diri dengan perdagangan kuantitatif. Berikut adalah pilihan yang saya rekomendasikan untuk mereka yang baru mengenal perdagangan kuantitatif, yang secara bertahap menjadi lebih canggih saat Anda mengerjakan daftar: Untuk daftar buku kuantitatif trading yang lebih panjang, silakan kunjungi daftar bacaan QuantStart. Tempat berikutnya untuk menemukan strategi yang lebih canggih adalah dengan forum perdagangan dan blog trading. Namun, perhatikan hati-hati: Banyak blog trading mengandalkan konsep analisa teknikal. Analisis teknis melibatkan penggunaan indikator dasar dan psikologi perilaku untuk menentukan tren atau pola pembalikan dalam harga aset. Meskipun sangat populer di ruang perdagangan secara keseluruhan, analisis teknis dianggap agak tidak efektif dalam komunitas keuangan kuantitatif. Beberapa orang menyarankan bahwa itu tidak lebih baik daripada membaca horoskop atau mempelajari daun teh dalam hal kekuatan prediktifnya. Pada kenyataannya ada orang sukses yang memanfaatkan analisis teknis. Namun, sebagai quants dengan kotak peralatan matematis dan statistik yang lebih canggih, kita dapat dengan mudah mengevaluasi keefektifan strategi berbasis TA tersebut dan membuat keputusan berdasarkan data daripada mendasarkan pertimbangan emosional atau prasangka. Berikut adalah daftar blog dan forum perdagangan algoritmik yang sangat dihormati: Begitu Anda memiliki beberapa pengalaman dalam mengevaluasi strategi yang lebih sederhana, sekarang saatnya untuk melihat penawaran akademis yang lebih canggih. Beberapa jurnal akademis akan sulit diakses, tanpa langganan tinggi atau biaya satu kali. Jika Anda adalah anggota atau alumni universitas, Anda harus bisa mendapatkan akses ke beberapa jurnal keuangan ini. Jika tidak, Anda bisa melihat server pra-cetak. Yang merupakan repositori internet dari draf akhir makalah akademis yang sedang menjalani peer review. Karena kita hanya tertarik pada strategi yang dapat berhasil kita tiru, backtest dan dapatkan keuntungan, maka peer review kurang penting bagi kita. Kelemahan utama dari strategi akademis adalah bahwa mereka seringkali bisa ketinggalan zaman, memerlukan data historis yang tidak jelas dan mahal, perdagangan kelas aset tidak likuid atau tidak memperhitungkan biaya, selip atau spread. Juga tidak jelas apakah strategi trading harus dilakukan dengan perintah pasar, membatasi pesanan atau apakah itu berisi stop loss dll. Jadi, sangat penting untuk meniru strategi itu sebaik mungkin, mendukungnya dan menambahkan transaksi realistis. Biaya yang mencakup banyak aspek kelas aset yang Anda inginkan untuk diperdagangkan. Berikut adalah daftar server pra-cetak dan jurnal keuangan yang paling populer sehingga Anda dapat mengemas ide dari: Bagaimana dengan membentuk strategi kuantitatif Anda sendiri Biasanya ini memerlukan ( Namun tidak terbatas pada) keahlian dalam satu atau beberapa kategori berikut: Struktur pasar - Untuk strategi frekuensi yang lebih tinggi, seseorang dapat menggunakan struktur mikro pasar. Yaitu pemahaman dinamika buku pesanan agar bisa menghasilkan profitabilitas. Pasar yang berbeda akan memiliki berbagai keterbatasan teknologi, peraturan, pelaku pasar dan batasan yang semuanya terbuka untuk eksploitasi melalui strategi tertentu. Ini adalah area yang sangat canggih dan praktisi ritel akan merasa sulit untuk bersaing di ruang ini, terutama karena kompetisi tersebut mencakup dana lindung nilai kuantitatif yang besar dan memiliki kapabilitas yang kuat dengan kemampuan teknologi yang kuat. Struktur dana - Dana investasi yang dipusatkan, seperti dana pensiun, kemitraan investasi swasta (hedge fund), penasihat perdagangan komoditas dan reksadana dibatasi oleh peraturan berat dan cadangan modal besar mereka. Dengan demikian perilaku konsisten tertentu bisa dimanfaatkan dengan mereka yang lebih gesit. Misalnya, dana besar tergantung pada keterbatasan kapasitas karena ukurannya. Jadi jika mereka perlu dengan cepat melepaskan (menjual) sejumlah sekuritas, mereka harus terhuyung-huyung untuk menghindari pergerakan pasar. Algoritma yang canggih dapat memanfaatkan hal ini, dan keistimewaan lainnya, dalam proses umum yang dikenal sebagai arbitrase struktur dana. Mesin belajar kecerdasan buatan - Algoritma pembelajaran mesin telah menjadi lebih umum dalam beberapa tahun terakhir di pasar keuangan. Classifiers (seperti Naive-Bayes, dkk.) Pencocokan fungsi non-linear (jaringan syaraf tiruan) dan rutinitas pengoptimalan (algoritma genetika) semuanya telah digunakan untuk memprediksi jalur aset atau strategi perdagangan yang optimal. Jika Anda memiliki latar belakang di bidang ini, Anda mungkin memiliki beberapa wawasan tentang bagaimana algoritme tertentu dapat diterapkan ke pasar tertentu. Ada, tentu saja, banyak daerah lain yang perlu diselidiki. Nah diskusikan bagaimana cara membuat strategi kustom secara detail di artikel selanjutnya. Dengan terus memantau sumber-sumber ini setiap minggu, atau bahkan setiap hari, Anda menyiapkan diri untuk menerima daftar strategi yang konsisten dari beragam sumber. Langkah selanjutnya adalah menentukan cara menolak sebagian besar strategi ini agar meminimalkan pemborosan waktu dan sumber daya backtesting terhadap strategi yang kemungkinan tidak menguntungkan. Mengevaluasi Strategi Perdagangan Pertimbangan pertama, dan bisa dibilang paling jelas adalah apakah Anda benar-benar memahami strateginya. Maukah Anda menjelaskan strategi secara ringkas atau apakah itu memerlukan serangkaian peringatan dan daftar parameter tanpa akhir. Selain itu, apakah strategi tersebut memiliki dasar yang baik dan solid dalam kenyataan Misalnya, dapatkah Anda menunjuk pada beberapa dasar pemikiran atau struktur dana yang membatasi bahwa Mungkin menyebabkan pola yang ingin Anda eksploitasi Apakah kendala ini bertahan terhadap perubahan rezim, seperti gangguan lingkungan peraturan yang dramatis Apakah strategi tersebut bergantung pada peraturan statistik atau matematis yang kompleks Apakah ini berlaku untuk rangkaian waktu keuangan atau Ini spesifik untuk kelas aset yang diklaim menguntungkan pada Anda harus terus memikirkan faktor-faktor ini saat mengevaluasi metode perdagangan baru, jika tidak, Anda mungkin akan membuang banyak waktu untuk melakukan backtest dan mengoptimalkan strategi yang tidak menguntungkan. Setelah Anda menentukan bahwa Anda memahami prinsip dasar strategi yang Anda perlukan untuk memutuskan apakah sesuai dengan profil kepribadian Anda di atas. Ini bukan sebagai pertimbangan yang samar karena kedengarannya Strategi akan berbeda secara substansial dalam karakteristik kinerjanya. Ada tipe kepribadian tertentu yang dapat menangani periode penarikan yang lebih signifikan, atau bersedia menerima risiko lebih besar untuk pengembalian yang lebih besar. Terlepas dari kenyataan bahwa kita, sebagai quants, mencoba dan menghilangkan sebanyak mungkin bias kognitif dan harus dapat mengevaluasi strategi tanpa perasaan, bias akan terus berlanjut. Dengan demikian, kita memerlukan sarana yang konsisten dan tidak emosional untuk mengukur kinerja strategi. . Berikut adalah daftar kriteria yang saya menilai strategi baru yang potensial dengan: Metodologi - Apakah strategi berbasis momentum, revaluasi rata-rata, netral pasar, terarah Apakah strategi mengandalkan teknik statistik atau teknik teknik yang canggih (atau kompleks) yang sulit Untuk memahami dan memerlukan gelar PhD dalam statistik untuk dipegang Apakah teknik ini mengenalkan sejumlah parameter yang signifikan, yang dapat menyebabkan bias optimasi Apakah strategi tersebut cenderung bertahan terhadap perubahan rezim (misalnya peraturan baru yang potensial mengenai pasar keuangan) Rasio Sharpe - Rasio Sharpe Secara heuristik mencirikan rasio rewardrisk strategi. Ini mengkuantifikasi berapa banyak pengembalian yang dapat Anda capai untuk tingkat volatilitas yang dialami oleh kurva ekuitas. Tentu, kita perlu menentukan periode dan frekuensi bahwa tingkat pengembalian dan volatilitas ini (yaitu standar deviasi) diukur di atas. Strategi frekuensi yang lebih tinggi akan memerlukan tingkat sampling deviasi standar yang lebih besar, namun periode pengukuran waktu keseluruhan yang lebih pendek, misalnya. Leverage - Apakah strategi memerlukan leverage yang signifikan agar menguntungkan Apakah strategi tersebut memerlukan penggunaan kontrak derivatif leveraged (futures, options, swaps) untuk mendapatkan pengembalian Kontrak leverage ini dapat memiliki karakteristik volatilitas yang tinggi dan dengan demikian dapat dengan mudah menyebabkan Margin call Apakah Anda memiliki modal perdagangan dan temperamen untuk volatilitas semacam itu Frekuensi - Frekuensi strategi terkait erat dengan tumpukan teknologi Anda (dan dengan demikian keahlian teknologi), rasio Sharpe dan keseluruhan tingkat biaya transaksi. Semua masalah lainnya dipertimbangkan, strategi frekuensi yang lebih tinggi memerlukan modal lebih banyak, lebih canggih dan sulit untuk diterapkan. Namun, dengan asumsi mesin backtesting Anda canggih dan bebas bug, mereka seringkali memiliki rasio Sharpe yang jauh lebih tinggi. Volatilitas - Volatilitas sangat terkait dengan risiko strategi. Rasio Sharpe mencirikan ini. Volatilitas yang lebih tinggi dari kelas aset yang mendasarinya, jika tidak berubah, sering menyebabkan volatilitas yang lebih tinggi pada kurva ekuitas dan dengan demikian rasio Sharpe yang lebih kecil. Saya tentu saja mengasumsikan bahwa volatilitas positif kira-kira sama dengan volatilitas negatif. Beberapa strategi mungkin memiliki volatilitas downside yang lebih besar. Anda harus menyadari atribut ini. WinLoss, Average ProfitLoss - Strategi akan berbeda dalam karakteristik winloss dan average profitloss mereka. Seseorang dapat memiliki strategi yang sangat menguntungkan, bahkan jika jumlah kehilangan perdagangan melebihi jumlah perdagangan yang menang. Strategi Momentum cenderung memiliki pola ini karena mereka mengandalkan sejumlah kecil hit besar agar bisa menguntungkan. Strategi pembalikan rata-rata cenderung memiliki profil yang berlawanan dimana lebih banyak perdagangan adalah pemenang, namun perdagangan yang kalah bisa sangat parah. Drawdown Maksimum - Penarikan maksimum adalah penurunan persentase keseluruhan dari puncak ke puncak terbesar pada kurva ekuitas strategi. Momentum strategi terkenal menderita periode penarikan diperpanjang (karena serangkaian banyak kehilangan perdagangan). Banyak trader akan menyerah pada periode penarikan yang diperpanjang, bahkan jika pengujian historis telah menyarankan bahwa ini adalah bisnis seperti biasa untuk strategi. Anda perlu menentukan berapa persentase penarikan (dan berapa periode waktu) yang dapat Anda terima sebelum menghentikan perdagangan strategi Anda. Ini adalah keputusan yang sangat pribadi dan karenanya harus diperhatikan dengan hati-hati. CapacityLiquidity - Pada tingkat ritel, kecuali jika Anda melakukan perdagangan dengan instrumen yang sangat tidak likuid (seperti saham kecil), Anda tidak perlu terlalu memikirkan kapasitas strategi. Kapasitas menentukan skalabilitas strategi untuk modal lebih lanjut. Banyak dana lindung nilai yang lebih besar mengalami masalah kapasitas yang signifikan karena strategi mereka meningkatkan alokasi modal. Parameter - Strategi tertentu (terutama yang ditemukan di komunitas pembelajaran mesin) memerlukan sejumlah besar parameter. Setiap parameter tambahan bahwa strategi memerlukan daun lebih rentan terhadap bias pengoptimalan (juga dikenal sebagai kurva-pas). Anda harus mencoba dan menargetkan strategi dengan parameter sesedikit mungkin atau pastikan Anda memiliki data dalam jumlah cukup untuk menguji strategi Anda. Benchmark - Hampir semua strategi (kecuali ditandai sebagai return absolut) diukur terhadap beberapa tolok ukur kinerja. Tolok ukur biasanya merupakan indeks yang menjadi ciri sampel besar dari kelas aset dasar yang menjadi strategi perdagangan. Jika strategi memperdagangkan saham AS yang besar, maka SP500 akan menjadi patokan alami untuk mengukur strategi Anda. Anda akan mendengar istilah alpha dan beta, diterapkan pada strategi tipe ini. Kita akan membahas koefisien-koefisien ini secara mendalam dalam artikel selanjutnya. Perhatikan bahwa kita belum membahas pengembalian strategi yang sebenarnya. Mengapa dalam isolasi ini, pengembalian benar-benar memberi kita informasi yang terbatas mengenai keefektifan strategi. Mereka tidak memberi Anda wawasan tentang leverage, volatilitas, tolok ukur atau persyaratan modal. Jadi strategi jarang dinilai pada keuntungan mereka sendiri. Selalu pertimbangkan atribut risiko strategi sebelum melihat hasilnya. Pada tahap ini banyak strategi yang ditemukan dari jaringan pipa Anda akan ditolak, karena mereka tidak memenuhi persyaratan modal, batasan leverage, toleransi penarikan maksimum atau preferensi volatilitas. Strategi yang masih ada sekarang dapat dipertimbangkan untuk melakukan backtesting. Namun, sebelum ini memungkinkan, perlu mempertimbangkan satu kriteria penolakan terakhir - data historis yang tersedia untuk menguji strategi ini. Mendapatkan Data Historis Saat ini, luasnya persyaratan teknis di seluruh kelas aset untuk penyimpanan data historis cukup besar. Agar tetap kompetitif, baik sisi beli (dana) maupun sisi jual (investment bank) banyak berinvestasi di infrastruktur teknis mereka. Sangat penting untuk mempertimbangkan kepentingannya. Secara khusus, kami tertarik pada ketepatan waktu, ketepatan dan persyaratan penyimpanan. Sekarang saya akan menjelaskan dasar-dasar mendapatkan data historis dan bagaimana cara menyimpannya. Sayangnya ini adalah topik yang sangat dalam dan teknis, jadi saya tidak dapat mengatakan semuanya dalam artikel ini. Namun, saya akan menulis lebih banyak tentang hal ini di masa depan karena pengalaman industri terdahulu saya di industri keuangan terutama berkaitan dengan perolehan, penyimpanan, dan akses data keuangan. Pada bagian sebelumnya kami telah menyiapkan strategi pipa yang memungkinkan kami menolak strategi tertentu berdasarkan kriteria penolakan pribadi kami sendiri. Pada bagian ini, kami akan memfilter lebih banyak strategi berdasarkan preferensi kami sendiri untuk mendapatkan data historis. Pertimbangan utama (terutama pada tingkat praktisi ritel) adalah biaya data, persyaratan penyimpanan dan tingkat keahlian teknis Anda. Kita juga perlu membahas berbagai jenis data yang tersedia dan berbagai pertimbangan yang masing-masing jenis data akan berikan pada kita. Mari kita mulai dengan membahas jenis data yang tersedia dan isu utama yang perlu dipikirkan: Data Fundamental - Ini mencakup data tentang tren makroekonomi, seperti suku bunga, angka inflasi, tindakan korporasi (dividen, pembagian saham), pengajuan SEC , Akun perusahaan, angka pendapatan, laporan tanaman, data meteorologi, dll. Data ini sering digunakan untuk menilai perusahaan atau aset lainnya secara fundamental, yaitu melalui beberapa cara arus kas masa depan yang diharapkan. Ini tidak termasuk seri harga saham. Beberapa data fundamental tersedia secara bebas dari situs web pemerintah. Data fundamental historis jangka panjang lainnya bisa sangat mahal. Persyaratan penyimpanan seringkali tidak terlalu besar, kecuali ribuan perusahaan sedang dipelajari sekaligus. Data Berita - Data berita sering bersifat kualitatif. Ini terdiri dari artikel, posting blog, posting microblog (tweets) dan editorial. Teknik belajar mesin seperti pengklasifikasi sering digunakan untuk menginterpretasikan sentimen. Data ini juga sering tersedia secara gratis atau murah, via berlangganan media. Database penyimpanan dokumen NoSQL yang lebih baru dirancang untuk menyimpan data kualitatif terstruktur ini. Data Harga Aset - Ini adalah domain data tradisional dari kuota. Ini terdiri dari deret waktu harga aset. Ekuitas (saham), produk pendapatan tetap (obligasi), komoditas dan harga valuta asing semuanya berada di dalam kelas ini. Data historis harian seringkali mudah diperoleh untuk kelas aset sederhana, seperti ekuitas. Namun, begitu akurasi dan kebersihan disertakan dan bias statistik dilepas, datanya bisa menjadi mahal. Selain itu, data deret waktu sering memiliki persyaratan penyimpanan yang signifikan terutama saat data intraday dipertimbangkan. Instrumen Keuangan - Ekuitas, obligasi, futures dan opsi derivatif yang lebih eksotis memiliki karakteristik dan parameter yang sangat berbeda. Dengan demikian tidak ada satu ukuran yang sesuai dengan semua struktur database yang bisa menampungnya. Perhatian yang signifikan harus diberikan pada perancangan dan implementasi struktur database untuk berbagai instrumen keuangan. Kita akan membahas situasi panjang lebar saat kita membangun database master sekuritas di artikel mendatang. Frekuensi - Semakin tinggi frekuensi data, semakin besar pula kebutuhan biaya dan penyimpanan. Untuk strategi frekuensi rendah, data harian seringkali cukup memadai. Untuk strategi frekuensi tinggi, mungkin perlu untuk mendapatkan data tingkat-tik dan bahkan salinan historis dari data buku pesanan perdagangan dagang tertentu. Menerapkan mesin penyimpanan untuk tipe data ini sangat teknologinya intensif dan hanya cocok untuk mereka yang memiliki latar belakang teknis yang kuat. Tolok ukur - Strategi yang diuraikan di atas akan sering dibandingkan dengan tolok ukur. Ini biasanya memanifestasikan dirinya sebagai rangkaian waktu keuangan tambahan. Untuk ekuitas, ini sering menjadi benchmark saham nasional, seperti indeks SP500 (AS) atau FTSE100 (Inggris). Untuk dana pendapatan tetap, ada gunanya membandingkan dengan sekeranjang obligasi atau produk pendapatan tetap. Tingkat bebas risiko (yaitu suku bunga yang sesuai) juga merupakan tolok ukur yang banyak diterima. Semua kategori kelas aset memiliki tolok ukur yang disukai, jadi perlu dilakukan penelitian berdasarkan strategi khusus Anda, jika Anda ingin menarik minat strategi Anda secara eksternal. Teknologi - Tumpukan teknologi di belakang pusat penyimpanan data keuangan sangat kompleks. Artikel ini hanya bisa menggores permukaan tentang apa saja yang terlibat dalam membangunnya. Namun, ini berpusat di sekitar mesin database, seperti Relational Database Management System (RDBMS), seperti MySQL, SQL Server, Oracle atau Document Storage Engine (yaitu NoSQL). Ini diakses melalui kode aplikasi logika bisnis yang menanyakan database dan menyediakan akses ke alat eksternal, seperti MATLAB, R atau Excel. Seringkali logika bisnis ini ditulis di C, C, Java atau Python. Anda juga perlu meng-host data ini di suatu tempat, baik di komputer pribadi Anda, atau dari jarak jauh melalui server internet. Produk seperti Amazon Web Services telah membuat ini lebih sederhana dan murah dalam beberapa tahun terakhir, namun masih memerlukan keahlian teknis yang signifikan untuk dicapai dengan cara yang kuat. As can be seen, once a strategy has been identified via the pipeline it will be necessary to evaluate the availability, costs, complexity and implementation details of a particular set of historical data. You may find it is necessary to reject a strategy based solely on historical data considerations. This is a big area and teams of PhDs work at large funds making sure pricing is accurate and timely. Do not underestimate the difficulties of creating a robust data centre for your backtesting purposes I do want to say, however, that many backtesting platforms can provide this data for you automatically - at a cost. Thus it will take much of the implementation pain away from you, and you can concentrate purely on strategy implementation and optimisation. Tools like TradeStation possess this capability. However, my personal view is to implement as much as possible internally and avoid outsourcing parts of the stack to software vendors. I prefer higher frequency strategies due to their more attractive Sharpe ratios, but they are often tightly coupled to the technology stack, where advanced optimisation is critical. Now that we have discussed the issues surrounding historical data it is time to begin implementing our strategies in a backtesting engine. This will be the subject of other articles, as it is an equally large area of discussion Just Getting Started with Quantitative Trading