مارکت‌میکر CME

معرفی

هر بازار مالی بر یک پیش‌فرض خاموش استوار است: هر لحظه که کسی بخواهد بخرد یا بفروشد، طرف مقابلی آماده است. این طرف مقابل بازارساز است: فعالی که هم‌زمان برای خرید و فروش قیمت اعلام می‌کند، اندکی ارزان‌تر می‌خرد و اندکی گران‌تر می‌فروشد، و درآمدش از تکرار همین فاصله‌ی کوچک در شمار زیادی معامله است. او نیازی ندارد جهت قیمت را بداند. خطرش این است که درست پیش از یک حرکت بزرگ، در سمت نادرست معامله کرده باشد.

ما این کار را به الگوریتمی سپرده‌ایم که آن را از خودِ بازار آموخته است.

پروژه‌ی مارکت‌میکر CME تاریخچه‌ی چندساله‌ی بورس شیکاگو، از بزرگ‌ترین بازارهای آتی جهان، را در سطح تک‌تک سفارش‌ها گرد آورده است. بر پایه‌ی این داده، با یادگیری عمیق و تحلیل آماری، به یک الگوریتم بازارسازی رسیده‌ایم که در بازسازی دقیقی از خودِ بورس آزموده می‌شود. مقصد ما یک میز بازارسازی خودکار است که سرمایه را با همین الگوریتم اداره می‌کند، نه با قضاوت لحظه‌ای افراد.

گزارش‌های شبیه‌ساز

این پروژه دو گزارش کامل از شبیه‌ساز اجرا دارد، یکی برای هر بازار. هر گزارش الگوریتم را هم‌زمان در ۲۵ سناریو نشان می‌دهد: پنج سطح تأخیر رسیدن سفارش به بورس، از صفر تا یک میلی‌ثانیه، در پنج سطح کارمزد. می‌توانید هر دو را دانلود کنید و مستقل از ما بخوانید و بسنجید.

• GC آتی طلا
  • دسامبر ۲۰۱۹ تا ژوئیه ۲۰۲۶بازه‌ی آزمون
  • ۱٬۶۰۸روز معاملاتی
  • ۱٬۹۰۵٬۹۲۱معامله‌ی شبیه‌سازی‌شده در سناریوی پایه
  • ۲۵ سناریو۵ سطح تأخیر × ۵ سطح کارمزد
  دانلود گزارش باز کردن در مرورگر

  یک فایل HTML مستقل، ۷٫۶ مگابایت، به پنج زبان

• NQ آتی نزدک ۱۰۰
  • مه ۲۰۱۷ تا ژوئن ۲۰۲۶بازه‌ی آزمون
  • ۲٬۳۱۰روز معاملاتی
  • ۲٬۷۹۲٬۷۸۰معامله‌ی شبیه‌سازی‌شده در سناریوی پایه
  • ۲۵ سناریو۵ سطح تأخیر × ۵ سطح کارمزد
  دانلود گزارش باز کردن در مرورگر

  یک فایل HTML مستقل، ۸٫۲ مگابایت، به پنج زبان

این‌ها نتیجه‌ی شبیه‌سازی روی داده‌ی ضبط‌شده‌ی بازار (بک‌تست) هستند، نه معامله‌ی واقعی، و تضمینی برای آینده نیستند. هر گزارش سناریوهای زیان‌ده را هم نشان می‌دهد.

از داخل پلتفرم

این‌ها تصویرهای واقعی از ابزارهای پروژه‌اند، نه طرح. هر نما همان داده‌ی سفارش‌به‌سفارش بازار را از زاویه‌ای دیگر نشان می‌دهد. برای بزرگ‌تر دیدن، روی تصویر بزنید.

سفارش‌های منتظر Limit Orders Flow · NQ نوار رویدادها raw → wire → engine نمودار تیک‌به‌تیک 1Tick → M1 → H4

CME · Limit orders

رویکرد

الگوریتم از داده‌ی بازار می‌آموزد و در بازسازی همان بازار سنجیده می‌شود. کار در سه مرحله انجام شده است:

1. از داده‌ی خام به تصویر کامل بازار

   تابلوی معاملات تنها خلاصه‌ای از بازار را نشان می‌دهد. ما همه‌ی پیام‌های ثبت‌شده‌ی بورس را پردازش می‌کنیم و فهرست سفارش‌های منتظر را برای هر لحظه از نو می‌سازیم. حاصل، تصویری است که نشان می‌دهد در هر قیمت چه حجمی منتظر است و سفارش‌ها به چه ترتیبی در صف ایستاده‌اند.

2. از تصویر بازار به الگوریتم

   در یادگیری عمیق، رایانه به‌جای پیروی از قواعد دست‌نویس، الگوها را از نمونه‌های واقعی می‌آموزد. الگوریتم ما به این روش و با پشتوانه‌ی تحلیل آماری آموخته است که معامله‌ی بازارساز در چه وضعیتی به سود او تمام می‌شود و در چه وضعیتی به زیانش. خروجی آن سه تصمیم است: سفارش کجا گذاشته شود، از کدام معامله پرهیز شود و چه زمانی باید کنار کشید.

3. از الگوریتم به اجرای آزموده

   تصمیم درست باید در بازار واقعی هم قابل اجرا باشد. در شبیه‌ساز ما سفارش‌های الگوریتم با تأخیر به بورس می‌رسند، در صف نوبت می‌گیرند و بر بازار اثر می‌گذارند، درست مانند واقعیت. معیار داوری، نتیجه‌ی مالی خالص پس از کسر همه‌ی هزینه‌هاست.

آنچه برجسته است

• دانشی که در سامانه نشسته است، نه در ذهن افراد.

  بازارسازی سنتی به شهود معامله‌گران ماهر تکیه دارد و این دانش با رفتن آن افراد از دست می‌رود. الگوریتم ما آنچه را می‌داند از خودِ داده‌ی بازار آموخته است. این دانش ثبت‌شده، تکرارپذیر و قابل بازآموزی است.

• گزینش، نه حضور همیشگی در بازار.

  سفارش‌گذاری دوطرفه بدون گزینش را با هزینه‌ی واقعی سنجیدیم و زیان‌ده بود، زیرا بازارساز بی‌گزینش بیشتر وقتی معامله می‌کند که قیمت در آستانه‌ی حرکت در خلاف جهت اوست. ارزش الگوریتم در همین نقطه است: تشخیص اینکه کدام معامله را باید خواست و از کدام باید کنار کشید.

• نتیجه‌ای که در اجرا هم برقرار می‌ماند.

  بسیاری از راهبردها روی کاغذ سودآورند و در عمل نه، چون آزمونشان فرض می‌کند سفارش بی‌درنگ و با قیمت تابلو انجام می‌شود. در شبیه‌ساز ما سفارش همان مسیر بازار واقعی را طی می‌کند، و درستی این شبیه‌سازی با بازسازی مستقلی از داده‌ی خام بورس مقابله شده است.

• تفکیک یافته‌ی واقعی از تصادف.

  مدل‌های یادگیری می‌توانند گذشته را «از بر کنند» بی‌آنکه چیزی درباره‌ی آینده آموخته باشند. برای پرهیز از این خطر، الگوریتم همیشه روی دوره‌هایی سنجیده می‌شود که هنگام آموزش ندیده است، از جمله دوره‌های پرتلاطم. هر یافته نیز در کنار داده‌هایی قرار می‌گیرد که به‌عمد فاقد الگوی معنادارند، و اگر آن‌جا هم دیده شود کنار گذاشته می‌شود.

• شناخت نیاز زیرساختی، پیش از هزینه‌کردن برای آن.

  در این حوزه سرعت رسیدن سفارش به بورس و کارمزد هر معامله مرز سود و زیان را تعیین می‌کنند، و بهبود هر دو پرهزینه است. ما الگوریتم را هم‌زمان در طیفی از این شرایط می‌آزماییم. به این ترتیب پیش از هر تعهد مالی روشن است که طرح در کدام شرایط توجیه دارد.

• گزارش‌دهی استاندارد و قابل فهم.

  نتیجه‌ی هر آزمون در یک صفحه ارائه می‌شود، با سنجه‌ها و نام‌های رایج این صنعت و به پنج زبان. سرمایه‌گذار یا مشاور او می‌تواند نتیجه را مستقل از ما بخواند و بسنجد.

مسیر پیش رو

1. انجام‌شده

   زیرساخت داده، بازسازی بازار، الگوریتم بازارسازی، شبیه‌ساز اجرا و سامانه‌ی گزارش ساخته شده‌اند.

2. امروز

   امروز الگوریتم را در آزمون چندساله، در شرایط گوناگون سرعت و کارمزد و روی بیش از یک بازار می‌سنجیم.

3. پس از آن

   پس از آن، اتصال به داده‌ی زنده، استقرار در مجاورت بورس و دوره‌ای آزمایشی با سرمایه‌ی محدود خواهد آمد.

4. گام پایانی

   گام پایانی، بازارسازی با سرمایه‌ی واقعی در قالب یک میز خودکار است.

فناوری

مدل‌های یادگیری با پایتون ساخته و بر پردازنده‌ی گرافیکی آموزش داده می‌شوند. موتور بازسازی بازار و شبیه‌ساز اجرا با سی‌شارپ و خواننده‌ی داده‌ی خام با راست نوشته شده است. هر تغییر تنها پس از مقایسه با نسخه‌ی پیشین و گذشتن از آزمون‌های خودکار پذیرفته می‌شود.