고주파 거래 전략의 예

고주파수 거래 전략 예
App Store를 통해 가져 오기 우리의 응용 프로그램 에서이 게시물을 읽으십시오!
기본 교과서 쌍 거래를 능가하는 고 빈도 또는 stat arb 거래 알고리즘의 예를 어디에서 찾을 수 있습니까?
몇 가지 이름 알고리즘이 있습니다. 대부분의 HFT 알고리즘은 독점적 인 것으로 알고 있지만 HFT 전략의 예를 찾고 있습니다 (심지어 더 이상 돈을 벌지 못하는 경우조차도).
하임 보덱 (Haim Bodek)은 골드만과 UBS에서 근무한 후 자신의 무역 회사를 운영했습니다. 그는 HFT 전략에 대한 컨설팅을 시작했으며 Scott Patterson의 Dark Pools에서 언급되었습니다.
'0+'전략에 대한 소개를 확인하십시오. 이전의 대답이 언급했듯이, 아무도이기는 전략을 포기하지 않을 것입니다.

딥 뉴럴 네트워크 기반의 고주파 거래 전략
Andrés Arévalo 저자 Jaime Niño 독일 Hernández Javier Sandoval.
이 백서에서는 딥 뉴럴 네트워크 (DNN) 기반의 고주파수 전략을 제시합니다. DNN은 다음 1 분 평균 가격을 예측하기 위해 현재 시간 (시 및 분) 및 \ (n \) - 1 분 의사 회신, 가격 표준 편차 및 추세 지표에 대해 교육을 받았습니다. DNN 예측은 다음 예상 평균 가격이 마지막 마감 가격보다 높을 때 (판매 된) 고주파수 거래 전략을 수립하는 데 사용됩니다. 교육 및 테스트에 사용되는 데이터는 2008 년 9 월에서 11 월까지 AAPL Ticket-by-Tick 트랜잭션입니다. 가장 잘 찾아낸 DNN은 방향 정확도가 66 %입니다. 이 전략은 테스트 기간 동안 81 %의 성공적인 거래를 산출합니다.
참조.
저작권 정보.
저자 및 제휴사.
Andrés Arévalo 1 작가 Jaime Niño 1 독일 Hernández 1 Javier Sandoval 2 1. Universidad Nacional de Colombia Bogotá 콜롬비아 2. Algocodex 연구소 Universidad Externado Bogotá 콜롬비아.
이 백서에 대해서.
개인화 된 권장 사항.
종이를 인용하십시오.
.RIS 논문 참조 관리자 RefWorks Zotero.
.BIB BibTeX JabRef Mendeley.
용지를 공유하십시오.
즉시 다운로드 모든 장치에서 읽을 수 있음 영원히 소유 가능 해당되는 경우 현지 판매 세 포함.
종이를 인용하십시오.
.RIS 논문 참조 관리자 RefWorks Zotero.
.BIB BibTeX JabRef Mendeley.
용지를 공유하십시오.
손끝에서 천만 가지 이상의 과학적 문서를 제공합니다.
전환 판.
&부; 2017 Springer International Publishing AG. 스프링거 자연의 일부입니다.

알고리즘 트레이딩의 기초 : 개념과 예제.
알고리즘은 작업 또는 프로세스를 수행하기 위해 명확하게 정의 된 지침 집합입니다.
알고리즘 트레이딩 (자동 트레이딩, 블랙 박스 트레이딩, 또는 단순한 알 고 트레이딩)은 a 컴퓨터가 불가능한 속도와 빈도로 이익을 창출하기 위해 거래를하기 위해 정의 된 명령어 세트를 따르도록 프로그래밍 된 컴퓨터를 사용하는 프로세스입니다. 인간 상인. 정의 된 규칙 집합은 타이밍, 가격, 수량 또는 모든 수학적 모델을 기반으로합니다. 상인에 대한 이익 기회와는 별도로, 알 고향 거래는 시장을보다 유동적으로 만들고 무역 활동에 대한 정서적 인적 영향을 배제함으로써보다 체계적인 거래를 만듭니다. (자세한 내용은 올바른 알고리즘 트레이딩 소프트웨어 선택을 확인하십시오.)
거래자가 다음과 같은 간단한 거래 기준을 따랐다 고 가정 해보십시오.
50 일 이동 평균이 200 일 이동 평균보다 커지면 50주의 주식을 매수하십시오. 50 일 이동 평균이 200 일 이동 평균보다 낮아지면 주가는 주식의 주식을 매도합니다.
이 두 가지 간단한 지침을 사용하면 정의 된 조건이 충족 될 때 주가 및 이동 평균 지표를 자동으로 모니터링하고 구매 및 판매 주문을하는 컴퓨터 프로그램을 작성하기 쉽습니다. 상인은 더 이상 실시간 가격 및 그래프를 감시하거나 수동으로 주문할 필요가 없습니다. 알고리즘 거래 시스템은 거래 기회를 정확하게 식별함으로써 자동으로 거래를 수행합니다. 이동 평균에 대한 자세한 내용은 단순 이동 평균을 참조하십시오.
[입증 된 전략과 궁극적으로 알 고리즘 트레이딩 시스템으로 작업 할 수있는 포인트 전략에 대해 자세히 알아 보려면 Investopedia Academy의 Become a Day Trader 코스를 확인하십시오. ]
알고리즘 트레이딩의 이점.
Algo-trading은 다음과 같은 이점을 제공합니다.
가능한 최상의 가격으로 실행되는 거래 신속하고 정확한 거래 주문 배치 (따라서 원하는 수준의 실행 가능성 높음) 중요한 가격 변동을 피하기 위해 정확하고 즉각적인 거래 시간 단축 트랜잭션 비용 절감 (아래의 구현 부족 예 참조) 여러 항목에 대한 동시 자동 점검 시장 조건 거래 배치시 수동 오류 위험 감소 사용 가능한 과거 및 실시간 데이터를 기반으로 알고리즘 백 테스팅 정서적 및 심리적 요인에 기반한 인적 자원 거래자의 실수 가능성 감소.
현재의 고액 거래의 가장 큰 부분은 고주파 거래 (high frequency trading, HFT)입니다. 이 프로그램은 미리 프로그래밍 된 지침에 따라 여러 시장 및 여러 결정 매개 변수에 걸쳐 매우 빠른 속도로 대량 주문을 활용하려고 시도합니다. (고주파 거래에 대한 자세한 내용은 고주파 거래 (HFT) 회사의 전략과 비밀을 참조하십시오.)
Algo-trading은 다음과 같은 다양한 거래 및 투자 활동에 사용됩니다.
주식을 대량 구매하지만 불특정 다수의 투자로 주식 가격에 영향을 미치기를 원하지 않는 중장기 투자자 또는 매수 측면 기업 (연기금, 뮤추얼 펀드, 보험 회사). 단기 거래자 및 매도자 측 참가자 (시장 형성 자, 투기자 및 중개인)는 자동 거래 실행의 혜택을받습니다. 또한, algo-trading은 시장에있는 판매자에게 충분한 유동성을 창출하는 데 도움을줍니다. 체계적인 거래자 (추종자, 쌍 거래자, 헤지 펀드 등)는 거래 규칙을 프로그래밍하고 프로그램이 자동으로 거래되도록하는 것이 훨씬 더 효율적이라는 것을 알게됩니다.
알고리즘 거래는 인간 상인의 직감이나 본능에 기반한 방법보다 적극적인 거래에 대한 체계적인 접근 방식을 제공합니다.
알고리즘 트레이딩 전략.
알고리즘 거래를위한 모든 전략에는 향상된 수익 또는 비용 절감 측면에서 수익성이 확인 된 기회가 필요합니다. 다음은 algo-trading에서 사용되는 일반적인 거래 전략입니다.
가장 일반적인 알고리즘 트레이딩 전략은 이동 평균, 채널 이탈, 가격 수준 이동 및 관련 기술 지표의 추세를 따릅니다. 이러한 전략은 예측이나 가격 예측을하지 않기 때문에 알고리즘 거래를 통해 구현하는 가장 쉽고 간단한 전략입니다. 거래는 바람직한 추세의 발생을 기반으로 시작되며, 이는 예측 분석의 복잡성에 빠지지 않고 알고리즘을 통해 구현하기 쉽고 직관적입니다. 위에서 언급 한 50 일과 200 일 이동 평균의 예는 인기있는 추세 전략입니다. (추세 거래 전략에 대한 자세한 내용은 추세를 활용하는 간단한 전략을 참조하십시오.)
한 시장에서 더 낮은 가격에 이중 상장 주식을 매수하고 다른 시장에서 더 높은 가격으로 동시에 매각하는 것은 가격 차이를 무위험 수익 또는 차익 거래로 제공합니다. 가격 차이가 수시로 존재하기 때문에 동일한 작업이 주식 대 선물 상품에 대해 복제 될 수 있습니다. 이러한 가격 차이를 식별하고 주문을하는 알고리즘을 구현하면 효율적인 방식으로 수익성있는 기회를 얻을 수 있습니다.
인덱스 펀드는 보유 자산을 각각의 벤치 마크 지수와 동등하게 유지하기 위해 재조정 기간을 정했습니다. 이는 인덱스 펀드 재조정 직전에 인덱스 펀드의 주식 수에 따라 20-80의 베이시스 포인트 이익을 제공하는 예상 거래를 활용하는 알고리즘 트레이더에게 수익성있는 기회를 창출합니다. 이러한 거래는 적시 실행 및 최적의 가격을 위해 알고리즘 거래 시스템을 통해 시작됩니다.
델타 중립적 인 거래 전략과 같은 입증 된 수학적 모델은 포트폴리오 델타가 0으로 유지되도록 양수 및 음수 델타를 상쇄하기 위해 거래가 이루어지는 옵션과 기본 보안의 조합에 대한 거래를 허용합니다.
평균 회귀 전략은 자산의 고가와 저가가 주기적으로 평균값으로 되돌아가는 일시적인 현상이라는 생각에 기반합니다. 가격 범위를 식별하고 정의하고이를 기반으로 알고리즘을 구현하면 자산 가격이 정의 된 범위를 벗어날 때 거래가 자동으로 배치됩니다.
볼륨 가중 평균 가격 전략은 대량의 주문을 분해하고 주식 관련 과거 볼륨 프로파일을 사용하여 동적으로 결정된 작은 주문 청량을 출시합니다. 목표는 VWAP (Volume Weighted Average Price)에 가까운 주문을 실행하여 평균 가격으로 이익을 얻는 것입니다.
시간 가중 평균 가격 전략은 대량의 주문을 분해하고 시작 및 종료 시간 사이의 균등하게 나뉘어 진 시간대를 사용하여 동적으로 결정된 작은 주문 청량을 시장에 출시합니다. 목표는 시작 및 종료 시간 사이의 평균 가격에 가까운 주문을 실행하여 시장 영향을 최소화하는 것입니다.
거래 주문이 완전히 채워질 때까지이 알고리즘은 정의 된 참여율과 시장에서 거래되는 거래량에 따라 부분 주문을 계속 전송합니다. 관련 "단계 전략"은 사용자 정의 시장 볼륨 비율로 주문을 보내고 주가가 사용자 정의 수준에 도달하면이 참여율을 높이거나 낮 춥니 다.
구현 부족 전략은 실시간 시장을 거래함으로써 주문의 실행 비용을 최소화함으로써 주문 비용을 절감하고 지연된 실행의 기회 비용으로부터 이익을 얻는 것을 목표로합니다. 이 전략은 주식 가격이 호의적으로 움직일 때 목표로하는 참여율을 높이고, 주가가 반대로 움직일 때 그것을 낮출 것이다.
다른 측면에서 "사건"을 식별하려고 시도하는 몇 가지 특별한 클래스의 알고리즘이 있습니다. 예를 들어, 판매 측 시장에서 사용되는 이러한 "스니핑 알고리즘"은 대규모 주문의 구매 측면에서 알고리즘의 존재를 식별 할 수있는 내장 인텔리전스를 갖추고 있습니다. 이러한 알고리즘을 통한 탐지는 시장에서 대량 주문 기회를 파악하고 더 높은 가격으로 주문을 작성함으로써 이익을 얻을 수있게 해줍니다. 이것은 때로는 하이테크 전방 주행으로 확인됩니다. (고주파 거래 및 사기 행위에 대한 자세한 내용은 다음을 참조하십시오 : 주식을 온라인으로 구입할 경우 HFT에 관여 함)
알고리즘 거래에 대한 기술적 요구 사항.
컴퓨터 프로그램을 사용하여 알고리즘을 구현하는 것이 마지막 부분으로, 백 테스트가 있습니다. 문제는 식별 된 전략을 주문 거래 계정에 액세스 할 수있는 통합 된 전산 프로세스로 변환하는 것입니다. 다음이 필요합니다.
필요한 거래 전략, 고용 된 프로그래머 또는 미리 만들어진 거래 소프트웨어를 프로그래밍하기위한 컴퓨터 프로그래밍 지식 주문을하기위한 네트워크 연결 및 거래 플랫폼에 대한 액세스 주문을 할 수있는 기회를 알고리즘이 모니터 할 시장 데이터 피드에 액세스 능력 및 인프라 실제 시장에 출시되기 전에 빌드 된 시스템을 백 테스팅하기 알고리즘에서 구현 된 규칙의 복잡성에 따라 백 테스트를위한 사용 가능한 과거 데이터.
다음은 포괄적 인 예입니다 : Royal Dutch Shell (RDS)은 암스테르담 증권 거래소 (AEX)와 런던 증권 거래소 (LSE)에 상장되어 있습니다. 차익 거래 기회를 식별하는 알고리즘을 구축해 보겠습니다. 흥미로운 관찰은 거의 없습니다.
AEX는 유로화로 거래되며, LSE는 스털링 파운드로 거래됩니다. AEX는 1 시간의 시간차로 인해 LSE보다 한 시간 앞당겨 거래가 이루어지며, 다음 두 시간 동안 동시에 거래가 이루어지고, AEX가 마감됨에 따라 지난 한 시간 동안 LSE에서만 거래가 이루어집니다. .
이 두 시장에 상장 된 Royal Dutch Shell 주식에 대해 서로 다른 통화로 차익 거래를 할 수 있는지 알아볼 수 있습니까?
현재 시장 가격을 읽을 수있는 컴퓨터 프로그램 LSE 및 AEX의 가격 피드 GBP-EUR 환율에 대한 외환 환율 피드 주문을 올바른 교환으로 전달할 수있는 주문 배치 기능 과거 가격 피드에 대한 백 테스트 기능.
컴퓨터 프로그램은 다음을 수행해야합니다.
두 거래소의 RDS 주식의 수신 가격 피드를 읽으십시오. 사용 가능한 환율을 사용하여 한 통화의 가격을 다른 통화로 변환하십시오. 유익한 기회로 이어지는 충분히 큰 가격 불일치 (중개 비용을 할인)가 존재한다면, 낮은 가격의 거래소에서 주문하고 높은 가격의 거래소에서 주문을 판매합니다. 원하는대로 주문을 실행하면 차익 거래 이익이 발생합니다.
간단하고 쉬운! 그러나 알고리즘 트레이딩의 실행은 유지 관리 및 실행이 간단하지 않습니다. 알 고가 생성 한 거래를 배치 할 수 있다면 다른 마켓 참여자도 마찬가지입니다. 따라서 가격은 밀리 초 및 심지어 마이크로 초 단위로 변동합니다. 위의 예에서 구매 주문 거래가 실행되면 어떻게되지만 주문이 시장에 출시 될 때까지 판매 가격이 변경되지 않습니다. 당신은 개방적인 자세로 앉아 결국 귀하의 차용액 전략을 쓸모 없게 만들 것입니다.
시스템 장애 위험, 네트워크 연결 오류, 거래 주문과 실행 간의 시간 지연, 그리고 무엇보다 불완전한 알고리즘과 같은 추가 위험과 과제가 있습니다. 알고리즘이 복잡할수록 더 엄격한 백 테스팅이 필요합니다.
결론.
알고리즘의 성능을 정량적으로 분석하는 것은 중요한 역할을하므로 비판적으로 검사해야합니다. 돈을 쉽게 벌기위한 개념을 가진 컴퓨터의 도움을 받아 자동화하는 것은 흥미로운 일입니다. 그러나 시스템을 철저히 테스트하고 필요한 한계를 설정해야합니다. 분석적 거래자는 올바른 전략을 확실하게 구현하는 데 자신감을 갖기 위해 스스로 프로그래밍 및 시스템을 학습하는 것을 고려해야합니다. 신중한 사용과 철저한 거래로 수익성 높은 기회를 창출 할 수 있습니다. (자세한 내용은 자신의 Algo 거래 로봇을 코딩하는 방법을 참조하십시오.)

Collective2에 대한 고주파수 스캘핑 전략.
Scalping 대 시장 만들기.
시장 조성 전략은 시스템이 입찰 제안에 대한 지속적인 견적을 제공하고 입찰 제안 확산 (또한 주식, 리베이트의 경우)으로 수익을 창출하는 것입니다. 전형적인 거래 일 동안 재고가 위아래로 거래 될 때 책의 길거나 짧은면에 재고가 축적 될 것입니다. 시장 전망을 취할 의도는 없지만 가장 정교한 시장 전략은 마이크로 구조 모델을 사용하여 기댈 것인지 여부를 결정하는 데 도움이됩니다. 특정 순간에 입찰 또는 제안에 대해 마켓 메이커들은 재고의 축적을 줄이기 위해 인용 부호를 그늘지게하거나 정보통의 상인이 그들과 거래를하고 있다고 의심하면 인용 부호를 끌어 올 수도 있습니다 (유독성 흐름이라고하는 상황). 그들은 리포 데스크를 통해 짧은 포지션을 커버하고 누적 된 재고 포지션의 위험을 회피하기 위해 파생 상품을 사용할 수 있습니다.
스캘핑 전략은 시장을 만드는 전략의 특성을 공유합니다. 일반적으로 평균 반전, 입찰이나 제안에 수동적으로 진입하려고하며 거래 당 평균 PL은 종종 한 번의 진드기의 영역에 있습니다. 그러나 스캘핑 전략이 시장 조성과 다른 점은 시장 전망이 길거나 짧을 때 거래가 진행되는 동안 여러 차례 바뀔지도 모른다는 점이다. 결과적으로, 스캘핑 전략은 한 번에 시장의 한 쪽에서 만 작동하여 입찰이나 오퍼를 진행합니다. 일반적으로 인벤토리를 구축하지 않습니다. 보통 반전하고 나중에 이전에 구입 한 인벤토리를 이익을 위해 더 낮은 가격으로 팔려고 시도하기 때문입니다.
성능 특성면에서 시장 전략은 종종 두 자리 수의 Sharpe Ratio를 갖게됩니다. 이는 Sharpe Ratio가 며칠, 몇 주 또는 몇 달 동안 손실없이 진행될 수 있음을 의미합니다. 짧은 시간 범위에도 불구하고 방향 베팅을하고 있기 때문에 스캘핑은 본질적으로 위험합니다. Sharpe Ratio가 3에서 5의 범위에있는 경우, 스캘핑 전략은 종종 잃는 일을 겪고 심지어 몇 달을 잃을 수도 있습니다.
그렇다면 왜 시장에 스캘핑을 선호 하는가? 그것은 정말로 능력에 관한 문제입니다. 스캘핑에서의 경쟁 우위는 확인 된 알파 소스의 성공적인 개발에서 유래하지만 시장 생성은 주로 속도와 실행 능력에 달려 있습니다. 시장을 창출하려면 마이크로 초 단위로 측정되는 대기 시간을 갖는 HFT 인프라가 필요합니다. 책을 위아래로 정렬하고 주문 우선 순위를 관리하는 기능. Scalping algos는 일반적으로 거래 플랫폼 요구 사항 측면에서 요구 사항이 훨씬 적습니다. 시스템의 특성에 따라 많은 타사 네트워크에서 성공적으로 구현할 수 있습니다.
HFT 선물 전략 개발.
얼마 전 내 회사 Systematic Strategies는 선물 시장에서 수많은 HFT 전략에 대한 연구와 개발을 시작했습니다. 우리의 주안점은 항상 HFT 형평 전략이었습니다. 그래서 이것은 우리에게 중요한 출발점이었습니다. 중요한 기술적 인 장애물이있었습니다. 우리가 개발 한 전략 중에는 채권 선물의 수익성 높은 스캘핑 알고리즘이있었습니다. 고주파에서의 대부분의 거래는 초 또는 분 단위로 측정되는 짧은 보유 기간으로 수십 또는 수 백 번 거래됩니다.
우리가 직면 한 다음 과제는 우리 연구 제품으로 무엇을 할 것인가였습니다. 독점 무역 회사로서 우리의 첫 번째 본능은 전략을 스스로 교환하는 것이 었습니다. 원래 의도는 헤지 펀드 또는 CTA 제공의 기초를 제공 할 수있는 전략을 개발하는 것이 었습니다. 기술 요구 사항은 관리 계정 투자자가 일반적으로 사용하는 대부분의 표준 거래 플랫폼의 기능을 능가하기 때문에 많은 HFT 전략은 그 목적에 부적합합니다. 게다가, HFT 전략은 일반적으로 너무 큰 기관 투자가들에게 흥미로운 제한된 수용력을 제공합니다.
결국 우리는 타협안에 도달하여 사내 최고 빈도 전략을 유지하면서 외부 투자자에게 낮은 빈도 전략을 제공했습니다. 이를 통해 우리는 자사의 거래를 위해 가장 높은 빈도 전략의 제한된 용량을 유지하면서 투자자에게 낮은 주파수에서 거래하는 전략에서 상당한 역량을 제공 할 수 있었지만 여전히 높은 성능 특성을 유지했습니다.
HFT 본드 두피.
대표적인 사례는 US Bond Futures의 다음과 같은 스캘핑 전략입니다. 이 전략은 채권 선물을 위해 개발 한 저주파수 알고리즘 중 두 가지를 결합하여 세션 당 약 10 회 두피를 생성합니다. 이 전략은 각 거래에서 약 8 틱을 소비하려고 시도하고 거래 당 약 1 틱을 평균합니다. Sharpe Ratio가 3 이상인이 전략은 2008 년 이후 계약 당 연간 약 50,000 달러의 순이익을 창출했습니다. 이 전략 및 다른 스캘핑 전략의 즐거운 특징은 일관성입니다. 2008 년 1 월 이후 10 개월이 지났습니다. 2015 년 12 월 $ 7,100의 손실이 발생했습니다 (2013 년 7 월 이전 손실은 $ 472입니다!).
전략 성과.
Collective2에 대한 투자자 전략 수립 2.
우리가 해결해야 할 다음 과제는 잠재 투자자에게 프로그램을 가장 효과적으로 소개하는 것이 었습니다. 체계적인 전략은 CTA가 아니며 투자자는 일반적으로 형평 전략에 관심이 있습니다. 우리가 주식 시장에서의 전문성을 매우 다른 선물 거래 세계로 이전 할 수 있다는 것을 투자자를 설득하는 데는 많은 노력이 필요합니다. 이러한 노력이 시카고의 동료들과 계속되는 동안 나는 실험을하기로 결정했습니다. Collective2와 같은 온라인 서비스를 통해 스캘핑 전략을 제공한다면 어떨까요? Collective2는 익숙하지 않은 사람들을 위해 여러 시스템의 추적, 검증 및 자동 거래를 허용하는 자동화 된 거래 시스템 플랫폼입니다. 플랫폼은 시스템의 이익과 손실, 마진 요구 사항 및 성능 통계를 추적합니다. 그런 다음 투자자가 실시간 거래에서 시스템을 따르고 시스템의 거래 신호를 수동 또는 자동으로 입력 할 수 있습니다.
이와 같은 플랫폼에서 스캘핑 전략을 제공하면 투자자와의 가시성 (신뢰할 수있는 실적)을 확실히 창출 할 수 있습니다. 그러나 그것은 또한 새로운 도전을 제기합니다. 예를 들어, 이 플랫폼은 라운드 턴 당 약 14 달러의 거래 비용을 가정합니다. 이는 대부분의 소매 플랫폼보다 2 배 이상 비싸고 HFT 회사가 지불 할 수도있는 비용보다 3 배 -5 배 더 비쌉니다. 시장에서 시선을 사기 위해 고안된 대부분의 스캘핑 전략의 경우, 높은 수수료는 수익을 누설합니다. 이것은 틱 크기와 평균 거래가 무역 마찰의이 수준조차 극복하기에 충분히 크기 때문에 미국 채권 선물의 선택에 동기를 부여했습니다. 몇 번의 잘못된 출발 이후에 우리는 알고리즘을 가지고 놀았고 몇 가지 저주파 거래로 전략 수익성을 높였습니다. 시스템은 이제 행복하게 윙윙 거리며 수행해야 할 종류의 성능을 보여줍니다 (아래 참조).
전략의 수행에 관심이있는 사람들을 위해 collective2에 대한 링크가 여기에 있습니다.
부인 성명.
이 웹 사이트에서 볼 수있는 결과에 대해.
과거 결과가 반드시 미래 결과를 나타내는 것은 아닙니다.
이러한 결과는 특정 내재 된 제한이있는 가상 또는 가상 성능 결과를 기반으로합니다. 실제 성과 기록에 표시된 결과와 달리 이러한 결과는 실제 거래를 나타내지 않습니다. 또한 이러한 거래가 실제로 실행되지 않았기 때문에 이러한 결과는 유동성 부족과 같은 특정 시장 요인의 영향을 미달하거나 과대 보상 할 수 있습니다. 모의 또는 가상 거래 프로그램은 일반적으로 사후 적 이익을 고려하여 설계되었습니다. 어떤 계정으로도 이와 유사한 이익 또는 손실을 달성 할 것임을 나타내지는 않습니다.
또한 가상 거래는 재무 위험을 포함하지 않으며 실제 거래에서 재무 위험의 영향을 완전히 설명 할 수있는 가상 거래 기록이 없습니다. 예를 들어, 거래 손실에도 불구하고 손실을 견디거나 특정 거래 프로그램을 고수하는 능력은 실제 거래 결과에 부정적인 영향을 줄 수있는 중대한 요소입니다. 일반적으로 시장 또는 특정 거래 프로그램의 구현과 관련된 수많은 다른 요소가 있으며, 이는 가상의 성과 결과를 준비하는 데 충분히 설명 할 수 없으며 실제 거래 결과에 악영향을 미칠 수 있습니다.
결과를 계산할 때 사용되는 재료 가정 및 방법.
다음은 당사 웹 사이트에 표시되는 가상의 월별 결과를 계산할 때 사용되는 중요한 가정입니다.
이익은 재투자된다. 우리는 이익이있을 때 이익이 무역 전략에 재투자된다고 가정합니다. 투자 규모 시작. 저희 사이트의 모든 거래 전략에 대해 가설적인 결과는 귀하가 전략의 실적 차트에 표시된 시작 금액을 투자했다고 가정합니다. 어떤 경우에는 현재의 선물 거래 크기를보다 관리하기 쉽게하기 위해 주식 차트상의 명목 달러 금액이 하향 조정되었습니다. 이러한 경우 차트에 표시된 주식 수준에서 전략을 역사적으로 교환 할 수 없었으며 과거에는 더 적은 최소 자본이 필요했습니다. 모든 비용이 포함되어 있습니다. 누적 수익을 계산할 때 AutoTrade 기술을 사용하여 AutoTrading을 수행 할 때 일반적인 거래자가 발생하는 모든 수수료를 추정하고 포함하려고합니다. 여기에는 전략의 가입비와 무역 당 AutoTrade 수수료, 예상되는 브로커 커미션이 포함됩니다. & # 8220; Max Drawdown & # 8221; 계산 방법. Max Drawdown 통계는 다음과 같이 계산됩니다. 우리 컴퓨터 소프트웨어는 해당 시스템의 형평성 도표를보고, 형평성표가 지방의 '첨단'에서 떨어지는 가장 큰 비율을 찾습니다. (따라서 최대 정점에서 골짜로의 추첨으로 공식 지정됩니다.) 이것은 거래 시스템을 평가할 때 유용한 정보이지만 과거 실적이 향후 결과를 보장하지는 않습니다 . 따라서 향후의 인출은 여기에서 볼 수있는 최대 기록 수 감소보다 클 수 있습니다.
거래는 위험합니다.
선물 및 외환 거래에서 손실 위험이 상당합니다. 주식과 옵션의 온라인 거래는 매우 위험합니다. 돈을 잃을 것이라고 가정하십시오. 잃을 여유가없는 돈으로 거래하지 마십시오.