اهمیت استفاده از الگوریتم تریدینگ

طبقه بندی عملکردی معاملات الگوریتمی و انواع استراتژی در آن

الگوریتم معاملاتی یا الگوریتم های معاملاتی در بازار بر اساس کارهایی که انجام می دهند و وظایفی که برعهده دارند، در طبقه بندی های مختلفی قرار می گیرند.

در گزارش هفته قبل، معاملات الگوریتمی را توضیح دادیم و گفتیم که چه مزایا و معایبی را دارند. برای مشاهده آن اینجا کلیک کنید.

در ادامه به بررسی طبقه‌بندی عملکردی و استراتژی معاملات الگوریتمی میپردازیم.

طبقه‌بندی عملکردی معاملات الگوریتمی

الگوریتم‌های معاملاتی در بازار بر اساس وظایفی که دارند و انجام میدهند، در طبقه‌بندی‌های مختلفی قرار می‌گیرند .

الگوریتم‌های اجرای معاملات

این نوع الگوریتم‌ها صرفا برای مدیریت اردرگذاری و اجرای معاملات به‌کار گرفته می‌شوند. تحلیل داده‌ها پس از پردازش برای این الگوریتم‌ها ارسال و آن‌ها براساس داده‌های موجود است اقدام به اردر‌گذاری سفارشات بر اساس استراتژی تعیین شده می‌کنند. نحوه اردرگذاری در این نوع الگوریتم‌ها هم به‌صورت اتوماتیک و هم به‌صورت دستی میباشد و الگوریتم وظیفه دارد آن ها را اجرا کند.

به‌عنوان مثال فرض کنید یک شخص حقوقی می‌خواهد به اندازه ۱۰۰ میلیارد تومان از یک سهم و در بازه قیمتی مشخصی خرید کند. خوب قطعا یک اردر ۱۰۰ میلیارد تومانی مشکل‌ساز خواهد بود. زیرا در این صورت ممکن است قیمت تغییر کند و یا اصلا اردر ما باعث ایجاد تشکیل صف خرید شود. برای حل چنین مشکلی از الگوریتم‌های اجرای معاملات استفاده می‌شود که کار را برای ما راحت‌تر کنند. با استفاده از قابلیت مدیریت اردرها، این الگوریتم‌ها می‌توانند اردر بزرگ شما را با توجه به حجم بازار به هزاران اردر ریز تبدیل کنند تا خریدتان راحت‌تر انجام شود. این عملیات در زمان فروش نیز به همین شکل خواهد بود.

الگوریتم‌های سیگنال‌دهی

الگوریتم‌های سیگنال‌دهی همان‌طور که از اسمشان پیدا است، تنها وظیفه رصد و تحلیل بازار را بر عهده دارند و به تنهایی سودآور نیستند. این الگوریتم‌ها داده‌های کل بازار را به‌صورت همزمان زیر نظر می‌گیرند و هرگاه شرایط یک سهم با استراتژی از پیش تعیین شده ما مطابقت پیدا کرد آن را به ما گزارش می‌دهند. به‌عبارت دیگر یکی از مهم‌ترین کاربردهای این نوع الگوریتم‌ها در فیلتر بازار و شناسایی سهم‌های خوب است .

الگوریتم‌های بهینه‌ساز کننده

این الگوریتم‌ها کار پایش استراتژی و مطابقت آن با شرایط روز بازار را برعهده دارند. همان‌طور که می‌دانیم، میزان سود و ضررهای یک استراتژی در شرایط بازار صعودی و نزولی یکسان نخواهد بود. این الگوریتم‌ها، استراتژی ما را با شرایط بازار در گذشته تست می‌کنند. تغییرات بازار از گذشته تا به زمان حال را در بهینه‌ترین حالت ممکن برای ما پیدا می‌کنند و آن تغییرات را روی استراتژی ما اعمال می‌کنند .

بهینه‌سازی استراتژی می‌تواند معیارهای زیادی داشته باشد که ما بر اساس اولویت‌مان آن‌ها را برای الگوریتم‌مشخص می‌کنیم. به‌عنوان مثال ممکن است اولیت‌ها را بر اساس بیشترین سود، کمترین ضرر یا ترکیبی از این دو حالت تنظیم کنیم. این الگوریتم‌ها باعث می‌شوند تا ما بتوانیم استراتژی معاملاتی خود را با توجه به شرایط بازار همیشه به‌روز و در بهینه‌ترین حالت ممکن نگهداریم .

الگوریتم‌های تریدینگ

الگوریتم‌های تریدینگ وظیفه خرید و فروش سهم بر اساس استراتژی از قبل تعیین شده معامله‌گر را دارند. به‌عنوان مثال فرض کنید که استراتژی ما خرید پلکانی سهم در صف فروش و فروش آن در صف خرید است. بر همین اساس این الگوریتم به محض دیدن صف فروش درسهم مورد نظر عملیات خرید را آغاز و در قیمت‌های از پیش تعیین اهمیت استفاده از الگوریتم تریدینگ شده و صف خرید، عملیات فروش سهم را آغاز می‌کند .

این نوع الگوریتم‌ها براساس دوره زمانی ازقبل برنامه‌ریزی شده به دو نوع کم‌بسامد و پربسامد تقسیم می‌شوند .

الگوریتم‌های کم‌بسامد (LFT)

منظور از الگوریتم‌های تریدینگ کم‌بسامد (Low Frequency Trading) این است که فاصله زمان دریافت داده‌های بازار زیاد باشد. به‌عبارت دیگر در این نوع الگوریتم‌ها بالا بودن سرعت دریافت و پردازش داده‌ها خیلی مهم نیست. بر همین اساس استراتژی‌های معاملاتی در این الگوریتم‌ها برای تایم‌های میان مدت و بلند مدت برنامه‌ریزی می‌شوند .

این نوع الگوریتم‌ها باتوجه به محدودیت‌ها با شرایط بازارهای داخلی ایران سازگار هستند .

الگوریتم‌های پربسامد (HFT)

الگوریتم‌های پربسامد مخفف عبارت (High Frequency Trading) است. بر خلاف الگوریتم‌های کم‌بسامد، سرعت دریافت داده‌ها در این الگوریتم بسیار اهمیت دارد. همان‌طور که از اسمشان پیداست این الگوریتم‌ها مناسب نوسان‌گیری در تایم‌های کمتر از روزانه مورد استفاده قرار می‌گیرند. هرچه سرعت دریافت داده‌ها در این الگوریتم بیشتر باشد، دقت معامله در آن نیز بیشتر خواهد بود و الگوریتم قادر خواهد بود که در تایم‌های پایین‌تر نیز به معامله بپردازد .

به‌عنوان مثال درمقیاس بازارهای جهانی، سرعت دریافت داده‌ها در برخی از الگوریتم‌های پربسامد، به میکرو ثانیه می‌رسد؛ که آن‌ها را قادر می‌سازد تا درتایم‌های یک دقیقه و حتی کمتر نیز به معامله بپردازند. هدف از این نوع معاملات، دریافت سود کم در تعداد معاملات زیاد است .

نکته مهم دیگر این است که حتی اگر شما به همچین الگوریتمی هم دسترسی داشته باشید، ابتدا باید ببینید هسته معاملاتی بازاری که در آن کار می‌کنید، توان پردزاش داده‌ها را در چنین مقیاس سرعتی دارد یا خیر. زیرا اگر این بستر فراهم نباشد دقیقا مصداق این مثال است که شما پر سرعت‌ترین خودروی جهان را در اختیار دارید، اما در جاده‌ای خاکی. بنابراین این نوع الگوریتم‌ها در ایران با محدودیت‌های زیادی مواجه هستند و کاربرد زیادی ندارند.

اهمیت استراتژی در الگوریتم‌ها

الگوریتم‌ها به تنهایی و بدون داشتن یک استراتژی سودآور نمی‌توانند کاری انجام دهند. لذا داشتن یک استراتژی سودآور با دقت بک تست بالای ۹۰% در الگوریتم‌ها بسیار مهم و حیاتی است. درواقع الگوریتم‌های معاملاتی برای این‌که بتوانند جای ما در بازارهای مالی تصمیم بگیرند، نیاز به استراتژی دارند .

انواع استراتژی در الگوریتم‌های معاملاتی

استراتژی‌های معاملاتی در بازارهای مالی به چند دسته تقسیم‌بندی می‌شوند :

استراتژی‌های Trend Following

استراتژی‌های ترند فالویینگ یا همان دنباله‌روی روند، همان‌طور که از اسمشان مشخص است، به دنبال پیش‌بینی بازار برای آینده نیستند و همزمان با روند در نمودار، جهت معاملات خود را نیز تغییر می‌دهند. این نوع استراتژی یکی از ساده‌ترین انواع استراتژی‌ها است که طرفداران بسیار زیادی نیز در جهان دارد .

اصول و مبنای برنامه‌ریزی چنین استراتژی معاملاتی استفاده از میانگین‌های قیمتی است. سپس براساس اندیکاتور‌ها و سایر شواهد بازار اقدام به صدور سیگنال خرید و فروش در بازار می‌کنند .

استراتژی آربیتراژ (Arbitrage)

به‌طور خلاصه استراتژی آربیتراژ یعنی کسب سود از محل اختلاف قیمت در بازار. در اینجا مفهوم آربیتراژ را با ذکر مثالی برای شما بیان می‌کنیم. فرض کنید شرکتی قصد خرید کالای X را به قیمت ۱۰۰۰ تومان دارد. بر حسب اتفاق شما شخصی را می‌شناسید که می‌خواهد همان کالا را به قیمت ۸۰۰ تومان به‌فروش برساند. خوب کار بسیار راحت است. شما تمام کالاهای فروشنده را به‌قیمت ۸۰۰ تومان خریده و تمام آن را به قیمت ۱۰۰۰ تومان به شخص خریدار می‌فروشید. این اختلاف قیمت درواقع همان سود بدون ریسک یا همان آربیتراژ است .

در بازارهای مالی نیز این کار ممکن است. کار استراتژی‌های آربیتراژ کننده نیز همین است که تمام داده‌های قیمتی در بازارهای مختلف را باهم قیاس کنند و درصورت پیدا شدن موردی مشابه از فرصت به‌دست آمده نهایت استفاده را می‌برند. معمولا این نوع استراتژی‌ها در بازارهای متمرکز مورد استفاده قرار می‌گیرند. به‌عنوان مثال اختلاف قیمت بیتکوین در بین صرافی‌های مختلف می‌تواند یکی از این فرصت‌ها را به‌وجود آورد .

استراتژی معامله پیش از توازن در صندوق‌های شاخصی

در بازار بورس صندوق‌های سرمایه‌گذاری مختلفی وجود دارند که بر اساس شاخصی خاص (دارایی‌های مسکن، دارایی‌های طلا، اوراق قرضه و. ) مشغول به فعالیت در آن حوزه هستند. معمولا این صندوق‌ها را با شاخص همان حوزه فعالیتشان می‌سنجند. اساس کار این استراتژی این است که بازدهی صندوق‌ها تمایل دارند همیشه خود را به شاخص نزدیک کنند. بر همین اساس زمانی که بازدهی این صندوق‌ها پایین‌تر از شاخصشان باشد، به‌صورت پلکانی شروع به خرید می‌کنند و زمانی که بازدهی آن‌ها بیشتر از شاخص باشد، شروع به فروش آن‌ها می‌کنند. این نوع استراتژی‌ها می‌توانند براساس تایم فریمی که در آن معامله انجام می‌شود، کم‌بسامد ( LFT) یا پربسامد ( HFT) تعریف شوند.

استراتژی‌های مبتنی بر مدل ریاضی

استراتژی‌های مختلفی در بازار وجود دارند که بر اساس مدل‌های ریاضی ثابت شده، تعریف می‌شوند. مانند استراتژی دلتا، تحلیل پوششی داده‌ها و. ازجمله استراتژی‌های مبتنی بر مدل ریاضی هستند که الگوریتم‌های معاملاتی بر اساس این استراتژی‌ها برنامه‌ریزی می‌شوند. استراتژی‌های گرید تریدینگ (Grade Trading) نیزاز همین دسته استراتژی‌ها هستند که برای رسیدن به سودآوری نیاز به تحلیل ندارند .

به‌عنوان مثال فرض کنید شما با مبلغ ۱ دلار در یک شرط‌بندی شیر یا خط (پرتاب یک سکه) شرکت می‌کنید و به‌صورت شانسی یک روی سکه را برای شرط‌بندی خود انتخاب می‌کنید .

دوحالت وجود دارد :

اگر ‌برنده شدید که مشکلی وجود ندارد؛ اما اگر شما برنده نشدید، مجدد روی همان طرف سکه اما به اندازه ۲ دلار (دو برابر حجم اولیه) شرط‌بندی می‌کنید. این‌بار اگر ببرید، ۴ دلار برنده می‌شوید، درحالی که تنها ۳ دلار هزینه کرده‌اید (یک دلار سود). اگر بازهم برنده نشدید، دوباره همان شرط را با دو برابر حجم قبلی ادامه دهید (۴دلار). این‌بار اگر برنده باشید، ۸ دلار برنده می‌شوید درحالی که تنها ۷ دلار هزینه کریده‌اید. این قضیه آن‌قدر ادامه پیدا می‌کند تا یک‌بار برنده شوید. در این‌صورت شما به‌اندازه میزان خرج کرد + ۱ دلار برنده می‌شوید .

طبق احتمالات و ریاضیات این سیستم در انتها همیشه برنده خواهد بود؛ اما به شرطی که اصول مدیریت حجم و سرمایه مخصوص به خود را هم در آن رعایت کنید. این نوع استراتژی‌ها برای ورود به یک معامله نیازبه تحلیل ندارند و تنها متکی به اصول ریاضیات هستند .

استراتژی‌های گرید تریدینگ برای شروع کار حجم اولیه بالایی را نیاز دارند تا ریسک اولیه کار را کاهش دهند. بعد از این‌که استراتژی به سود نشست، دیگر خطری حساب را تهدید نکرده و بعد ازمدتی این الگوریتم به یک ماشین پولسازی تبدیل می‌شود. برای سودآوری بیشتر از این نوع استراتژی‌ها در الگوریتم‌های مدیریت سرمایه نیز می‌توان استفاده کرد .

استراتژی‌های بازگشت به میانگین سهم

ایده بازگشت به میانگین دربازارهای مالی بر این اساس استوار است که یک دارایی همواره میانگینی بین کمترین و بیشترین قیمت خودش در بازار را دارد و در زمان‌هایی که زیر کف میانگین و یا بالاتر از این میانگین قرار دارد، تمایل به برگشت به خط میانگین درآن دیده می‌شود. این نوع استراتِژی‌ها می‌توانند بر اساس نوع داده‌های تحلیلی به سه قسمت استراتژی‌های میانگین قیمتی (WAP) ، ماینگین حجمی (VWAP) و میانگین زمانی (TWAP) تقسیم‌بندی شوند .

الگوریتم‌هایی که بر اساس این نوع استراتژی‌ها برنامه‌ریزی می‌شوند، بر اساس محدوده شناسایی شده و تعریف شده‌ای که در اختیار دارند، هنگامی که از محدوده مورد نظر دور می‌شوند، اقدام به خرید و فروش می‌کنند.

آشنایی با ولوم تریدینگ و آموزش آن

همان طور که می دانید رقابت همیشه در بازار داغ بوده است و ربودن گوی سبقت از یکدیگر در این مسیر کاری بس دشوار است. اما اگر مسیر را به درستی بیابید، طی کردن یک مسیر سربالایی می تواند لذت بخش هم باشد، زیرا بعد از هر شیب تندی، یک استراحت درست و حسابی در انتظار است. برای این که معاملات بی نقصی داشته باشید و از شر اشتباهات کوچک و بزرگ خود در بازار مالی خلاص شوید، باید بر آموزه های خود بیفزایید. لازمه ی این کار آموختن استراتژی های متفاوت و آنالیز دیتاهای مختلف است. یکی از قدیمی ترین، در عین حال پیشرفته ترین و اساسی ترین این استراتژی ها ولوم تردینگ است. در ادامه با این مقوله آشنا خواهید شد و نحوه ی به کار گیری آن را خواهید آموخت! با ما همراه باشید.

در این ویدیو سرکار خانم نورا آقاجانی روانشناس بالینی و روان درمانگر به بررسی مقوله ترس و ترید پرداخته اند، اگر شما هم جزء افرادی هستید که از ترید کردن هراس دارند توصیه میکنیم این ویدیو را ببینید.

ولوم تریدینگ (volume trading) چیست؟

ولوم در واقع نشان می دهد که چه مقدار دارایی در یک بازه ی زمانی مشخص معامله شده است. این معامله شامل خرید و فروش می باشد، بازه ی زمانی نیز می تواند دربرگیرنده ی ۱ دقیقه معامله و یا یک روز تریدینگ کامل باشد. این حجم معمولا به شکل یک نمودار نشان داده می شود که هر میله در آن دو رنگ مختلف دارد. معمولا این دو رنگ در بیشتر پلتفورم ها سبز و قرمز هستند که رنگ سبز نشان دهنده ی سهام هایی می باشد که قیمت بالاتر از قبل بسته شده است و رنگ قرمز برای آن هایی که قیمت پایین تر از قبل بسته شده است.

رنگ ها در نمودار تنها نشان دهنده ی بسته شدن بازار در آن زمان است. با آشنایی با این موضوع می توانید جهش بزرگی در معاملات خود بکنید. ولوم تریدینگ یا حجم معاملاتی به معامله کنندگان کمک می کند تا اهمیت برخی حرکات و اتفاقات را در بازار دریابند. ولوم برای خیلی از معامله گرها نقش مهمی در معاملاتشان بازی می کند اما توسط بسیاری از معامله گران خرد و جزئی، نادیده گرفته می شود که این مسئله دلایلی دارد و بعدا به آن ها خواهیم پرداخت.

چرا ولوم تریدینگ اهمیت دارد؟

با استفاده از آنالیز کردن حجم معاملات، می توانید سلامت آن معاملات را بررسی کنید. این تکنیک از قدیمی ترین تکنیک های بررسی و آنالیز کردن در بازار مالی می باشد. حتی به جرات می توان گفت که این تکنیک از پراستفاده ترین روش های آنالیز معاملات است. پلتفورم های معاملاتی ممکن است فاقد یک سری شاخص های خاص باشند، اما به سختی پلتفورمی را پیدا می کنید که فاقد شاخص حجم معاملاتی یا همان ولوم باشد.

ختم کلام، شاخص ولوم، ساده ترین شاخص بررسی معاملات خرید و فروش برای افراد است. اما نکته ی مهم این است که این شاخص می تواند فریب دهنده باشد و شما را به اشتباه بیندازد. توانایی آنالیز کردن صحیح این شاخص می تواند برای شما سود بسیاری بیاورد.

افزایش حجم معاملات معمولا سبب افزایش قیمت مورد معامله می شود، اما ضرورتا این مورد همیشه اهمیت استفاده از الگوریتم تریدینگ هم اتفاق نمی افتد. علی رغم تفکر سنتی و عمومی، بالارفتن و پایین آمدن قیمت ها نیاز به تغییر حجم های واضح در معاملات ندارند. به خصوص با وجود الگوریتم های متعددی که این روزها برای بررسی سطوح قیمتی و تصمیم گیری ها وجود دارند.

در این مقاله به شما کمک می کنیم که چگونه از شاخص ولوم برای تعیین مسیر درست معاملات خود استفاده کنید و از آن بهره ببرید.

ولوم تریدینگ زیر ذره بین

زیر نظر گرفتن بلند مدت ولوم هر چیزی به شما در درک پیشرفت ها و سقوط ها در بازار مالی کمک می کند. به این چند نکته در ولوم تریدینگ توجه کنید؛

• همان طور که گفته شد ولوم معاملات انجام شده در یک بازه ی زمانی را اندازه گیری می کند.
• ولوم می تواند به عنوان قدرت یک بازار در نظر گرفته شود، زیرا معمولا بازارهایی که حجم معاملاتی آن ها بالاست، سالم و قوی به نظر می آیند.
• وقتی که در حجم بالای معاملات، قیمت ها در حال افت هستند، ترند در حال قدرت گرفتن به سمت پایین است.
• وقتی قیمت ها در حجم در حال کاهش معاملات، افزایش هایی دارند، مراقب باشید! ممکن است عکس آن اتفاق بیفتد.

یک راهنمای ساده برای به کارگیری ولوم تردینگ در معاملاتمان

هنگام در نظر گرفتن ولوم، معمولا راهنماهایی برای بررسی قدرت و ضعف مورد مذکور در بازار وجود دارند. به عنوان یک تریدر، معمولا تمایل داریم در معاملاتی شرکت کنیم که ضعف در آن ها نیست و بیشتر در موضع قدرت هستند. حتی گاهی منتظر حرکت در جهت مخالف روندهای ضعیف باشیم. راهنمایی که برای شما در نظر گرفته ایم، ممکن است در همه ی شرایط نتوانند نجات دهنده باشند، اما به طور کلی در ولوم تریدینگ صدق می کنند.

۱. تایید روند یا ترند کانفرمیشن (trend confirmation)

بازار در حال صعود باید حجم های بالای معاملات را نیز تجربه کند. برای این که قیمت ها افزایش پیدا کند، خریداران باید اشتیاق خریداری داشته باشند و تعداد معاملات بالا رود. این که قیمت ها در حال افزایش باشد و حجم معاملات کاهش پیدا کند، انگیزه برای خرید کاهش پیدا می کند و البته این تهدید وجود دارد که ممکن است پتانسیل بازار تغییر کند. بهتر است بدانید که افت قیمت ( یا افزایش آن) همراه با حجم کم معاملات سیگنال خوبی نیست. افزایش یا کاهش قیمت در ولوم بالا می تواند نشانه ی قوی تری از قدرت بازار باشد.

۲. ولوم و حرکات خیلی شدید (exhaustion moves and volume)

در بازارهای در حال سقوط و در حال پیشرفت، حرکات شدیدی را مشاهده می کنیم. این ها معمولا حرکات شدید در قیمت هستند که همراه با افزایش شدید در ولوم همراه هستند که می تواند سیگنالی برای پایان آن ترند باشد. شرکت کنندگانی که منتظر بودند، می ترسند از این حرکات و تغییرات شدید عقب بمانند و باعث ایجاد تغییرات شدید در تعداد خریداران می شوند. در قیمت کف آن سهام و یا ارز، افت قیمت تریدرها را مجبور به معامله می کند و سبب ایجاد واریانس و همچنین افزایش ولوم می شود. بعد از این صعود شاهد کاهش حجم معاملات خواهیم بود. اما این که ولوم در روزها و هفته های بعد چگونه رفتار خواهد کرد را توسط راهنماهای دیگر پیش بینی خواهیم کرد.

۳. علائم بولیش (bullish signs)

ولوم علاوه بر نقش های دیگری که دارد می تواند در تشخیص بولیش ساین ها نیز نقش داشته باشد. به عنوان مثال، تصور کنید که ولوم در اثر یک افت قیمت افزایش پیدا می کند و بعد قیمت رو به افزایش می گزارد. حرکت قبلی آن کاهشی بوده است و اکنون قیمت رو به افزایش است. اگر کاهش قیمت از کاهش قیمت قبلی پایین تر نیاید و ولوم یا حجم معاملات در کاهش دوم کاهش بیابد، به این علامت، علامت بولیش می گویند. (بول یا همان گاو نر در اصطلاح به فردی گفته می شود که باور دارد ارزش بازار با گذر زمان بهبود خواهد یافت. این ها برخلاف بر ها یا خرس ها هستند که باور دارند قیمت بازار به طور کلی در حال افت است.)

۴. ولوم و قیمت معکوس

وقتی که برای مدت طولانی قیمت در حال افزایش و یا کاهش بوده است، اگر قیمت تغییرات اندک داشته و با ولوم بسیار زیاد همراه باشد، می تواند نوید یک تغییر جهت در قیمت را بدهد. معمولا چنین برداشت می شود که قیمت رفتار متفاوتی از آنچه تا کنون داشته است، نشان خواهد داد.

۵. حجم و برک آوت (افزایش های ناگهانی) و برک آوت های دروغین (false اهمیت استفاده از الگوریتم تریدینگ breakouts)

در ابتدای اولین افزایش ناگهانی در نمودار، افزایش ولوم تریدها نشان دهنده ی اطمینان و قدرت بازار است. تغییرات اندک در حجم و یا حتی کاهش ولوم در زمان افزایش ناگهانی، احتمال بالای یک برک آوت دروغین را نشان می دهد.

۶. تاریخچه ی ولوم

نگاه شما به ولوم باید نسبتا جدید باشد، یعنی باید تاریخچه ی اخیر آن را بررسی کنید. اگر بخواهید دیتای امروز ولوم را با دیتای ولومی ۵۰ سال پیش چک کنید، به نظر کار هوشمندانه ای نمی رسد. هرچه دیتای ولومی مورد بررسی شما جدیدتر باشد، نتیجه گیری های شما مرتبط تر به اوضاع کنونی خواهد بود و تصمیمات شما نیز قابل اعتمادتر می باشند.

نکته ی مهم: ولوم معمولا شاخص نقدینگی یک مارکت در نظر گرفته می شود. مارکت هایی که ولوم بیشتری دارند، نقدینگی بیشتری دارند و برای تریدهای کوتاه مدت و معاملات در بازه ی زمانی اندک مناسب ترند. در واقع، خریداران و فورشندگان بی شماری برای انجام معامله در دسترس هستند.

سه شاخص ولومی در تریدینگ

شاخص های حجم فرمول های ریاضی هستند که بصورت شمایی در بیشتر پلتفورم های نمودار مورد استفاده نشان داده می شوند. هر شاخص از فرمول خاصی استفاده می کند که اندکی با دیگری تفاوت دارد. تریدرها باید شاخصی را بیابند که بیشتری ارتباط را با حوزه ی فعالیتی آن ها دارد و بیشتری کمک را به آنان در تصمیم گیری های اقتصادی آن ها می کند.

توجه داشته باشید که شاخص ها در معاملات ضروری نیستند، اما می توانند کمک بسیاری در تصمیم گیری ها به شما بکنند. شاخص های ولوم بسیاری برای کمک به شما وجود دارند که می توانید از میان آن ها انتخاب کنید. در ادامه به معرفی برخی از آن ها می پردازیم.

ولوم آن بالانس (on balance volume)

ولوم آن بالانس یا به اختصار OBV شاخصی ساده اما کاربردی است. وقتی که بازار بالاتر بسته می شود، حجم اضافه می شود (با یک عدد اختیاری آغاز می شود) و هنگامی که بازار پایین تر بسته می شود، حجم کاهش پیدا می کند. این شاخص یک مجموعه ی کلی را نشان می دهد و می گوید کدام بازارها در حال انباشت (خرید) هستند. این شاخص همچنین واگرایی ها را نشان می دهد، به عنوان مثال هنگامی که قسمت افزایش می یابد اما حجم یا ولوم با سرعت کمتری در حال افزایش است و یا حتی شروع به کاهش می کند.

برای اطلاعات بیشتر مقاله مفهوم واگرایی در تحلیل تکنیکال را بخوانید.اهمیت استفاده از الگوریتم تریدینگ

چایکین مانی فلو یا جریان پول چایکین (chaikin money flow)

افزایش قیمت باید با افزایش حجم و ولوم همراه باشد. این شاخص بر افزایش حجم تمرکز دارد آن هم زمانی که قیمت ها در قسمت بالا یا پایین محدوده روزانه خود به پایان می رسند و سپس ارزشی را برای قدرت مربوطه ارائه می دهند. وقتی قسمت های پایانی در بالای محدوده ی روزانه ی خود هستند و حجم در حال افزایش است، ارزش بالا خواهد بود. وقتی قیمت های پایانی در زیر محدوده ی روزانه ی خود باشند، ارزش منفی خواهد بود. این شاخص بیشتر می تواند برای معاملات کوتاه مدت و همچنین به عنوان شاخصی کوتاه مدت در نظر گرفته شود زیرا در حال نوسان است و واگرایی ها را نشان می دهد.

نوسانگر کلینگر (klinger oscillator)

یکی دیگر از سیگنال ها اهمیت استفاده از الگوریتم تریدینگ و نشانه هایی که می تواند در تریدینگ به شما کمک کند، نوسان های بالا و پایین خطر صفر است. در این شاخص ما می توانیم به طور خلاصه دیتایی را ببینیم که نشان دهنده ی خرید و فروش در یک زمان مشخص است.

سخن آخر

ولوم ترندینگ یکی از ساده ترین و کاربردی ترین شاخص هایی است که می توانید از آن برای تصمیم گیری بهتر و پیش بینی با کارایی بیشتر در بازارمالی استفاده کنید. راهنماهای بسیاری برای بررسی قوت و ضعف بازار می توانند استفاده شوند تا به اطلاع ما برسانند که آیا حجم یا ولوم تایید کننده ی روند افزایشی و یا نزولی قیمت است و یا این که نوید دهنده ی تغییر رفتار در بازار می باشد. به طور خلاصه، ولوم تریدینگ می تواند کمک شایانی به شما در سودآوری معاملات بکند اما توجه داشته باشید که به روش های سنتی آن را تفسیر نکنید و به شاخص های مختلفی که در رابطه با آن ارائه می شود، توجه کنید و مطالعات خود را در زمینه ی آن گسترش دهید.

معاملات الگوریتمی در بورس چیست؟

معاملات الگوریتمی روش‌های متنوع برنامه نویسی برای انجام معاملات دقیق در بورس است در این روش معاملات خطای محاسباتی و دخالت انسانی به حداقل خواهد رسید.

معاملات الگوریتمی روش‌های متنوع برنامه نویسی برای انجام معاملات دقیق در بورس است در این روش معاملات خطای محاسباتی و دخالت انسانی به حداقل خواهد رسید.

سهامداران بازار سرمایه همچون سایر سرمایه گذاران پیش از سرمایه گذاری باید مجموعه ای از آموزش ها را فرا بگیرند. این روزها فعالیت در بورس بیش از هر زمان دیگری به دغدغه گروهی از افراد تبدیل شده اهمیت استفاده از الگوریتم تریدینگ است، به همین دلیل قصد داریم شما را با یکی از مفاهیم بازار سرمایه آشنا کنیم.

امروز (چهارشنبه، دوم مهرماه) سازمان بورس و اوراق بهادار با دستور ابلاغیه ای اعلام کرد: استفاده از الگوهای الگوریتمی و تقسیم سفارشات برخط در بورس و اوراق بهادار تهران و فرابورس ایران برای تمامی اشخاص اعم از حقوقی ها و حقیقی ها به منظور حفظ شرایط تعادل عرضه و تقاضا اهمیت استفاده از الگوریتم تریدینگ تا اطلاع ثانوی ممنوع است.

معاملات الگوریتمی که با نام الگو تریدینگ نیز نامیده می‌شود از زبان برنامه نویسی همراه با مجموعه دستور‌های تعریف شده به نام الگوریتم برای معاملات استفاده می‌کند.

در معاملات الگوریتمی مجموعه دستورالعمل‌های تعریف شده بر اساس زمان بندی، قیمت، کمیت یا هر مدل ریاضی است. جدا از فرصت‌های سود برای معامله گر، الگو تریدینگ با رد کردن تاثیر احساسات انسانی بازار را بیشتر به طرف نقدینگی می‌برد و معاملات به روش اصولی انجام می‌پذیرد.

اگر بخواهیم به زبان ساده معاملات الگوریتمی را تعریف کنیم، به هر نوع معامله خودکار اعم از اینکه پربسامد (High Frequency Trading) یا کم بسامد باشد معاملات الگوریتمی می‌گویند. به عنوان مثال، حد سود و ضرر یک الگوریتم، معاملاتی است که با رسیدن قیمت به اعداد خاصی، دستور خرید یا فروش خودکار را انجام می‌دهد. اما اهمیت استفاده از الگوریتم تریدینگ آیا معاملات الگوریتمی به همین موارد ختم می‌شود؟ پاسخ قطعا خیر است.

پس به طور ساده، هر معامله خودکار می‌تواند در نقطه‌ای از طیف معاملات الگوریتمی قرار گیرد. اگر بخواهیم این طیف را بر اساس عملکرد‌های آن طبقه‌بندی کنیم، می‌توانیم دسته‌بندی زیر را معرفی کنیم:

الگوریتم‌های اجرای معاملات

الگوریتم‌های معاملاتی صرفا برای اجرای دستورات معاملاتی تحلیلگر طراحی شده‌اند. یعنی معامله‌گر، نماد مورد نظر و نقطه ورود / خروج را انتخاب می کند.

فرض کنید یک معامله‌گر می‌خواهد 100 میلیارد تومان سهام فولاد خریداری کند. به طور واضح نمی‌توان یک سفارش به ارزش 100 میلیارد تومان در بازار ثبت کرد، این موضوع باعث تاثیرگذاری بر بازار می‌شود که معمولا برای معامله‌گر زیانبار است، زیرا افراد با مشاهده سفارش او در قیمت‌های بالاتر اقدام به خرید می‌کنند و قیمت قبل از اینکه معامله‌گر سهام را خریداری کند، رشد می‌کند؛به همین دلیل یک الگوریتم معاملاتی وظیفه شکستن سفارش به سفارش‌های کوچک در حجم‌های متفاوت و اجرای آن‌ها در بازه‌های زمانی متفاوت دارد.

الگوریتم‌های سیگنال‌دهی

این الگوریتم‌ها معمولا به معامله‌گر یا تحلیلگر، دیتای اضافه‌ ارائه می‌کنند و باعث می‌شوند فرآیند تصمیم‌گیری تحلیلگر یا معامله‌گر بهبود یافته و در نتیجه بازدهی او بهتر شود.

این دسته از الگوریتم‌های معاملاتی معمولا به خودی خود سودآور نیستند و باید با مجموعه‌ای از آن‌ها به‌طور همزمان کار یا صرفا در کنار تحلیل‌های دیگر، نقش افزایش بهره‌وری را بازی کرد. از جمله الگوریتم‌های سیگنال‌دهی می‌توان به تمام اندیکاتور‌های تحلیل تکنیکال مثل RSI، MacD، MA یا Ichimoku اشاره کرد.

الگوریتم‌های مانیتورینگ یا پایش بازار

این الگوریتم‌ها که به نوعی می‌توان آن‌ها را در طبقه الگوریتم‌های سیگنال‌دهی هم قرار داد، وظیفه پایش و مانیتور کردن بازار را دارند.

به عنوان مثال فرض کنید قصد دارید با باز شدن نماد یک سهم، برای بازه کوتاهی نماد‌های هم گروه این سهم را بفروشید یا خریداری کنید یا مثلا می‌خواهید به محض ارسال شدن اطلاعیه صورت‌های مالی تعدادی از نماد‌های خاص از آن مطلع شوید. یا در موارد حرفه‌ای‌تر، قصد دارید در حالت کاهش نرخ بهره (وام)، شرکت‌هایی که کمترین مقدار وام را در حساب خود دارند شناسایی کنید. به کمک الگوریتم‌های پایش بازار می‌توانید با جست‌وجوی شرایط مورد نظر خود بر روی همه یا بخشی از بازار، عملیات پایش بازار را انجام دهید.

الگوریتم‌های position trading یا کم بسامد

الگوریتم‌های کم بسامد معاملاتی با شرایط فعلی بازار سرمایه ایران تطابق بسیاری دارند به خرید یا فروش سهم به منظور نگهداری بلندمدت می‌پردازند.

در حوزه معاملات الگوریتمی به هر فرآیند که زمانی بیش از یک ساعت داشته باشد، بلندمدت گفته می‌شود.

مثلا فرض کنید استراتژی شما قصد فروش سهام در شرایط عرضه شدن صف و خرید در قیمت‌های پایین‌تر است. یک الگوریتم معاملاتی کم بسامد می‌تواند به محض رسیدن حجم صف خرید یا فروش به شرایط پیش‌بینی‌شده شما، به صورت خودکار دستور خرید یا فروش نماد را انجام دهد.

الگوریتم‌های HFT یا پر بسامد High Frequency Trading

الگوریتم های پر بسامد باید به طور متوسط مدت زمان خرید تا فروش دارایی خریداری شده آن‌ها کمتر از پنج‌دهم ثانیه باشد تا در این طبقه قرار گیرند.

در بازار سرمایه بین‌الملل، کارگزاری‌های بسیاری هستند که به ارزش معامله شما هیچ کاری ندارند اما برعکس به ازای هر معامله از شما کارمزد ثابتی دریافت می‌کنند. حال اگر ارزش سرمایه شما به سمت بی نهایت میل کند، درصد کارمزد معامله به سمت صفر میل می‌کند. مثلا شما ممکن است ارزش معامله‌تان آنقدر زیاد باشد که در صورت رشد رقم چهارم بعد از ممیز به اندازه یک واحد، کارمزد معاملاتی شما پرداخت شود. این دسته از معاملات که بازار NASDAQ و NYSE را قبضه کرده است، معمولا در جفت ارز‌ها Forex نیز بسیار پرکاربرد است، اما به دلیل ساختار کارمزد در ایران، استفاده از آن معمولا به دلیل کارمزد بالا با زیان همراه است.

شرکت‌های پیشرو در زمینه معاملات الگوریتمی

شرکت بلک‌راک، یک شرکت مدیریت سرمایه‌گذاری جهانی آمریکایی است که در شهر نیویورک سیتی قرار دارد.

این شرکت در سال 1988 پایه‌گذاری شد. بلک‌راک، در آغاز یک شرکت مدیریت سرمایه و صندوق درآمد ثابت بود، ولی امروزه به یکی از بزرگترین شرکت‌های مدیریت سرمایه در کل دنیا تبدیل شده است و تا سال 2017 در حدود 7.43 تریلیون دلار سرمایه تحت مدیریت دارد. این شرکت 70 دفتر در 30 کشور دنیا و از بیش از 100 کشور دنیا، مشتری دارد.

به دلیل قدرت زیاد و وسعت این مجموعه و سهم وسیعی که از دارایی‌ها و فعالیت‌های اقتصادی دارد، بلک‌راک بزرگترین «بانک سایه» دنیا نام‌گذاری شده است.

General trade golding

یکی از جوانترین شرکت‌های مالی جهان که اتفاقا دارای یکی از بیشترین رشد‌های سرمایه در طول یکسال گذشته نیز بوده شرکت جنرال تریدینگ است که مقر اصلی آن در لندن و در قلب مرکز تجاری لندن قرار دارد. شرکت جنرال تریدینگ از همان ابتدا سعی در توسعه و بهبود سیستم‌های معاملاتی الگوریتمی و با استفاده از هوش مصنوعی بسیار پیشرفته داشته است.

به همین منظور علاوه بر طراحی الگوریتم‌های معاملاتی کاملا اختصاصی مربوط به خود، از هوش مصنوعی فوق العاده پیشرفته‌ای که شرکت j 4 capital طراحی کرده است کمک گرفت و با همکاری این شرکت که خود نیز ورود به بازار معاملات بر پایه‌ی هوش مصنوعی را شروع کرده است توانست به روش‌های منحصر بفرد و کاملا مخفیانه‌ای در جهت معاملات بسیار سود ده در بازار‌های مالی برسد.

بر اساس گزارش و تایید کمیسیون معاملات لندن معاملات واقعی این شرکت از اکتبر 2019 شروع شده که در بازه‌ی 9 ماهه به حدود 1000% سود رسیده است که بیشترین سود در بین تمامی شرکت‌های سنتی و یا بر پایه‌ی معاملات الگوریتمی بوده است. بر همین اساس با مجوزی که در ماه جون 2020 از همین کمیسیون دریافت کرد شروع به فعالیت و جذب سرمایه از حدود 100 کشور دنیا گرفته است.

بسیاری از مشاوران سرمایه گذاری در لندن به این موضوع اشاره میکنند که شروع جذب سرمایه این شرکت فرصتی بینظیر در زمان فعلی است، چون معتقدند در زمان فعلی که سرمایه شرکت یک میلیارد پوند است توانایی کسب سود توسط این شرکت فوق العاده بیشتر از زمانی خواهد بود که سرمایه‌ی آن به 100 میلیارد پوند برسد.

CITADEL

یکی دیگر از شرکت‌های بسیار فعال در حوزه‌ی معاملات الگوریتمی شرکت سیتادل است که در سال 1990 تشکیل شده است و از سال 2008 به بعد تمرکز خود را بر روی معاملات الگوریتمی قرار داده است و با توسعه‌ی سیستم‌های معاملاتی انحصاری در حال بهره گیری از آن‌ها است. دفتر اصلی این شرکت نیز همانند جنرال تریدینگ در شهر لندن قرار دارد که بر اساس اعلام کمیسیون معاملات لندن در سال 2019 حدود 30 میلیارد سرمایه را تحت مدیریت خود داشته است.

سیتادل در اصل یک شرکت هدج فاند است و برای مدیریت ریسک سرمایه‌ها از روش‌های بسیار متنوعی استفاده می‌کند تفاوت عمده‌ی الگوریتم‌های این شرکت با جنرال تریدینگ در تمرکز آن بر کاهش ریسک است در حالی که تمرکز الگوریتم‌های جنرال تریدینگ بر افزایش سود و حضور فعال در بازار‌های مختلف است. به همین میزان سود دهی آن‌ها زیاد قابل مقایسه نیست و همچنین مشتریان بسیار متفاوتی دارند.

با کلیک بر روی این لینک می‌توانید با تعریف اصطلاحات و مفاهیم پرکاربرد بورس آشنا شوید.

اهمیت استفاده از الگوریتم تریدینگ

کسب درآمد و موقعیت های شغلی با پایتون!

امروزه بازارهای #مالی در حال پوست‌اندازی و ورود به دنیای جدید هستند. بیش از ۸۵ درصد از معاملات بازارهای مالی به صورت #معاملات_الگوریتمی انجام می‌شوند (معاملات الگوریتمی معاملاتی هستند که به وسیله کامپیوتر و بدون دخالت انسان و با دقت بالا انجام می‌شوند). عوامل و محرکه این قضیه، تولید حجم بسیار زیادی از داده‌های مالی در لحظه است که تحلیل این حجم از داده‌ها در زمانی کوتاه، نیاز به سرعت پردازش و توان محاسباتی بالایی دارد که از عهده یک فرد یا گروهی از افراد خارج است. از این رو استفاده از محاسبات کامپیوتری و #هوش_مصنوعی در بازارهای مالی روز به روز در حال گسترش است. موسسات مالی این روزها، با به کارگیری هوش مصنوعی به دنبال بهبود عملکردشان در تجارت و سرمایه گذاری هستند. با توجه به توانمندی‌های #پایتون در حوزه #یادگیری_ماشینی (یادگیری ماشینی: روش‌هایی که به کامپیوتر کمک می‌کند تا بتواند تصمیم‌های مناسب را اتخاذ کند) و نیازمندی‌های امروز بازارهای مالی، پایتون بهترین زبان و اکوسیستم برای تحلیل داده‌های مالی است. پایتون یک زبان قدرتمند برنامه‌نویسی است که سادگی برنامه‌نویسی در آن دلیل اقبال گسترده عمومی به این زبان بوده است. همچنین پایتون یک زبان بسیار قدرتمند در #تحلیل_داده و هوش مصنوعی، یادگیری ماشین و یادگیری عمیق است و پکیج‌های قدرتمندی در این زمینه در پایتون نوشته شده است که کار در این زمینه‌ها با پایتون را بسیار راحت و لذت بخش می‌کند.

دوره حاضر جامع‌ترین دوره پایتون و کاربرد آن در #اقتصاد و بازارهای مالی است که تاکید آن بر یادگیری ماشینی و معاملات الگوریتمی است. این دوره در ۷۲ ساعت و در سه سطح مقدماتی، یادگیری ماشینی و معاملات الگوریتمی تهیه شده است.

این آموزش با این فرض تهیه شده است که مخاطب هیچ دانش و تجربه قبلی در زمینه برنامه‌نویسی نداشته و در طول آموزش با این زبان آشنا می‌شود. این آموزش با تشریح مبانی نظری در حوزه مالی، یادگیری ماشینی و معاملات الگوریتمی، مثال‌های عملی متنوعی نیز در رابطه با بازارهای مالی ارائه خواهد کرد.

برای ثبت نام، در #دایرکت پیام ارسال بفرمایید

مدرس دوره، علی رئوفی، دکتری اقتصاد مالی و #اقتصادسنجی از دانشگاه علامه طباطبایی است که مقالات متعددی را در زمینه پیش‌بینی بازارهای مالی در ژورنال‌های معتبر بین‌المللی به چاپ رسانده است. ایشان به زبان برنامه نویسی #متلب (MATLAB) و R و Mql5 نیز مسلط است و دوره‌های متعددی را در این زمینه با همکاری دانشگاه‌ها و نهادهای مالی برگزار نموده است.

عنوان دوره: دوره آنلاین معاملات الگوریتمی با پایتون (همراه با آموزش صفر تا صد پایتون)

مدرس: علی رئوفی- دکتری اقتصاد مالی از دانشگاه علامه طباطبایی ( صفحه در گوگل اسکولار )/ (صفحه در ریسرچ گیت )

جامع ترین دوره معاملات الگوریتمی در ایران

امکان برگزاری دوره برای نهادهای مالی

سرفصل های دوره صفر تا صد پایتون و کاربرد آن در اقتصاد و مالی اهمیت استفاده از الگوریتم تریدینگ + الگوریتم تریدینگ

دوره کاربرد پایتون در اقتصاد و مالی- مقدماتی

• درس صفر: کلیات (آشنایی با زبان‌ها برنامه‌نویسی و محبوبیت آنها، آشنایی اجمالی بر الگوریتم و فلوچارت، اهمیت پایتون در بازارهای مالی)
• درس یکم: آشنایی با پایتون (تاریخچه پایتون، ویژگی‌های پایتون، کاربردهای پایتون، نسخه‌های پایتون، نصب پایتون، آشنایی با محیط پایتون و محیط‌های توسعه و. )
• درس دوم: انواع داده‌‌‌ها (اعداد، رشته، لیست، Tuple ، دیکشنری، Set و تبدیل داده‌ها) ارائه کاربردهای آن در اقتصاد و مالی
• درس سوم: انواع عملگرها در پایتون (محاسباتی، منطقی، مقایسه‌ای و. ، تقدم عملگرها) و بررسی کاربرد آن در اقتصاد و مالی
• درس چهارم: ساختارهای تصمیم: دستورات شرطی (ساختار if ، else…if و ساختار شرطی تو در تو) و ارائه مثال در حوزه مالی
• درس پنجم: ساختارهای تصمیم: حلقه‌ها (ساختار for و while ، ساختار حلقه تو در تو، دستورات کنترلی در حلقه) و ارائه مثال در حوزه مالی
• درس ششم: ایجاد تابع (مزیت استفاده از تابع، انواع توابع، توابع بازگشتی صدا زدن تابع، تست توابع) و ارائه مثال‌هایی از کاربرد آن در حوزه مالی
• درس هفتم: فایل (باز کردن فایل، خواندن فایل، نوشتن در فایل، بستن فایل، حذف فایل)
• درس هشتم: کاربرد مقدماتی پایتون (توابع ریاضی، اعداد تصادفی، ورود داده‌های مالی به پایتون، محاسبه بازده دارایی‌ها، محاسبه ریسک، تحلیل همبتسگی)
• درس نهم: آشنایی با کتابخانه numpy برای انجام محاسبات عددی در حوزه مالی
• درس دهم: آشنایی با کتابخانه Pandas برای مدیریت و ترسیم داده‌های مالی
• درس یازدهم: آشنایی با کتابخانه matplotlib و seaborn برای ترسیم داده‌های مالی
• درس دوازدهم: کاربردهای متنوع در حوزه مالی
  • ورود داده‌های مالی از منابع معتبر google finance ، yahoo finance ، world Bank و.
  • انتقال فایل داده از اکسل، R و سایر نرم‌افزارهای مرتبط با مالی
  • انواع ترسیم‌های کاربردی در داده‌های مالی (نمودارهای سری زمانی، نمودارهای همبستگی، هیستوگرام و . )
  • انواع محاسبات مقدماتی در مالی (محاسبه بازده و بازده تجمعی، سنجه‌های ریسک، رگرسیون و. )
  • حل تمرین و رفع اشکال

  دوره کاربرد پایتون در اقتصاد و مالی- یادگیری ماشینی

  • درس یکم: مقدمه‌ای بر یادگیری ماشین
    • تعریف یادگیری ماشین و کاربردهای آن
    • انواع الگوریتم های یادگیری (با نظارت و بدون نظارت (
    • مقدمه ای بر یادگیری با نظارت
    • مقدمه ای بر یادگیری بدون نظارت
    • انواع داده (اسمی، ترتیبی، عددی)
    • شاخص‌های آماری داده (میانگین، میانه، مد، واریانس، انحراف معیار، چارک و. )
    • نمایش گرافیکی توصیف‌های آماری (نمودار میله‌ای، هیستوگرام، پراکندگی، باکس پلات و. )
    • وابستگی (Correlation)
    • ویژگی های اسمی – باینری
    • عدم شباهت برای داده های عددی
    • معیار کسینوس برای شباهت
    • معیارهای کیفیت داده
    • اعمال پیش پردازش (پاک سازی داده، ترکیب و تجمیع، کاهش داده و. )
    • نحوه رسیدگی به داده‌های گم شده
    • داده نویز
    • هموار سازی داده‌ها
    • استراتژی‌های کاهش داده‌ها
    • رگرسیون خطی (تک متغیره، چند متغیره)
    • نکاتی در رابطه با رگرسیون خطی چند متغیره
    • رگرسیون خطی (تعداد داده‌های آموزشی و تعمیم‌پذیری (
    • انواع خطا
    • بیش پردازش (Overfitting) و روش‌های اجتناب از آن
    • مرز تصمیم خطی و غیرخطی
    • تابع هزینه
    • الگوریتم گرادیان کاهشی در رگرسیون لجستیک
    • کلاس‌بندی با چند کلاس (یکی در برابر بقیه (
    • تنظیم رگرسیون خطی و رگرسیون لجستیک
    • بایاس و واریانس (Bias & Variance)
    • معرفی شبکه‌های عصبی مصنوعی
    • نورون‌های مصنوعی
    • شبکه عصبی پرسپترون چند لایه ( MLP )
    • مثال
      • پیش‌بینی داده‌های مالی با شبکه عصبی مصنوعی
      • کلاس‌بندی داده‌های مالی با شبکه عصبی مصنوعی
      • مقدمه ای بر بردار
      • ماشین بردار پشتیبان
      • محاسبه اندازه حاشیه
      • بردارهای پشتیبان
      • مساله بهینه‌سازی حداکثر کردن اندازه حاشیه
      • مزایا و معایب SVM
      • چند مثال برای درخت تصمیم
      • الگوریتم های ساختن درخت تصمیم
      • بررسی چند مثال
      • بیش برازش ناشی از نویز
      • هرس کردن (Pruning)
      • مزایا و معایب درخت تصمیم
      • معرفی KNN با چند مثال
      • الگوریتم KNN
      • تکنیک‌های Instance-Based
      • مرز تصمیم – دیاگرام Voronoi
      • تاثیر اندازه K در مرز تصمیم
      • معیارهای شباهت
      • استفاده از معیار شباهت کسینوس
      • تاثیر معیار شباهت در مرز تصمیم
      • استراتژی انتخاب K
      • استفاده از KNN برای پیشگویی عددی
      • استفاده از K-D Tree
      • مقدمه ای بر انتخاب ویژگی
      • روش فیلتر
      • معیار Mutual information
      • روش دسته‌بندی Wrapper
      • استراتژی های جستجو
      • آزمون آماری t
      • انتخاب ویژگی با الگوریتم‌های فراابتکاری
      • مقدمه‌ای بر تقلیل ابعاد
      • تقلیل ابعاد و کاربردهای آن
      • تجسم داده‌ها
      • مقایسه استخراج ویژگی (Feature Extraction) و انتخاب ویژگی (Feature Selection)
      • بررسی چندین مثال برای استخراج ویژگی با روش PCA
      • انتخاب K مناسب
      • کرنل PCA
      • مقایسه آموزش با نظارت با آموزش بدون نظارت
      • کاربردهای خوشه‌بندی
      • خوشه‌بندی افرازی
      • توضیح روش K-means به همراه چند مثال ساده
      • مشکل بهینه محلی
      • انتخاب کلاسترها (روش آرنجی (
      • نقاط قوت و ضعف روش K-means
      • خوشه بندی سلسله مراتبی (تجمعی و تقسیمی (
      • نمودار دندروگرام (Dendrogram)
      • انتخاب تعداد کلاسترها
      • داده پرت – نویز
      • انواع داده‌های پرت
        • سراسری
        • جمعی
        • زمینه‌ای

        دوره کاربرد پایتون در اقتصاد و مالی- معاملات الگوریتمی

        معاملات الگوریتمی با پایتون

        

        یکی از ویژگی های بارز بازارهای مالی نوین، حجم اطلاعاتی است که در هر لحظه از زمان تولید، ثبت و استفاده می شود. در این بازار معامله گران با انبوهی از اطلاعات مواجه هستند که بررسی و تحلیل آنها از عهده انسان ها خارج می شود. اینجاست که اهمیت معاملات الگوریتمی هویدا می شود. در معاملات الگوریتمی، تمام یا بخشی از فرآیند دریافت داده های بازارهای مالی، پالایش آنها و تصمیم گیری به صورت خودکار انجام می شود و به این ترتیب مشکلاتی مانند خطای انسانی بسیار کاهش می یابد.

        در این دوره شما با مفاهیم بنیادین معاملات الگوریتمی و استفاده از استراتژی های متداول آن آشنا می شوید. توجه داریم که معاملات الگوریتمی یک روش تحلیل نیست بلکه یک فرآیند است که در دل آن می توان از انواع روش های تحلیلی استفاده کرد و هر فرد با دانش اقتصادی و مالی خود می تواند استراتژی های خود را پیاده سازی کرده و بعد از آزمون و بررسی آن را بهبود بخشد.

        عنوان	ساعت
        مقدمه و آشنایی با معاملات الگوریتمی	2
        کار با API ها	4
        تحلیل سری‌های زمانی	2
        استراتژی در معاملات الگوریتمی	2
        مدل سازی استراتژی‌های تحلیل تکنیکال در معاملات الگوریتمی	4
        استراتژی های مبتنی بر یادگیری ماشین	4
        مدیریت ریسک استراتژی های معاملاتی	2
        ساخت یک سیستم معاملاتی	2
        سنجش کیفیت استراتژی با بک تست	2
        مجموع	24 ساعت

        اطلاعات دوره

        مدرس: دکتر محمدصادق کریمی مهرآبادی

        طول دوره: ۲۴ ساعت

        شروع از: مهرماه ۱۴۰1

        هزینه ثبت نام : 3.5۰۰.۰۰۰ تومان

        • فعالان بازار سرمایه
        • تحلیل گران و تصمیم گیرندگان اقتصادی
        • اساتید و دانشجویان رشته های اقتصاد و مدیریت

        پیش نیاز

        آشنایی کامل با مفاهیم پایتون، مفاهیم اقتصاد و مالی، تحلیل و کار با داده ها است.

        شرکت در دوره‌های مدلسازی مالی مقدماتی و مدلسازی مالی پیشرفته برای رعایت انسجام مطالب توصیه می‌شود.

        کلمات کلیدی:

        معاملات الگوریتمی، الگو تریدنگ، معاملات خودکار ، معامله گر کوانت ، معاملات پر بسامد، علم داده ، آموزش پایتون ، مدلسازی مالی، تحلیل داده های بورس، تحلیل بورس، تحلیل بورس با پایتون ، بازار سرمایه، الگو تریدنیگ، آموزش معاملات الگوریتمی، آموزش الگوتریدینگ ، آموزش پایتون مالی ، Algorithmic trading python ، Financial modelling