Использование торговых алгоритмов в адаптируемой интеллектуальной экосистеме

Размещено на http://www.allbest.ru/

Использование торговых алгоритмов в адаптируемой интеллектуальной экосистеме

А.В. Новиков

Аннотация

C конца прошлого века стремительно развивалась отрасль рынка, связанная с автоматизированными торговыми системами (биржевыми роботами). Однако и теперь проблема разработки алгоритмов и реализация их в виде таких систем остается достаточно актуальной и представляет не столько теоретический, сколько практический и коммерциализуемый интерес. Кроме того, с развитием современных информационных технологий данная отрасль становится доступной широкому кругу розничных инвесторов-непрофессионалов, которые не хотят и не будут системно подходить к задаче построения прогноза для случайных процессов, коими, по сути, являются рыночные котировки. Для таких инвесторов - пользователей мобильных приложений - предлагается удобная адаптируемая интеллектуальная экосистема, построенная на основе искусственного интеллекта. Экосистема с учетом индивидуальных пожеланий клиентов предложит и будет реализовывать на бирже оптимальную относительно доходности и риска стратегию.

Ключевые слова: биржевые роботы, торговые стратегии, волатильность, ликвидность, высокочастотная торговля, позиционная торговля

Введение

Вместе с быстрым развитием электронной торговли в конце прошлого века, в силу ряда предпосылок, начала развиваться и торговля с использованием автоматизированных систем - биржевых роботов. Этот сегмент развивался очень высокими темпами и значительно повлиял не только на характер биржевой торговли, но и на структуру фондового рынка [1]. Влияние автотрейдинга на рынок имело и имеет как положительные, так и некоторые отрицательные стороны. При этом однозначно идентифицировать автоматизированные заявки и сделки можно только для наиболее активных или агрессивных систем - в области высокочастотной торговли. Поэтому достаточно высокие доли торговых роботов в биржевой статистике (более половины рыночных оборотов как на российском [2], так и на зарубежных [3] фондовых рынках) все равно оказываются заниженными [4].

Торговый робот - это специализированная компьютерная программа для совершения торговых операций на бирже с минимальным участием человека. Основной частью торгового робота является торговый алгоритм (или их набор), который формализованно реализует стратегию, использующую разнообразные методы анализа информации для получения прибыли на рынке. При этом практически круглосуточно и в режиме реального времени необходимо быстро анализировать большие и многомерные объемы рыночной информации, а также сотни вспомогательных параметров со сложными взаимозависимостями. Однако главной задачей при формировании эффективной стратегии является подбор адекватной модели для описания динамики цен на рынке, которая по своей внутренней природе представляет собой случайный процесс. В рамках выбранной модели подбираются оптимальные способы обработки информации, поиска закономерностей и выработки решений, что и определяет внутреннюю стратегию робота. Существуют разные классификации алгоритмов и стратегий, в основном, они зависят от способа анализа рыночной ситуации: от классических фундаментального и технического анализа до глубокого обучения и искусственных нейросетей.

Далее в статье мы кратко остановимся на недолгой истории автотрейдинга, рассмотрим некоторые виды алгоритмов, опишем основные плюсы и минусы торговых роботов, а также представим адаптируемую интеллектуальную экосистему, которая призвана минимизировать недостатки автоматизированной торговли и сделать ее доступной широкому кругу неспециалистов.

Определения

Чтобы избежать путаницы, здесь и далее будем использовать термин «автоматизированная торговля» (automated trading) для обозначения торговли на рынке с использованием специальной компьютерной программы, которая в этом случае называтся автоматизированной торговой системой (automated trading system), а также биржевым или торговым роботом (stock trading robot). Этот робот может анализировать любую доступную рыночную информацию, оценивать риски, а также может выставлять заявки (ордера) и совершать сделки, тем самым, полностью заменяя трейдера.

Те программы, которые ограничиваются анализом рыночной ситуации, а также выработкой формализованных сигналов и рекомендаций трейдеру, часто называют роботами-советниками, роботами-сигнализаторами или механическими торговыми системами. В этом случае решение о совершении торговых операций принимается самим трейдером.

Заметим, что на каждом этапе (получение, обработка и анализ различной информации, оценка рисков, построение прогноза цен, выработка стратегии, исполнение ордеров) робот использует определенные формализованные алгоритмы. При этом термин «алгоритмическая торговля» (algorithmic execution) относится только к последнему этапу торговли, а именно к алгоритмам, которые должны минимизировать потери при исполнении больших ордеров.

В зависимости от частоты сделок, принято выделять высокочастотную торговлю (high frequency trading, HFT) и низкочастотную, которую, в свою очередь, можно разделить на кратко-, средне- и долгосрочную.

Исторический обзор

Более высокая скорость получения информации всегда была преимуществом, в том числе и в борьбе за прибыли. Это стало еще более актуальным несколько веков назад с появлением бирж. Поэтому развитите биржевой торговли постоянно шло в ногу с научно-техническим прогрессом: именно биржи одними из первых начали использовать телеграф, телефон, компьютеры и интернет [5]. Все эти изобретения позволяли уменьшать время как получения рыночной информации, так и использования ее в торгах.

Предвестником зарождения автоматизированной торговли можно считать электронную систему передачи ордеров (Designated Order Turnaround, DOT), которая появилась на Нью-Йоркской фондовой бирже (New York Stock Exchange, NYSE) в 1976 году. С ее помощью служащий брокерской конторы вводил клиентские ордера и отправлял их специалистам на фондовую биржу [6]. Заметим, что в 1984 году на смену DOT пришла система SuperDOT, которая в 2009 году была заменена системой Super Display Book, а в 2012 году - платформой Universal Trading Platform.

История автоматизированной торговли едва насчитывает 30 лет, но уже включает в себя и бурный рост, и кризисные времена. Первые торговые роботы появились в 90-х годах ХХ века. Сначала это были роботы-советники и использовались они только крупными инвестиционными компаниями [4]. По мере развития информационных технологий, увеличения мощности компьютеров и скорости интернета, улучшения качества программного обеспечения, а также с появлением брокерских торговых терминалов, роботы эволюционировали в полностью автономные программы, которые становились доступны для все более широкого круга участников торгов [4].

Только в 1998 году Комиссия по ценным бумагам и биржам (The United States Securities and Exchange Commission, SEC) официально разрешила проведение автоматизированных электронных транзакций по обмену валюты на американских биржах [1]. С этого момента можно отсчитывать официальную историю автоматизированной торговли. Заметим, что в России первые торговые роботы появились на Московской межбанковской валютной бирже (ММВБ) только в 2005 году. Доля роботов в общем объеме торгов на рынке акций ежегодно росла на 5-10 процентных пунктов на протяжении первого десятилетия ХХI века [7]. Кроме того, в 2005-2009 годах автоматизированный трейдинг как инструмент активно распространился на рынки опционов, фьючерсов и деривативов. Однако до 2009 года этот инструмент использовался в основном крупнейшими инвестиционными банками (Bulge Bracket Investment Banks), глобальными инвестиционными фондами и некоторыми брокерскими компаниями, а поэтому был мало известен за пределами финансового сектора [1]. В июле 2009 года вышла статья [8], привлекшая внимание новых специалистов в индустрию торговых роботов, и вскоре последовал кризис и сокращение доли автоматизированной торговли на мировых рынках. И вызвано это было целым рядом причин (см., например, [1, 9]). Главная из них - рост конкуренции: на волне успеха в отрасль пришли новые программисты, трейдеры и различные инвестиционные специалисты. Это привело к перенасыщению, повысило стоимость обслуживания торговых роботов и вызвало сокращение прибылей. Далее, в автоматизированном трейдинге существует внутреннее противоречие: большая часть торговых стратегий получает прибыль на колебаниях рынка, но при этом сглаживают их, что уменьшает будущую прибыль. Наконец несколько сбоев торговых роботов, приведшие к катастрофическим последствиям (Flash Crash), могли плохо отразиться на уровне доверия инвесторов к рынку. Это, в том числе, часто провоцировало финансовых регуляторов и организаторов торгов к не всегда последовательному регулированию отрасли. Кроме того, развивались альтернативные (внебиржевые) торговые площадки, например, «темные пулы» (Dark Pools). В них инвесторы, прежде всего хедж-фонды (Hedge Fund), могут проводить сделки крупными партиями активов без колебаний цен, поскольку стакан заявок (книга ордеров) невидим [10].

Можно сказать, что, хотя отрасль автоматизированной торговли сейчас находится в некотором кризисе, торговые роботы до сих пор имеют значительное влияние на мировые рынки.

Классификация

Главной частью каждого торгового робота является биржевая (управляющая) стратегия или набор стратегий вместе с условиями переключения между ними. Общепринятой классификации биржевых стратегий не существует. Как не существует и универсальной модели, описывающей динамику котировок отдельного инструмента, его доходности и риска, не говоря уже про динамику всего финансового рынка в целом [11]. Поэтому выделяют набор моделей рынка, внутри которых выбор эффективной стратегии происходит проще. Например, можно выделить модель равновесного рынка, в которой цена актива имеет боковой (горизонтальный) тренд. Явно выраженные восходящий (“бычий”) или нисходящий (“медвежий”) тренды характерны для моделей растущего или стагнирующего рынка. Если цена актива колеблется с достаточно большой амплитудой, то может быть удобна модель волатильного рынка. Заметим, что внутренним параметром этих моделей является временной интервал, используемый для группировки и описания котировок (таймфрейм, time frame). Часто описанные модели реализуются одновременно на разных интервалах. Например, общий дневной нисходящий тренд может сосуществовать со значительными колебаниями цены на более коротких таймфреймах. В рамках такого подхода стоит задача определения текущей модели рынка для использования наиболее эффективной управляющей стратегии. И данная задача не разрешима в предположении случайной динамики цен на рынке, поскольку за время анализа истории и идентификации текущего состояния может произойти смена модели, что приведет к неоптимальности выбранной стратегии. Однако существуют стратегии, не зависящие от направления рынка (так называемые рыночно-нейтральные стратегии). Примером может служить парный трейдинг, который использует рыночную неэффективность в ценах двух сильнокоррелированных активах [11].

Далее мы остановимся на нескольких типах стратегий, позволяющих реализацию в виде программ для автоматизированной торговли, чтобы получить общее впечатление о них и лучше понять суть их работы.

Высокочастотная торговля

Начнем с высокочастотной торговли, стратегии в которой, в основном, используют рыночный дисбаланс (или рыночную неэффективность). Он может существовать доли секунды, и поэтому эффективность роботов прямо зависит от скорости передачи информации, ее анализа и обработки ордеров.

Стратегия маркетмейкинга (скальпинг, работа с ликвидностью, electronic market making, liquidity provision) призвана приносить доход на разнице в цене спроса и предложения, с помощью систематического выставления одновременных ордеров на продажу и покупку актива по близким ценам. При правильном анализе текущего стакана ордеров, результатом стратегии будет частый, но небольшой доход с малым уровнем риска [12]. Дополнительным бонусом для роботов, предоставляющих ликвидность, могут быть скидки на транзакционные комиссии и даже доплаты от бирж за большое количество проведенных сделок [9].

Стратегия поиска или обнаружения ликвидности (liquidity detection) использует информацию о наличии крупных ордеров в стакане для определения краткосрочного тренда и с помощью скорости и ордеров меньшего размера может принести прибыль [12].

Арбитражные стратегии (statistical arbitrage) основаны на выявлении высокой корреляции между некоторыми активами: это может быть базовый актив и производный финансовый инструмент (например, опцион), или два тесно связанных актива. Высокочастотный трейдер проводит сделку при обнаружении значимого отклонения долгосрочного коэффициента корреляции, расчитанного по большой выборке, от аналогичного коэффициента, рассчитанного по короткой истории [12]. В результате, с большой вероятностью, обнаруженный краткосрочный дисбаланс в ценах ликвидируется, а трейдер получает прибыль.

Позиционная торговля

В отличие от дневной тогрговли, когда операции совершаются в течение одной торговой сессии, сроки сделок при позиционной торговле ничем не ограничены. В этом случае у трейдеров и роботов есть больше времени на анализ рыночной ситуации, выработку и выбор стратегии, включая тестирование различных стратегий без совершения торговых операций.

Существенной частью стратегии является набор методов для прогноза поведения цен и рынка в целом с помощью анализа текущей рыночной ситауции, исторических данных, а также любой другой второстепенной информации, которая может оказать влияние на будущее. Перечислим некоторые способы такого анализа.

Фундаметальный анализ основывается на финансовой отчетности компаний, официальной статистике, макроэкономических данных и позволяет специалистам (из общих экономических, политических и прочих соображений) не только оценить текущее состояние конкретного актива или рынка в целом, но и сделать некоторые заключения относительно его потенциала и дальнейших перспектив.

Технический анализ объединяет методы прогноза будущего поведения какого-либо финансового инструмента или всего рынка, основанные на выявлении в динамике котировок корреляций, цикличностей, статистических закономерностей. Основные методы - это использование индикаторов и анализ паттернов (patterns) кривой. Последний имеет дело с набором шаблонов, описывающих поведение ценовых графиков (например, “голова-плечи”, “двойная вершина”, “тройное дно” и др.). Индикаторы делятся на трендовые (своевременно определяют возникающий тренд на рынке), осцилляторы (позволяют найти разворот от текущего локального тренда в рамках общего бокового движения) и индикаторы объема (отражают количество транзакций в заданную единицу времени) [12]. К техническому анализу можно также отнести методы прогноза ценовых рядов с помощью стохастических дифференциальной [13, 14, 15] и кинетической моделей [16].

Добавим к вышеперечисленному анализ общественного мнения с помощью мониторинга социальных сетей, отслеживание новостной ленты и изучение экспертных прогнозов аналитиков с привлечением искусственных нейросетей (artificial neural networks) и глубокого обучения (deep learning) [17].

Стратегии исполнения ордеров

Появление на рынке крупных ордеров как на покупку, так и на продажу может существенно негативно повлиять на их цену исполнения. Для минимизации рисков и издержек трейдерами используются алгоритмы со специальными стратегиями исполнения ордеров (Trade Execution Algorithms). Эти алгоритмы анализируют состояние рынка в некотором временном интервале, оптимально (в некотором смысле) разбивают актив (parent order) на множество небольших порций (child orders) и последовательно размещают эти меньшие ордера на покупку или продажу на рынке. Эффективность описанной процедуры зависит от способа разбиения актива. Самые известные из них - торговля по цене, средневзвешенной по времени (Time Weighted Average Price, TWAP); торговля по цене, средневзвешенной по объему (Volume Weighted Average Price, VWAP); поддержка процента от объема продаж (Percentage of Volume, PoV) [12].

Плюсы и минусы

Автоматизированная торговля в настоящее время занимает достаточно большую долю объема торгов и поэтому является уникальным инструментом фондового рынка, обладающим значительным влиянием на весь рынок. В этом влиянии присутствуют как положительные, так и отрицательные моменты, при этом сами торговые роботы имеют как ряд достоинств, так и некоторые недостатки.

Нечеловеческие способности

Без сомнения, автоматизированные торговые системы обладают рядом качеств, которые заметно превосходят человеческие. В первую очередь это скорость обработки больших объемов информации, скорость принятия решений и скорость в совершении сделок. Робот может одновременно анализировать информацию по практически любому количеству финансовых инструментов и совершать по ним сделки. И именно из-зи скорости высокочастотную торговлю (например, по скальперским и арбитражным стратегиям) в настоящее время ведут исключительно роботы [18].

Следующее качество роботов - это четкое следование алгоритму, максимально строго описывающему выбранную торговую стратегию. Роботы не устают ни физически, ни эмоционально и поэтому могут торговать круглые сутки, не отвлекаясь, не сомневаясь, не переживая. Другими словами, роботы не допускают ошибок, связанных с «человеческим фактором». Однако в отличие от человека и, тем более, от опытного профессионального трейдера, роботы часто не могут адекватно реагировать на нестандартные ситуации. Это, в некоторой степени, связано с неспособностью специалистов формализованно описать в виде алгоритма все возможные действия в бесконечном многообразии гипотетических рыночных ситуаций. Именно поэтому необходим периодический контроль за торговлей робота, который частично можно автоматизировать, включив в торговую стратегию анализ рисков и мониторинг текущей ситуации.

С другой стороны, автоматизированным торговым системам присущи специфические риски технологических и компьютерных сбоев. Первые связаны с возможными сбоями во время торгов из-за больших нагрузок, вызванных роботами, на сети и сервера торговых площадок. Поэтому требуются дополнительные вложения для улучшения качества инфраструктуры.

Крупнейший компьютерный сбой произошел 6 мая 2010 года на NYSE и получил название «мгновенный крах» (Flash Crash; Crash of 2:45; 2010 Flash Crash), позже это стало нарицательным обозначением для подобных сбоев. Тогда произошло рекордное в абсолютных величинах падение промышленного индекса Доу-Джонса (Dow Jones Industrial Average) на 998,5 пунктов (9,2%). Возможными виновниками были названы высокочастотные роботы (high-frequency traders) и перекрестный арбитраж (cross-market arbitrageurs) [19]. Заметим, что продолжительность мгновенных крахов короткая (несколько секунд), после чего рынок возвращается практически к исходному уровню. Однако такие ситуации препятствуют определению справедливых (рыночных) цен финансовых активов и отражают непрозрачность и оторванность рыночных котировок от экономической действительности. Это может негативно сказываться как на рыночных участниках, так и на экономике в целом. Позже были введены специальные автоматические перыватели («limit up, limit down«, LULD), призванные остановить торги ценной бумагой на 5 минут при изменении котировки на 5% в ту или иную сторону в течение пятиминутного периода (для первых 15 минут диапазон равен 10%).

В качестве примера, когда компьютерный сбой был вызван человеческим фактором, приведем ситуацию с Knight Capital Group, случившуюся 1 августа 2012 года. Тогда технический специалист не скопировал обновленный код программы, и работа торгового робота привела к потере более $400 млн. за 45 минут, что поставило крупного брокера на грань банкротства [20].

Дополнительные издержки

Отдельным недостатком автоматизированного трейдинга нужно выделить рост издержек, хотя издержки на персонал снижаются. Во-первых, торговым площадкам необходимы дополнительные средства на инфраструктуру, чтобы соответствовать требованиям автоматизированных трейдеров. Во-вторых, регуляторам нужно отслеживать запрещенные манипуляторные стратегии, а для этого необходимо разрабатывать и совершенствовать способы наблюдения за торгами. Наконец, создание торгового робота, включая разработку алгоритмов, написание кода, тестирование робота на рынке, требует определенных финансовых, человеческих и временных ресурсов. Кроме того, использование роботами похожих стратегий приводит к конкуренции и снижает их эффективность.

Влияние на рынок

В первую очередь остановимся на влиянии торговых роботов на такие характеристики рынка, как волатильность (изменчивость) цен финансовых инструментов и рыночная ликвидность (глубина рынка).

Статистические наблюдения за скачками цен на биржах показывают в среднем положительное влияние автоматизированного трейдинга на волатильность. Действительно, высокочастотные стратегии, основанные на получении прибыли за счет разницы между минимальной ценой предложения и максимальной ценой спроса (bid-ask spread), позволяют уменьшить спрэд. Тем самым становится возможным выставлять и обрабатывать крупные ордера без существенного изменения цен [1]. Однако существуют ситуации и стратегии с противоположным эффектом. Например, роботы, реализующие стратегию “забегания вперед” (front running), при взаимодействии с крупными заявками способны заметно изменить цену финансового инструмента, а значит увеличить волатильность. Кроме того, наличие на рынке большого числа торговых роботов со сходными стратегиями реагирования на текущую рыночную ситуацию может привести к появлению огромного объема однотипных ордеров. Далее существует вероятность еще более чрезмерного увеличения этого объема заявок за счет вовлечения других роботов. Потенциально это может привести к значительному скачку цен, например, к мгновенному падению рынка без каких-либо экономических предпосылок - как в случае Flash Crash [21].

Поскольку большая доля рынка до сих пор принадлежит автоматизированным торговым системам, роботы непосредственно влияют на ликвидность торгуемых финансовых инструментов, причем это влияние также неоднозначно. В целом, можно утверждать, что роботы приносят ликвидность на рынок, и это статистически подтверждается по уменьшению бид-аск спрэда. Однако эта ликвидность значительно отличается от той, которую поставляют традиционные инвесторы: часто последние из-за пройгрыша в скорости не могут воспользоваться ей, и конкуренция за нее идет только между роботами. Можно также сказать, что качественно ликвидность, предоставляемая роботами, хуже. Кроме того, в большинстве случаев она является искусственной, поскольку огромное количество заявок высокочастотными трейдерами выставляется без намерения проводить сделки по ним (для создания ложных представлений о спросе и предложении, что приводит к сдвигу цен). Поэтому можно констатировать тот факт, что стакан заявок часто отражает только внутреннюю структуру торговых стратегий, а не реальный спрос и предложение на рынке [21]. Кроме того, в силу наличия корреляции между стратегиями роботов, особенно при неблагоприятных рыночных условиях, существует вероятность резкого оттока ликвидности, что может способствовать обрушению котировок. Это произошло во время Flash Crash, когда многие торговые роботы практически одновременно прекратили транзакции и лишили рынок ликвидности.

Из вышесказанного следует, что торговые роботы способны воздействовать на рыночные цены конкретных финансовых инструментов (намеренно, для получения выгоды от манипуляций, или ненамеренно, в силу наличия корреляций между различными стратегиями). Этот факт часто препятствует справедливому ценообразованию на рынке и приводит к несоответствию рыночных котировок и экономической реальности. Такое манипулирвание рынком, запрещенное законодательно, но сложно фиксируемое, является одним из важнейших отрицательных факторов, из-зи которого регуляторы обращают внимание на автоматизированный трейдинг и принимают в его отношении ограничивающие меры [22]. Примером таких мер могут служить налог на высокочастотную торговлю, ограничение числа транзакций в день, а также дополнительные платы за большое количество заявок и за их отмену [1]. Стоит, однако, заметить, что все такие меры напрвлены на высокочастотных роботов.

Кроме отрицательного влияния на рынки, автоматизированной торговле присуще и положительные, поэтому биржи и регуляторы также заинтересованы в стимулирующих мерах. Одним из примеров является улучшение телекоммуникационной инфраструктуры торговых площадок для повышения скорости обмена информацией. Другой пример - уменьшение размера комиссии за сделку. Это оказалось выгодным как биржам, так и брокерским конторам, поскольку они повысили доход за счет роста количества сделок, совершаемых роботами [1].

Выводы

В заключение этой части отметим, что при всех недостатках автоматизированного трейдинга, они несомненно компенсируются его достоинствами при правильном подходе со стороны разработчика и грамотном использовании со стороны инвестора. Кроме того, эффективность торгового робота, которая является следствием синтеза адекватного алгоритма и хорошо продуманной реализации, проверяется гораздо проще, чем проверка алгоритмов, используемых для ручной торговли. Осуществляется это с помощью обширного предварительного тестирования робота до вывода его на реальные рынки. Именно такая торговая система предлагается нашей компанией как часть интеллектуальной экосистемы мобильных приложений.

Наш продукт

На сегодняшний день разработано достаточно большое число стратегий и алгоритмов для торговли на финансовых рынках, однако подавляющее большинство из них не являются универсальными и могут приносить прибыль только при определенных условиях [11]. Более того, сейчас ны рынке представлен ряд программ, которые позволяют инвесторам конструировать торговые роботы, реализуя собственные стратегии в алгоритмах, а также тестировать доходность, риск и устои?чивость этих алгоритмов [12]. Это полезно для профессиональных трейдеров, брокеров, менеджеров хедж-фондов, однако розничным инвесторам-любителям нужен готовый продукт с простым управлением, интуитивно понятным интерфейсом и без необходимости дополнительной настройки.

Наша компания предлагает именно такой продукт - полностью автоматизированную адаптируемую интеллектуальную экосистему мобильных приложений [5, 17, 23, 24], специально ориентированную на активных пользователей современных смартфонов. Предлагаемая замкнутая система является максимально персонализированной, поскольку в ней, кроме учета текущей и прогнозируемой ситуаций на рынках, учтены финансовые возможности пользователя и его личные предпочтения относительно риска, доходности, суммы и горизонта инвестирования, а также, возможно, относительно финансовых инструментов, отраслей экономики и пр. [17]. Ответ системы на предпочтения пользователя, так называемая область инвестиционных возможностей (см. [17, 24]), может включать портфельное инвестирование. В этом случае будут использованы торговые роботы, реализованные с помощью современных инновационных технологий в таких областях как разработка программного обеспечения, средства оптимизации вычислений, искусственный интеллект, системы хранения, передачи и защиты данных и др. маркетмейкинг автоматизированная торговля

Для построения прогноза изменения цен инструментов в течение различных периодов времени и выработки эффективной стратегии система использует весь арсенал фундаментального и технического анализа, включая анализ состояний смежных рынков, а также мониторинг социальных сетей и аналитических отчетов специалистов, отслеживание новостей и прогнозов экспертов.

Кроме того, в режиме реального времени через текущую оценку эффективности инвестиций управляющая стратегия модифицируется с использованием методов управления капиталом включая риск-менеджмент. В целом система автоматически настраивается и самостоятельно адаптируется под текущую ситуацию благодаря технологиям глубокого обучения.

Практическое внедрение предлагаемой системы в результате приведет к положительному эффекту: вливанию свободных средств широких слоев населения в реальный сектор экономики.

Заключение

Пока биржевые роботы не смогли полностью заменить профессионала трейдера на рынке, однако они быстро эволюционировали за достаточно короткое время и все более широко используются для повышения эффективности торгов. Поэтому влияние на рынок автоматизированной торговли, использующей последние достижения в областях информационных технологий и искусственного интеллекта, будет возрастать в ближайшем будущем. Кроме того, существует тенденция вовлечения непрофессионалов в область биржевой торговли с помощью инновационных разработок. В скором времени индивидуальные пользователи адаптируемои? интеллектуальнои? экосистемы смогут доверить ей управление своими финансами, в том числе через автоматизированную торговлю на фондовых рынках.

Библиографический список

1. Володин С.Н. Алгоритмическая торговля: история развития, особенности и перспективы / С.Н. Володин, А.А. Ляхова // Аудит и финансовый анализ. - 2015. - №6. - С.432-441.

2. Докучаев А. Бесплатные и готовые торговые роботы опасны для инвесторов // Состоятельный инвестор. Фондовый рынок. - 2015. - №13. - 06.10.2015.

3. Regan M.P. Robots Are Eating Your Retirement [Электронный ресурс]. - Режим доступа: https://www.bloomberg.com/gadfly/articles/2016-01-15/robots-are-eating-your-retirement-in-volatile-stock-market, свободный. - (Дата обращения: 26.04.2018).

4. Володин С.Н. Тенденции развития, эффективность и регулирование алгоритмической торговли // Интернет-журнал Наукознание. - 2012. - №1(5). - С. 9.

5. Новиков А.В. Персональное мобильное приложение для торговли на биржевых площадках / А.В. Новиков, А.В. Бурмистров // Экономика и бизнес: теория и практика. - 2017. - No.11. - С.151-160.

6. SuperDot [Электронный ресурс]. - Режим доступа: https://en.wikipedia.org/wiki/SuperDot, свободный. - (Дата обращения: 26.04.2018).

7. Avramovic A. Who let the bots out? Market quality in a high frequency world // Credit Suisse. ? 2012. ? March 19.

8. Duhigg C. Stock Traders Find Speed Pays, in Milliseconds // The New York Times. - 2009. - July 23.

9. Разина Е. Будущее биржевых роботов [Электронный ресурс]. - Режим доступа: http://thewallmagazine.ru/stock-robots, свободный. - (Дата обращения: 26.04.2018).

10. Orзun Kaya. High-frequency trading. Reaching the limits // Deutsche Bank Research. - 2016. - May 24.

11. Ананченко И.В. Торговые роботы и управление в хаотических средах: обзор и критический анализ / И.В. Ананченко, А.А. Мусаев // Труды СПИИРАН. - 2014. - №3(34). - С.178-203.

12. Краснощёков Л.В. Механические торговые системы: определение, структура и свойства // Молодежный научно-технический вестник. - 2013. - №11. - С.54.

13. Новиков А.В. Моделирование ценового ряда в рамках стохастической дифференциальной модели / А.В. Новиков, А.В. Бурмистров // Символ науки. - 2017. - Т.2. - №4. - С.17-21.

14. Бурмистров А.В. Определение коэффициентов в стохастической дифференциальной модели формирования цены / А.В. Бурмистров, А.В. Новиков // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. - 2018. - №3. - С.39-44.

15. Новиков А.В. Усовершенствование стохастической дифференциальной модели ценового ряда / А.В. Новиков, А.В. Бурмистров // В сборнике: Марчуковские научные чтения - 2017. Труды Международной научной конференции. - 2017. - С.654-658.

16. Бурмистров А.В. Стохастическая кинетическая модель формирования цены / А.В. Бурмистров, А.В. Новиков // Международный научно-исследовательский журнал. - 2017. - №7-3(61). - С.107-112.

17. Новиков А.В. Интеллектуальная система для персонального финансового консультирования пользователей на основе актуальных финансовых данных / А.В. Новиков, А.В. Бурмистров // Аллея науки. - 2017. - Т.1. - №9. - С.796-809.

18. Федотова Г.В. Особенности алгоритмической торговли на фондовом рынке / Г.В. Федотова, С.Ю. Ботнарь // Теория и практика сервиса: экономика, социальная сфера, технологии. - 2016. - №3(29). - С.11-14.

19. Нью-Йоркская фондовая биржа (NYSE): В фондовом эпицентре [Электронный ресурс]. - Режим доступа: https://utmagazine.ru/posts/17677-nyu-yorkskaya-fondovaya-birzha-nyse-v-fondovom-epicentre, свободный. - (Дата обращения: 26.04.2018).

20. Knight Capital Group [Электронный ресурс]. - Режим доступа: https://en.wikipedia.org/wiki/Knight_Capital_Group, свободный. - (Дата обращения: 26.04.2018).

21. Володин С.Н. Риски алгоритмической торговли и их регулирование / С.Н. Володин, А.П. Якубов // Управление финансовыми рисками. - 2016. - №1. - С.28-41.

22. Якубов А.П. Алгоритмическая торговля на российском рынке - актуальные риски и перспективы регулирования / А.П. Якубов, С.Н. Володин // Валютное регулирование. Валютный контроль. - 2016. - №9. - С.56-62.

23. Новиков А.В. Использование портфельного подхода в интеллектуальной экосистеме мобильных приложений / А.В. Новиков, А.В. Бурмистров // Экономика и бизнес: теория и практика. - 2017. - №12. - С.131-139.

24. Новиков А.В. Виртуальный финансовый консультант, использующий системы искусственного интеллекта и финансовые данные в реальном времени / А.В. Новиков, А.В. Бурмистров // Тенденции развития науки и образования. - 2017. - №26-4. - С.21-27.

Размещено на Allbest.ru