알고리즘 트레이딩 전략

마지막 업데이트: 2022년 1월 22일 | 0개 댓글
  • 네이버 블로그 공유하기
  • 네이버 밴드에 공유하기
  • 페이스북 공유하기
  • 트위터 공유하기
  • 카카오스토리 공유하기

실전 알고리즘 트레이딩 배우기

5장. 고급 알고리즘 전략
__거래 상품 변동성 조정 트레이딩 전략 구축
____기술적 지표로 거래 상품 변동성 조정
____트레이딩 전략의 변동성 조정
____변동성 알고리즘 트레이딩 전략 조정 평균 회귀 트레이딩 전략
__경제 이벤트 트레이딩 전략
____경제 지표 발표
____경제 지표 발표 포맷
____전자 경제 발표 서비스
____트레이딩과 경제 지표 발표
__통계적 차익 거래의 이해와 구현
____StatArb 기초
____StatArb 리드-래그
____포트폴리오 구성과 관계 조정
____StatArb 인프라 비용
____파이썬 StatArb 트레이딩 전략
__요약

6장. 알고리즘 전략의 위험 관리
__위험 유형과 위험 요인의 구별
____트레이딩 손실 리스크
____규제 위반 리스크
____스푸핑
____호가 스터핑
____종가 뱅잉
____리스크 원천
____리스크 계량화
__리스크 척도의 구분
____손절
____최대 낙폭
____포지션 한도
____포지션 보유 기간
____PnL 분산
____샤프 비율
____기간별 최대 체결수
____최대 거래 규모
____거래량 한도
__리스크 관리 알고리즘 구축
____현실적으로 위험 조정
__요약
4부. 트레이딩 시스템 구축

7장. 파이썬 트레이딩 시스템 구축
__트레이딩 시스템 이해
____게이트웨이
____주문 호가창 관리
____전략
____주문 관리 시스템
____핵심 구성 요소
____주변 구성 요소
__파이썬 트레이딩 시스템 구축
____LiquidityProvider 클래스
____전략 클래스
____OrderManager 클래스
____MarketSimulator 클래스
____TestTradingSimulation 클래스
__지정가 주문 호가창 설계
__요약

8장. 트레이딩 거래소 연결
__트레이딩 시스템을 이용한 거래소 거래
__통신 API 검토
____네트워크 기초
____트레이딩 프로토콜
____FIX 통신 프로토콜
__수신 가격 업데이트
____송신자 코드 예
__주문 실행과 시장 반응 수신
____Acceptor 코드 예제
____기타 트레이딩 API
__요약

9장. 파이썬 백테스트 시스템 구축
__백테스터 구축
____표본 내 데이터 대 표본 외 데이터
____페이퍼 트레이딩(선행 테스트)
____초보적 데이터 저장
____HDF5
____데이터베이스
__올바른 가정 선택
____루프형 백테스트 시스템
____이벤트 주도형 백테스트 시스템
__시간값 평가
__이중 이동 평균 전략 백테스트
____루프형 백테스터
____이벤트 기반 백테스터
__요약
5부. 알고리즘 트레이딩의 도전

10장. 변화하는 시장 참여자와 시장 조건 적응
__백테스터와 라이브시장의 전략 성과 비교
____벡테스터 불안정성의 영향
____시뮬레이션 불안정성의 원인
____라이브 트레이딩에 반응한 백테스팅 및 전략 조정
__알고리즘 트레이딩에서 지속적인 수익성
____알고리즘 트레이딩 전략의 이윤 감소
____시장 조건과 시장 참여자 변화에의 적응
__요약

실전 알고리즘 트레이딩 배우기(데이터 과학) 도서 상세이미지


#실전 #알고리즘 #트레이딩 #배우기

상품필수 정보

도서명 실전 알고리즘 트레이딩 배우기 저자, 출판사 세바스티앙 도나디오.수라브 고쉬 지음, 이기홍 옮김 에이콘출판 크기 188 X 235mm 쪽수 428 제품 구성 낱권 출간일 20210226 목차 또는 책소개 파이썬

ScienceON Chatbot

본 연구는 다수 트레이딩 전략으로 구성된 포트폴리오에서의 손익 예측모델을 통한 전략 선정 알고리즘에 관한 연구이다. 최근 주식시장의 방향성 및 변동성을 예측하기 위해 기계학습을 통한 모델 수립 및 활용에 관한 연구가 활발히 진행이 되고 있다. 그러나 개별 전략의 손익 데이터를 통해 각 전략만의 특성을 활용하여 포트폴리오에 일별 편입 여부를 결정하는 연구는 미흡하였다. 이에 본 연구에서는 기계학습을 통해 전략 포트폴리오 내에서 개별 전략의 일별 편입을 결정하는 모델을 개발하고자 한다. 기계학습 예측 모델 중 지도 학습 모델로서 의사결.

본 연구는 다수 트레이딩 전략으로 구성된 포트폴리오에서의 손익 예측모델을 통한 전략 선정 알고리즘에 관한 연구이다. 최근 주식시장의 방향성 및 변동성을 예측하기 위해 기계학습을 통한 모델 수립 및 활용에 관한 연구가 활발히 진행이 되고 있다. 그러나 개별 전략의 손익 데이터를 통해 각 전략만의 특성을 활용하여 포트폴리오에 일별 편입 여부를 결정하는 연구는 미흡하였다. 이에 본 연구에서는 기계학습을 통해 전략 포트폴리오 내에서 개별 전략의 일별 편입을 결정하는 모델을 개발하고자 한다. 기계학습 예측 모델 중 지도 학습 모델로서 의사결정 트리의 과대적합의 문제가 개선된 랜덤 포레스트(Random Forest) 모델과 분류 예측 방법론에서 일반화 능력이 우수하다고 평가 받는 서포트 벡터 머신(SVM)기법을 활용하여 전략 포트폴리오 구성에 있어서, 각 모델의 장점을 활용할 수 있도록 하는 연구를 수행하였다. 트레이딩 전략은 정해진 규칙의 특성에 따라 투자시장의 변동에 영향을 받아 손익이 결정되므로 전략에는 시장의 정보가 내재되어 있다고 가정한다. 전략의 과거 손익 데이터를 분석함으로서 다음날의 손익을 예측하고, 나아가 전략의 일별 사용 여부를 결정하도록 한다. 최종적으로 선정된 전략으로만 이루어진 포트폴리오로 수익을 향상시키고, 리스크 노출 감소 및 여분 투자금의 분산 투자를 더욱 용이하게 할 수 있는 트레이딩 시스템 개발이 목적이다. 본 연구는 이러한 의사결정을 돕기 위해 KOSPI200 선물 데이트레이딩 전략의 2000년부터 2015년까지의 손익 알고리즘 트레이딩 전략 데이터를 수집하였으며, 통계분석 툴인 R을 활용하여 연구를 수행하였다. 랜덤 포레스트(Random Forest)및 서포트 벡터 머신(SVM)모델을 활용한 결과는 개별 전략의 일별 편입 여부를 결정한 동적인 전략 포트폴리오가 기존 정적인 전략 포트폴리오 방식에 비해 거래일수와 표준편차, 최대 손실폭은 감소하였고, 손익과 승률, Sharp Ratio는 증가 하였다.

Abstract

This research studies a strategy selection algorithm through profit or loss prediction model in a trade portfolio with multiple strategies. Recently, studies on designing and utilizing machine learning models to predict the direction and the volatility of the stock market have 알고리즘 트레이딩 전략 been actively performe.

This research studies a strategy selection algorithm through profit or loss prediction model in a trade portfolio with multiple strategies. Recently, studies on designing and utilizing machine learning models to predict the direction and the volatility of the stock market have been actively performed. However, researches to decide whether to include a strategy to their strategy portfolios everyday using profit and loss data of individual strategies, the characteristics of each strategy, were not sufficient. Therefore, the aim of this study is designing the optimal model to daily determine adding individual strategies to the strategies portfolio through machine learning. Among the machine learning prediction models, Random forest model improved an excessive adaptation problems in the decision tree induction and Support Vector Machine techniques to be evaluated for a better generalization performance in the classification of forecasting techniques, were selected for this research in order to take advantage of the benefits of each model in formulating portfolio strategies. It is assumed that market information was imbedded in the trading strategy because determination of profit and loss is influenced by the market variation. Analyzation on the historical profit and loss data in the strategy predicts the gain or loss on the following day, and determines everyday whether to use strategies or not. Finally, it is the aim of this research to enhance trading system that can reduce risk exposure and facilitate greater portfolio diversification. Profit and loss data of KOSPI200 Futures Day Trading 알고리즘 트레이딩 전략 Strategy from 2000 to 2015 were collected and R, a statistical analysis tool, is used for analyzing. This paper using Random Forest and the SVM model shows that trading frequency, standard deviation, and maximum drawdown reduced; income, Percent Profitable and Sharp Ratio in the dynamic strategy portfolio increased compared to traditional static strategy portfolio approach.

기존의 알고리즘 트레이딩 시스템에서는 투자전략을 금융사가 제공하는 프로그램밍 언어와 API들을 사용하여 사용자가 직접 프로그래밍 하여야 했기에 일반 투자자들이 사용하기에는 많은 어려움이 있어왔다. 따라서 본 논문에서는 사용자가 프로그래밍에 대한 지식이 없어도 손쉽게 자신의 투자전략을 사용자 인터페이스를 통하여 제시하면 이를 통하여 알고리즘이 형성되어 시스템 트레이딩이 수행되도록 하는 사용자 친화적인 트레이딩 시스템을 개발하는 것을 목적으로 한다. 본 시스템은 금융회사의 서버와 주식 정보를 송수신하고 매매를 수행하는 서버 부분과 투자전략을 설정하기 위한 보조지표들로 이루어진 사용자 인터페이스, 이를 기반으로 알고리즘이 생성되는 부분 등으로 구성되어진 클라이언트로 구성되어진다. 제안된 시스템은 모의 투자 실행을 통하여 사용자가 설정한 투자전략에 따라 설정된 알고리즘에 의하여 자동으로 매매가 이루어짐을 통하여 성능을 알고리즘 트레이딩 전략 검증하였다.

In current algorithm trading system, general users need to program their algorithms using programing language and APIs provided from financial companies. Therefore, such environment keeps general personal investors away from using algorithm trading. Therefore, this paper focuses on developing user-friendly algorithm trading system which enables general investors to make their own trading algorithms without knowledge on program language and APIs. In the system, investors input their investment criteria through user interface and this automatically creates their own trading algorithms. The proposed system is composed with two parts: server intercommunicating with financial company server to send and to receive financial informations for trading, and client including user convenience-based user interface representing secondary indexes and strategies, and a part generating algorithm. The proposed system performance is proven through simulated-investment in which user sets up his investment strategy, algorithm is generated, and trading is performed based on the algorithm

steloflute

31. SOBI 전략의 시험 (3) 전략편 / 알고리즘 트레이딩[출처] 31. SOBI 전략의 시험 (3)|작성자 아마퀀트

31. SOBI 전략의 시험 (3)

알고리즘 트레이딩 (Algorithmic Trading) - 전략 (31)SOBI 전략의 시험 (3) SOBI 전략의 시험 (.

알고리즘 트레이딩 (Algorithmic Trading) - 전략 (31)


SOBI 전략의 시험 (1) 글의 덧글 내용 중 Mid VWAP을 구할 때 전체 VWAP으로 계산하는 것이 타당할 것 같다는 의견이 있었다. 포스트에서는 Mid VWAP을 계산할 때 (Ask측 VWAP + Bid측 VWAP) / 2 로 계산했는데, 덧글의 내용은, Mid VWAP = (전체 호가 * 잔량 의 합) / (매수 매도 잔량의 총합)으로 계산하는 것이 타당하다는 의견이었다. 필자도 이 의견이 타당할 것 같아 Market Simulator로 시험해 보았다. 그런데 의외의 결과가 나타나서 정리해 보기로 한다.

이 방식으로 아래와 같이 스크립트를 짜서 여러 차례 돌려보았더니, 지속적으로 손실이 발생하였다. 왜 그럴까 ??


이전 글의 SOBI 전략은 아래의 자료를 참조한 것이다. 아래 자료는 필자가 Market Simulator를 만들 때 참조한 자료로, 펜실베니아 대학과 리만브라더스의 Prop. 팀이 공동으로 수행한 자동 거래 프로젝트 관련 자료였다. 이 자료에 소개된 SOBI 전략의 원문은 아래와 같다.


. known as the Static Order Book Imbalance (SOBI) strategy. This strategy computes volume-weighted average prices (VWAP) of (quartiles of) the PXS buy and sell order books, and compares them to the PXS last price. The basic idea is that if, for example, the VWAP of the buy book is much further from the last price than the VWAP of the sell book, it is a sign that buyers are less supportive of this price than are sellers, as indicated by their limit orders (statistically) standing further off. In this case, SOBI will place an order to sell shares, on the theory 알고리즘 트레이딩 전략 that the weaker buy-side support will cause the price to fall.

이 글의 의도는 Bid측 VWAP과 last price (or Mid price)의 거리 (d1)와 Ask측 VWAP과 last price와의 거리 (d2)를 측정해서 d1 > d2 라면 매도 신호로 이용한다는 것이고, 이전 글의 테스트도 이 원리를 사용했다. 즉, d1 = midPrice - bidVwap 이고 d2 = askVwap - midPrice 이므로, midPrice - bidVwap > askVwap - midPrice 이면 매도 신호이다. 즉 midPrice > (askVwap + bidVwap) / 2 이면 매도 신호이다. 이전 글에서 midVwap = (askVwap + bidVwap) / 2 이므로, midPrice > midVwap 이면 매도 신호이다. --> (방식-1)

그런데 덧글의 내용처럼 midVwap = (전체 호가 * 잔량의 합) / 전체 잔량으로 계산하여 midPrice와 비교하면 위와 같이 손실이 발생한다. --> (방식-2)

(방식-1)과 (방식-2)가 서로 다른 신호를 발생하는 예를 들어보자. 위쪽에 있는 호가창은 잔량에 대해 균형상태에 있다 (Ask와 Bid쪽의 잔량이 정확히 대칭을 이루고 있다). 이 상태에서는 (방식-1) 이나 (방식-2) 모두 균형상태를 가리킨다. 아래에 있는 호가창은 2-번째 호가에서 불균형이 발생하였고 (Ask 측이 얇아지고, Bid 측이 두꺼워 졌다), (방식-1)과 (방식-2)의 신호는 서로 반대로 나타난다 (상세 계산 방식은 첨부 파일 참조).


잔량이 불균형을 이루는 모양은 여러 형태가 있겠지만, 아래와 같이 3가지 형태를 살펴보자. (1)은 가장 간단히 생각해 볼 수 있는 균형 상태이다. (2)는 실제 시장에서 발생하는 균형상태이다. 실제 시장에서는 호가가 시장에서 멀어질수록 잔량이 커지는 분포를 하고 있다. (3)은 불균형이 발생한 상태이고, ask측 distance가 bid측 distance 보다 크므로 매수 신호로 작용한다. 물론, 실제 시장에서는 (3)과 같은 분포가 발생하기는 알고리즘 트레이딩 전략 어렵다. 여기서는 단지 이해를 돕기 위해 과장되게 그려본 것이다.


PLAT project에 소개된 SOBI 전략 (방식-1)은 바로 위 그림의 (3)과 유사한 상태를 (혹은 반대 상태) 포착하는 전략으로 이해된다. 그리고 (방식-2)는 전체 잔량이 어느 쪽이 더 두터운지에 초점을 둔 전략으로 이해된다. Distance를 고려하지 않고 그냥 전체의 VWAP과 mid Price를 비교하려면 매수/매도 신호를 반대로 해석해야 될 것으로 생각된다. 즉, (방식-1)과 (방식-2)는 전혀 다른 알고리즘 트레이딩 전략 의미의 전략이다.

알고리즘 트레이딩 전략

금융시장은 기술향상 및 규제변화 등에 따라 여러방면에서 변화하고 있다. 증권시장 역시 통신기술과 물리적 인프라 구조의 향상을 토대로 알고리즘 트레이딩 전략 진화했고 여전히 진행중에 있다. 이와 함께 알고리즘 트레이딩, 대량의 고빈도 매매(High Frequency Trading) 등은 금융시장에서 보다더 명확해 지고 있는 중이다.

컴퓨터 기반의 트레이딩 즉 AT(알고리즘트레이딩)과 HFT(고빈도매매) 는 일반적인 금융시장의 특성들을 잠식해가고 있다.

최근 이 고빈도매매, 알고리즘 매매 는 선진국의 주식시장에서 폭발적으로 증가했다. 그리고 이것은 지금 프랍트레이딩사와 정량적 헷지펀드전략들로 인해 이머징 마켓으로 흘러들어가고 있는 중이다.

기술발전이 될 수록 알고리즘트레이딩은 주식시장을 알고리즘 트레이딩 전략 뛰어넘어 파생상품, 옵션, 채권, FX 시장 등을 넘나들 것이다.

인도에서는 파생 상품 부문에 대한 참여가 가속화되어 유동성을 유지하고 충분한 깊이를 제공한다. 그 대부분의 F & O (선물옵션) 거래는 Nifty와 Bank Nifty에서 이루어지며, 이는 큰 포지션을 생성하기에 충분한 깊이감을 가진다. 이에 비해 개별 주식은 여전히 ​​많은 참가자를 확보해야 하는 상태다. 한국과 분위기가 상반되는 부문이다.

게다가 스트랭글, 스트레들 그리고 버터플라이스프레드 등과 같은 전통적 전략들이 인도에서 인기 있으며 HFT 를 사용하는 추세다. 한 때 규제당국은 중개인이 기관 고객에게 직접 시장에 접근할 수 있도록 허용한 적도 있었다. 이때 실제로 인도에서는 일반적인 거래와 비교할 수 없는 속도와 빈도로 수익을 창출 할 잠재력 있는 알고리즘 기반 거래가 진행되었다.

너무나 당연하게도, HFT 와같은 새로운 전략들 그리고 알고리즘 트레이딩은 시장의 질을 향상시킬 수 있으며 보다 더 큰 유동성을 보증하고 스프레드를 축소시켜 효율성을 증대시킬 수 있다. 최근 머신러닝기술의 발달은 데이터를 보다 빠르고 정확하게 분석 할 수 있도록 만들었다. 그리고 HFT와 알고리즘 트레이딩의 성공은 가격구성을 촉진하고 트레이딩비용을 낮추고 시장사이의 연결을 개선하여 효율적 시장을 창출한 머신러닝기술의 가치를 입증했다.

알고리즘트레이딩, HFT 등의 복잡한 전략들은 시장 무결성 및 안전성에 미칠 수 있는 영향에 대해 규제 당국의 엄격한 경계를 받아왔다. 그러나 지금 증시 분위기를 보면 시스템트레이딩이 매우 많은 부분에서 이루어지고 있음을 확인할 수 있다.

10년 전만 해도 금융기관은 장부에 큰 거래를 했고, 많은 거래상들이 시장을 움직이지 않고 작은 덩어리로 거래를 시도하고 실행하도록 했다. 오늘날, 많은 큰 거래들은 알고리즘 프로그램을 알고리즘 트레이딩 전략 실행하는 컴퓨터에 공급되고, 그것은 그것들을 작은 패킷으로 자동으로 실행된다. 프로그램된 거래의 가장 큰 장점은 초단위 내의 가격 사이의 차익거래 기회를 포착할 수 있고, 사람 앞에서조차 이익을 얻기 위해 거래를 실행할 수 있다는 것이다.

알고리즘 트레이딩은 아직 혜택이 완전히 실현되지 않은 시장의 새로운 시대를 열었다. 이 새로운 거래 수단에 적응하는 것은 더 나은 결과를 보장할 수 있다. 무역과 거래의 미래는 자동화에 있기 때문에, 알고리즘 거래는 이제 알고리즘 트레이딩 전략 내일의 금융 시장에서 살아남기 위한 '선례'가 되었다. 업계 보고서에 따르면 전 세계 알고리즘 거래 시장 규모는 2019년 111억 달러에서 2024년 188억 달러로 성장해 연평균 복합성장률(CAGR) 11.1%로 확대될 전망이다.

인베스팅딜(http://investingdeal.co.kr) 은 이미 진화중인 금융시장에 발 맞추어 알고리즘전략 플랫폼 및 자동화서비스를 제공하고 있다.

국내에서 다른 누구보다 먼저 알고리즘트레이딩을 연구해온 실제 트레이더들, 회사들, 팀들의 전략을 파인딩하여 이들의 전략을 일반투자자 누구나 자신의 계좌에 연결 및 공유할 수 있도록 하였다.

실제 알고리즘전략 플랫폼에 올라와있는 '마스터' 들의 전략은 인베스팅딜에서 최소 6개월간의 성과심사를 거친 것으로, 현재 국내 대부분에서 이루어지고 있는 '말'로써 행해지는 '전문가 플랫폼' 과는 달리 말주변은 없어도 실제 실력자들만으로 구성될 수 있도록 하였다.


0 개 댓글

답장을 남겨주세요