Jiří Uherek · Digital Repository (National Repository of Grey Literature) · 2014
The diploma thesis is focused on algorithmic trading. In the first part the theoretical background is summarized. This part is particularly focused on definition of algorithmic trading, execution mechanisms, quantitative strategies, including problems regarding backtesting, and also on benefits and threats of algorithmic trading in market's point of view. The thesis also offers an introduction to genetic algorithms. In the practical part the strategy using genetic algorithm to find optimal combination of particular strategies is developed. The results showed that using genetic algorithms was beneficial for given data series. They also showed that the size of transaction costs is crucial for strategy performance same as dividing data series into testing sample and validation sample.
Cited by 0
Ernest P. Chan · 2013
Preface ix CHAPTER 1 Backtesting and Automated Execution 1 CHAPTER 2 The Basics of Mean Reversion 39 CHAPTER 3 Implementing Mean Reversion Strategies 63 CHAPTER 4 Mean Reversion of Stocks and ETFs 87 CHAPTER 5 Mean Reversion of Currencies and Futures 107 CHAPTER 6 Interday Momentum Strategies 133 CHAPTER 7 Intraday Momentum Strategies 155 CHAPTER 8 Risk Management 169 Conclusion 187 Bibliography 191 About the Author 197 About the Website 199 Index 201
Cited by 101
Robert Kissell · Elsevier eBooks · 2020
Cited by 5
Gomolka, Johannes · publish.UP (University of Potsdam) · 2011
Die Elektronisierung der Finanzmärkte ist in den letzten Jahren weit vorangeschritten. Praktisch jede Börse verfügt über ein elektronisches Handelssystem. In diesem Kontext beschreibt der Begriff Algorithmic Trading ein Phänomen, bei dem Computerprogramme den Menschen im Wertpapierhandel ersetzen. Sie helfen dabei Investmententscheidungen zu treffen oder Transaktionen durchzuführen. Algorithmic Trading selbst ist dabei nur eine unter vielen Innovationen, welche die Entwicklung des Börsenhandels geprägt haben. Hier sind z.B. die Erfindung der Telegraphie, des Telefons, des FAX oder der elektronische Wertpapierabwicklung zu nennen. Die Frage ist heute nicht mehr, ob Computerprogramme im Börsenhandel eingesetzt werden. Sondern die Frage ist, wo die Grenze zwischen vollautomatischem Börsenhandel (durch Computer) und manuellem Börsenhandel (von Menschen) verläuft. Bei der Erforschung von Algorithmic Trading wird die Wissenschaft mit dem Problem konfrontiert, dass keinerlei Informationen über diese Computerprogramme zugänglich sind. Die Idee dieser Dissertation bestand darin, dieses Problem zu umgehen und Informationen über Algorithmic Trading indirekt aus der Analyse von (Fonds-)Renditen zu extrahieren. Johannes Gomolka untersucht daher die Forschungsfrage, ob sich Aussagen über computergesteuerten Wertpapierhandel (kurz: Algorithmic Trading) aus der Analyse von (Fonds-)Renditen ziehen lassen. Zur Beantwortung dieser Forschungsfrage formuliert der Autor eine neue Definition von Algorithmic Trading und unterscheidet mit Buy-Side und Sell-Side Algorithmic Trading zwei grundlegende Funktionen der Computerprogramme (die Entscheidungs- und die Transaktionsunterstützung). Für seine empirische Untersuchung greift Gomolka auf das Multifaktorenmodell zur Style-Analyse von Fung und Hsieh (1997) zurück. Mit Hilfe dieses Modells ist es möglich, die Zeitreihen von Fondsrenditen in interpretierbare Grundbestandteile zu zerlegen und den einzelnen Regressionsfaktoren eine inhaltliche Bedeutung zuzuordnen. Die Ergebnisse dieser Dissertation zeigen, dass man mit Hilfe der Style-Analyse Aussagen über Algorithmic Trading aus der Analyse von (Fonds-)Renditen machen kann. Die Aussagen sind jedoch keiner technischen Natur, sondern auf die Analyse von Handelsstrategien (Investment-Styles) begrenzt.
Cited by 0Open access
Ďuriač, Peter · Brno University of Technology Digital Library (Brno University of Technology) · 2014
Tato práce se zabývá využitím neuronových sítí při předpovídání cen na burze a následovným testováním pomocí zvolené platformy na reálném demo účtě. Je zde popsána základní teorie obchodování na burze. Dále práce popisuje teorii fungování neuronových sítí. V praktické části je vytvořena neuronová sít a k ní jsou navrženy dva obchodní modely. Tyto modely jsou simulovány na zvolených datech a výsledky jsou porovnány s obchodním modelem člověka. Následně jsou vytvořeny obchodní systémy otestované v reálném obchodování pomocí zvolené obchodní platformy. Výsledky simulací jsou porovnané s dosaženými reálnými výsledky. V závěru jsou navrženy další směry vývoje systému.
Cited by 0
Morton Glantz, Robert Kissell · Elsevier eBooks · 2013
Cited by 4
Robert Kissell · DigitalResearch@Fordham (Fordham University) · 2006
This dissertation presents the necessary techniques and framework to enable investors to make appropriate algorithmic trading decisions given the trading goals and investment objectives of the fund. These techniques can utilized by financial institutions, banks, hedge funds, sell-side broker-dealers, and corporations to improve implementation execution decisions, reduce trading costs, manage trading risk, and increase portfolio returns. The dissertation will introduce necessary mathematical models (namely, market impact and timing risk) to evaluate and compare alternative execution strategies, determine appropriate algorithms and algorithmic parameters, and construct more efficient portfolios. A multi-period trade schedule optimization technique is presented to determine "optimal" execution strategies for baskets of stocks in an amount of time that can be useful for investors (namely, minutes compared to hours or more). The dissertation aims to provide transparency and structure to a currently undisciplined field. This dissertation provides several key contributions to finance. They are: a market impact modeling technique, an efficient multi-period trade schedule optimization formulation, a real-time risk management technique, and an algorithmic decision-making framework. It also provides insight into improving portfolio performance through proper treatment of market impact and trading risk in the portfolio construction phase of the investment cycle.
Cited by 12
ศุภลักษณ์ บุญส่ง · NRCT Data Center
งานวิจัยนี้ศึกษาถึงปัจจัยที่มีอิทธิพลต่อการตัดสินใจเลือกใช้วิธีการซื้อขายหลักทรัพย์แบบ Algorithmic Trading มีขอบเขตงานวิจัยและกลุ่มตัวอย่างคือ นักลงทุนรายย่อยที่ลงทุนในตลาดหลักทรัพย์แห่งประเทศไทย โดยมุ่งการศึกษาเฉพาะกลุ่มตัวอย่างที่สนใจวิธีการซื้อขายหลักทรัพย์แบบ Algorithmic Trading ทั้งนี้ผู้วิจัยคาดว่างานวิจัยนี้จะเป็นประโยชน์แก่ผู้ประกอบการธุรกิจหลักทรัพย์ เพื่อให้ทราบถึงกลุ่มเป้าหมายที่สนใจการซื้อขายหลักทรัพย์แบบ Algorithmic Trading และปัจจัยที่มีอิทธิพลต่อการตัดสินใจเลือกใช้วิธีการซื้อขายหลักทรัพย์แบบ Algorithmic Trading ซึ่งสามารถนำผลการวิจัยมาเป็นแนวทางในการปรับกลยุทธ์การตลาด พัฒนาผลิตภัณฑ์และบริการ รวมถึงการมองกลุ่มเป้าหมายได้ชัดเจนขึ้นผลการวิจัย ด้านประชากรศาสตร์พบว่ากลุ่มตัวอย่างที่มีอายุมากกว่า 51 ปี และมีวุฒิการศึกษาต่ำกว่าปริญญาตรี มีการตัดสินใจเลือกใช้การซื้อขายหลักทรัพย์แบบ Algorithmic Trading แตกต่างจากกลุ่มอื่น ด้านพฤติกรรมและการตัดสินใจเลือกใช้การซื้อขายหลักทรัพย์แบบ Algorithmic Trading กลุ่มตัวอย่างที่มีประสบการณ์ในตลาดหลักทรัพย์มากขึ้น การยอมรับการขาดทุนได้มากขึ้น มีการลงทุนระยะสั้น และสัดส่วนเงินลุงทุนเมื่อเทียบกับทรัพย์สินมากขึ้น จะมีการมีการการตัดสินใจเลือกใช้การซื้อขายหลักทรัพย์แบบ Algorithmic Trading ในระดับมากขึ้น ในด้านความสัมพันธ์ระหว่างส่วนประสมทางการตลาดกับการตัดสินใจเลือกใช้การซื้อขายหลักทรัพย์แบบ Algorithmic Trading พบว่า ปัจจัยด้านความปลอดภัยของระบบ ปัจจัยด้านฟังก์ชันในการใช้งาน ปัจจัยด้านบุคคลและการจัดอบรม มีความสัมพันธ์กับการตัดสินใจเลือกใช้การซื้อขายหลักทรัพย์แบบ Algorithmic Trading
Cited by 1Open access
Satya R. Chakravarty, Palash Sarkar · 2020
Cited by 0
Vladimir V. V’yugin and Vladimir G. Trunov · RePEc: Research Papers in Economics
ABSTRACT The problem of universal sequential investment in stock markets is considered. We construct an algorithmic trading strategy that is asymptotically at least as good as any trading strategy that is not excessively complex and that computes the investment at each step using a fixed continuous function of the side information. This strategy uses predictions of stock prices computed using the theory of well-calibrated forecasting. Unlike in statistical theory, no stochastic assumptions are made about stock prices. The empirical results obtained on historical markets provide strong evidence that this type of technical trading can "beat" some generally accepted trading strategies if transaction costs are ignored.
Cited by 0
Jan Fraenkle, Svetlozar T. Rachev · SHILAP Revista de lepidopterología · 2009
Cited by 1Open access
Medha Mathur, Satyam Mhadalekar, Sahil Mhatre et al. · Springer Link (Chiba Institute of Technology) · 2021
Algorithmic trading uses algorithms that follow a trend and defined set of instructions to perform a trade. The trade can generate revenue at an inhuman and enhanced speed and frequency. The characterized sets of trading guidelines that are passed on to the program are reliant upon timing, value, amount, or any mathematical model. Aside from profitable openings for the trader, algo-trading renders the market more liquid and trading more precise by precluding the effect of human feelings on trading. Our project aims to further this revolution in the markets of tomorrow by providing an effective and efficient solution to overcome the drawbacks faced due to manual trading by building an Algorithmic Trading Bot which will automatically trade user strategies alongside its own algorithms for day-to-day trading based on different market conditions and user approach ,and throughout the course of the day invest and trade with continuous modifications to ensure the best trade turnover for the day while reducing the transaction cost, hence enabling huge profits for concerned users be it Organizations or individuals.
Cited by 0Open access
Vojtěch Pižl · Digital Repository (National Repository of Grey Literature) · 2016
This thesis aims to apply methods of value investing into developing field of algorithmic trading. Firstly, we investigate the effect of several fundamental variables on stock returns using the fixed effects model and portfolio approach. The results confirm that size and book- to-market ratio explain some variation in stock returns that market alone do not capture. Moreover, we observe a significant positive effect of book-to-market ratio and negative effect of size on future stock returns. Secondly, we try to utilize those variables in a trading algorithm. Using the common performance evaluation tools we test several fundamentally based strategies and discover that investing into small stocks with high book-to-market ratio beats the market in the tested period between 2009 and 2015. Although we have to be careful with conclusions as our dataset has some limitations, we believe that there is a market anomaly in the testing period which may be caused by preference of technical strategies over value investing by market participants.
Cited by 0
Jaromír Šatánek · Digital Repository (National Repository of Grey Literature) · 2009
In the last four years it is possible to see a significant increase in the usage of algorithmic trading. It is estimated that by the year 2010 more than 50 percent of trading on the stock markets will be performed by using algorithmic trading systems. The aim of this thesis is to create a system which can enable algorithmic trading on the stock markets. Emphasis is placed on the fast processing of data as well as the stability of the system and its modularity. Users must be able to easily modify and enhance the system according to their own individual needs (e.g. to add new algorithms or connect to another stock exchange).
Cited by 0
Elsevier eBooks · 2020
Cited by 3
M. Valentina Vega, Gabriel H. Tucci · RePEc: Research Papers in Economics
ABSTRACT A fundamentally important problem in algorithmic trading is determining the optimal trading trajectory for a large trade during a finite horizon that minimizes a cost function that jointly models the effects of market impact and market risk. In this paper, we derive explicit formulas for the optimal implementation shortfall trading curve with linear and nonlinear market impact. A complete characterization of the solution and optimal trading trajectory is provided as a quadratic optimization problem. We also analyze how changing the risk aversion weight in the cost function modifies the optimal trading trajectories.
Cited by 0
Ben Chandler · Zenodo (CERN European Organization for Nuclear Research) · 2022
From trading to technical trading, algorithmic trading and HFT trading
Cited by 0Open access
Jonathan Wheeler Hubbard · CFA Digest · 2009
Cited by 0
Dimitar Bogoev, Arzé Karam · Physica A Statistical Mechanics and its Applications · 2017
Cited by 1Open access
Hilpisch, Yves · CERN Document Server (European Organization for Nuclear Research) · 2021
Cited by 1