Fast Scalp

Einführung

Der Preis bewegt sich nicht von selbst. Eine Bewegung beginnt meist dort, wo ein Trader nicht warten will und mit einer Market-Order den besten verfügbaren Preis akzeptiert. Viele dieser Bewegungen klingen binnen Augenblicken ab, und nur einige setzen sich fort. Kurzfristiger Handel, bekannt als Scalping, bedeutet, genau diese Bewegungen mitzugehen: ein schneller Einstieg, ein kleines Kursziel und ein früher Ausstieg. Die Schwierigkeit liegt darin zu erkennen, hinter welcher Bewegung echte Kraft steht und welche umkehrt, bevor sie das Kursziel erreicht.

Wir haben dieses Urteil einem Algorithmus übergeben, der es aus dem Orderflow des Marktes selbst gelernt hat.

Das Projekt Fast Scalp hat mehrere Jahre der Chicagoer Börse, eines der größten Futures-Märkte der Welt, auf der Ebene jeder einzelnen Order zusammengetragen. Aus diesen Daten sind wir mit maschinellem Lernen (ML) und statistischer Analyse zu einem Algorithmus für kurzfristigen Handel gelangt, der in einer getreuen Nachbildung der Börse selbst getestet wird. Das Ziel ist ein automatisierter Trading-Desk, der Kapital mit diesem Algorithmus steuert, nicht mit den Augenblicksreaktionen von Menschen.

Simulatorberichte

Dieses Projekt hat je Markt einen vollständigen Bericht aus dem Ausführungssimulator. Jeder Bericht zeigt den Algorithmus bei fünf Stufen der Orderlatenz zur Börse zugleich, von null bis 100 Millisekunden. Sie können beide herunterladen und unabhängig von uns lesen und bewerten.

GC Gold-Futures
- Dez. 2019 bis Juli 2026Testzeitraum
- 1.696Handelstage
- 25.228simulierte Trades im Basisszenario
- 5 Szenarien5 Latenzstufen, von null bis 100 ms
Bericht herunterladen Im Browser öffnen

Eine eigenständige HTML-Datei, 2,5 MB, in fünf Sprachen
NQ Nasdaq-100-Futures
- Mai 2017 bis Juni 2026Testzeitraum
- 2.342Handelstage
- 194.302simulierte Trades im Basisszenario
- 5 Szenarien5 Latenzstufen, von null bis 100 ms
Bericht herunterladen Im Browser öffnen

Eine eigenständige HTML-Datei, 2,6 MB, in fünf Sprachen

Dies sind Simulationsergebnisse auf aufgezeichneten Marktdaten (ein Backtest), kein echter Handel und keine Garantie für die Zukunft.

Einblick in die Plattform

Das sind echte Bildschirmaufnahmen aus der Plattform des Projekts, keine Mock-ups. Jede Ansicht zeigt dieselben Marktdaten auf Order-Ebene aus einem anderen Blickwinkel. Klicken Sie auf das Bild, um es zu vergrößern.

Fünfzehn-Sekunden-Balken mit Beschriftungen der Kauf- und Verkaufsereignisse — Fünfzehn-Sekunden-Balken, und an jedem Balken die Beschriftungen ihrer Ereignisse: die Kauf- oder Verkaufsseite (B / S), die Größe und Markierungen wie Stop und Kursziel.

Fünfzehn-Sekunden-Balken mit Volumenprofil, der VWAP-Linie und den Niveaus POC, VAH und VAL, und darunter die Panels PureReal Delta und Trade Delta.

Dieselben Balken in der Sweep-Ansicht: blaue und orange Dreiecke, jedes mit seiner Zahl, an dem Balken, an dem sie aufgetreten sind.

Ansatz

Der Algorithmus lernt aus Marktdaten und wird in einer Nachbildung desselben Marktes gemessen. Die Arbeit erfolgte in drei Stufen:

Von den Rohdaten zum vollständigen Bild des Marktes
Der Handelsbildschirm zeigt nur eine Zusammenfassung des Marktes. Wir verarbeiten jede Nachricht, die die Börse aufgezeichnet hat, und bilden die Liste der wartenden Orders für jeden Moment nach. Das Ergebnis ist ein Bild davon, was vor jeder Preisbewegung auf beiden Seiten des Marktes geschah.
Vom Bild des Marktes zum Algorithmus
Beim maschinellen Lernen lernt der Computer Muster aus realen Beispielen, statt von Hand geschriebenen Regeln zu folgen. Auf diese Weise und gestützt auf statistische Analyse hat unser Algorithmus gelernt, in welchen Situationen sich eine kurze Bewegung fortsetzt und in welchen sie umkehrt. Sein Ergebnis sind drei Entscheidungen: wann einzusteigen ist, wo der Stop des Trades zu setzen ist und wann auszusteigen ist.
Vom Algorithmus zur getesteten Ausführung
Eine Market-Order wartet nicht in einer Warteschlange und wird ausgeführt, sobald sie die Börse erreicht, doch der Weg dorthin braucht Zeit. In dieser Zwischenzeit kann der beste Preis verschwunden sein, und der Trade kann zu einem schlechteren Preis ausgeführt werden als dem, der bei der Entscheidung zu sehen war. Unser Simulator bildet genau das nach, und der Maßstab ist das Netto-Finanzergebnis nach allen Kosten.

Was heraussticht

Wissen, das im System liegt, nicht in den Köpfen von Menschen.
Kurzfristiger Handel stützt sich traditionell auf das Auge und die Reaktionen des Traders, und Müdigkeit und Emotionen wirken direkt auf das Ergebnis. Unser Algorithmus hat, was er weiß, aus Marktdaten gelernt und wendet es bei jedem Trade auf dieselbe Weise an. Dieses Wissen ist festgehalten, wiederholbar und lässt sich neu trainieren.
Auswahl, nicht Trade um Trade.
Im kurzfristigen Handel ist der Gewinn je Trade klein, und seine Kosten, die Gebühr und die Spanne zwischen Kauf- und Verkaufspreis, fallen bei jedem Trade an. Jede Bewegung zu handeln, endet daher im Verlust; wir haben den Einstieg ohne Auswahl zu realen Kosten gemessen, und er verlor Geld. Genau dort liegt der Wert des Algorithmus: zu erkennen, bei welcher Bewegung sich der Einstieg lohnt und welche man vorbeiziehen lässt.
Ein Ergebnis, das auch in der Ausführung Bestand hat.
Viele kurzfristige Strategien sind auf dem Papier profitabel und in der Praxis nicht, weil ihr Test annimmt, dass eine Order zum angezeigten Preis ausgeführt wird. In unserem Simulator trifft eine Order verspätet ein und wird aus dem Volumen ausgeführt, das in genau diesem Moment verfügbar ist. Die Korrektheit der Simulation wurde gegen eine unabhängige Nachbildung aus den Rohdaten der Börse geprüft.
Definiertes Risiko, realistisch geschätzt.
Jeder Trade hat ab dem Moment des Einstiegs einen festgelegten Stop, und seine Lebensdauer ist kurz. Dieser Stop ist keine harte Obergrenze: Bei scharfen Bewegungen kann der Ausstieg zu einem schlechteren Preis erfolgen. Der Simulator sieht auch diesen Fall, und berichtet wird der reale Verlust, nicht der nominale.
Eine echte Erkenntnis vom Zufall unterscheiden.
Lernmodelle können die Vergangenheit auswendig lernen, ohne etwas über die Zukunft gelernt zu haben. Um das zu vermeiden, wird der Algorithmus auf Zeiträumen gemessen, die er im Training nicht gesehen hat, turbulente eingeschlossen. Jede Erkenntnis wird außerdem neben Daten gestellt, denen gezielt jedes aussagekräftige Muster entzogen wurde, und wenn sie sich auch dort zeigt, wird sie verworfen.
Den Infrastrukturbedarf kennen, bevor man dafür bezahlt.
Im kurzfristigen Handel entscheiden die Geschwindigkeit, mit der eine Order die Börse erreicht, und die Gebühr je Trade über die Grenze zwischen Gewinn und Verlust, und jedes von beiden zu verbessern ist teuer. Wir testen den Algorithmus über eine Bandbreite dieser Bedingungen zugleich. So ist vor jeder finanziellen Verpflichtung klar, unter welchen Bedingungen das Vorhaben gerechtfertigt ist.

Der weitere Weg

Erledigt
Die Dateninfrastruktur, die Marktnachbildung, der Handelsalgorithmus, der Ausführungssimulator und das Berichtssystem sind gebaut.
Aktuell
Heute messen wir den Algorithmus in einem mehrjährigen Test, unter verschiedenen Geschwindigkeits- und Gebührenbedingungen und auf mehr als einem Markt.
Als Nächstes
Danach folgen die Anbindung an Live-Daten, die Bereitstellung in Börsennähe und eine Probephase mit begrenztem Kapital.
Letzter Schritt
Der letzte Schritt ist der Handel mit echtem Kapital, als automatisierter Desk.

Technologie

Die Lernmodelle werden in Python gebaut und auf einem Grafikprozessor trainiert. Die Engine der Marktnachbildung und der Ausführungssimulator sind in C# geschrieben, der Rohdaten-Reader in Rust. Das Ergebnis jedes Tests wird in einem standardisierten Bericht in fünf Sprachen dargestellt, und eine Änderung wird erst angenommen, nachdem sie mit der vorherigen Version verglichen wurde und die automatisierten Tests bestanden hat.