Glidande medelvärde effektiv algoritm

DEFINITION av algoritmen En algoritm är uppsättning regler för att utföra en uppgift i ett visst antal steg. Ett vanligt exempel är ett recept, vilket är en algoritm för att förbereda en måltid. Algoritmer är viktiga för datorer att bearbeta information. Som sådan har de blivit centrala för människors dagliga liv, om någon beställer en bok online, gör ett flygbolag eller använder en sökmotor. Finansiella företag använder sig av algoritmer inom områden som lånepriser, aktiehandel och kapitalförvaltning. Till exempel algoritmisk handel. känd som algo, används för att bestämma tidpunkten, prissättningen och kvantiteten av lagerbeställningar. BREAKING DOWN Algorithm Algo trading, även känd som automatiserad handel eller black-box trading, använder ett datorprogram för att köpa eller sälja värdepapper i en takt som inte är möjlig för människor. Eftersom priser på aktier, obligationer och råvaror förekommer i olika format online och i handelsdata, blir processen genom vilken en algoritm smälter upp finansiella data. Användaren av programmet ställer helt enkelt parametrarna och får en önskad effekt när värdepapperen uppfyller kriterierna för näringsidkaren. Typer av Algos Flera typer av handelsalgoritmer hjälper investerare att bestämma om de ska köpa eller sälja. En genomsnittlig reverseringsalgoritm prövar kortsiktiga priser över det långsiktiga genomsnittspriset. och om ett lager går mycket högre än genomsnittet, kan en näringsidkare sälja den för en snabb vinst. Säsongssituationen hänvisar till övning av näringsidkare som köper och säljer värdepapper baserat på årstid då marknaderna stiger eller faller. En känslighetsanalysalgoritm mäter nyheter om ett aktiekurs som kan leda till högre volym under en viss handelsperiod. Följande är ett exempel på en enkel algoritm för handel. En näringsidkare instruerar sitt automatiska konto att sälja 100 aktier i ett lager om 50-dagars glidande medelvärde går under 200-dagars glidande medelvärde. I motsats till det kan näringsidkaren berätta för sitt program att köpa 100 aktier om det 50-dagars glidande genomsnittet av ett lager stiger över 200-dagars glidande medelvärde. Sofistikerade algoritmer kan ta hänsyn till hundratals kriterier innan de köper eller säljer värdepapper. Anledningen till detta är att datorer är mycket effektiva maskiner för att utföra komplexa beräkningar mycket snabbt. I datavetenskap En programmerare måste anställa fem grundläggande delar av en algoritm för att skapa ett framgångsrikt program. Personen måste beskriva problemet i matematiska termer innan du ställer in de formler och processer som skapar ett resultat. Därefter matar programmeraren parametrarna som ger resultatet, och sedan kör han programmet om och om igen för att testa det. Slutsatsen av algoritmen är resultatet givet att uppsättningen parametrar går igenom uppsättningen instruktioner i programmet. För finansiella algoritmer, ju mer komplexa programmet, desto mer data kan programvaran använda för att göra exakta bedömningar för att köpa eller sälja värdepapper. Programmerare måste också testa komplexa algoritmer grundligare än enkla, för att säkerställa rätt kvalitetskontroll. Basis för algoritmisk handel: Begrepp och exempel En algoritm är en specifik uppsättning tydliga instruktioner som syftar till att utföra en uppgift eller process. Algoritmisk handel (automatiserad handel, blackbox trading eller helt enkelt algo-trading) är processen med att använda datorer som är programmerade att följa en definierad uppsättning instruktioner för att placera en handel för att generera vinst med en hastighet och frekvens som är omöjligt för en mänsklig näringsidkare. De definierade reglerna baseras på tid, pris, kvantitet eller någon matematisk modell. Bortsett från vinstmöjligheter för näringsidkaren gör algo-trading marknaderna mer likvida och gör handel mer systematisk genom att utesluta emotionella mänskliga effekter på handelsverksamheten. Antag att en näringsidkare följer dessa enkla handelsvillkor: Köp 50 aktier i ett lager när dess 50-dagars glidande medelvärde går över 200-dagars glidande genomsnitt Säljer aktier i aktierna när dess 50-dagars glidande medelvärde går under det 200-dagars glidande genomsnittet Med hjälp av denna uppsättning av två enkla instruktioner är det enkelt att skriva ett datorprogram som automatiskt kommer att övervaka aktiekursen (och de glidande medelindikatorerna) och placera köp - och säljordern när de definierade villkoren är uppfyllda. Näringsidkaren behöver inte längre hålla koll på levande priser och grafer eller lägga in orderen manuellt. Det algoritmiska handelssystemet gör det automatiskt för honom genom att korrekt identifiera handelsmöjligheten. (För mer om glidande medelvärden, se: Enkla rörliga genomsnittsvärden gör trenden uppe.) Algo-trading ger följande fördelar: Handlar utförda till bästa möjliga priser. Instant och exakt orderingång (därmed höga chanser att genomföras på önskade nivåer). tidsbestämd korrekt och omedelbart för att undvika betydande prisförändringar. Minskade transaktionskostnader (se exempel på genomförandebrist nedan). Samtidig automatiserad kontroll av flera marknadsförhållanden. Minskad risk för manuella fel vid placering av handel. Backtest algoritmen baserat på tillgänglig historisk och realtidsdata. möjligheter till misstag av mänskliga handlare baserade på känslomässiga och psykologiska faktorer Den största delen av dagens algohandel är HFT, som försöker kapitalisera att placera ett stort antal order med mycket snabba hastigheter över flera marknader och flera beslut parametrar, baserat på förprogrammerade instruktioner. (För mer om handel med högfrekventa handelar, se: Strategier och hemligheter hos högfrekvenshandeln). Algo-trading används i många former av handels - och investeringsverksamhet, bland annat: Mid till långsiktiga investerare eller köpsidor (pensionsfonder , fonder, försäkringsbolag) som köper aktier i stora mängder men inte vill påverka lagerpriserna med diskreta investeringar i stor volym. Kortfristiga näringsidkare och sälja sidodeltagare (marknadsmäklare, spekulanter och arbitrageurs) dra nytta av automatiserad handelstillverkning och allmäna handelshjälpmedel för att skapa tillräcklig likviditet för säljare på marknaden. Systematiska handlare (trendföljare, parhandlare, hedgefonder etc.) finner det mycket effektivare att programmera sina handelsregler och låta programmet handla automatiskt. Algoritmisk handel ger ett mer systematiskt tillvägagångssätt för aktiv handel än metoder baserade på en mänsklig handlare intuition eller instinkt. Algoritmiska handelsstrategier Alla strategier för algoritmisk handel kräver en identifierad möjlighet som är lönsam när det gäller förbättrat resultat eller kostnadsminskning. Följande är vanliga handelsstrategier som används i algo-trading: De vanligaste algoritmiska handelsstrategierna följer trender i glidande medelvärden. kanalbrytningar. prisnivå rörelser och relaterade tekniska indikatorer. Det här är de enklaste och enklaste strategierna för att genomföra genom algoritmisk handel, eftersom dessa strategier inte involverar några förutsägelser eller prisprognoser. Trader initieras baserat på förekomsten av önskvärda trender. som är enkla och raka att implementera genom algoritmer utan att komma in i komplexiteten av prediktiv analys. Ovanstående exempel på 50 och 200 dagars glidande medelvärde är en populär trendstrategi. (För mer om strategier för trendhandel, se: Enkla strategier för att kapitalisera på trender.) Att köpa ett dubbelt noterat lager till ett lägre pris på en marknad och samtidigt sälja det till ett högre pris på en annan marknad ger prisskillnaden som riskfri vinst eller arbitrage. Samma operation kan replikeras för aktier kontra futures instrument, eftersom prisskillnaderna existerar från tid till annan. Genomföra en algoritm för att identifiera sådana prisskillnader och placera orderna möjliggör lönsamma möjligheter på ett effektivt sätt. Indexfonder har definierat perioder av ombalansering för att få sina innehav i nivå med sina respektive referensindex. Detta skapar lönsamma möjligheter för algoritmiska handlare, som utnyttjar förväntad handel som erbjuder 20-80 basispoäng vinst beroende på antalet aktier i indexfonden, precis innan indexfonden ombalanseras. Sådana branscher initieras via algoritmiska handelssystem för snabb genomförande och bästa priser. Många bevisade matematiska modeller, som den delta-neutrala handelsstrategin, som tillåter handel på kombination av alternativ och dess underliggande säkerhet. där handeln placeras för att kompensera positiva och negativa delta så att portföljen delta hålls noll. Medelåtervändningsstrategin bygger på idén att de höga och låga priserna på en tillgång är ett temporärt fenomen som regelbundet återgår till deras medelvärde. Att identifiera och definiera ett prisklass och en implementeringsalgoritm baserad på det gör det möjligt att placera affärer automatiskt när priset på tillgången bryter in och ut ur sitt definierade intervall. Volymvägd genomsnittsprisstrategi bryter upp en stor order och släpper dynamiskt bestämda mindre bitar av ordern till marknaden med hjälp av aktiespecifika historiska volymprofiler. Syftet är att genomföra ordern nära Volymvägd Medelpris (VWAP) och därigenom dra nytta av genomsnittspriset. Tidsvägd genomsnittsprisstrategi bryter upp en stor order och släpper dynamiskt bestämda mindre bitar av ordern till marknaden med jämnt fördelade tidsluckor mellan start - och sluttid. Syftet är att genomföra ordern nära genomsnittskursen mellan start - och sluttiderna och därigenom minimera marknadseffekterna. Till dess att ordern är fullt fylld fortsätter denna algoritm att skicka delbeställningar, enligt det definierade deltagandekvoten och enligt volymen på marknaden. Den relaterade stegstrategin skickar order till en användardefinierad procentandel av marknadsvolymer och ökar eller minskar denna delaktighet när aktiekursen når användardefinierade nivåer. Strategin för genomförandet av underskottet syftar till att minimera genomförandekostnaden för en order genom att handla i realtidsmarknaden och därigenom spara på beställningskostnaden och dra nytta av möjlighetskostnaden för försenat genomförande. Strategin kommer att öka den riktade delaktighetsgraden när aktiekursen rör sig positivt och sänker den när aktiekursen rör sig negativt. Det finns några speciella klasser av algoritmer som försöker identifiera händelser på andra sidan. Dessa sniffningsalgoritmer, som till exempel används av en försäljningssida-marknadsförare, har den inbyggda intelligensen för att identifiera existensen av några algoritmer på köpsidan av en stor order. Sådan upptäckt genom algoritmer kommer att hjälpa marknadsmakaren att identifiera stora ordermöjligheter och möjliggöra för honom att dra nytta av att fylla orderna till ett högre pris. Detta identifieras ibland som high-tech front-running. (För mer om högfrekvent handel och bedrägliga rutiner, se: Om du köper aktier online, är du involverad i HFT.) Tekniska krav för algoritmisk handel Genomföra algoritmen med ett datorprogram är den sista delen, klubbad med backtesting. Utmaningen är att omvandla den identifierade strategin till en integrerad datoriserad process som har tillgång till ett handelskonto för beställning. Följande behövs: Datorprogrammeringskunskap för att programmera den nödvändiga handelsstrategin, anställda programmörer eller färdiga handelsprogramvaror Nätverksanslutning och tillgång till handelsplattformar för orderingång Tillgång till marknadsdata feeds som kommer att övervakas av algoritmen för möjligheter att placera order Förmågan och infrastrukturen att backtest systemet en gång byggt innan den går live på reala marknader Tillgängliga historiska data för backtesting, beroende på komplexiteten av regler som implementeras i algoritmen Här är ett omfattande exempel: Royal Dutch Shell (RDS) är listat på Amsterdam Fondbörs (AEX) och London Stock Exchange (LSE). Låter bygga en algoritm för att identifiera arbitrage möjligheter. Här är några intressanta observationer: AEX handlar i euro, medan LSE handlar i Sterling Pounds På grund av en timmes tidsskillnad öppnar AEX en timme tidigare än LSE, följt av att båda börserna handlar samtidigt för de närmaste timmarna och sedan endast handlar i LSE under Den sista timmen när AEX stängs Kan vi undersöka möjligheten till arbitragehandel på Royal Dutch Shell-börsen som är noterad på dessa två marknader i två olika valutor Ett datorprogram som kan läsa aktuella marknadspriser Prismatningar från både LSE och AEX A-valutahastighet för GBP-EUR-växelkurs Beställa placeringsförmåga som kan styra ordern till rätt utbyte Backtestningskapacitet på historiska prismatningar Dataprogrammet ska utföra följande: Läs det inkommande prismatningen av RDS-lager från båda börserna Använda tillgängliga valutakurser . konvertera priset på en valuta till andra Om det finns en tillräckligt stor prissammanhang (diskontering av mäklarkostnaderna) som leder till ett lönsamt tillfälle, placerar du köpordern på lägre prissättning och säljarorder på högre prissättning. Om beställningarna utförs som Önskad, arbitrage vinsten kommer att följa Enkel och lätt Men övningen av algoritmisk handel är inte så enkelt att underhålla och genomföra. Kom ihåg, om du kan placera en algo-genererad handel, så kan andra marknadsaktörer. Följaktligen fluktuerar priserna i milli - och till och med mikrosekunder. I det ovanstående exemplet, vad händer om din köphandel blir verkställd, men sälja handel, eftersom försäljningspriserna ändras när din order träffar marknaden. Du kommer att sluta sitta med en öppen position. göra din arbitrage strategi värdelös. Det finns ytterligare risker och utmaningar: till exempel riskerar systemfel, nätverksanslutningsfel, tidsintervaller mellan handelsorder och utförande, och viktigast av allt, ofullkomliga algoritmer. Ju mer komplexa en algoritm krävs, desto strängare backtesting behövs innan den tas i bruk. Kvantitativ analys av algoritmernas prestanda spelar en viktig roll och bör granskas kritiskt. Det är spännande att gå till automation med hjälp av datorer med en uppfattning att tjäna pengar utan problem. Men man måste se till att systemet är noggrant testat och att gränserna är nödvändiga. Analytiska handlare bör överväga att lära sig programmering och byggsystem på egen hand, för att vara övertygade om att implementera rätt strategier på idiotsäkert sätt. Försiktig användning och noggrann testning av algo-handel kan skapa lönsamma möjligheter. Det totala dollarns marknadsvärde för alla bolagets utestående aktier. Marknadsvärdet beräknas genom att multiplicera. Frexit kort för quotFrench exitquot är en fransk spinoff av termen Brexit, som uppstod när Storbritannien röstade till. En order placerad med en mäklare som kombinerar funktionerna i stopporder med de i en gränsvärde. En stopporderorder kommer att. En finansieringsrunda där investerare köper aktier från ett företag till en lägre värdering än värderingen placerad på. En ekonomisk teori om totala utgifter i ekonomin och dess effekter på produktion och inflation. Keynesian ekonomi utvecklades. En innehav av en tillgång i en portfölj. En portföljinvestering görs med förväntan på att få en avkastning på den. Denna antenner (och antennskivor) fungerar ofta i dynamiska miljöer, där signalerna (både önskade och störande) kommer från ändrade riktningar och med varierande krafter. Som ett resultat har adaptiva antennskivor utvecklats. Dessa antennskivor använder en adaptiv viktningsalgoritm, som anpassar vikterna baserade på de mottagna signalerna för att förbättra prestandan hos matrisen. I detta avsnitt introduceras LMS-algoritmen. LMS står för minsta torget. Denna algortihm utvecklades av Bernard Widrow på 1960-talet, och är den första allmänt använda adaptiva algoritmen. Den används fortfarande allmänt i adaptiv digital signalbehandling och adaptiva antennarrayer, främst på grund av dess enkelhet, enkel implementering och god konvergensegenskaper. Målet med LMS-algoritmen är att producera MMSE-vikterna för den givna miljön. Definitionerna av alla termer som används på denna sida följer det från MMSE-sidan. vilket bör förstås innan du läser den här sidan. Målet med LMS-algoritmen är att adaptivt producera vikter som minimerar medelkvadratfelet mellan en önskad signal och matriserna som släpps löst och försöker maximera mottagningen i riktning mot den önskade signalen (vem eller vad matrisen försöker att kommunicera med) och minimera mottagning från störande eller oönskade signaler. Precis som i MMSE-fallet behövs viss information innan optimala vikter kan bestämmas. Och precis som i MMSE-viktningsfallet är den önskade informationen den önskade signalen riktning och effekt. Riktningen specificeras via den önskade signalerna styrvektorn () och signalkraften är skriven som. Observera att dessa parametrar kan variera med tiden, eftersom miljön antas förändras. Anvisningarna och effekten kan bestämmas med användning av olika riktnings-algoritmer, vilka analyserar de mottagna signalerna vid varje antenn för att uppskatta riktningarna och effekten. Minns att medelkvadratfelet mellan den önskade signalen och matrisutgången kan skrivas som: Gradenienten (vektorderivatet med avseende på viktvektorn) kan skrivas som: LMS-algoritmen kräver en uppskattning av autokorrelationsmatrisen för att få vikter som minimerar MSE. LMS-algoritmen uppskattar autokorrelationsmatrisen () med användning av endast den aktuella mottagna signalen vid varje antenn (specificerad av vektorn X). Vikten uppdateras iterativt, vid diskreta tidstillfällen, betecknade med ett index k. Uppskattningen av autokorrelationsmatrisen vid tiden k. skrivet med en bar överhead, skrivs som: LMS-algoritmen approximerar sedan MSE-gradienten genom att ersätta i ovanstående enkla approximation för autokorrelationsmatrisen: De adaptiva vikterna kommer att skrivas som W (k), där k är ett index som anger tid. LMS-viktningsalgoritmen uppdaterar enkelt vikterna med en liten mängd i riktning mot den negativa gradienten i MSE-funktionen. Genom att flytta i riktning mot den negativa gradienten minskas den totala MSE vid varje tidsteg. På detta sätt närmar sig vikterna iterativt de optimala värden som minimerar MSE. Dessutom, eftersom den adaptiva algoritmen kontinuerligt uppdateras, då miljön ändras, anpassas vikterna också. Vikten uppdateras med jämna mellanrum och vikten vid tiden k 1 är relaterad till tiden k av: Parametern styr storleken på de steg som vikterna gör och påverkar algoritmens konvergenshastighet. För att garantera konvergens bör den vara mindre än 2 dividerad med autocorrelationsmatrisens största egenvärde. Genom att ersätta uppskattningen för gradienten ovan kan LMS-uppdateringsalgoritmen skrivas som en enkel iterativ ekvation: Algoritmens enkelhet är den främsta orsaken till dess utbredd användning. Ovanstående uppdateringsekvation kräver ingen komplicerad matte, den använder bara de nuvarande proven på den mottagna signalen vid varje antenn (X). Exempel på LMS-algoritm Antag en linjär grupp av antenner, med halvvåglängdsavstånd och N 5-element i matrisen. Tänk på att signal-till-brusförhållandet (SNR) är 20 dB och att bruset är gaussiskt och oberoende från en antenn till nästa. Antag att det finns två interferrar som kommer från 40 och 110 grader, med en störande effekt på 10 dB (i förhållande till den önskade signalen). Den önskade signalen antas komma från 90 grader. Algoritmen börjar antagande en viktvektor av alla (utgångsviktvektorn har ideellt ingen inverkan på slutresultatet): Konvergensparametern är vald för att vara: Med hjälp av slumpmässigt brus vid varje steg, går algoritmen framåt från initialvikt . Den resulterande MSE vid varje tidsteg visas i följande figur i förhållande till den optimala MSE. LMS-algoritmen är ganska effektiv för att flytta mot de optimala vikterna för detta fall. Eftersom algoritmen använder en approximation av autokorrelationsmatrisen vid varje tidssteg, ökar vissa av stegen faktiskt MSE. I genomsnitt minskar dock MSE. Denna algoritm är också ganska robust mot omväxlande miljöer. Flera adaptiva algoritmer har expanderat på idéer som används i den ursprungliga LMS-algoritmen. De flesta av dessa algoritmer försöker producera förbättrade konvergensegenskaper på bekostnad av ökad beräkningskomplexitet. Exempelvis söker den rekursiva minst kvadratiska (RLS) algoritmen för att minimera MSE, precis som i LMS-algoritmen. Det använder emellertid en mer sofistikerad uppdatering för att hitta de optimala vikterna som är baserade på matrisinversionens lemma. Båda dessa algoritmer (och alla andra baserade på LMS-algoritmen) har samma optimala vikter som algoritmerna försöker konvergera till. Denna sida på LMS-algoritmen är upphovsrättsskyddat. Ingen del kan reproduceras förutom med tillstånd från författaren. Copyright antennteori, 2009-2011. LMS-algoritmen för antennmatriser.