Perdagangan algoritmik (juga disebut perdagangan otomatis, perdagangan kotak hitam, atau perdagangan algo) menggunakan program komputer yang mengikuti serangkaian instruksi yang ditentukan (suatu algoritma) untuk menempatkan perdagangan. Perdagangan, secara teori, dapat menghasilkan keuntungan dengan kecepatan dan frekuensi yang tidak mungkin dilakukan oleh pedagang manusia.
Set instruksi didefinisikan berdasarkan waktu, harga, jumlah, atau model matematika apa pun. Terlepas dari peluang keuntungan bagi pedagang, perdagangan algo menjadikan pasar lebih likuid dan perdagangan lebih sistematis dengan mengesampingkan dampak emosi manusia terhadap kegiatan perdagangan.
Perdagangan Algoritma dalam Praktek
Misalkan seorang trader mengikuti kriteria perdagangan sederhana ini:
- Beli 50 lembar saham saat rata-rata bergerak 50 hari bergerak di atas rata-rata bergerak 200 hari. (Rata-rata bergerak adalah rata-rata poin data masa lalu yang menghaluskan fluktuasi harga sehari-hari dan dengan demikian mengidentifikasi tren.) Jual saham saat rata-rata bergerak 50-hari di bawah rata-rata bergerak 200-hari.
Dengan menggunakan dua instruksi sederhana ini, program komputer akan secara otomatis memantau harga saham (dan indikator rata-rata bergerak) dan menempatkan pesanan jual dan beli ketika kondisi yang ditentukan terpenuhi. Pedagang tidak lagi perlu memantau harga dan grafik langsung atau memasukkan pesanan secara manual. Sistem perdagangan algoritmik melakukan ini secara otomatis dengan mengidentifikasi dengan benar peluang perdagangan.
Dasar-Dasar Perdagangan Algoritma
Manfaat Perdagangan Algoritma
Algo-trading memberikan manfaat sebagai berikut:
- Perdagangan dieksekusi dengan harga terbaik. Penempatan pesanan perdagangan instan dan akurat (ada kemungkinan besar eksekusi di tingkat yang diinginkan). Perdagangan diatur waktunya dengan benar dan langsung untuk menghindari perubahan harga yang signifikan. Biaya transaksi yang dikurangi. Pengecekan otomatis secara bersamaan pada berbagai kondisi pasar. Risiko kesalahan manual yang dikurangi saat menempatkan perdagangan. Perdagangan-perdagangan dapat diuji ulang menggunakan data historis dan waktu-nyata yang tersedia untuk melihat apakah itu adalah strategi perdagangan yang layak. Mengurangi kemungkinan kesalahan oleh pedagang manusia berdasarkan faktor emosional dan psikologis.
Sebagian besar perdagangan algo hari ini adalah perdagangan frekuensi tinggi (HFT), yang berupaya memanfaatkan penempatan sejumlah besar pesanan dengan kecepatan cepat di berbagai pasar dan beberapa parameter keputusan berdasarkan instruksi yang telah diprogram sebelumnya.
Algo-trading digunakan dalam berbagai bentuk aktivitas perdagangan dan investasi termasuk:
- Investor menengah atau panjang atau firma-firma pembelian — dana pensiun, reksadana, perusahaan asuransi — menggunakan perdagangan algo untuk membeli saham dalam jumlah besar ketika mereka tidak ingin memengaruhi harga saham dengan investasi diskrit, volume besar. pedagang jangka panjang dan peserta sisi penjualan — pembuat pasar (seperti rumah pialang), spekulator, dan arbitrase — mendapat manfaat dari eksekusi perdagangan otomatis; selain itu, algo-trading membantu dalam menciptakan likuiditas yang cukup untuk penjual di pasar. Pedagang sistematis — pengikut tren, dana lindung nilai, atau berpasangan dengan pedagang (strategi perdagangan netral-pasar yang mencocokkan posisi panjang dengan posisi pendek dalam pasangan yang sangat tinggi). instrumen berkorelasi seperti dua saham, dana yang diperdagangkan di bursa (ETF) atau mata uang) —temukan jauh lebih efisien untuk memprogram aturan perdagangan mereka dan membiarkan program berdagang secara otomatis.
Perdagangan algoritmik menyediakan pendekatan yang lebih sistematis untuk perdagangan aktif daripada metode berdasarkan intuisi atau naluri pedagang.
Strategi Perdagangan Algoritma
Setiap strategi untuk perdagangan algoritmik membutuhkan peluang teridentifikasi yang menguntungkan dalam hal peningkatan pendapatan atau pengurangan biaya. Berikut ini adalah strategi perdagangan umum yang digunakan dalam perdagangan algo:
Strategi Mengikuti Tren
Strategi perdagangan algoritmik yang paling umum mengikuti tren rata-rata bergerak, penembusan saluran, pergerakan tingkat harga, dan indikator teknis terkait. Ini adalah strategi termudah dan paling sederhana untuk diterapkan melalui perdagangan algoritmik karena strategi ini tidak melibatkan membuat prediksi atau perkiraan harga. Perdagangan dimulai berdasarkan terjadinya tren yang diinginkan, yang mudah dan langsung diterapkan melalui algoritma tanpa masuk ke kompleksitas analisis prediktif. Menggunakan rata-rata bergerak 50 dan 200 hari adalah strategi mengikuti tren yang populer.
Peluang arbitrase
Membeli saham terdaftar ganda dengan harga lebih rendah di satu pasar dan secara bersamaan menjualnya dengan harga lebih tinggi di pasar lain menawarkan perbedaan harga sebagai laba atau arbitrasi bebas risiko. Operasi yang sama dapat direplikasi untuk saham vs instrumen berjangka karena perbedaan harga memang ada dari waktu ke waktu. Menerapkan algoritma untuk mengidentifikasi perbedaan harga dan menempatkan pesanan secara efisien memungkinkan peluang yang menguntungkan.
Penyeimbangan Dana Indeks
Dana indeks telah menentukan periode penyeimbangan kembali untuk menjadikan kepemilikan mereka setara dengan indeks tolok ukur masing-masing. Ini menciptakan peluang yang menguntungkan bagi pedagang algoritmik, yang memanfaatkan perdagangan yang diharapkan yang menawarkan keuntungan 20 hingga 80 basis poin tergantung pada jumlah saham dalam dana indeks sebelum dana penyeimbangan kembali dana indeks. Perdagangan tersebut dimulai melalui sistem perdagangan algoritmik untuk eksekusi tepat waktu dan harga terbaik.
Strategi Berbasis Model Matematika
Model matematika yang terbukti, seperti strategi perdagangan delta-netral, memungkinkan perdagangan pada kombinasi opsi dan keamanan yang mendasarinya. (Delta neutral adalah strategi portofolio yang terdiri dari banyak posisi dengan delta positif dan negatif yang mengimbangi — rasio yang membandingkan perubahan harga suatu aset, biasanya keamanan yang dapat dipasarkan, dengan perubahan yang sesuai dalam harga derivatifnya — sehingga keseluruhan delta aset yang dimaksud berjumlah nol.)
Rentang Perdagangan (Mean Reversion)
Strategi pengembalian rata-rata didasarkan pada konsep bahwa harga tinggi dan rendah dari suatu aset adalah fenomena sementara yang kembali ke nilai rata-rata (nilai rata-rata) secara berkala. Mengidentifikasi dan menentukan kisaran harga dan menerapkan algoritma berdasarkan itu memungkinkan perdagangan untuk ditempatkan secara otomatis ketika harga suatu aset masuk dan keluar dari kisaran yang ditentukan.
Harga Rata-Rata Tertimbang Volume (VWAP)
Strategi harga rata-rata tertimbang volume memecah pesanan besar dan melepaskan potongan pesanan yang lebih kecil yang ditentukan secara dinamis ke pasar menggunakan profil volume historis khusus-saham. Tujuannya adalah untuk mengeksekusi order mendekati harga volume tertimbang rata-rata (VWAP).
Waktu Rata-Rata Tertimbang Harga (TWAP)
Strategi harga rata-rata tertimbang waktu memecah pesanan besar dan melepaskan potongan pesanan yang ditentukan secara dinamis ke pasar menggunakan slot waktu yang terbagi secara merata antara waktu mulai dan berakhir. Tujuannya adalah untuk mengeksekusi order dekat dengan harga rata-rata antara waktu mulai dan akhir sehingga meminimalkan dampak pasar.
Persentase Volume (POV)
Sampai pesanan perdagangan terisi penuh, algoritma ini terus mengirim pesanan parsial sesuai dengan rasio partisipasi yang ditentukan dan sesuai dengan volume yang diperdagangkan di pasar. “Strategi langkah” terkait mengirimkan pesanan pada persentase volume pasar yang ditentukan pengguna dan meningkatkan atau menurunkan tingkat partisipasi ini ketika harga saham mencapai tingkat yang ditentukan pengguna.
Kekurangan Implementasi
Strategi shortfall implementasi bertujuan untuk meminimalkan biaya eksekusi suatu pesanan dengan berdagang dari pasar waktu-nyata, sehingga menghemat biaya pesanan dan mendapatkan manfaat dari biaya peluang eksekusi yang tertunda. Strategi ini akan meningkatkan tingkat partisipasi yang ditargetkan ketika harga saham bergerak dengan baik dan menguranginya ketika harga saham bergerak secara negatif.
Di Luar Algoritma Perdagangan Biasa
Ada beberapa kelas khusus algoritma yang berusaha mengidentifikasi "kejadian" di sisi lain. “Algoritma sniffing” ini — digunakan, misalnya, oleh pembuat pasar sisi penjualan — memiliki kecerdasan bawaan untuk mengidentifikasi keberadaan algoritma apa pun di sisi pembelian dari pesanan besar. Deteksi seperti itu melalui algoritma akan membantu pembuat pasar mengidentifikasi peluang pesanan besar dan memungkinkan mereka mendapat manfaat dengan mengisi pesanan dengan harga lebih tinggi. Ini kadang-kadang diidentifikasi sebagai front-running teknologi tinggi.
Persyaratan Teknis untuk Perdagangan Algoritma
Menerapkan algoritma menggunakan program komputer adalah komponen terakhir dari perdagangan algoritmik, disertai dengan pengujian ulang (mencoba algoritma pada periode historis kinerja pasar saham masa lalu untuk melihat apakah menggunakannya akan menguntungkan). Tantangannya adalah mengubah strategi yang teridentifikasi menjadi proses komputerisasi terintegrasi yang memiliki akses ke akun perdagangan untuk melakukan pemesanan. Berikut ini adalah persyaratan untuk perdagangan algoritmik:
- Pengetahuan pemrograman komputer untuk memprogram strategi perdagangan yang diperlukan, pemrogram yang disewa, atau perangkat lunak perdagangan yang dibuat sebelumnya. Konektivitas jaringan dan akses ke platform perdagangan untuk melakukan pemesanan. Akses ke pasar umpan data yang akan dipantau oleh algoritma untuk peluang melakukan pemesanan. Kemampuan dan infrastruktur untuk menguji ulang sistem setelah dibangun sebelum ditayangkan di pasar nyata. Data historis yang tersedia untuk pengujian ulang tergantung pada kompleksitas aturan yang diterapkan dalam algoritma.
Contoh Perdagangan Algoritma
Royal Dutch Shell (RDS) terdaftar di Amsterdam Stock Exchange (AEX) dan London Stock Exchange (LSE). Kami mulai dengan membangun algoritma untuk mengidentifikasi peluang arbitrase. Berikut ini beberapa pengamatan menarik:
- AEX berdagang dalam euro sedangkan LSE berdagang dalam poundsterling Inggris. Karena perbedaan waktu satu jam, AEX membuka satu jam lebih awal dari LSE diikuti oleh kedua perdagangan tersebut secara simultan selama beberapa jam berikutnya dan kemudian hanya berdagang di LSE selama satu jam terakhir sebagai AEX ditutup.
Bisakah kita mengeksplorasi kemungkinan perdagangan arbitrase pada saham Royal Dutch Shell yang terdaftar di dua pasar ini dalam dua mata uang yang berbeda?
Persyaratan:
- Program komputer yang dapat membaca harga pasar saat ini. Harga umpan dari LSE dan AEX. Umpan valuta asing (valuta asing) untuk GBP-EUR. Kemampuan menempatkan pesanan yang dapat merutekan pesanan ke bursa yang benar. Kemampuan pengujian pada harga historis feed.
Program komputer harus melakukan hal berikut:
- Baca umpan harga yang masuk dari saham RDS dari kedua bursa. Dengan menggunakan kurs mata uang asing yang tersedia, konversikan harga satu mata uang ke mata uang lainnya. Jika ada perbedaan harga yang cukup besar (diskon biaya pialang) yang mengarah ke peluang yang menguntungkan, maka program harus menempatkan pesanan beli di bursa dengan harga lebih rendah dan menjual pesanan di bursa dengan harga lebih tinggi. Jika pesanan dieksekusi seperti yang diinginkan, laba arbitrase akan mengikuti.
Sederhana dan mudah! Namun, praktik perdagangan algoritmik tidak sesederhana itu untuk dipertahankan dan dieksekusi. Ingat, jika satu investor dapat melakukan perdagangan yang dihasilkan oleh algo, maka dapat juga pelaku pasar lainnya. Akibatnya, harga berfluktuasi dalam milidetik bahkan mikrodetik. Dalam contoh di atas, apa yang terjadi jika perdagangan beli dilaksanakan tetapi perdagangan jual tidak karena harga jual berubah pada saat pesanan mencapai pasar? Pedagang akan dibiarkan dengan posisi terbuka sehingga strategi arbitrase tidak berharga.
Ada risiko dan tantangan tambahan seperti risiko kegagalan sistem, kesalahan konektivitas jaringan, jeda waktu antara pesanan perdagangan dan eksekusi dan, yang paling penting, algoritma yang tidak sempurna. Algoritma yang lebih kompleks, backtesting yang lebih ketat diperlukan sebelum diterapkan.
