Perancangan sistem perdagangan frekuensi tinggi dan manajemen proses Perancangan sistem perdagangan frekuensi tinggi dan manajemen proses Penasihat: Roy E. Welsch. Jurusan: Desain Sistem dan Program Manajemen. Penerbit: Massachusetts Institute of Technology Tanggal Terbit: 2009 Perusahaan perdagangan saat ini sangat bergantung pada data mining, pemodelan komputer dan pengembangan perangkat lunak. Analis keuangan melakukan banyak tugas serupa dengan industri perangkat lunak dan manufaktur. Namun, industri keuangan belum sepenuhnya mengadopsi kerangka rekayasa sistem standar yang tinggi dan pendekatan manajemen proses yang telah berhasil di industri perangkat lunak dan manufaktur. Banyak metodologi tradisional untuk desain produk, kontrol kualitas, inovasi sistematis, dan perbaikan terus-menerus yang ditemukan dalam disiplin teknik dapat diterapkan ke bidang keuangan. Tesis ini menunjukkan bagaimana pengetahuan yang diperoleh dari disiplin teknik dapat memperbaiki perancangan dan proses pengelolaan sistem perdagangan frekuensi tinggi. Sistem perdagangan frekuensi tinggi berbasis komputasi. Sistem ini adalah sistem perangkat lunak otomatis atau semi otomatis yang secara inheren kompleks dan memerlukan tingkat presisi desain yang tinggi. Perancangan sistem perdagangan frekuensi tinggi menghubungkan beberapa bidang, termasuk keuangan kuantitatif, perancangan sistem dan rekayasa perangkat lunak. Di industri keuangan, di mana teori matematika dan model perdagangan diteliti dengan baik, kemampuan untuk menerapkan desain ini dalam praktik perdagangan sesungguhnya adalah salah satu elemen kunci dari daya saing perusahaan investasi. Kemampuan untuk mengubah ide investasi menjadi sistem perdagangan dengan kinerja tinggi secara efektif dan efisien dapat memberi keunggulan investasi pada perusahaan investasi. (Lanjutan) Tesis ini memberikan studi terperinci yang terdiri dari perancangan sistem perdagangan frekuensi tinggi, pemodelan dan prinsip sistem, dan manajemen proses. Untuk pengembangan sistem Penekanan khusus diberikan pada backtesting dan optimasi, yang dianggap bagian terpenting dalam membangun sistem perdagangan. Penelitian ini membangun model rekayasa sistem yang memandu proses pembangunan. Ini juga menggunakan sistem perdagangan eksperimental untuk memverifikasi dan memvalidasi prinsip-prinsip yang dibahas dalam tesis ini. Akhirnya, tesis ini menyimpulkan bahwa prinsip dan kerangka rekayasa sistem dapat menjadi kunci keberhasilan penerapan sistem perdagangan frekuensi tinggi atau kuantitatif. Skripsi (S. M.) - Institut Teknologi Massachusetts, Desain Sistem dan Program Manajemen, 2009. Diakses dari versi PDF tesis. Termasuk referensi bibliografi (halaman 78-79). Kata kunci: Desain Sistem dan Program Manajemen. My AccountMengembangkan model perdagangan ekuitas frekuensi tinggi Mengembangkan model perdagangan ekuitas frekuensi tinggi Penasihat: Roy E. Welsch. Departemen: Sloan School of Management. Penerbit: Massachusetts Institute of Technology Tanggal Terbit: 2010 Tujuan makalah ini adalah untuk menunjukkan bukti bahwa ada peluang untuk menghasilkan alpha di lingkungan frekuensi tinggi pasar ekuitas AS, dengan menggunakan Principal Component Analysis (PCA akhirat) sebagai dasar untuk jangka pendek Penilaian jangka panjang dan prediksi pergerakan pasar. Kerangka waktu perdagangan dan periode holding kita menganalisis berosilasi antara satu detik sampai setinggi 5 menit kira-kira. Kami sangat percaya bahwa ruang waktu ini menawarkan peluang untuk menghasilkan alfa, mengingat sebagian besar strategi perdagangan kuantitatif yang dikenal diimplementasikan dalam dua jenis kerangka waktu: baik pada jenis aritmatika khas dari kerangka waktu (dengan horizon penilaian dan periode perdagangan di Urutan hari atau minggu sampai mungkin berbulan-bulan), atau di lingkungan dengan frekuensi tinggi murni (dengan kerangka waktu sesuai urutan milidetik). Pada strategi yang terakhir, sebenarnya tidak banyak niat untuk mewujudkan valuasi ekuitas, namun untuk mendapatkan keuntungan dari pembuatan pasar dengan frekuensi tinggi, yang melibatkan tidak hanya mencari keuntungan dari menerima spread bidask, tetapi juga dari rabat transaksi yang ditawarkan oleh banyak Pertukaran kepada mereka yang memberikan likuiditas. Kami percaya bahwa ada lebih banyak kesempatan untuk menangkap inefisiensi yang ada di arena ini, dan kami menunjukkan bagaimana dengan alat matematika dan prediksi yang sangat sederhana, inefisiensi tersebut dapat diidentifikasi dan berpotensi dieksploitasi untuk menghasilkan keuntungan berlebih. Makalah ini menggambarkan intuisi dasar kita tentang model yang kita gunakan, yang didasarkan pada hasil PCA jangka pendek mengenai tingkat pengembalian ekuitas, dan menunjukkan bagaimana hasil ini dapat memprediksi hasil kumulatif masa depan yang pendek. Kami secara acak memilih 50 dari ekuitas paling likuid di indeks SampP 500 untuk menguji hasil kami. Skripsi (M. B.A.) - Institut Teknologi Massachusetts, Sloan School of Management, 2010. Diakses dari versi PDF tesis. Termasuk referensi bibliografi (hal 59). Kata kunci: Sloan School of Management. Account Saya Sebagai ilmuwan komputer Anda, Anda berada dalam posisi sempurna untuk memulai trading algoritmik. Ini adalah sesuatu yang saya saksikan langsung di Quantiacs1. Dimana para ilmuwan dan insinyur dapat terjun langsung ke perdagangan otomatis tanpa pengalaman sebelumnya. Dengan kata lain, pemrograman daging merupakan bahan utama yang dibutuhkan untuk memulai. Untuk mendapatkan pemahaman umum tentang tantangan apa yang menanti Anda setelah membuat sistem perdagangan algoritmik, lihat pos Quora ini. Membangun sistem perdagangan dari bawah ke atas akan memerlukan beberapa pengetahuan latar belakang, platform perdagangan, data pasar, dan akses pasar. Meskipun bukan keharusan, memilih platform perdagangan tunggal yang menyediakan sebagian besar sumber daya ini akan membantu Anda mempercepat kecepatan. Yang sedang berkata, keterampilan yang Anda kembangkan akan dapat dialihkan ke bahasa pemrograman dan hampir semua platform. Percaya atau tidak, membangun strategi trading otomatis tidak didasarkan pada menjadi ahli pasar. Meskipun demikian, belajar mekanika pasar dasar akan membantu Anda menemukan strategi perdagangan yang menguntungkan. Pilihan, Futures, dan Derivat Lainnya oleh John C. Hull - Buku pertama yang bagus untuk memasuki keuangan kuantitatif, dan mendekati dari sisi matematika. Quantitative Trading oleh Ernie Chan - Ernie Chan memberikan buku pengantar terbaik untuk perdagangan kuantitatif dan menuntun Anda melalui proses pembuatan algoritma perdagangan di MATLAB dan Excel. Trading Algoritma Futures via Machine Learning - Rincian 5 halaman untuk menerapkan model pembelajaran mesin sederhana ke indikator analisis teknis yang umum digunakan. Heres sebuah daftar bacaan gabungan PDF dengan rincian lengkap dari buku, video, kursus, dan forum perdagangan. Cara terbaik untuk belajar adalah dengan melakukan, dan dalam kasus perdagangan otomatis yang turun ke charting dan coding. Titik awal yang baik adalah contoh sistem perdagangan yang ada dan teknik analisis teknik pameran yang ada. Selain itu, seorang ilmuwan komputer terampil memiliki keunggulan tambahan untuk dapat menerapkan pembelajaran mesin ke perdagangan algoritmik. Berikut adalah beberapa sumber daya tersebut: TradingView - Platform grafik visual yang fantastis dengan sendirinya, TradingView adalah taman bermain yang bagus untuk merasa nyaman dengan analisis teknis. Ini memiliki manfaat tambahan untuk memungkinkan Anda membuat strategi perdagangan naskah dan melihat gagasan perdagangan orang lain. Forum Perdagangan Otomatis - Komunitas online yang hebat untuk mengeposkan pertanyaan pemula dan menemukan jawaban atas masalah ku yang umum saat memulai. Forum kuota adalah tempat yang tepat untuk direndam dalam strategi, alat, dan teknik. Seminar YouTube tentang ide trading dengan contoh kode kerja di Github. Pembelajaran Mesin: Presentasi lebih banyak tentang perdagangan otomatis dapat ditemukan di Quantiacs Quant Club. Kebanyakan orang dari latar belakang ilmiah (entah itu ilmu komputer atau teknik) telah terpapar Python atau MATLAB, yang merupakan bahasa populer untuk keuangan kuantitatif. Quantiacs telah menciptakan kotak peralatan open source yang menyediakan backtesting dan 15 tahun data pasar historis secara gratis. Bagian yang terbaik adalah semuanya dibangun di atas kedua Python dan MATLAB yang memberi Anda pilihan untuk mengembangkan sistem Anda. Heres contoh tren-mengikuti strategi trading di MATLAB. Ini semua adalah kode yang dibutuhkan untuk menjalankan sistem perdagangan otomatis, yang menampilkan kekuatan MATLAB dan Quantiacs Toolbox. Quantiacs memungkinkan Anda menukar 44 futures dan semua saham dari SampP 500. Selain itu, berbagai perpustakaan tambahan seperti TensorFlow didukung. (Penafian: Saya bekerja di Quantiacs) Begitu Anda siap menghasilkan uang secara kuantitatif, Anda dapat mengikuti kontes perdagangan otomatis Quantiacs terbaru, dengan total 2.250.000 investasi tersedia: Dapatkah Anda bersaing dengan quants terbaik Jawaban ini telah sepenuhnya - ditulis Berikut adalah 6 basis pengetahuan utama untuk membangun sistem perdagangan algoritmik. Anda harus berkenalan dengan mereka semua untuk membangun sistem perdagangan yang efektif. Beberapa istilah yang digunakan mungkin sedikit teknis, namun Anda harus bisa memahaminya dengan Googling. Catatan: (Sebagian besar) ini tidak berlaku jika Anda ingin melakukan Perdagangan Frekuensi Tinggi 1. Teori Pasar Anda perlu memahami bagaimana pasar bekerja. Lebih khusus lagi, Anda harus memahami inefisiensi pasar, hubungan antara aset yang berbeda dengan produk dan perilaku harga. Gagasan perdagangan berasal dari inefisiensi pasar. Anda perlu mengetahui bagaimana mengevaluasi inefisiensi pasar yang memberi Anda keunggulan trading dibandingkan dengan yang tidak. Merancang robot yang efektif memerlukan pemahaman bagaimana sistem perdagangan otomatis bekerja. Intinya, strategi perdagangan algoritmik terdiri dari 3 komponen inti: 1) Entri, 2) Keluar dan 3) Ukuran Posisi. Anda perlu merancang 3 komponen ini dalam kaitannya dengan inefisiensi pasar yang Anda potret (dan tidak, ini bukan proses yang mudah). Anda tidak perlu tahu matematika tingkat lanjut (meskipun akan membantu jika Anda bertujuan untuk membangun strategi yang lebih kompleks). Kemampuan berpikir kritis yang baik dan pemahaman statistik yang bagus akan membawa Anda jauh. Desain melibatkan backtesting (pengujian untuk trading edge and robustness) dan optimasi (memaksimalkan kinerja dengan pemasangan kurva minimal). Anda harus tahu bagaimana mengelola portofolio strategi perdagangan algoritmik juga. Strategi dapat saling melengkapi atau bertentangan ini dapat menyebabkan kenaikan eksposur risiko yang tidak terencana atau hedging yang tidak diinginkan. Alokasi modal penting juga apakah Anda membagi modal secara setara selama interval reguler atau memberi penghargaan kepada para pemenang dengan modal lebih Jika Anda tahu produk apa yang ingin Anda jual, temukan platform perdagangan yang sesuai untuk produk ini. Kemudian pelajari bahasa pemrograman API dari platform ini. Jika Anda memulai, saya akan merekomendasikan Quantopian (hanya saham), Quantconnect (saham dan FX) atau Metatrader 4 (FX dan CFD mengenai indeks ekuitas, saham dan komoditas). Bahasa pemrograman yang digunakan adalah Python, C dan MQL4 masing-masing. 4. Pengelolaan Data Sampah di tempat sampah. Data yang tidak akurat menyebabkan hasil tes tidak akurat. Kami membutuhkan data yang cukup bersih untuk pengujian yang akurat. Membersihkan data adalah trade-off antara biaya dan akurasi. Jika menginginkan data yang lebih akurat, Anda perlu meluangkan lebih banyak waktu (waktu uang) untuk membersihkannya. Beberapa masalah yang menyebabkan data kotor termasuk data yang hilang, duplikat data, data salah (bad ticks). Masalah lain yang menyebabkan data yang menyesatkan mencakup dividen, pemecahan saham dan futures rollover dll. 5. Manajemen Resiko Ada 2 jenis risiko utama: Risiko pasar dan risiko operasional. Risiko pasar melibatkan risiko yang terkait dengan strategi trading Anda. Apakah itu mempertimbangkan skenario kasus terburuk Bagaimana jika sebuah acara angsa hitam seperti Perang Dunia 3 terjadi Apakah Anda melakukan lindung nilai atas risiko yang tidak diinginkan Apakah posisi Anda terlalu tinggi Selain mengelola risiko pasar, Anda perlu melihat risiko operasional. Sistem crash, kehilangan koneksi internet, algoritma eksekusi yang buruk (yang mengarah ke harga eksekusi yang buruk, atau perdagangan yang tidak terjawab karena ketidakmampuan menangani selisih permintaan) dan pencurian oleh hacker adalah masalah yang sangat nyata. 6. Live Execution Backtesting dan live trading sangat berbeda. Anda harus memilih broker yang tepat (MM vs STP vs ECN). Berita Pasar Forex dengan Forum Forex Trading amp Forex Brokers Reviews adalah teman terbaik Anda, baca review broker di sana. Anda memerlukan infrastruktur yang tepat (VPN aman dan penanganan downtime dll) dan prosedur evaluasi (monitor kinerja robot Anda dan analisis mereka dalam kaitannya dengan optimasi inefficiencybacktests pasar) untuk mengelola robot Anda sepanjang masa. Anda perlu tahu kapan harus melakukan intervensi (memodifikasi startup pada robot Anda) dan kapan tidak melakukannya. Evaluasi dan Optimalisasi Strategi Perdagangan Pardo (Wawasan yang bagus tentang metode dalam membangun dan menguji strategi perdagangan) Mempromosikan jalan Anda menuju Kebebasan Finansial Van K Tharp (judul umpan yang konyol-klik di samping, buku ini adalah ikhtisar yang bagus untuk sistem perdagangan mekanis) Quantitative Trading Ernest Chan (Pengantar untuk perdagangan algo di tingkat eceran) Perdagangan dan Bursa: Mikrostruktur Pasar untuk Praktisi Larry Harris (Struktur mikro pasar adalah ilmu tentang bagaimana pertukaran berfungsi dan apa yang sebenarnya terjadi ketika sebuah perdagangan ditempatkan. Penting untuk mengetahui informasi ini Meskipun Anda baru memulai) Algorithmic Trading amp DMA Barry Johnson (Mengecam algoritma eksekusi bank. Hal ini tidak berlaku secara langsung untuk perdagangan algo Anda tapi ada baiknya untuk diketahui) The Quants Scott Patterson (Kisah Perang dari beberapa kuasi teratas. Sebagai waktu tidur baca) Quantopian (Kode, penelitian, dan diskusikan gagasan dengan masyarakat. Menggunakan Python) Dasar-dasar Algo Trading Algo Trading101 (Penafian: Saya memiliki sitemap ini. Pelajari teori desain robot, teori pasar dan coding. Menggunakan MQL4) - Bergabunglah dengan tantangan (Pelajari konsep-konsep trading dan teori backtesting Mereka baru-baru ini mengembangkan backtesting dan platform trading mereka sendiri, jadi bagian ini masih baru bagi saya, namun pengetahuan mereka berdasarkan konsep trading itu bagus.) BlogsForums yang Direkomendasikan (ini termasuk keuangan , Forum perdagangan dan perdagangan algo): Bahasa Pemrograman yang Direkomendasikan: Jika Anda tahu produk apa yang ingin Anda jual, temukan platform trading yang sesuai untuk produk ini. Kemudian pelajari bahasa pemrograman API dari platform ini. Jika Anda memulai, saya akan merekomendasikan Quantopian (hanya saham), Quantconnect (saham dan FX) atau Metatrader 4 (FX dan CFD mengenai indeks ekuitas, saham dan komoditas). Bahasa pemrograman yang digunakan adalah Python, C dan MQL4 masing-masing. Saya memiliki latar belakang sebagai programmer dan mendirikan tim agilescrum sebelum mulai melihat perdagangan algoritmik. Dunia perdagangan algoritmik sangat mempesonakan saya, namun hal itu bisa sedikit berlebihan. Saya mulai mendapatkan beberapa perspektif dengan terjun ke platform Quantopian, menonton rangkaian ceramah kuantitatif dan menjalankan sistem perdagangan algo berbasis masyarakat dan adaptasi berbasis di lingkungan mereka. Seperti yang di bawah ini: Saya kemudian menyadari untuk masuk lebih dalam lebih cepat, saya harus bertemu orang-orang yang suka menciptakan strategi perdagangan, namun tidak dapat memprogram - untuk mencocokkan diri saya sebagai manajer tim dan programmer agile sistem perdagangan. Jadi saya menulis sebuah buku tentang cara membuat tim untuk menerapkan algoritma trading Anda. Membangun Sistem Perdagangan Cara Agile: Cara Membangun Sistem Perdagangan Algoritma yang Menang sebagai Tim. Di komunitas Quantopian, saya melihat orang-orang cerdas keuangan mencari orang untuk menerapkan strategi trading mereka, namun di mana takut meminta pemrogram untuk menerapkan gagasan mereka. Karena mereka berpotensi bisa mulai menjalankan ide trading mereka tanpa mereka. Saya membahas masalah ini di buku saya. Untuk menghindari pemrogram melarikan diri dengan ide Anda: buatlah spesifikasi untuk ide trading Anda yang menggunakan kerangka pengkodean yang disesuaikan dengan jenis strategi yang ingin Anda kembangkan. Ini mungkin kedengarannya sulit, tapi bila Anda tahu semua langkah bayi dan bagaimana cara mereka menyesuaikan diri, sangat mudah dan menyenangkan untuk dikelola. Jika Anda menyukai jawaban ini, silakan pilih dan ikuti. Meskipun ini adalah topik yang sangat luas dengan referensi untuk membangun algoritma, menetapkan infrastruktur, alokasi aset dan manajemen risiko namun saya hanya akan fokus pada bagian pertama bagaimana seharusnya bekerja untuk membangun algoritme sendiri, dan melakukan hal yang benar. 1. Membangun Strategi. Beberapa poin penting yang perlu diperhatikan di sini adalah: Catch Big Trends - Strategi yang bagus harus dalam semua kasus, menghasilkan uang saat pasar sedang tren. Pasar berjalan dengan tren bagus yang hanya bertahan 15-20 kali, tapi inilah saat semua kucing dan anjing (pedagang dari semua kerangka waktu, intraday, harian, mingguan, jangka panjang) sedang berbelanja dan mereka semua Memiliki satu tema yang umum. Banyak pedagang juga membangun strategi pengembalian rata-rata di mana mereka mencoba menilai kondisi ketika harga telah bergerak jauh dari rata-rata, dan melakukan perdagangan melawan tren namun harus dibangun bila Anda berhasil membangun dan menukar beberapa tren yang baik mengikuti sistem. . Kemungkinan menumpuk - Orang sering bekerja untuk mencoba membangun sistem yang memiliki rasio winloss yang sangat baik tapi bukan pendekatan yang tepat. Misalnya seorang algo dengan pemenang 70 dengan rata-rata keuntungan 100 per perdagangan dan rata-rata kerugian 200 per perdagangan hanya akan menghasilkan 100 per 10 perdagangan (10trade net). Tapi algo dengan pemenang 30 dengan rata-rata keuntungan 500 per perdagangan dan kerugian 100 per perdagangan akan menghasilkan keuntungan bersih sebesar 800 untuk 10 perdagangan (80trade). Jadi tidak perlu rasio winloss itu bagus, bukan kemungkinan menumpuk yang seharusnya lebih baik. Ini berjalan dengan mengatakan kerugian quotKeep kecil, tapi biarkan pemenang Anda runquot. QuotIn investasi, apa yang nyaman jarang menguntungkan. quot - Robert Arnott Drawdown - Drawdown tidak dapat dihindari, jika Anda mengikuti jenis strategi apa pun. Jadi saat merancang algo don039t mencoba mengurangi penarikan atau melakukan beberapa kondisi khusus khusus untuk mengurus penarikan tersebut. Kondisi spesifik ini di masa depan dapat bertindak sebagai penghambat jalan dalam menangkap tren besar dan algo Anda mungkin berkinerja buruk. Manajemen Risiko - Saat membangun strategi, Anda harus selalu memiliki pintu keluar, apa pun yang dipilih pasar. Pasar adalah tempat peluang dan Anda harus merancang algo untuk mengeluarkan Anda dari perdagangan sesegera mungkin jika tidak sesuai dengan selera risiko Anda. Biasanya dikatakan bahwa Anda harus mengambil risiko 1-2 dari modal di setiap perdagangan, dan optimal dalam banyak cara, walaupun Anda bisa mendapatkan 10 transaksi palsu berturut-turut sehingga modal Anda akan turun hanya 20. Tapi ini bukan Kasus dalam skenario pasar aktual. Beberapa perdagangan rugi akan terjadi antara 0-1, sementara beberapa mungkin akan mencapai 3-4, jadi lebih baik untuk mendefinisikan modal kerugian rata-rata per perdagangan dan modal maksimum yang dapat Anda kendalikan dalam perdagangan, karena pasar benar-benar acak dan tidak dapat dinilai. . Sekali-sekali, pasar melakukan sesuatu yang sangat bodoh sehingga membuat Anda tersesat. quot - Jim Cramer 2. Menguji dan mengoptimalkan Slippage Strategi. Ketika kita menguji strategi data historis, kita berada di bawah asumsi bahwa perintah akan dieksekusi pada harga yang telah ditentukan tiba oleh algo. Tapi ini tidak akan menjadi masalah, karena kita harus berurusan dengan pembuat pasar dan HFT algo039s sekarang. Pesanan Anda di dunia sekarang ini tidak akan pernah dieksekusi dengan harga yang diinginkan, dan akan ada selip. Ini harus disertakan dalam pengujian. Dampak Pasar: Volume yang diperdagangkan oleh algo merupakan faktor utama yang harus dipertimbangkan saat melakukan pengujian balik dan mengumpulkan hasil historis. Seiring meningkatnya volume pesanan yang dilakukan oleh algo akan memiliki dampak pasar yang cukup besar dan harga rata-rata pesanan terisi akan jauh berbeda. Algo Anda mungkin menghasilkan hasil yang berbeda dalam kondisi pasar yang sebenarnya, jika Anda tidak mempelajari dinamika volume yang dimiliki algo Anda. Optimalisasi: Sebagian besar pedagang menyarankan Anda untuk tidak melakukan penyesuaian kurva dan pengoptimalan dan mereka benar karena pasar adalah fungsi dari variabel acak dan tidak ada dua situasi yang akan sama. Jadi mengoptimalkan parameter untuk situasi tertentu adalah ide yang buruk. Saya akan menyarankan Anda untuk mencari Zonal Optimization. Ini adalah teknik yang saya ikuti, membeli zona identifikasi yang memiliki karakteristik serupa dalam hal volatilitas dan volume. Optimalkan area ini secara terpisah, daripada mengoptimalkan keseluruhan periode. Berikut adalah beberapa langkah paling dasar dan paling penting yang saya ikuti, saat mengubah pemikiran dasar menjadi sebuah algoritma dan memastikan validitasnya. Semua orang memiliki kekuatan otak untuk mengikuti pasar saham. Jika Anda berhasil melewati kelas lima, Anda bisa melakukannya. QuotPeter Lynch Jawaban singkat: Belajar matematika diterapkan pada perdagangan, struktur pasar dan secara opsional menjadi pemrogram sistem terdistribusi atas jaringan. Ada tiga jalur yang berpotensi paralel yang dapat diambil untuk mempelajari perdagangan algoritmik dari nol bergantung pada tujuan akhir mengapa Anda ingin mempelajarinya. Di sini mereka semakin meningkatkan tingkat kesulitan yang juga berkorelasi dengan berapa banyak bagian Anda yang menjadi penghidupan Anda. Yang sebelumnya akan membuka peluang bagi yang berikut. Anda bisa berhenti pada tahap apapun sepanjang perjalanan begitu Anda cukup belajar atau mendapat pekerjaan untuk melakukannya. Jika Anda ingin menjadi seorang quant, kebanyakan menggunakan perangkat lunak matematika dan tidak benar-benar menjadi programmer sistem algo, maka jawaban singkatnya adalah mendapatkan gelar PhD di bidang Matematika, Fisika atau beberapa topik teknik terkait matematika. Cobalah untuk mendapatkan magang di hedge fund atas, toko barang atau bank investasi. Jika Anda bisa dipekerjakan oleh perusahaan yang sukses maka Anda akan diajar di sana jika tidak, itu pasti tidak akan terjadi. Tapi bagaimanapun, Anda masih harus menyelesaikan bagian 039Self Study039 di bawah ini untuk memastikan Anda benar-benar ingin melalui upaya mendapatkan gelar PhD. Kecuali Anda seorang jenius, jika Anda tidak memiliki gelar PhD, Anda tidak akan dapat bersaing dengan mereka yang melakukannya kecuali Anda mengkhususkan diri dalam pemrograman sistem perdagangan. Jika Anda ingin lebih di sisi pemrograman, cobalah melamar pekerjaan setelah setiap langkah, tapi tidak sering dari setahun sekali per perusahaan. Self Study Langkah pertama adalah memahami apa sebenarnya trading algoritmik dan sistem apa yang dibutuhkan untuk mendukungnya. Sebaiknya baca dengan seksama melalui kuarsa Trading amp DMAquot (Johnson, 2010), sesuatu yang saya lakukan dan rekomendasikan secara pribadi. Itu akan membuat Anda mengerti pada tingkat dasar. Selanjutnya Anda harus memprogram buku pesanan Anda sendiri, simulator data pasar sederhana dan satu implementasi algoritma pada Anda di dengan Java atau CC. Untuk mendapatkan kredit ekstra yang akan membantu mendapatkan pekerjaan, Anda harus menulis lapisan komunikasi jaringan Anda sendiri dari nol juga. Pada titik ini Anda mungkin bisa menyelesaikan menjawab pertanyaan Anda sendiri. Tapi untuk kelengkapan dan keingintahuan, merasa bebas untuk melanjutkan: Buku berikutnya yang harus ditangani adalah kutipan Bursa Efek: Mikrostruktur Pasar untuk Praktisiquot (Harris, 2003). Ini akan masuk ke rincian yang lebih baik tentang bagaimana pasar bekerja. Ini adalah buku lain yang telah saya baca, namun tidak sepenuhnya dipelajari karena saya adalah seorang pemrogram sistem dan bukan seorang quant atau manajer di sisi bisnis. Akhirnya, jika Anda ingin mulai belajar matematika tentang bagaimana pasar bekerja, kerjakan teks dan masalah dalam kuotasi, Futures, dan Derivatifquot Lainnya (Hull, 2003). Saya berhasil melewati sekitar setengah dari buku teks itu sebagai persiapan atau sebagai bagian dari pelatihan internal di salah satu mantan atasan saya. Saya yakin pada awalnya saya mengetahui tentang buku itu karena ini merupakan saran atau pembacaan yang diperlukan untuk salah satu program MS Financial Mathematics yang terkenal. Untuk mendapatkan kesempatan yang lebih baik dalam pekerjaan melalui program penggajian kelas baru, lengkapi program MS Financial Mathematics jika Anda ingin menjadi seorang programmer untuk platform trading atau tim quants. Jika Anda ingin menjadi orang yang merancang algos, Anda perlu mengambil rute PhD yang dijelaskan sebelumnya. Jika Anda masih belum selesai kuliah, maka dengan segala cara, cobalah untuk mendapatkan magang di tempat yang sama. Pekerjaan Tidak peduli seberapa banyak Anda belajar di buku dan sekolah, tidak ada yang akan dibandingkan dengan sedikit rincian yang Anda pelajari saat bekerja untuk perusahaan. Jika Anda tidak tahu semua kasus tepi dan tahu kapan model Anda berhenti bekerja, Anda akan kehilangan uang. Saya berharap bahwa menjawab pertanyaan Anda dan bahwa di sepanjang jalan belajar Anda temukan jika Anda benar-benar ingin beralih dari studi ke pekerjaan sehari-hari yang sebenarnya.
No comments:
Post a Comment