Forex Trading Algoritme Pdf

SnowCron Genetic Algorithm i Forex Trading Systems ved hjelp av genetisk algoritme for å skape lønnsom Forex Trading Strategy. Genetisk algoritme i Cortex Neural Networks Software Feedforward Backpropagation Neural Network Application for genetisk beregninger basert Forex trading. Dette eksemplet bruker konsepter og ideer fra den forrige artikkelen, så vær så snill å lese Neural Network Genetic Algorithm i Forex Trading Systems først, selv om det ikke er obligatorisk. Om denne teksten Først og fremst, vennligst les ansvarsfraskrivelsen. Dette er et eksempel på bruk av Cortex Neural Networks Software-genetisk algoritmefunksjonalitet, ikke et eksempel på hvordan man kan gjøre lønnsom handel. Jeg er ikke din guru, heller ikke skal jeg være ansvarlig for tapene dine. Cortex Neural Networks Software har nevrale nettverk i det, og FFBP vi diskuterte før er bare en måte å velge en forex trading strategier. Det er en god teknikk, kraftig og når det brukes riktig, veldig lovende. Det har imidlertid et problem - å undervise i Neural Network. Vi trenger å vite ønsket utgang. Det er ganske enkelt å gjøre når vi fungerer tilnærming, vi tar bare den virkelige verdien av en funksjon, fordi vi vet hva det skal være. Når vi foretar neurale nettverksprognoser. Vi bruker teknikken (beskrevet i tidligere artikler) til å undervise det neurale nettverket i historien, igjen, hvis vi forutsier, sier en valutakurs, vet vi (under treningen) hva riktig prediksjon er. Men når vi bygger et handelssystem, har vi ingen anelse om hva den riktige handelsbeslutningen er, selv om vi vet valutakursen. Faktisk har vi mange Forex trading strategier vi kan bruke når som helst, og vi må finne en god en - hvordan skal vi mate som ønsket utgang fra vårt nevrale nettverk Hvis du fulgte vår tidligere artikkel, vet du at vi har lurt å håndtere dette problemet. Vi lærte det neurale nettverket å gjøre valutakurs (eller valutakursbasert indikator) prediksjon, og brukte deretter denne forutsigelsen til å gjøre handel. Da, utenfor Neural Network delen av programmet, tok vi en beslutning om hvilket Neural Network er den beste. Genetiske algoritmer kan håndtere dette problemet direkte, de kan løse problemet som er oppgitt som å finne de beste handelssignalene. I denne artikkelen skal vi bruke Cortex Neural Networks Software til å lage et slikt program. Bruk av genetisk algoritme Genetiske algoritmer er veldig godt utviklet og svært variert. Hvis du vil lære alt om dem, foreslår jeg at du bruker Wikipedia, da denne artikkelen bare handler om hva Cortex Neural Networks Software kan gjøre. Å ha Cortex Neural Networks Software. vi kan opprette et neuralt nettverk som tar litt innspill, si, verdier av en indikator, og produserer noe output, sier handelssignaler (kjøp, selg, hold.) og stopper tap ta fortjeneste for stillinger som skal åpnes. Selvfølgelig, hvis vi frøker dette nettverket til nettverket, vil handelsresultater bli forferdelige. La oss imidlertid si at vi opprettet et dusin slike NN. Så kan vi teste ytelsen til hver av dem, og velge den beste, vinneren. Dette var den første generasjonen av NN. For å fortsette til andre generasjon, må vi tillate vår vinner å vokse, men for å unngå å få identiske kopier, kan vi legge til noen tilfeldig noice til dens nedstigningsvekter. I andre generasjon har vi vår første generasjons vinner og dens ufullkomne (muterte) kopier. Lar oss prøve igjen. Vi vil ha en annen vinner, som er bedre enn noen andre neurale nettverk i generasjonen. Og så videre. Vi tillater bare vinnerne å avle, og eliminere tapere, akkurat som i virkelighetsevolusjonen, og vi vil få vårt best-trading Neural Network. uten tidligere kunnskap om hva handelssystemet (genetisk algoritme) skal være. Neural Network Genetic Algorithm: Eksempel 0 Dette er det første genetiske algoritmen eksempel. og en veldig enkel en. Vi skal gå gjennom det trinn for trinn for å lære alle triksene som følgende eksempler vil bruke. Koden har inline kommentarer, så vi kan bare fokusere på viktige øyeblikk. Først har vi opprettet et neuralt nettverk. Det bruker tilfeldige vekter, og ble ennå ikke lært. Deretter, i syklus, lagrer vi 14 kopier av det ved bruk av MUTATIONNN-fumning. Denne funksjonen gjør en kopi av et kilde Neural Network. legger tilfeldige verdier fra 0 til (i vårt tilfelle) 0,1 til alle vekter. Vi holder håndtak til resulterende 15 NN i en matrise, vi kan gjøre det, da håndtaket er bare et heltall. Grunnen til at vi bruker 15 NN har ingenting å gjøre med handel: Cortex Neural Networks Software kan plotte opptil 15 linjer på et diagram samtidig. Vi kan bruke forskjellige tilnærminger til testingen. Først kan vi bruke læringssettet, alt sammen på en gang. For det andre kan vi teste på, si 12000 registre (ut av 100000), og gå gjennom læringssettet, fra begynnelse til slutt. Det vil gjøre lærer forskjellige, da vi vil se etter Neural Network s som er lønnsomme på en gitt del av data, ikke bare på hele settet. Den andre tilnærmingen kan gi oss problemer, hvis data endres, fra begynnelse til slutt. Da vil nettverket utvikle seg, skaffe seg mulighet til å handle i slutten av datasettet, og miste evnen til å handle i begynnelsen. For å løse dette problemet, skal vi ta tilfeldige 12000 arkivfragmenter fra data, og mate den til Neural Network. er rett og slett en endeløs syklus, da 100000 sykluser aldri blir nådd på vår fart. Nedenfor legger vi til ett barn for hvert nettverk, med litt forskjellige vekter. Merk at 0,1 for mutasjonstang ikke er det eneste valget, faktisk, selv denne parameteren kan optimaliseres ved hjelp av genetisk algoritme. Nyopprettede NNs legges til etter 15 eksisterende. På denne måten har vi 30 NN i en gruppe, 15 gamle og 15 nye. Så skal vi gjøre neste testsyklus, og drepe losere, fra begge generasjoner. For å gjøre testing, bruker vi Neural Network til våre data, for å produsere utdata, og deretter ringe Test-funksjon, som bruker disse utgangene for å simulere handel. Resultater av handel brukes til å deside, hvilke NN er best. Vi bruker et intervall av nLearn-poster, fra nStart til nStart nLearn, hvor nStart er et tilfeldig punkt i læringssettet. Koden under er et triks. Grunnen til at vi bruker det er å illustrere faktum at den genetiske algoritmen kan skape genetisk algoritme. men det vil ikke nødvendigvis være det beste, og også for å foreslå at vi kan forbedre resultatet, hvis vi innebærer noen begrensninger for læringsprosessen. Det er mulig at vårt handelssystem fungerer veldig bra på lange handler, og svært dårlig på kort, eller omvendt. Hvis du sier at lange handler er veldig gode, kan denne genetiske algoritmen vinne, selv med store tap på korte handler. For å unngå det, tilordner vi mer vekt til lange handler i merkelige og korte handler i jevne sykluser. Dette er bare et eksempel, det er ingen garanti for at det vil forbedre noe. Mer om det nedenfor, i diskusjon om korrigeringer. Teknisk sett trenger du ikke å gjøre det, eller kan gjøre det annerledes. Legg til overskudd til en sortert matrise. Den returnerer en innføringsposisjon, og vi bruker denne posisjonen til å legge til Neural Network håndtak, lære og teste profitt til ikke-sorterte arrays. Nå har vi data for nåværende Neural Network på samme array indeks som sin fortjeneste. Tanken er å komme til utvalg av NN, sortert etter lønnsomhet. Som array er sorterer etter fortjeneste, for å fjerne 12 nettverk, som er mindre lønnsomme, trenger vi bare å fjerne NNs 0 til 14 Handelsbeslutninger er basert på verdien av Neural Network-signalet. Fra dette synspunktet er programmet identisk med eksempler fra forrige artikkel. Forex Trading Strategy: Diskutere eksempel 0 Først av alt, kan vi se på diagrammer. Det første diagrammet for fortjeneste under den første iterasjonen er ikke bra i det hele tatt, som det forventes, vil det neurale nettverket miste penger (bilde evolution00gen0.png kopiert etter første iterasjon fra bildemappe): Bildet for fortjeneste på syklus 15 er bedre, noen ganger , genetisk algoritme kan lære seg veldig fort: Merk imidlertid metningen på en profittkurve. Det er også interessant å se på hvordan individuelle fortjeneste endrer seg, og husk at kurvenummeret sier 3, ikke alltid for det samme nevrale nettverket. som de blir født og avsluttet hele tiden: Vær også oppmerksom på at lite forex-automatisert handelssystem utfører dårlig på korte handler, og mye bedre i lang tid, noe som kanskje eller ikke er relatert til det faktum at dollaren falt sammenliknet med euro i den perioden. Det kan også ha noe å gjøre med parametere av indikatoren vår (kanskje vi trenger annen periode for shorts) eller valg av indikatorer. Her er historien etter 92 og 248 sykluser: Til vår overraskelse mislyktes den genetiske algoritmen helt. Lar prøve å finne ut hvorfor, og hvordan å hjelpe situasjonen. Først av alt, er ikke hver generasjon ment å være bedre enn den tidligere. Svaret er nei, i hvert fall ikke innenfor modellen vi brukte. Hvis vi tok ALLTRE læring sett på en gang, og brukte det gjentatte ganger for å lære våre NNs, så ja, de vil forbedre seg på hver generasjon. Men i stedet tok vi tilfeldige fragmenter (12000 poster i tid), og brukte dem. To spørsmål: hvorfor systemet mislyktes på tilfeldige fragmenter av læringssett, og hvorfor har vi ikke brukt hele læringssettet Vel. For å svare på det andre spørsmålet, gjorde jeg det. NNs utførte seg sterkt - på læringssett. Og de mislyktes på å teste sett, av samme grunn det mislykkes når vi brukte FFPB læring. For å si det annerledes, ble våre NNs overspecialized, de lærte å overleve i miljøet de er vant til, men ikke utenfor det. Dette skjer mye i naturen. Tilnærmingen vi tok i stedet var ment å kompensere for det ved å tvinge NNs til å gjøre det bra på et tilfeldig fragment av datasettet, slik at de forhåpentligvis også kunne utføre på et ukjent testsett. I stedet mislyktes de både på testing og på læringssett. Tenk deg dyr, som bor i en ørken. Mye sol, ingen snø i det hele tatt. Dette er en metafor for rising markedet, som for våre NNs data spiller rollen som miljø. Dyr lærte å leve i en ørken. Forestill deg dyr som lever i et kaldt klima. Snø og ingen sol i det hele tatt. Vel, de justerte. Men i vårt eksperiment plasserte vi tilfeldigvis våre NN i en ørken, i snø, i vannet, på trærne. ved å presentere dem med forskjellige fragmenter av data (tilfeldig stigende, fallende, flatt.). Dyr døde. Eller, for å si det annerledes, valgte vi det beste Neural Network for tilfeldig datasett 1, som for eksempel var for stigende marked. Deretter presenterte vi vinnerne og deres barn en fallende markedsdata. NNs utførte dårlig, vi tok best av fattige artister, kanskje en av de mutante barna, som mistet evnen til å handle på stigende marked, men fikk litt evne til å håndtere fallende. Da snudde vi bordet igjen, og igjen fikk vi best utøver - men best blant fattige artister. Vi ga rett og slett ikke våre NNs muligheter til å bli universelle. Det finnes teknikker som tillater genetisk algoritme å lære ny informasjon uten å miste resultatene på gammel informasjon (dyr kan i hvert fall leve om sommeren og om vinteren, slik at evolusjonen er i stand til å håndtere gjentatte endringer). Vi kan diskutere disse teknikkene senere, selv om denne artikkelen handler om å bruke Cortex Neural Networks Software. enn om å bygge et vellykket forex-automatisert handelssystem. Neural Network Genetic Algorithm: Eksempel 1 Nå er det på tide å snakke om korreksjoner. En enkel genetisk algoritme som vi opprettet i løpet av forrige trinn, har to store feil. For det første klarte det ikke å handle med fortjeneste. Det er ok, vi kan prøve å bruke delvis opplært system (det var lønnsomt i begynnelsen). Den andre feilen er mer alvorlig: Vi har ingen kontroll over ting, som dette systemet gjør. For eksempel kan det lære å være lønnsomt, men med store drawdowns. Det er et velkjent faktum at evolusjonen i virkeligheten kan optimalisere mer enn én parameter samtidig. For eksempel kan vi få et dyr som kan løpe fort og være motstandsdyktig mot kulde. Hvorfor ikke prøve å gjøre det samme i vårt forex-automatiserte handelssystem. Det er da vi bruker rettelser, noe som er noe annet enn settet av ytterligere straffer. Si, vårt system handler med drawdown 0.5, mens vi vil bekrefte det til 0 - 0.3 intervall. For å fortelle systemet at det gjorde en feil, reduserer vi fortjenesten (en brukt til å bestemme hvilken genetisk algoritme vant) i den grad som er proporsjonal med størrelsen på DD. Deretter tar evolusjonsalgoritmen seg av resten. Det er få flere faktorer som vi ønsker å ta i betraktning: Vi vil kanskje ha mer eller mindre like mange kjøp og salg, vi vil ha mer lønnsom drift, da av feil, vil vi kanskje ha fortjenestediagrammet til være lineær og så videre. I evolution01.tsc implementerer vi et enkelt sett med korrigeringer. Først av alt bruker vi et stort antall for en første korreksjonsverdi. Vi multipliserer den til en liten (vanligvis mellom 0 og 1) verdier, avhengig av straffen vi vil bruke. Da vi multipliserer vår fortjeneste til denne korreksjonen. Resultatet blir derfor korrigert for å reflektere hvor mye den genetiske algoritmen tilsvarer våre andre kriterier. Deretter bruker vi resultatet til å finne en vinner Neural Network. Forex Trading Strategy: Diskusjon av eksempel 1 Eksempel 1 fungerer mye bedre enn eksempel 0. I løpet av de første 100 syklusene lærte det mye, og fortjenestediagrammer ser beroligende ut. Men som i eksempel 0 er lange handler mye mer lønnsomme, noe som sannsynligvis betyr at det er et problem i vår tilnærming. Likevel fant systemet en balanse mellom to motstridende innledende forhold: Det er en viss positiv dynamikk både i læringssett og, viktigere, i testsett. Når det gjelder videre læring, i syklus 278 kan vi se at systemet vårt har blitt overtrained. Det betyr at vi fortsatt har fremskritt på læringssett: Men testing av sett viser svakhet: Dette er et vanlig problem med NN: når vi lærer det på læringssett, lærer det å håndtere det, og noen ganger lærer det seg så godt - til grad, når det mister ytelsen på testsettet. For å håndtere dette problemet, brukes en tradisjonell løsning: vi fortsetter å lete etter Neural Network. som fungerer best på testsett, og lagre det, overskrive tidligere beste, hver gang ny topp nås. Dette er den samme tilnærmingen, vi brukte i FFBP-trening, bortsett fra, denne gangen må vi gjøre det selv (legge til kode, som ser etter et best Neural Network på et testsett, og ringer SAVENN, eller eksporterer vekter av Neural Network til en fil). På denne måten, når du stopper treningen, har du den beste utøveren ON TESTING SET lagret og venter på deg. Merk også at det ikke er maks. fortjeneste du er ute etter, men optimal ytelse, så vurder å bruke rettelser når du ser etter en best utøver på et testsett. Genetisk algoritme for FOREX Teknisk analyse: Hvor nå Etter at du fikk vinneren din Neural Network. Du kan følge trinnene som er beskrevet i forrige artikkel, for å eksportere vekter av det nevrale nettverket. og deretter å bruke dem i din realtid trading plattform, som Meta Trader, Trade Station og så videre. Alternativt kan du fokusere på andre måter å optimalisere det neurale nettverket på. i motsetning til FFBP-algoritmen, kan du få avay fra å bruke lærings - og testsett, og flytte sekvensiell læring. Last ned Cortex Order Cortex Se prisliste Siktbarhet er svært viktig for dette nettstedet. Hvis du liker det, vennligst lenk til denne nettadressen. Basisene for Forex Algorithmic Trading For nesten tretti år siden var valutamarkedet (Forex) preget av handel gjennom telefon, institusjonelle investorer. ugjennomsiktig prisinformasjon, et klart skille mellom interdealer trading og dealer-kunde trading og lav markedskonsentrasjon. I dag har teknologiske fremskritt forandret markedet. Trades foregår hovedsakelig via datamaskiner, slik at forhandlerne kan komme inn på markedet, realtidsregistreringspriser har ført til større gjennomsiktighet og forskjellen mellom forhandlere og de mest sofistikerte kundene har i stor grad forsvunnet. En spesielt viktig endring er innføringen av algoritmisk handel. som, samtidig som det gjør betydelige forbedringer i driften av Forex trading, utgjør også en rekke risikoer. Ved å se på grunnleggende om Forex markedet og algoritmisk handel, vil vi identifisere noen fordeler algoritmisk handel har ført til valutahandel, samtidig som vi peker ut noen av risikoen. Forex Basics Forex er det virtuelle stedet der valutaparene handles i varierende volumer i henhold til noterte priser, hvorved en basisvaluta blir gitt en pris i form av en sitthetsvaluta. Drift 24 timer i døgnet, fem dager i uken, anses Forex å være verdens største og mest likvide finansielle marked. Per Bank for International Settlements (BIS) var det daglige globale gjennomsnittlige volumet av handel i april 2013 2,0 billioner. Hovedparten av denne handel er utført for amerikanske dollar, euro og japansk yen og involverer en rekke spillere, inkludert private banker, sentralbanker, pensjonskasser. institusjonelle investorer, store selskaper, finansielle selskaper og individuelle forhandlere. Selv om spekulativ handel kan være hovedmotivasjonen for enkelte investorer, er den primære grunnen til valutamarkedet eksistensen at folk må bytte valutaer for å kunne kjøpe utenlandske varer og tjenester. Aktiviteten i Forex-markedet påvirker reelle valutakurser og kan derfor i stor grad påvirke produksjon, arbeid, inflasjon og kapitalstrømmer i en bestemt nasjon. Av denne grunn har politikere, publikum og media alle en interessert interesse i det som skjer i Forex markedet. Grunnleggende om Algoritmisk handel En algoritme er i hovedsak et sett med spesifikke regler som er utformet for å fullføre en klart definert oppgave. I finansmarkedshandel utfører datamaskiner brukerdefinerte algoritmer karakterisert ved et sett av regler som består av parametere som timing, pris eller kvantitet som strukturerer handlingene som skal gjøres. Det eksisterer fire grunnleggende typer algoritmisk handel innenfor finansmarkeder: statistisk, automatisk sikring, algoritmiske gjennomføringsstrategier og direkte markedsadgang. Statistisk refererer til en algoritmisk strategi som ser etter lønnsomme handelsmuligheter basert på statistisk analyse av historiske tidsseriedata. Auto-hedging er en strategi som genererer regler for å redusere en eksponent for eksponering for risiko. Målet med algoritmiske utførelsesstrategier er å utføre et forhåndsdefinert mål, for eksempel å redusere markedsvirkningen eller utføre en handel raskt. Endelig beskriver direkte markedsadgang de optimale hastighetene og lavere kostnader som algoritmiske forhandlere kan få tilgang til og koble til flere handelsplattformer. En av underkategorierne for algoritmisk handel er handel med høyfrekvens, noe som preges av den ekstremt høye frekvensen av handelsordre henrettelser. Høyhastighetshandel kan gi betydelige fordeler til forhandlere ved å gi dem muligheten til å handle innen millisekunder av inkrementelle prisendringer. men det kan også ha visse risikoer. Algoritmisk handel i forexmarkedet Mye av veksten i algoritmisk handel på Forex-markeder de siste årene har vært på grunn av algoritmer som automatiserer bestemte prosesser og reduserer timene som trengs for å gjennomføre valutatransaksjoner. Effektiviteten skapt av automatisering fører til lavere kostnader ved gjennomføring av disse prosessene. En slik prosess er utførelsen av handelsordrer. Automatisere handelsprosessen med en algoritme som handler basert på forutbestemte kriterier, for eksempel å gjennomføre ordrer over en bestemt tidsperiode eller til en bestemt pris, er betydelig mer effektiv enn manuell utførelse av mennesker. Bankene har også utnyttet algoritmer som er programmert til å oppdatere priser på valutapar på elektroniske handelsplattformer. Disse algoritmene øker hastigheten der bankene kan sitere markedspriser samtidig som antallet manuelle arbeidstimer reduseres for å oppgi priser. Noen banker programmerer algoritmer for å redusere risikoeksponeringen. Algoritmen kan brukes til å selge en bestemt valuta for å matche en kundehandel der banken kjøpte tilsvarende beløp for å opprettholde en konstant mengde av den aktuelle valutaen. Dette gjør det mulig for banken å opprettholde et forhåndsdefinert nivå av risikoeksponering for å holde den valutaen. Disse prosessene har blitt gjort betydelig mer effektive av algoritmer, noe som fører til lavere transaksjonskostnader. Likevel er disse ikke de eneste faktorene som har ført til veksten i Forex-algoritmisk handel. Algoritmer har i økende grad blitt brukt til spekulativ handel, da kombinasjonen av høyfrekvens og algoritmenes evne til å tolke data og utføre ordrer, har gjort det mulig for handelsmenn å utnytte arbitrasjonsmuligheter som skyldes små prisavvik mellom valutapar. Alle disse fordelene har ført til økt bruk av algoritmer i Forex-markedet, men vi ser på noen av risikoen som følger med algoritmisk handel. Risiko involvert i Algoritmisk Forex Trading Selv om algoritmisk handel har gjort mange forbedringer, er det noen ulemper som kan true stabiliteten og likviditeten til Forex markedet. En slik ulempe er knyttet til ubalanser i handelsmakt fra markedsdeltakere. Noen deltakere har midler til å skaffe seg sofistikert teknologi som gjør det mulig for dem å skaffe seg informasjon og utføre bestillinger med en mye raskere hastighet enn andre. Denne ubalansen mellom haves og has-nots i forhold til den mest sofistikerte algoritmiske teknologien kan føre til fragmentering i markedet som kan føre til likviditetsmangel over tid. Videre, mens det er grunnleggende forskjeller mellom aksjemarkedene og Forexmarkedet, er det noen som frykter at høyfrekvenshandelen som forverret aksjemarkedets flashkrasj 6. mai 2010 også kunne påvirke Forex-markedet. Som algoritmer er programmert for spesifikke markedsscenarier, kan de ikke reagere raskt nok dersom markedet skulle endre seg drastisk. For å unngå dette scenarioet må markedene måtte overvåkes og algoritmisk handel suspendert under markedsturbulens. I slike ekstreme scenarier kan imidlertid en samtidig suspensjon av algoritmisk handel fra en rekke markedsdeltakere føre til høy volatilitet og en drastisk reduksjon av markedslikviditeten. Bunnlinjen Selv om algoritmisk handel har vært i stand til å øke effektiviteten, og dermed redusere kostnadene ved trading valutaer, har det også kommet med noen ekstra risiko. For at valutaene skal fungere ordentlig, må de være noe stabile butikker av verdi og være svært flytende. Det er således viktig at Forex-markedet forblir flytende med lav prisvolatilitet. Som med alle områder av livet, introduserer ny teknologi mange fordeler, men det kommer også med nye risikoer. Utfordringen for fremtiden for algoritmisk Forex trading vil være hvordan å sette inn endringer som maksimerer fordelene samtidig som risikoen reduseres. Strategier for Forex Algorithmic Trading Som et resultat av nylig kontrovers har Forex-markedet vært under økt kontroll. Fire store banker ble funnet skyldig i å konspirere for å manipulere valutakurser, noe som lovet forhandlere betydelige inntekter med relativt lav risiko. Spesielt samtykket verdens største banker til å manipulere prisen på amerikanske dollar og euro fra 2007 til 2013. Forexmarkedet er bemerkelsesverdig uregulert til tross for å håndtere 5 billioner-verdi for transaksjoner hver dag. Som et resultat, har regulatorer oppfordret til å vedta algoritmisk handel. et system som bruker matematiske modeller i en elektronisk plattform for å utføre handler i finansmarkedet. På grunn av det høye volumet av daglige transaksjoner skaper forexalgoritmisk handel større gjennomsiktighet, effektivitet og eliminerer menneskelig bias. En rekke forskjellige strategier kan forfølges av handelsmenn eller firmaer i forexmarkedet. For eksempel refererer automatisk sikring til bruken av algoritmer for å sikre porteføljens risiko eller å fjerne posisjoner effektivt. I tillegg til automatisk sikring omfatter algoritmiske strategier statistisk handel, algoritmisk gjennomføring, direkte markedsadgang og høyfrekvent handel, som alle kan brukes på valutatransaksjoner. Automatisk sikring Ved investering er sikring en enkel måte å beskytte dine eiendeler mot betydelige tap ved å redusere beløpet du kan tape hvis noe uventet oppstår. Ved algoritmisk handel kan sikring automatiseres for å redusere en eksponent for eksponering for risiko. Disse automatisk genererte sikringsordrene følger bestemte modeller for å styre og overvåke risikonivået i en portefølje. Innenfor valutamarkedet er de primære metodene for sikringsbransjen gjennom spotkontrakter og valutaalternativer. Spotkontrakter er kjøp eller salg av utenlandsk valuta med umiddelbar levering. Fprex spotmarkedet har vokst betydelig fra begynnelsen av 2000-tallet på grunn av tilstrømningen av algoritmiske plattformer. Spesielt gir den raske spredningen av informasjon, som reflektert i markedsprisene, mulighet for arbitrage å oppstå. Arbitrage muligheter oppstår når valutaprisene blir feiljustert. Triangulær arbitrage. som det er kjent i forexmarkedet, er prosessen med å konvertere en valuta tilbake til seg selv gjennom flere forskjellige valutaer. Algoritmiske og høyfrekvente forhandlere kan bare identifisere disse mulighetene ved hjelp av automatiserte programmer. Som et derivat. Forex opsjoner opererer på lignende måte som et alternativ på andre typer verdipapirer. Valutaprisene gir kjøperen rett til å kjøpe eller selge valutaparet til en bestemt valutakurs på et eller annet tidspunkt i fremtiden. Dataprogrammer har automatiserte binære alternativer som en alternativ måte å sikre valutahandel på. Binære alternativer er en type alternativ hvor utbetalinger tar ett av to utfall: enten handler avregningen til null eller til en forutbestemt strykpris. Statistisk analyse Innen finansindustrien er statistisk analyse fortsatt et viktig verktøy for å måle prisbevegelser av sikkerhet over tid. I forexmarkedet brukes tekniske indikatorer til å identifisere mønstre som kan bidra til å forutsi fremtidige prisbevegelser. Prinsippet om at historien gjentar seg, er grunnleggende for teknisk analyse. Siden valutamarkedet opererer 24 timer i døgnet øker den sterke mengden informasjon dermed statistikkverdien av prognosene. På grunn av den økende raffinement av dataprogrammer, har algoritmer blitt generert i henhold til tekniske indikatorer, inkludert flytende gjennomsnittlig konvergensdivergens (MACD) og relativ styrkeindeks (RSI). Algoritmiske programmer foreslår bestemte tider hvor valutaer skal kjøpes eller selges. Algoritmisk utførelse Algoritmisk handel krever en eksekverbar strategi som fondforvaltere kan bruke til å kjøpe eller selge store mengder eiendeler. Handelssystemer følger et forhåndsdefinert sett med regler og er programmert til å utføre en ordre under visse priser, risikoer og investeringshorisonter. I forexmarkedet gir direkte markedsadgang kjøpersidehandlere til å gjennomføre forex-ordrer direkte til markedet. Direkte markedsadgang skjer via elektroniske plattformer, som ofte senker kostnader og handelsfeil. Vanligvis er handel på markedet begrenset til meglere og markedsførere. Men direkte markedsadgang gir kjøpsselskaper tilgang til salgssideinfrastruktur, og gir kunder større kontroll over handelen. På grunn av arten av algoritmisk handel og valutamarkedene er ordreutførelse ekstremt rask, slik at handelsmenn kan gripe til kortvarige handelsmuligheter. High Frequency Trading Som den vanligste delmengden av algoritmisk handel har høyfrekvent handel blitt stadig mer populær i forexmarkedet. Basert på komplekse algoritmer er høyfrekvenshandel utførelsen av et stort antall transaksjoner med svært høye hastigheter. Etter hvert som finansmarkedet fortsetter å utvikle seg, gir raskere utførelseshastigheter handelsmenn muligheten til å utnytte lønnsomme muligheter i valutamarkedet. En rekke høyfrekvente handelsstrategier er utformet for å gjenkjenne lønnsomme arbitrage - og likviditetssituasjoner. Forutsatt at bestillinger utføres raskt, kan handelsmenn utnytte arbitrage for å låse i risikofri profitt. På grunn av hastigheten på høyfrekvent handel kan arbitrage også gjøres på tvers av spot - og fremtidige priser på de samme valutaparene. Advokater for høyfrekvent handel i valutamarkedet fremhever sin rolle i å skape høy grad av likviditet og åpenhet i bransjer og priser. Likviditeten har en tendens til å være kontinuerlig og konsentrert, da det er et begrenset antall produkter i forhold til aksjer. I forexmarkedet har likviditetsstrategier som mål å oppdage bestillingsobalanser og prisforskjeller mellom et bestemt valutapar. En ordens ubalanse oppstår når det foreligger et overskytende antall kjøps - eller salgsordrer for en bestemt eiendel eller valuta. I dette tilfellet fungerer høyfrekvente handlende som likviditetsleverandører, og tjener spredningen ved å arbitrage forskjellen mellom kjøps - og salgsprisen. Bunnlinjen Mange krever større regulering og åpenhet i valutamarkedet i lys av de siste skandalene. Den voksende adopsjonen av forex-algoritmiske handelssystemer kan effektivt øke gjennomsiktigheten i valutamarkedet. Foruten åpenhet er det viktig at forexmarkedet forblir flytende med lav prisvolatilitet. Algoritmiske handelsstrategier, som automatisk sikring, statistisk analyse, algoritmisk gjennomføring, direkte markedsadgang og handel med høyfrekvenser, kan utstede prisforstyrrelser som gir lønnsomme muligheter for handelsfolk.