Алгоритмические торговые системы на фондовом рынке. Страница 2

Автор – Я. Л. Шляпочник – на основе многолетнего опыта разработки и внедрения алгоритмических стратегий в компании «Алго Капитал» систематизирует подходы к построению торговых систем, охватывающих широкий спектр инструментов и рынков. Представленные материалы формируют теоретическую базу и практические рекомендации для исследования и применения алгоритмических методов в современной финансовой индустрии [10] .

Глава 1

История алгоритмической торговли на фондовом рынке

1.1. Ранние разработки

Автоматизация обработки торговых заявок на финансовых рынках начала активно развиваться в 1970-х годах с внедрением Нью-Йоркской фондовой биржей системы Designated Order Turnaround (DOT) [11] . Данная система обеспечивала передачу рыночных и лимитных ордеров в электронном формате непосредственно биржевым специалистам.

В 1984 году система DOT была заменена усовершенствованной версией SuperDOT [12] , что позволило расширить функциональные возможности электронного доступа и ускорить процесс исполнения заявок.

На этапе открытия торгов была внедрена служба автоматизированной отчётности Opening Automated Report Service (OARS), предназначенная для предварительной обработки поступающих заявок до начала торговой сессии [13] .

В дальнейшем получила распространение технология Smart Order Routing (SOR), обеспечивающая автоматический поиск наилучших цен на финансовые инструменты с целью минимизации времени исполнения ордеров и торговых издержек [14] .

Появление полностью электронных рынков стало предпосылкой развития программной торговли. Программные стратегии применялись для автоматизированного входа и выхода из позиций с учётом рыночных параметров и заранее заданных правил [15] .

С 1980-х годов программная торговля активно использовалась в стратегиях индексного арбитража и динамического формирования синтетических опционов на портфели фондовых активов с применением дельта-хеджирования, основанного на модели Блэка—Шоулза [16] .

Программная торговля рассматривалась в экспертных отчётах, включая доклад Комиссии Брэди, как один из факторов, способствовавших краху фондового рынка в 1987 году [17] . При этом убедительных эмпирических доказательств определяющего влияния компьютеризированной торговли на рыночные обвалы представлено не было, и дискуссии по данному вопросу продолжаются [18] .

С 2009 года система SuperDOT была заменена платформой Super Display Book (SDBK) [19] , а впоследствии – универсальной торговой платформой Universal Trading Platform (UTP) [20] .

1.2. Предпосылки возникновения торговых систем

Разработка модели ценообразования опционов Блэка—Шоулза в 1973 году стала важным этапом в развитии количественных методов на финансовых рынках [21] . Данная модель позволяет оценивать стоимость европейских опционов на основе предполагаемой волатильности базового актива [22] .

Ф. Блэк и М. Шоулз показали, что динамическая стратегия пересмотра портфеля способствует снижению инвестиционного риска [23] . Дальнейшее расширение модели, выполненное Робертом С. Мертоном, легло в основу современной теории ценообразования производных финансовых инструментов [24] .

1.3. Совершенствование и развитие фондовых рынков

В 1990-х годах получили развитие сети электронной связи (Electronic Communication Networks, ECN), позволившие осуществлять торговые операции за пределами традиционных биржевых площадок [25] .

В 2001 году в США была внедрена десятичная система котирования, в результате чего минимальный шаг цены сократился с 1/16 доллара до $0,01 [26] . Это способствовало росту рыночной ликвидности и ускорению развития алгоритмической торговли.

Использование методов TWAP и VWAP стало стандартной практикой при распределении крупных торговых ордеров [27] .

В 2005 году Комиссия по ценным бумагам и биржам США (SEC) внедрила Национальную рыночную систему управления, усилив требования к обеспечению наилучшей доступной цены исполнения сделок [28] .

1.4. Искусственный интеллект и его влияние на финансовую индустрию

Методы искусственного интеллекта (Artificial Intelligence, AI) и машинного обучения (Machine Learning, ML) применяются для анализа больших массивов данных и поддержки процессов принятия инвестиционных решений [29] . Технологии глубокого обучения (Deep Learning, DL) и обучения с подкреплением (Deep Reinforcement Learning, DRL) позволяют выявлять сложные нелинейные зависимости и формировать автономные торговые стратегии [30] .

Примеры самообучающихся алгоритмов, включая AlphaGo Zero компании DeepMind, демонстрируют потенциал автономного обучения без использования предварительно размеченных исторических данных, что указывает на возможности дальнейшего развития интеллектуальных торговых систем [31] .

Рис. 1. Пример применения AI/ML в алгоритмической торговле

1.4.1. Понятие искусственного интеллекта

В научной и профессиональной среде продолжаются дискуссии относительно содержания и границ понятий искусственного интеллекта и машинного обучения. AI представляет собой совокупность методов и технологий, основанных на использовании больших массивов данных, значительных вычислительных ресурсов и алгоритмов машинного обучения, предназначенных для решения задач различной степени сложности [32] . Системы AI способны выполнять как формализованные, так и слабо формализованные задачи, а в ряде случаев – адаптироваться к изменяющимся условиям на основе накопленного опыта, имитируя отдельные элементы человеческого обучения и принятия решений [33] .

Машинное обучение (Machine Learning, ML) рассматривается как одно из ключевых направлений искусственного интеллекта. Оно фокусируется на разработке алгоритмов и моделей, которые анализируют большие объёмы данных, выявляют устойчивые закономерности и используют их для формирования прогнозов и поддержки процессов принятия решений [34] . В отличие от традиционных алгоритмических подходов методы машинного обучения предполагают не жёстко заданные правила, а адаптацию модели на основе эмпирических данных, что позволяет применять их для прогнозирования будущих событий в условиях неопределённости [35] .