لغزش یک مفهوم آشنا برای هر کسی در تجارت الکترونیکی است. صرف نظر از استراتژی تجارت شما ، در صورت عدم حساب ، منبع واریانس مدل های الگوریتمی را نشان می دهد. Backtesting ، در ترکیب با عملکرد تاریخی موجود ، به حساب کردن لغزش کمک می کند - دامنه و تأثیر آن بر سودآوری. نتیجه یک استراتژی قابل اعتماد تر است که موفقیت عملکرد تجارت را بهتر پیش بینی می کند.
درک لغزش معاملات
لغزش تفاوت بین قیمت مورد انتظار و اجرا شده از یک تجارت است. تغییر در گسترش ، ایجاد شده توسط تغییر نقدینگی ، محیط را برای لغزش ایجاد می کند ، جایی که یا حجم معاملات بالا می تواند باعث کاهش سفارشات بازار شود یا حجم معاملات کم می تواند باعث کاهش بخش هایی از سفارشات بزرگ شود.
با این حال ، لغزش از دو جهت اتفاق می افتد و منجر به لغزش مثبت و منفی می شود. اگر در حال بسته شدن یک موقعیت طولانی هستید و سفارش فروش در نظر گرفته شده برای 100. 10 دلار است اما با 100. 05 دلار اجرا می شود ، یک لغز منفی 0. 05 دلار رخ داده است. در مقابل ، اگر این 100. 10 دلار سفارش فروش با 100. 15 دلار اجرا شود ، یک لغزش مثبت (یا بهبود قیمت) 0. 05 دلار ضبط می شود. در حالی که لغزش همیشه منفی نیست ، برای تجارت الگوریتمی ، به معنای انحراف از استراتژی تجارت است. هرگونه انحراف اعتماد به نفس در نتایج مورد نظر استراتژی را کاهش می دهد. هنگامی که لغزش به درستی مدل سازی نشده است ، یک استراتژی با نظر نظری می تواند بازده بزرگی یا منفی ایجاد کند. حتی یک استراتژی برنده با لغزش منفی به معنای دستیابی به بهترین اعدام نیست ، وحسابرسی برای بهترین اعدامممکن است مورد نیاز باشدبنابراین مدیریت فعال لغزش می تواند اعتماد به نفس بیشتری در استراتژی کلی تجارت ایجاد کند.
روشهای محدود کردن لغزش
هنگام مدیریت لغزش ، بهترین روشها را برای محدود کردن ریسک در نظر بگیرید. از آنجا که نقدینگی به لغزش کمک می کند ، اطمینان حاصل کنید که یک استراتژی برای تغییر موقعیت در سنبله ها و فرورفتگی نقدینگی است. محدود کردن سفارشات بازار در دوره های معاملاتی با حجم بالا و اندازه های سفارش پرتاب در هنگام کم بودن نقدینگی برای کاهش لغزش قیمت مشترک است.
علاوه بر این ، به عنوان یک گزینه کمی و رویه ای ، مدل سازی برای لغزش و بهبود تکراری مدل هزینه با پشتی می تواند قرار گرفتن در معرض لغزش را محدود کند. Backtesting فرآیند استفاده از یک استراتژی معاملاتی برای داده های تاریخی برای سنجش چگونگی عملکرد دقیق مدل است. در حالی که ممکن است اغلب برای سنجش سودآوری از طریق نسبت معاملات مانند نرخ پیروزی یا نسبت پاداش ریسک استفاده شود ، پس از آن همچنین می تواند از هزینه های اساسی معاملات رونمایی کند. اگر لغزش به عنوان هزینه ای برای انجام مشاغل که به دنبال کاهش آن است درک می شود ، پس از آن مدل های معاملاتی در Backtesting برای آن دقیقاً به عنوان کمیسیون یا هزینه های دیگر.
مدیریت لغزش با پشتی می تواند با استراتژی های معاملاتی هم در توسعه و هم در تولید انجام شود. به طور معمول ، محاکمه یک استراتژی تجارت نظری با داده های تجارت تاریخی انجام می شود تا تحمل استراتژی را برای تأثیر پیش بینی شده از لغزش و Slippage بر سودآوری روشن کند. با این حال ، پشتوانه یک استراتژی معاملاتی تولید با یک مجموعه داده قوی می تواند به افشای استراتژی سودهای غیر واقعی و عیب یابی زیر عمل کمک کند. در هر صورت ، هدف این است که با دقت بیشتری از منابع و تأثیر لغزش مدل سازی کنیم.
پشتی چگونه کمک می کند
حسابداری برای هزینه های معاملات مانند لغزش برای تعیین سودآوری یک استراتژی جدید تجارت ضروری است. این که آیا مدل به عنوان خطی و یا به عنوان تابعی از نقدینگی ، لغزش می کند ، این برنامه ریزی شده است تا قبل از پشتی. از آنجا ، با پشتوانه یک مجموعه داده جامع از کنه های بازار ، چگونگی تأثیر لغزش در هر سفارش ارسال شده را تأثیر می گذارد. سپس هزینه لغزش در نسبت های ریسک و بازگشت مانند شارپ و مارس اندازه گیری می شود و برای عملکرد سالانه پیش بینی می شود.
برای استراتژی های تولید ، هنگام قرار گرفتن در معرض مسئله لغزش ، پشتی نیز ارزشمند است. سپس لغزش به عنوان تفاوت در قیمت های سفارش بین مدل و محیط تولید سیستم تجارت شما محاسبه می شود و عملکرد تاریخی از این داده های داخلی می تواند به تعیین روند یا منابع لغزش کمک کند. اگر دلیلی برای از دست دادن های مکرر به منظور یافتن قیمت - به عنوان مثال ، آستانه حجم پیام یا سایر شاخص های نقدینگی - پس از آن می تواند تغییرات آزمایشی را در استراتژی انجام دهد.
هنگامی که تجزیه و تحلیل داده های عملکرد داخلی الگوهای لغزش را توضیح نمی دهد ، معرفی یک وسیع و گسترده تر به پشتی می تواند دید را بهبود بخشد. فیدهای متناوب ممکن است راه حل هایی را برای کنه های از دست رفته نشان دهد ، خواه تأخیر کمتری داشته باشد یا دید واضح تری از کتاب قیمت. به عنوان مثال ، یک فید مستقیم تجارت سریعتر را امکان پذیر می کند ، در حالی که عمق نمای کتاب متغیرهای جدیدی را برای پایه گذاری یک رویداد سفارش از آن معرفی می کند.
اگر به دنبال مجموعه داده های پشتی هستید ، با جستجوی مجموعه داده از مبادلات یافروشندگان داده های بازاربا داده های جامع کنه و جدول زمانی همزمان NIST. با فروشندگان داده های بازار ، داده های مبادله های مختلف حتی برای یک کتاب آماده برای تحلیلی نرمال و ادغام می شوند.
در حالی که همیشه نمی توان از معاملات با فرکانس بالا جلوگیری کرد ، اگر بر عملکرد استراتژی تجارت تأثیر بگذارد ، می تواند محدود باشد. اشاره به روند یا دلایل لغزش مکرر می تواند به به حداقل رساندن آن کمک کند ، در حالی که به سادگی حساب کردن لغزش در مدل معاملات و تست های پشتی اعتبار نتایج پیش بینی شده را تقویت می کند. به نوبه خود ، این شرکت اعتماد به نفس بیشتری به پیش بینی های سالانه یک استراتژی از سودآوری خواهد داشت.
