Algoritmo En Línea Promedio Móvil

Media móvil Este ejemplo le enseña cómo calcular el promedio móvil de una serie de tiempo en Excel. Una gran ventaja se utiliza para suavizar las irregularidades (picos y valles) para reconocer fácilmente las tendencias. 1. En primer lugar, echemos un vistazo a nuestra serie de tiempo. 2. En la ficha Datos, haga clic en Análisis de datos. Nota: no puede encontrar el botón Análisis de datos Haga clic aquí para cargar el complemento Herramientas de análisis. 3. Seleccione Media móvil y haga clic en Aceptar. 4. Haga clic en el cuadro Rango de entrada y seleccione el rango B2: M2. 5. Haga clic en el cuadro Interval y escriba 6. 6. Haga clic en el cuadro Rango de salida y seleccione la celda B3. 8. Trazar un gráfico de estos valores. Explicación: dado que establecemos el intervalo en 6, el promedio móvil es el promedio de los 5 puntos de datos anteriores y el punto de datos actual. Como resultado, los picos y valles se suavizan. El gráfico muestra una tendencia creciente. Excel no puede calcular el promedio móvil para los primeros 5 puntos de datos porque no hay suficientes puntos de datos anteriores. 9. Repita los pasos 2 a 8 para el intervalo 2 y el intervalo 4. Conclusión: Cuanto mayor sea el intervalo, más se suavizarán los picos y los valles. Cuanto más pequeño sea el intervalo, más se acercarán las medias móviles a los puntos de datos reales. Los promedios móviles sencillos hacen que las tendencias se destacan Los promedios móviles (MA) son uno de los indicadores técnicos más populares y utilizados con más frecuencia. El promedio móvil es fácil de calcular y, una vez trazada en un gráfico, es una poderosa herramienta de detección de tendencias visuales. A menudo se oye hablar de tres tipos de media móvil: simple. Exponencial y lineal. El mejor lugar para comenzar es entender lo más básico: el promedio móvil simple (SMA). Echemos un vistazo a este indicador y cómo puede ayudar a los comerciantes a seguir las tendencias hacia mayores beneficios. (Para obtener más información sobre los promedios móviles, consulte nuestro tutorial de Forex.) Líneas de tendencia No puede haber una comprensión completa de los promedios móviles sin una comprensión de las tendencias. Una tendencia es simplemente un precio que sigue moviéndose en una dirección determinada. Hay sólo tres tendencias reales que una seguridad puede seguir: Una tendencia alcista. O tendencia alcista, significa que el precio se está moviendo más alto. Una tendencia a la baja. O tendencia bajista, significa que el precio se está moviendo más bajo. Una tendencia lateral. Donde el precio se está moviendo hacia los lados. Lo importante para recordar acerca de las tendencias es que los precios rara vez se mueven en línea recta. Por lo tanto, las líneas de media móvil se utilizan para ayudar a un comerciante más fácilmente identificar la dirección de la tendencia. (Para una lectura más avanzada sobre este tema, vea Los fundamentos de las bandas de Bollinger y los sobres de media móvil: Refinación de una herramienta de comercio popular.) Construcción de media móvil La definición de un promedio móvil de un libro es un precio promedio para un valor que utiliza un período de tiempo especificado. Tomemos la media móvil muy popular de 50 días como ejemplo. Un promedio móvil de 50 días se calcula tomando los precios de cierre de los últimos 50 días de cualquier valor y agregándolos juntos. El resultado del cálculo de la adición se divide entonces por el número de períodos, en este caso 50. Para continuar calculando la media móvil diariamente, reemplace el número más antiguo por el precio de cierre más reciente y haga la misma matemática. No importa cuán largo o corto de un promedio móvil que está buscando para trazar, los cálculos básicos siguen siendo los mismos. El cambio será en el número de precios de cierre que utiliza. Así, por ejemplo, una media móvil de 200 días es el precio de cierre de 200 días sumados y luego divididos por 200. Verá todo tipo de promedios móviles, desde promedios móviles de dos días a promedios móviles de 250 días. Es importante recordar que debe tener un cierto número de precios de cierre para calcular el promedio móvil. Si una garantía es nueva o sólo tiene un mes de antigüedad, no podrá hacer una media móvil de 50 días porque no tendrá un número suficiente de puntos de datos. Además, es importante tener en cuenta que hemos elegido utilizar los precios de cierre en los cálculos, pero las medias móviles se pueden calcular usando precios mensuales, precios semanales, precios de apertura o incluso precios intradía. Figura 1: Un promedio móvil simple en Google Inc. La Figura 1 es un ejemplo de una media móvil simple en un gráfico de acciones de Google Inc. (Nasdaq: GOOG). La línea azul representa una media móvil de 50 días. En el ejemplo anterior, se puede ver que la tendencia se ha estado moviendo más bajo desde finales de 2007. El precio de las acciones de Google cayó por debajo de la media móvil de 50 días en enero de 2008 y continuó hacia abajo. Cuando el precio cruza por debajo de un promedio móvil, puede ser utilizado como una simple señal comercial. Un movimiento por debajo de la media móvil (como se muestra arriba) sugiere que los osos están en control de la acción del precio y que el activo probablemente se moverá más bajo. Por el contrario, una cruz por encima de un promedio móvil sugiere que los toros están en control y que el precio puede estar listo para hacer un movimiento más alto. Otras maneras de utilizar los promedios móviles Los promedios móviles son utilizados por muchos comerciantes para no sólo identificar una tendencia actual, sino también como una estrategia de entrada y salida. Una de las estrategias más simples se basa en el cruce de dos o más promedios móviles. La señal básica se da cuando el promedio a corto plazo cruza por encima o por debajo del promedio móvil a más largo plazo. Dos o más promedios móviles le permiten ver una tendencia a largo plazo en comparación con una media móvil a corto plazo es también un método fácil para determinar si la tendencia está ganando fuerza o si está a punto de revertir. Figura 2: Un promedio móvil a largo plazo ya corto plazo en Google Inc. La Figura 2 usa dos medias móviles, una de largo plazo (50 días, mostrada por el Línea azul) y el otro plazo más corto (15 días, indicado por la línea roja). Este es el mismo gráfico de Google que se muestra en la Figura 1, pero con la adición de las dos medias móviles para ilustrar la diferencia entre las dos longitudes. Notará que la media móvil de 50 días es más lenta para ajustarse a los cambios de precios. Porque utiliza más puntos de datos en su cálculo. Por otro lado, la media móvil de 15 días es rápida para responder a los cambios de precios, ya que cada valor tiene una mayor ponderación en el cálculo debido al horizonte temporal relativamente corto. En este caso, usando una estrategia cruzada, usted observaría el promedio de 15 días para cruzar por debajo de la media móvil de 50 días como entrada para una posición corta. Figura 3: Un período de tres meses Lo anterior es un gráfico de tres meses de United States Oil (AMEX: USO) con dos promedios móviles simples. La línea roja es el promedio móvil más corto de 15 días, mientras que la línea azul representa el promedio móvil más largo de 50 días. La mayoría de los comerciantes utilizarán el cruce de la media móvil a corto plazo por encima de la media móvil a largo plazo para iniciar una posición larga e identificar el inicio de una tendencia alcista. (Obtenga más información acerca de cómo aplicar esta estrategia en Trading The MACD Divergence.) El soporte se establece cuando un precio es tendencia hacia abajo. Hay un punto en el que la presión de venta disminuye y los compradores están dispuestos a intervenir. En otras palabras, se establece un piso. La resistencia ocurre cuando un precio está tendiendo hacia arriba. Llega un punto cuando la fuerza de compra disminuye y los vendedores paso pulg Esto establecería un techo. (Para más explicaciones, lea Apoyo a la Resistencia Básica.) En cualquier caso, un promedio móvil puede ser capaz de señalar un soporte temprano o un nivel de resistencia. Por ejemplo, si una seguridad está a la deriva más baja en una tendencia alcista establecida, entonces no sería sorprendente ver el soporte de encontrar acciones en un largo plazo de 200 días de media móvil. Por otro lado, si el precio es más bajo, muchos comerciantes verán que el stock rebote la resistencia de los principales promedios móviles (SMAs de 50 días, 100 días y 200 días). (Para más información sobre el uso de soporte y resistencia para identificar tendencias, lea Trend-Spotting con la línea de acumulación / distribución). Conclusión Los promedios móviles son herramientas poderosas. Un simple promedio móvil es fácil de calcular, lo que le permite ser empleado con bastante rapidez y facilidad. Una fuerza más grande de los medios móviles es su capacidad de ayudar a un comerciante a identificar una tendencia actual oa manchar una inversión posible de la tendencia. Las medias móviles también pueden identificar un nivel de soporte o resistencia para la seguridad, o actuar como una simple señal de entrada o salida. Los desafíos que enfrentan los algoritmos de HFT competidores Jacob Loveless, Sasha Stoikov y Rolf Waeber HFT (comercio de alta frecuencia) ha surgido como una poderosa fuerza en el mercado de alta frecuencia. Mercados financieros modernos. Hace sólo 20 años, la mayor parte del volumen de operaciones se produjo en bolsas como la Bolsa de Valores de Nueva York, donde los seres humanos vestidos con trajes de colores brillantes gesticularían y gritarían sus intenciones comerciales. Hoy en día, el comercio se produce principalmente en servidores electrónicos en centros de datos, donde las computadoras comunican sus intenciones comerciales a través de mensajes de red. Esta transición de los intercambios físicos a las plataformas electrónicas ha sido particularmente rentable para las empresas de HFT, que invirtieron fuertemente en la infraestructura de este nuevo entorno. Aunque el aspecto del lugar y de sus participantes ha cambiado drásticamente, el objetivo de todos los comerciantes, ya sean electrónicos o humanos, sigue siendo el mismo: comprar un activo de un lugar / comerciante y venderlo a otro lugar / comerciante por un precio más alto. La diferencia determinante entre un operador humano y un HFT es que éste último puede reaccionar más rápido, con más frecuencia y tiene períodos de retención de cartera muy cortos. Un algoritmo HFT típico opera en la escala de tiempo de sub-milisegundo, donde los comerciantes humanos no pueden competir, ya que el parpadeo de un ojo humano dura aproximadamente 300 milisegundos. Como los algoritmos HFT compiten entre sí, se enfrentan a dos desafíos: toro que reciben grandes cantidades de datos cada microsegundo. Bull Deben ser capaces de actuar extremadamente rápido sobre los datos recibidos, ya que la rentabilidad de las señales que están observando decae muy rápidamente. Los algoritmos en línea proporcionan una clase natural de algoritmos adecuados para aplicaciones HFT. En un problema en línea, las nuevas variables de entrada se revelan secuencialmente. Después de cada nueva entrada, el algoritmo necesita tomar una decisión, por ejemplo, si desea o no enviar una transacción. Esto está en marcado contraste con un problema fuera de línea, que supone que todos los datos de entrada están disponibles en el momento de la toma de decisiones. Muchos problemas prácticos de optimización abordados en aplicaciones informáticas y de investigación de operaciones son problemas en línea. 1 Además de resolver un problema en línea, los algoritmos HFT también necesitan reaccionar extremadamente rápido a las actualizaciones del mercado. Para garantizar un tiempo de reacción rápido, el manejo eficiente de la memoria es una necesidad para un algoritmo de negociación en vivo. Mantener una gran cantidad de datos en la memoria reducirá la velocidad de cualquier CPU, por lo que es importante que un algoritmo utiliza sólo una cantidad mínima de datos y parámetros, que se pueden almacenar en la memoria de acceso rápido, como la caché L1. Además, estos factores deben reflejar el estado actual del mercado y deben actualizarse en tiempo real cuando se observen nuevos puntos de datos. En resumen, cuanto más pequeño sea el número de factores que se deben mantener en memoria y cuanto más simple sea el cálculo necesario para actualizar cada factor, más rápido será un algoritmo capaz de reaccionar a las actualizaciones del mercado. Basado en el requisito de velocidad y la naturaleza en línea de los problemas de HFT, la clase de algoritmos de un paso es especialmente adecuada para aplicaciones HFT. Estos algoritmos reciben un punto de datos a la vez y lo utilizan para actualizar un conjunto de factores. Después de la actualización, el punto de datos se descarta y sólo los factores actualizados se mantienen en la memoria. Pueden surgir tres problemas en los algoritmos HFT. La primera es la estimación de un promedio de liquidez que puede ser útil para un HFT al determinar el tamaño de un pedido que es probable que se ejecute con éxito en un intercambio electrónico particular. El segundo problema es una estimación de la volatilidad en curso, que puede ayudar a cuantificar el riesgo a corto plazo de una posición. El tercer problema es una regresión lineal en ejecución, la cual puede ser usada en pares comerciales de activos relacionados. Cada uno de estos problemas puede ser resuelto eficientemente usando un algoritmo one-pass en línea. En este artículo retrocedemos el rendimiento de los algoritmos de un paso en los datos de los libros de órdenes limitados para los ETF altamente líquidos (fondos negociados en bolsa) y describimos cómo calibrar estos algoritmos en la práctica. Algoritmos en línea en HFT La ventaja que HFT tiene sobre otros participantes en el mercado es la velocidad de reacción. Las empresas de HFT son capaces de ver cada acción en el mercado, es decir, la información contenida en el orden de límite y reaccionar dentro de microsegundos. Aunque algunos algoritmos HFT pueden basar sus acciones en una fuente de información fuera del mercado (por ejemplo, analizando informes de noticias, midiendo la temperatura o midiendo el sentimiento del mercado), la mayoría basan sus decisiones únicamente en los mensajes que llegan al mercado. Según algunas estimaciones, hay aproximadamente 215,000 actualizaciones de cotizaciones por segundo en la Bolsa de Valores de Nueva York. 4 El desafío para los HFTs es procesar estos datos de una manera que les permita tomar decisiones, como cuándo entrar en posiciones o reducir el riesgo. Los ejemplos utilizados en este artículo suponen que los HFT pueden observar cada actualización de los mejores precios de oferta y de oferta, incluidos los mejores tamaños de ofertas y solicitudes. Este subconjunto de información contenida en el libro de órdenes de límite se conoce a menudo como la información del libro de órdenes de Nivel-I. Los siguientes tres ejemplos de algoritmos en línea, cada uno motivado con una aplicación en HFT, se describen en detalle en este artículo: Bull algoritmo en línea media. Ilustrado por la construcción de un factor que predice la liquidez disponible, definida como la suma de los tamaños a la mejor oferta y la mejor pregunta, en un horizonte fijo en el futuro. Esta cantidad puede ser útil para estimar qué tamaño de orden es probable que se ejecute en las mejores cotizaciones en una latencia dada. Bull Algoritmo de varianza en línea. Ilustrado por la construcción de un factor que predice la volatilidad realizada sobre un horizonte fijo en el futuro. Esta cantidad puede ser útil para estimar el riesgo a corto plazo de mantener el inventario. Bull Algoritmo de regresión en línea. Ilustrado por la construcción de un factor que predice el PNL esperado (ganancias y pérdidas) de una posición de largo-corto en dos activos relacionados. Esto puede ser útil en la construcción de una señal que indica cuándo es probable que una posición larga-corta sea rentable. En los tres casos, el algoritmo tiene un solo parámetro, alfa, que controla la velocidad a la que se olvida la información antigua. La figura 1 representa la medida de liquidez bruta (tamaño de oferta más tamaño de solicitud) en azul. El rojo y el verde representan el factor de liquidez en línea, con alpha0.9 y alpha0.99, respectivamente. Tenga en cuenta que al acercarse alpha a un valor de 1, la señal se vuelve más suave y rastrea de manera eficiente la tendencia en los datos subyacentes. La figura 2 traza la medida de volatilidad en línea para varios valores de alfa. Una vez más, observe que la medida es más suave para un alfa mayor. Aunque un alfa mayor proporciona una señal más suave, también se retrasa más detrás de la tendencia subyacente, ya que da mucho peso a los datos más antiguos. Como se analiza más adelante, la elección de un valor para alfa se traduce en una compensación entre una señal suave y un menor rezago de la tendencia. Para ilustrar el algoritmo de regresión en línea, observamos la serie temporal de los precios medios de SPY y SSO, dos ETFs altamente relacionados (SSO es la versión de doble apalancamiento de SPY). Como se muestra en la figura 3, la relación entre los dos activos parece muy cercana a lineal en el curso de un día. La figura 4 representa la media en línea y la interceptación de dos valores de alfa. Algoritmos de un paso Como se indica por su nombre, un algoritmo de un paso lee cada variable de entrada exactamente una vez y luego la descarta. Este tipo de algoritmo es muy eficiente en términos de manejo de memoria, ya que requiere sólo una cantidad mínima de datos para ser almacenados en la memoria. Esta sección presenta tres ejemplos importantes de algoritmos de un paso en línea: el promedio móvil exponencial, la varianza exponencialmente ponderada y la regresión exponencialmente ponderada. La siguiente sección describe la aplicación de estos algoritmos para HFT. En primer lugar, echemos un vistazo brevemente a la media móvil simple de una serie de tiempo. Esta es una estimación de la media de una serie de tiempo sobre una ventana móvil de un tamaño fijo. En finanzas, a menudo se utiliza para detectar tendencias en el precio, en particular comparando dos promedios móviles simples: uno sobre una ventana larga y uno sobre una ventana corta. En otra aplicación, el volumen negociado promedio durante los últimos cinco minutos puede servir como una predicción del volumen comercializado en el minuto siguiente. En contraste con el promedio móvil exponencial, el promedio móvil simple no puede ser resuelto con un algoritmo de un paso. Sea (X t) t X 0, X 1, X 2. Ser la secuencia observada de variables de entrada. En cualquier momento t queremos predecir el siguiente resultado X t1. Para M gt ​​0 y t ge M. El promedio móvil simple con el tamaño de ventana M se define como el promedio de las últimas M observaciones en la serie de tiempo (X t) t mdashque es,. El promedio móvil también se puede calcular a través de la siguiente recursividad: Si bien este es un algoritmo en línea, no es un algoritmo de un paso, ya que necesita acceder a cada punto de datos de entrada exactamente dos veces: una vez para agregar a la media móvil y luego Nuevamente para dejarlo fuera de la estimación de la media móvil. Tal algoritmo se conoce como un algoritmo de dos pasadas y requiere mantener una matriz completa de tamaño M en la memoria. Ejemplo 1: Promedio ponderado exponencial de un paso En contraste con el promedio regular, el promedio ponderado exponencial asigna un peso exponencialmente decreciente a observaciones más antiguas: Aquí alfa es un parámetro de ponderación escogido por el usuario y necesita satisfacer 0 lt alfa 1. Este promedio ponderado exponencial da más importancia a la entrada más reciente comparada con puntos más viejos de los datos, se considera a menudo ser una buena aproximación de la media móvil simple. Comparado con el promedio móvil simple, el promedio ponderado exponencial toma en cuenta todos los datos anteriores, no solo las últimas M observaciones. Para comparar la media móvil simple y el promedio ponderado exponencial, la figura 5 muestra cuántos puntos de datos reciben 80, 90, 95, 99 y 99,9 por ciento del peso en la estimación en función de alfa. Por ejemplo, si alfa 0.95, entonces los últimos M 90 puntos de datos observados contribuyen al 99 por ciento del valor estimado. Como advertencia, si la serie temporal (X t) t tiene colas muy pesadas, entonces el promedio suavizado exponencial podría estar dominado por una observación extrema, mientras que el promedio móvil es menos propenso a observaciones extremas ya que eventualmente caen fuera de la ventana de observación . El reinicio frecuente del procedimiento de estimación puede resolver este efecto de memoria a largo plazo del suavizado exponencial. La razón para favorecer el promedio móvil exponencial sobre la media móvil simple en HFT es que puede ser resuelto eficientemente usando un algoritmo de un paso, introducido inicialmente en Brown (1956). 3 Esta fórmula también proporciona una interpretación sencilla del parámetro alfa como un control de cuánto peso se da a la observación más reciente, en comparación con todas las observaciones anteriores. Ejemplo 2: Varianza exponencialmente ponderada de un paso La suavización exponencial descrita en la sección anterior estima un promedio móvil de una serie temporal. En finanzas, la volatilidad de una serie de tiempo es a menudo un factor importante también. Hablando en términos generales, la volatilidad debe captar cuánto una serie de tiempo fluctúa alrededor de su media. No existe una definición ampliamente aceptada de volatilidad para los datos financieros de alta frecuencia. Esta sección considera la volatilidad como la desviación estándar (raíz cuadrada de varianza) de un punto de datos en la serie temporal (X t) t. Al igual que el promedio móvil ponderado exponencialmente de la sección anterior, se puede construir un algoritmo de un paso en línea que estima la volatilidad de la serie temporal (X t) t con un esquema de ponderación exponencial. La varianza de una variable aleatoria se define como Var (X) E X - E X) 2. La estimación de la varianza ponderada exponencial de la serie temporal requiere dos estimadores: uno que estima la media EX y uno que estima la varianza: La desviación estándar del próximo punto de medición X t1 se estima entonces como. De nuevo, el parámetro de entrada alpha isin (0,1) es elegido por el usuario y refleja la cantidad de peso asignado a los puntos de datos más antiguos en comparación con la última entrada de datos observada. Aquí, hemos inicializado el estimador de la varianza con 1, que es una elección bastante arbitraria. Otra forma es tener un período inicial de burn-in para el cual se observa la serie de tiempo (X t) t y se puede usar un estimador de varianza estándar de la serie sobre esta ventana de tiempo de inicio para inicializar el estimador. Por supuesto, puede utilizarse un método similar para inicializar el estimador del estimador ponderado exponencialmente. Ejemplo 3: Algoritmo de un paso para la regresión lineal ponderada exponencialmente El último ejemplo es un algoritmo de un paso en línea para el modelo de regresión lineal ponderado exponencialmente. Este modelo es similar a la regresión lineal ordinaria, pero de nuevo da más importancia (de acuerdo a una ponderación exponencial) a observaciones recientes que a observaciones más antiguas. Como ya se ha mostrado, estos métodos de regresión son muy útiles en las estrategias de HFT para estimar la relación de diferentes activos, que pueden ser, por ejemplo, explotados en la creación de estrategias de negociación de pares. En este modelo consideramos una serie de tiempo bidimensional (X t, Y t) t y conjeturamos que las variables X e Y están relacionadas a través de una relación lineal que está corrompida por un término de ruido epsilon t con media cero. Es decir, la variable Y se denomina variable de respuesta, mientras que X se denomina variable explicativa. Por simplicidad permite asumir sólo una variable explicativa aquí, pero la extensión a varias variables explicativas es sencillo. En el enfoque fuera de línea estándar para la regresión lineal, los parámetros beta 0 y beta 1 se calibran después de observarse todos los puntos de datos. Estos puntos de datos se recopilan en un vector Y (Y0.Y1.Yt) T y una matriz La columna de unos en la matriz X corresponde a la intersección en la ecuación 3. Si escribimos los parámetros beta 0 y beta 1 Como una matriz vectorial, es decir, beta (beta 0, beta 1) T que la relación entre Y y X puede escribirse convenientemente en notación matricial donde epsilon es un vector de términos de ruido estocástico y cada uno de estos términos de error tiene media cero. El método más común para estimar el parámetro beta es el uso de la estimación de mínimos cuadrados ordinarios, es decir, se elige beta de manera que minimiza la suma de los residuos cuadrados. La solución a este problema de minimización es. Al igual que en las estimaciones de media y varianza, los puntos de datos más recientes deberían ser más importantes para la estimación del parámetro beta. Además, un algoritmo de un paso para beta es necesario para el cálculo rápido. Next permite considerar un método recursivo que actualiza secuencialmente la versión beta y minimiza. De nuevo, el parámetro alpha debe estar en el rango (0,1) y es elegido por el usuario. Los parámetros beta 0 y beta 1 de la estimación de mínimos cuadrados ponderados se pueden calcular con un eficiente algoritmo one-pass en línea. En cada paso del algoritmo se necesita guardar en memoria una matriz 2 veces 2 M t y un vector V t 2 veces 1 y actualizarse con un nuevo punto de datos de acuerdo con la siguiente recursión: En cuanto al estimador de media y varianza, la inicialización De la recursión se puede hacer usando un período de quemado. Finalmente, después del tiempo t. La mejor estimación de beta es. En la literatura este método también se llama mínimos cuadrados recursivos con el olvido exponencial. 2 Estimación de Alfa ¿Cómo se decide el valor óptimo de alfa, el parámetro de todos estos modelos en línea? Nuestro enfoque para los tres modelos es definir una función de respuesta que pretendemos predecir y minimizar el error cuadrático entre la respuesta ri y Nuestro factor fi. Este método encuentra el alfa óptimo en una serie temporal histórica. Otro enfoque sería estimar el alpha óptimo en línea también. Esto, sin embargo, requiere más trabajo y va más allá del alcance de este artículo. Ahora proporcionamos los detalles sobre los estimadores en línea descritos y calculamos el alfa óptimo en un conjunto de datos dado. 1. El estimador de liquidez media se define como cuando el índice i representa el tiempo de cotización. La respuesta se define como la liquidez en 10 segundos: donde bs i (10) representa el tamaño de la oferta 10 segundos después de la i-ésima cita. Ejecutar una rutina de optimización sobre alpha muestra que el alfa óptimo para los datos dados es 0,97, mostrado en la figura 6 como un diagrama de dispersión del factor y la respuesta. 2. El estimador de volatilidad se define como cuando el índice i representa el tiempo real en segundos. La respuesta se define como la volatilidad realizada en el siguiente minuto: Una vez más, la búsqueda de diferentes valores de alfa produce un alfa óptimo de 0,985 para el conjunto de datos dado. La figura 7 muestra un diagrama de dispersión del factor y la respuesta. 3. El estimador de regresión de comercio de pares se define como cuando el índice i representa el tiempo de cotización. El factor representa el valor de SPY relativo a SSOmdash, que es, si la cantidad es positiva, entonces SPY es relativamente barato y un comercio que es SPY largo es probable que sea rentable. La respuesta se define como el PNL en el siguiente minuto de un comercio que es largo una acción de SPY y acciones beta cortas de SSO: donde representa el precio de SPY 60 segundos después. La respuesta r i representa el PNL de la siguiente estrategia de largo-corto: Comprar 1 parte de SPY y vender acciones beta de SSO en el momento i. Salir de la posición después de 60 segundos. En el conjunto de datos analizados, el alfa óptimo resulta ser 0,996. La Figura 8 es un diagrama de dispersión del factor y la respuesta. Conclusión Los algoritmos one-pass en línea son fundamentales en el comercio de alta frecuencia, donde reciben grandes cantidades de datos cada microsegundo y deben ser capaces de actuar extremadamente rápido en los datos recibidos. Este artículo ha abordado tres problemas que enfrentan los algoritmos HFT: la estimación de un promedio de liquidez, que puede ser útil para determinar el tamaño de un pedido que es probable que ejecute con éxito en un intercambio electrónico particular una estimación de volatilidad en funcionamiento, lo que puede ayudar Cuantificar el riesgo a corto plazo de una posición y una regresión lineal en curso, que puede utilizarse en pares comerciales de activos relacionados. Los algoritmos one-pass en línea pueden ayudar a resolver cada uno de estos problemas. Referencias 1. Albers, S. 2003. Algoritmos en línea: una encuesta. Programación Matemática 97 (1-2): 3-26. 2. Astrom, A. Wittenmark, B. 1994. Adaptive Control, segunda edición. Addison Wesley. 3. Brown, R. G. 1956. Suavizado exponencial para predecir la demanda. Arthur D. Little Inc. p. 15 LOVE IT, HATE IT DEJEMOS SABER QUE JACOB LOVELESS es el CEO de Lucera y ex director de Comercio de Alta Frecuencia de Cantor Fitzgerald. El Sr. Loveless ha trabajado tanto para grupos de comercio de alta frecuencia como para intercambios durante los últimos 10 años en casi todos los activos electrónicos. Antes de una vida en finanzas, el Sr. Loveless era un contratista especial para el Departamento de Defensa de los Estados Unidos con un enfoque en el análisis heurístico de cosas que no pueden ser discutidas. Antes de eso, fue CTO y fundador de Data Scientific, pionero en análisis de sistemas distribuidos. SASHA STOIKOV es un asociado senior de investigación en Cornell Financial Engineering Manhattan (CFEM) y ex VP en el grupo de negociación de alta frecuencia en Cantor Fitzgerald. Ha trabajado como consultor en el Galleon Group y Morgan Stanley y fue un instructor en el Courant Institute de NYU y en el departamento de Columbias IEOR. Tiene un Ph. D. De la Universidad de Texas y una licenciatura del MIT. ROLF WAEBER es un Asociado de Investigación Cuantitativa en Lucera y anteriormente fue Investigador Cuantitativo en Cantor Fitzgeralds High Frequency Trading Group. Participó en estudios sobre ajustes de riesgo de liquidez dentro de los marcos de regulación Basilea II / III en el Deutsche Bundesbank. Rolf obtuvo su Ph. D. En investigación de operaciones e ingeniería de la información de la universidad de Cornell en 2013. Tiene una BS y una MS en matemáticas de ETH Zurich, Suiza. Copia 2013 ACM 1542-7730 / 13/0800 10.00 Originalmente publicado en Queue vol. 11, no. Ivar Jacobson, Ian Spence, Ed Seidewitz - Escala industrial Agile - de la artesanía a la ingeniería Esencia es fundamental para mover el desarrollo de software hacia una verdadera disciplina de ingeniería. Andre Medeiros - Dinámica del cambio: por qué es importante la reactividad Domina la dinámica del cambio centralizando cada preocupación en su propio módulo. Brendan Gregg - El gráfico de la llama Esta visualización de la ejecución del software es una nueva necesidad para el perfil de rendimiento y la depuración. Ivar Jacobson, Ian Spence, Brian Kerr - Caso de uso 2.0 El centro de desarrollo de software Comentarios ¿también el comercio Fri, 05 Aug 2016 19:07:59 UTC si también el comercio mal estar interesado en unirse a usted Brandon Sun, 08 de mayo 2016 21:39:10 UTC Actualmente estoy atascado calculando la media y los estimadores de varianza utilizados para calcular beta. El artículo dice que en cada paso del algoritmo una matriz 2 2 Mt y un vector 2 1 Vt necesitan ser guardados en memoria y actualizados con un nuevo punto de datos de acuerdo con la siguiente recursividad. En cuanto al estimador de media y varianza, la inicialización de la recursividad puede realizarse utilizando un período de burn-in. El problema que estoy teniendo es que Im no sure qué valores los parámetros de M y de V se deben inicializar a usar un período del burn-in. No estoy seguro de qué valores debería ser la matriz 2x2 o el vector 2x1. Mperez Fri, 08 Jan 2016 21:47:19 UTC ¿Por qué, al medir la volatilidad, que calcular la desviación estándar en lugar de sólo utilizar la varianza Perder tiempo al calcular la raíz cuadrada. Xxx Lun, 21 Oct 2013 07:48:57 UTC Nombre del autor, Loveless. Tai diao le copia 2016 ACM, Inc. Todos los derechos reservados.