คลัสเตอร์ การวิเคราะห์ สำหรับ การประเมิน trading กลยุทธ์

การวิเคราะห์คลัสเตอร์สำหรับการประเมินกลยุทธ์การซื้อขาย 1.1 ผู้จัดทำ Jeff Bacidore กรรมการผู้จัดการหัวหน้าฝ่ายการค้าอัลกอริทึม, ITG, Inc Kathryn Berkow นักวิเคราะห์เชิงปริมาณ, Algorithmic Trading, ITG, Inc Ben Polidore Director, Algorithmic Trading, ITG, Inc Nigam Saraiya รองประธานฝ่ายการค้าอัลกอริทึม, ITG, Inc ติดต่อเอเชียแปซิฟิกแคนาดา EMEA United States การวิเคราะห์คลัสเตอร์สำหรับการประเมินกลยุทธ์การซื้อขาย 1 บทคัดย่อในเอกสารฉบับนี้เราได้นำเสนอวิธีการใหม่ในการระบุกลยุทธ์เชิงประจักษ์โดยใช้ข้อมูลการเติมข้อมูลหลังการขายโดยใช้ข้อมูลเชิงพาณิชย์ เทคนิคการจัดกลุ่มทางสถิติที่ได้รับการยอมรับอย่างดีเรียกว่า k - หมายถึงตัวอย่างของแผนภูมิความคืบหน้าแทนส่วนของคำสั่งที่เสร็จสมบูรณ์โดยแต่ละจุดในแต่ละวันเพื่อวัดความก้าวร้าวทางการค้าวิธีการของเราระบุกลยุทธ์หลักที่ใช้โดยผู้ค้าและ กำหนดกลยุทธ์ที่พ่อค้าใช้สำหรับแต่ละคำสั่งในตัวอย่างมีการระบุกลยุทธ์ที่ใช้สำหรับแต่ละ order, tr นอกจากนี้เรายังได้หารือเกี่ยวกับวิธีการใช้ประโยชน์จากเทคนิคนี้เพื่ออธิบายพฤติกรรมของพ่อค้าประเมินผลการปฏิบัติงานของพ่อค้าและแนะนำเกณฑ์มาตรฐานที่เหมาะสมสำหรับกลยุทธ์การซื้อขายที่แตกต่างกัน BACKGROUND การประเมินประสิทธิภาพของพ่อค้าเป็นสิ่งที่ท้าทายเนื่องจากพ่อค้ามักจะเปลี่ยนแปลงกลยุทธ์ของตนขึ้นอยู่กับ วัตถุประสงค์ของการซื้อขายแต่ละประเภทตัวอย่างเช่นเมื่อมีการสั่งซื้อตามเกณฑ์มาตรฐานเพื่อเปิดการค้าผู้ค้าอาจจะซื้อสินค้าของตนได้ส่วนใหญ่อาจดำเนินการเป็นส่วนใหญ่ในการเปิดการประมูลสำหรับคำสั่งซื้อที่มีขนาดใหญ่และได้รับผลกระทบมากขึ้นผู้ค้าอาจเลือกที่จะค้าขายแบบเฉยๆ , ยืดคำสั่งซื้อในช่วงเวลานานของเวลาการวิเคราะห์ต้นทุนการค้า TCA ควรคำนึงถึงกลยุทธ์พื้นฐานของผู้ประกอบการค้าในความเป็นจริงการทำเช่นนั้นเป็นสิ่งที่ท้าทายเนื่องจาก 1 มักไม่ชัดเจนว่าจะอธิบายลักษณะกลยุทธ์ที่ใช้โดยผู้ค้าและ 2. แม้ว่ากลยุทธ์เหล่านี้จะเป็นที่ทราบกันแล้วก็ตามการกำหนดว่าคำสั่งใดที่ใช้กับกลยุทธ์ที่อาจเป็นเรื่องยากหาก i ในแง่ของความท้าทายเหล่านี้วิธีการทั่วไปในการประเมินผลการดำเนินงานของพ่อค้าคือการจัดกลุ่มการค้าด้วยอัลกอริธึมเป็นพร็อกซี่สำหรับกลยุทธ์พื้นฐานของผู้ค้าหากผู้ค้าใช้อัลกอริทึมเฉพาะเพื่อให้บรรลุเป้าหมายของตนเช่นการใช้อัลกอริทึมการปิด สำหรับธุรกิจการค้าที่ได้รับการจัดทำขึ้นเพื่อปิดการใช้งานอัลกอริธึม VWAP สำหรับการซื้อขายกับ VWAP เป็นต้นวิธีนี้มีความหมายเนื่องจากอัลกอริทึมเป็นกลยุทธ์อย่างไรก็ตามผู้ค้ารายใหญ่มักใช้อัลกอริทึมเป็นยุทธวิธีแทนที่จะใช้กลยุทธ์สลับระหว่างอัลกอริทึมที่ต่างกันภายในลำดับที่กำหนด เป็นผลให้ TCA โดยอัลกอริทึมจะเป็น 1 นี่คือการส่งรายงานของบทความต่อไปนี้การวิเคราะห์คลัสเตอร์สำหรับการประเมินกลยุทธ์การซื้อขาย Jeff Bacidore, Kathryn Berkow, Ben Polidore และ Nigam Saraiya, วารสารการค้า Vol 7 No 3, 2012, Institutional Investor, Inc ซึ่งได้รับการเผยแพร่ในรูปแบบสุดท้ายที่ abs jot.2 2 ไม่ให้ข้อมูลเกี่ยวกับประสิทธิภาพของผู้ประกอบการค้าไฮบริดส egy อีกวิธีหนึ่งในการประเมินประสิทธิภาพของพ่อค้าคือการประเมินประสิทธิภาพในบริบทของความก้าวร้าวโดยเฉลี่ยตัวอย่างเช่นเราสามารถดูแผนภูมิความคืบหน้าโดยเฉลี่ยของผู้ประกอบการรายย่อยเพื่อดูว่าพ่อค้าดำเนินธุรกิจแบบพาสซีฟหรืออุกฉกรรจ์มีแนวโน้มที่จะทำงานได้อย่างไร ในบริบทดังกล่าวค่าเฉลี่ยดังกล่าวอาจไม่ได้มีความหมายอย่างไรก็ตามเนื่องจากข้อมูลเหล่านี้รวมอยู่ในกลยุทธ์พื้นฐานต่างๆตัวอย่างเช่นรูปที่ 1 แสดงแผนภูมิความคืบหน้าการกรอกข้อมูลสำหรับผู้ค้ารายเดียวจากกราฟจะปรากฏว่ากลยุทธ์หลักของผู้ค้ารายนี้คือ VWAP ในความเป็นจริงผู้ประกอบการรายนี้อาจใช้กลยุทธ์หลายอย่างที่คล้ายคลึงกับ VWAP โดยรวมแม้ว่าผู้ค้าจะไม่ได้กำหนดเป้าหมาย VWAP แบบเต็มวันในรูปแบบเดี่ยวก็ตามรูปที่ 1 นี่คือตัวอย่างของแผนภูมิความคืบหน้าการกรอกข้อมูลรวมสำหรับใบสั่งทั้งหมดในชุดข้อมูลตัวอย่าง แกนนอนหมายถึงเวลาจาก 9 30 น. 9 45 น. ถัง 1 ถึง 3 45 น. 4 00 ถาด PM 26 แกนแนวตั้งแสดงเปอร์เซ็นต์ของการสั่งซื้อเสร็จสมบูรณ์ Anal ประสิทธิภาพของผู้ประกอบการค้า yzing อย่างถูกต้องต้องแรกระบุกลยุทธ์ที่แตกต่างกันพื้นฐานที่ใช้โดยผู้ประกอบการค้าและจากนั้นรวมคำสั่งโดยกลยุทธ์เหล่านี้ในกระดาษนี้เรานำเสนอวิธีการใหม่ที่ช่วยให้เราทั้งระบุกลยุทธ์การค้าหลักที่ใช้โดยผู้ประกอบการค้าและจัดประเภทของแต่ละ คำสั่งซื้อของผู้ประกอบการค้าในกลยุทธ์เหล่านี้โดยสังเกตุโดยไม่ต้องติดแท็กคำสั่งซื้อก่อนที่จะมีการดำเนินการในการทำเช่นนี้ก่อนอื่นเราต้องสร้างแผนภูมิความคืบหน้าสำหรับแต่ละใบสั่งแล้วใช้วิธีการจัดกลุ่มทางสถิติที่มีชื่อเสียงซึ่งเรียกว่า k-means เพื่อระบุกลยุทธ์หลักที่ใช้ ดำเนินการคำสั่งเหล่านี้วิธีการแบบ k หมายถึงการจัดลำดับแต่ละคำสั่งภายในหนึ่งกลยุทธ์เพื่อให้สามารถวิเคราะห์ตามกลยุทธ์ได้วิธีการใหม่ในการระบุกลยุทธ์การซื้อขายนี้มีประโยชน์มากเมื่อทำ TCA โดยเฉพาะอย่างยิ่งสำหรับการซื้อขายแบบสัมผัสสูงขั้นแรกวิธีการของเราสามารถระบุพื้นฐาน กลยุทธ์ที่ใช้โดยพ่อค้าแต่ละคนเนื่องจากลักษณะแบบไดนามิกของกลยุทธ์ใหม่ที่ใช้จะ unco vered แม้ว่าผู้ค้าจะเปลี่ยนพวกเขาในช่วงเวลาที่สองสำหรับโต๊ะทำงานกับผู้ค้าหลายวิธีการของเราสามารถใช้เพื่อรายงานว่ากลยุทธ์ใดที่โต๊ะทำงานใช้ทั้งหมดและแบ่งการใช้กลยุทธ์โดยพ่อค้าประการที่สามการวิเคราะห์ระดับผู้ค้าแบบละเอียดนี้จะช่วยให้ โต๊ะเพื่อประเมินประสิทธิภาพของพ่อค้าสัมพัทธ์เป็นวิธีการแบ่งปันแนวทางปฏิบัติที่ดีที่สุดแทนการวัดว่าผู้ค้ารายใดเป็นผู้ที่ดีที่สุดโดยเฉพาะอย่างยิ่งการวิเคราะห์นี้ไม่เพียง แต่ระบุว่าพ่อค้ารายใดมีผลการดำเนินงานดีกว่า แต่ยังช่วยอธิบายได้ว่าทำไมพวกเขามีประสิทธิภาพดีกว่า เราสามารถที่จะอนุมานได้ว่าดัชนีอ้างอิงของผู้ค้าอาจเป็นอย่างไรสำหรับการค้าที่ได้รับตัวอย่างเช่นสำหรับการค้าแบบ front-loaded มากการเปิดอาจเป็นเกณฑ์ที่เกี่ยวข้องมากที่สุดในขณะที่การค้าขายย้อนกลับอาจเป็นราคาปิดได้ เหมาะสมตามที่ระบุไว้ก่อนหน้านี้ทั้งหมดนี้สามารถทำได้โดยอิงกับหลักการการโพสต์การค้าดังนั้นวิธีการของเราจึงไม่จำเป็นต้องให้ผู้ค้าป้อนข้อมูลเพิ่มเติมหรือระบบที่จะปรับให้เหมาะสม การใช้กลยุทธ์การซื้อขายรูปแบบใหม่โดยใช้เทคนิคการแบ่งกลุ่มร่วมกันที่เรียกว่า k-means เพื่อแบ่งยุทธศาสตร์รวมออกเป็นยุทธศาสตร์ขององค์ประกอบในลักษณะเดียวกัน ปริซึมแบ่งแสงเป็นสีส่วนประกอบดังที่แสดงในรูปที่ 2 กระบวนการเริ่มต้นด้วยการสร้างแผนภูมิความคืบหน้าสำหรับแต่ละคำสั่งซื้อโดยเฉพาะสำหรับแต่ละช่วงเวลา 15 นาทีในวันซื้อขาย 26 รวมคำนวณเศษส่วนของคำสั่งซื้อที่เสร็จสิ้น ในตอนท้ายของช่วงเวลาเช่นความคืบหน้าของคำสั่ง ณ จุดนั้นยุทธศาสตร์การค้าจะถูกแสดงด้วยการเก็บรวบรวมจุดความคืบหน้า 26 จุดเหล่านี้ตัวอย่างที่แสดงไว้ในรูปที่ 1 กราฟเหล่านี้จะเริ่มต้นที่ 0 และสิ้นสุดลงที่ 100 และจะเพิ่มขึ้นเมื่อเราเลื่อนจากซ้ายไปขวาตามแกน x เพื่อแสดงความคืบหน้าการสะสมสะสมของคำสั่งในแต่ละวันจากนั้นเราจะใช้ k-means เพื่อจัดกลุ่มให้เป็นกลุ่มที่แตกต่างกัน ยุทธศาสตร์รูปที่ 2 วิธีการใช้แผนภูมิความคืบหน้าโดยรวมและแยกออกเป็นกลยุทธ์ขององค์ประกอบพื้นฐานเพื่อทำความเข้าใจวิธีที่ k-means ทำงานอย่างสังหรณ์ใจสมมติว่าเราแบ่งวันซื้อขายออกเป็น 3 ถังแทนที่จะเป็น 26 ถังสำหรับแต่ละคำสั่งเรากำหนดเปอร์เซ็นต์ ตัวอย่างเช่นสมมติว่าพ่อค้าทำคำสั่งซื้อ 10,000 หุ้นโดยการรันหุ้น 2000 ใน bin 1, 1000 หุ้นใน bin 2 และ 7000 หุ้นใน bin 3 วิธีการของเราจะเป็นตัวกำหนดคำสั่งนี้ เป็นแผนภูมิความคืบหน้าด้วยค่า 20, 30 และ 100 เพื่อแสดงเปอร์เซ็นต์ที่สมบูรณ์ที่ท้ายแต่ละถังเนื่องจากคำสั่งซื้อทั้งหมดจะเสร็จสิ้นเมื่อสิ้นสุดการสั่งซื้อครั้งสุดท้ายใบสั่งทั้งหมดจะมีมูลค่า 100 ในถัง 3 สำหรับ เหตุผลนี้เราจะต้องดูความคืบหน้าในตอนท้ายของถังขยะสองถังแรกเมื่อพยายามแยกความแตกต่างระหว่างกลยุทธ์ 2 ในรูปที่ 3 เราจะวางแผนตัวอย่างคำสั่งซึ่งแต่ละจุดสีดำบนกราฟแสดงลำดับ x - แกนแสดงถึง t เขาเปอร์เซ็นต์ของคำสั่งเสร็จสิ้นเมื่อสิ้นสุดการ bin 1 และแกน y แทนเปอร์เซ็นต์ที่เสร็จสิ้นในตอนท้ายของ bin 2 ใน 2 การเพิ่ม bin ที่สามซึ่งคำสั่งซื้อทั้งหมดใช้ค่า 100 เป็นวิธีการแบบ k-means ไม่ได้ให้ข้อมูลที่เป็นประโยชน์ในการช่วยให้เราแยกความแตกต่างระหว่างคำสั่งซื้อขายที่แตกต่างกันดังนั้นเราจึงสามารถแยก bin ที่สามออกจากวิธีการแบบ k-means โดยไม่มีอิทธิพลต่อผลลัพธ์ได้ 4 4 ตัวอย่างของคำสั่งซื้อ 10,000 หุ้นข้างต้นคำสั่งดังกล่าวสามารถทำได้ แสดงภาพเป็นจุดที่มีข้อความว่า X ในรูปที่ 3A เนื่องจากคำสั่งนี้มีครบ 20 รายการที่ท้ายถัง 1 และ 30 โดยสมบูรณ์ที่ปลายถัง 2 จุดมีค่าแกน x เท่ากับ 20 และค่าแกน y จากรูปที่ 3A จุดสีดำคือการสังเกตที่มีอยู่แล้วรูปสามเหลี่ยมในรูปที่ 3B เป็นลำดับใหม่ที่ต้องจัดประเภทและสี่เหลี่ยมแสดงถึงศูนย์กลางของสองกลุ่มที่มีอยู่สีเทา แสดง distan ce ระหว่างจุดใหม่และศูนย์กลุ่มที่มีอยู่อัลกอริทึมจะแยกแยะจุดใหม่เข้ากับคลัสเตอร์ที่มีศูนย์อยู่ไกลที่สุดจากนั้นสี่เหลี่ยมสีดำในรูปที่ 3C แสดงถึงศูนย์กลางของคลัสเตอร์ต้นฉบับสี่เหลี่ยมสีเทาคือศูนย์ที่อัปเดตของคลัสเตอร์ด้วย คำสั่งเพิ่มเติมดูที่รูปที่ 3A มีกระจุกดาวที่มีจุดกระจุกด้านซ้ายล่างและกลุ่มที่อยู่ด้านขวาบนอย่างชัดเจนกลุ่มจุดเหล่านี้แสดงถึงกลยุทธ์สองอย่างที่พ่อค้าใช้ ได้แก่ ผู้ที่มีความคืบหน้าค่อนข้างน้อยหลังจากที่ทั้งแกน bin 1 x และ bin 2 y axis แสดงให้เห็นถึงคำสั่งที่กำลังดำเนินการได้เร็วขึ้นซึ่งความคืบหน้าใน bin 1 และ bin2 จะสูงขึ้นอย่างมากในสองมิติที่มีขนาดเล็ก ของข้อมูลหนึ่งสามารถทำกลุ่มการวิเคราะห์สายตาเช่นในรูปที่ 3A เมื่อชุดข้อมูลมีขนาดใหญ่หรือจำนวนของมิติที่สูงขึ้นเช่นเดียวกับ กรณีที่นี่เราสามารถมีหลายพันคำสั่งแบ่งเป็น 26 ถังที่แตกต่างกันหนึ่งต้องพึ่งพาเทคนิคทางสถิติในการจัดการการจัดกลุ่มนี่คือที่วิธีการแบบ k-means เข้ามาเล่นอัลกอริทึม k-means เริ่มต้นด้วยการกำหนดศูนย์คลัสเตอร์เริ่มแรก k ซึ่ง สามารถระบุได้โดยผู้ใช้หรือเลือกแบบสุ่มโดยอัลกอริทึม Iteratively อัลกอริธึมทำงานผ่านตัวอย่างโดยใช้เมตริกทางไกลเพื่อกำหนดการสังเกตแต่ละอันไปยังคลัสเตอร์ที่ใกล้ที่สุดรูปที่ 3B ให้ตัวอย่างการซ้ำของ k-means สมมติว่าเราจะเพิ่ม ข้อสังเกตใหม่ที่แสดงโดยรูปสามเหลี่ยมในรูปที่ 3B K - หมายถึงการคำนวณระยะห่างระหว่างจุดนั้นและสองศูนย์คลัสเตอร์ที่มีอยู่ซึ่งแสดงโดยสี่เหลี่ยมในรูปที่ 3B เพื่อกำหนดคลัสเตอร์ที่ใกล้ที่สุดเนื่องจากรูปสามเหลี่ยมอยู่ใกล้กับกลุ่มด้านซ้าย k - หมายถึงมอบหมายให้กลุ่มด้านซ้ายด้วยการเพิ่มจุดข้อมูลใหม่ แต่ k หมายถึงตอนนี้ต้องคำนวณศูนย์กลางของกลุ่มใหม่รูปภาพ 3C แสดงศูนย์กลุ่มใหม่ represe nted โดยตารางสีเทาซึ่งมีการเปลี่ยนแปลงในทิศทางของการสังเกตใหม่เมื่อศูนย์กลางของกลุ่มและการกำหนดของการสังเกตหยุดการเปลี่ยนแปลงอย่างมากขั้นตอนวิธีหยุด ณ จุดนี้ผลลัพธ์ที่มีข้อมูลเกี่ยวกับศูนย์ k cluster ซึ่งสามารถใช้ในการอธิบายลักษณะ กลุ่มของตัวเองเช่นเดียวกับการกำหนดการสังเกตแต่ละครั้งในคลัสเตอร์ 3 ในแอพพลิเคชันเฉพาะของเราจุดศูนย์กลางของกลุ่มแสดงแผนภูมิความคืบหน้าโดยเฉลี่ยของกลยุทธ์นั้นและการกำหนดระบุกลยุทธ์ที่แต่ละคำสั่งมีลักษณะคล้ายกันมากที่สุด 3 ดูจอห์นสัน Wichern 2007 และ MacQueen 1967 สำหรับการอภิปรายรายละเอียดของ k-means.5 ตัวอย่างตัวอย่างเพื่อแสดงให้เห็นถึงประสิทธิผลของ methodology เราใช้มันกับตัวอย่างคำสั่งที่ส่งไปยังอัลกอริทึมสองแบบที่แตกต่างกันไปในสองขอบเขตการซื้อขายที่แตกต่างกันเพื่อระบุว่า อัลกอริทึมการค้าแบบ horizon โดยเฉพาะอย่างยิ่งตัวอย่างประกอบด้วยใบสั่งซื้อแบบไม่ต่อเนื่องทั้งแบบครึ่งวันและแบบเต็มวัน 4 ที่ส่งถึง ทั้ง VWAP หรือการใช้งานขาดแคลน IS algorithm 5 ระหว่างวันที่ 1 มกราคม 2554 ถึงวันที่ 31 กันยายนเรา จำกัด ตัวอย่างของเราไว้ที่คำสั่งซื้อมากกว่า 5 ร้อยหุ้นเพื่อให้แน่ใจว่าคำสั่งซื้อทำงานได้ตลอดเวลาและไม่ได้ดำเนินการในชิ้นเดียวตามอัลกอริทึม k หมายถึงระบุกลยุทธ์การซื้อขายทั้งสี่และคำสั่งที่อยู่ในนั้นด้วยความถูกต้องสูงผลในรูปที่ 4 แสดงถึงกลยุทธ์ทางการค้าที่ระบุไว้ในตัวอย่างซึ่งประกอบด้วยแผนภูมิความคืบหน้ารวม VWAP ดังแสดงในรูปที่ 1 รูปที่ 4A แสดงถึงครึ่ง - วัน VWAP คำสั่งรูปที่ 4B แสดงถึงใบสั่งซื้อ VWAP แบบเต็มรูปแบบรูปที่ 4C แสดงถึงคำสั่งซื้อแบบอัลกอออลที่เริ่มต้นก่อน 9 ชั่วโมง 40 และรูปที่ 4D หมายถึงคำสั่งซื้ออัลกอฮอร์ครึ่งวันคำสั่ง K-means สามารถจำแนกได้มากกว่า 98 คำสั่งอย่างถูกต้องตามที่แสดง ในตารางที่ 1 คำสั่ง VWAP ถูกระบุอย่างถูกต้องมากกว่า 99 5 ของคำสั่ง IS ถูกระบุอย่างถูกต้องมากกว่า 98 ครั้งดังนั้น k-means สามารถระบุได้อย่างถูกต้องทั้งสองสำหรับ ยุทธศาสตร์ที่แตกต่างกันและกำหนดคำสั่งซื้อให้กับแต่ละกลยุทธ์ด้วยความแม่นยำ 5 รูปที่ 4 รูปแบบการซื้อขายที่ระบุจากผลตัวอย่างข้อมูลทางการค้าสำหรับตัวอย่างแบบเต็มรูปแบบและครึ่งวันของใบสั่งซื้อ VWAP และ IS คำสั่งซื้อประเภทคำสั่งซื้อ Accurary Half-Day VWAP 99 73 Full-Day VWAP 99 54 วันทั้งวัน 98 58 ครึ่งวัน IS 98 19 ตารางที่ 1 ความถูกต้องของ k-means ในการกำหนดคำสั่งให้ใช้กลยุทธ์การประยุกต์ใช้วิธีนี้สามารถนำมาใช้เพื่อประเมินประสิทธิภาพของพ่อค้าได้หลายวิธีก่อนอื่นสามารถใช้ k-means เพื่อระบุต้นแบบ กลยุทธ์การซื้อขายสำหรับคำสั่งซื้อของลูกค้าขนาดใหญ่รูปที่ 5 แสดงผลลัพธ์สำหรับลูกค้าสมมุติสำหรับลูกค้ารายนี้เราจะเห็น 3 ช่องทางในการกรอกข้อมูลการซื้อขายในกลยุทธ์การปิด A กลยุทธ์การซื้อขาย B ล่วงหน้าและการเข้าร่วมการซื้อขายตลอดทั้งวันกลยุทธ์ C ประโยชน์ของ k-means คือความสามารถในการค้นหากลยุทธ์ที่ใช้งานได้โดยผู้ค้ารายย่อย 4 คำสั่งซื้อที่ได้รับการพิจารณาถึงวันที่มาถึงก่อนคำสั่งซื้อ 9 40 AM ถือว่าครึ่งวันถึงระหว่าง 12 00 ถึง 12 50 PM All VWAP o สิ้นสุดวันที่ 3 20 น. แต่ไม่มีข้อ จำกัด เกี่ยวกับเวลาสิ้นสุดของใบสั่ง IS 5 โดยเฉพาะเราได้รวมคำสั่งที่ส่งไปยัง ITG Active Algorithm ซึ่งเป็นอัลกอริธึมการขาดแคลนสต็อคที่ใช้งานเพียงสต็อกเดียว 6 นี่เป็นหลักฐานในตารางที่ 2 ซึ่งแสดงให้เห็นว่ามีเพียง 5 ของมูลค่าถูกดำเนินการผ่านทางกลยุทธ์ C ที่นี่ k - หมายถึงเปิดกลยุทธ์ชนกลุ่มน้อยที่อาจได้รับการมองข้ามในการวิเคราะห์แบบดั้งเดิมผลวิธีการของเราช่วยให้ traders สามารถทดสอบกับกลยุทธ์การซื้อขายในเวลาจริงโดยไม่ต้องเปลี่ยนกระแสงานของพวกเขาไป จับภาพข้อมูลระดับกลยุทธ์ใด ๆ 6 รูปที่ 5 การค้าลูกค้าแบบสมมุติฐานที่รวมกันตลอดทั้งวันและจัดกลุ่มตามสไตล์ผ่าน k-means สามกลยุทธ์การซื้อขายที่แตกต่างกันออกมาจากข้อมูลประการที่สองสำหรับโต๊ะทำงานกับผู้ค้าหลายราย k - หมายถึงสามารถใช้เพื่อช่วยให้มีลักษณะกลยุทธ์ โดยพ่อค้าภาพประกอบในรูปที่ 6 แสดงการใช้งานของพ่อค้าในกลยุทธ์ที่ระบุโดย k-means ตัวอย่างเช่นเราจะเห็นว่า Trader 1 เป็นผู้ใช้กลยุทธ์ C แต่ C ทำขึ้น มีเพียง 25 ของการซื้อขายของ Trader 1 โดยใช้ผลลัพธ์ k-means เราสามารถรายงานได้ว่าแต่ละกลยุทธ์ถูกใช้และเข้าใจธุรกิจการค้าที่จัดทำเป็นกลยุทธ์โดยผู้ประกอบการค้ากองทุนขนาดการสั่งซื้อขนาดของตลาดช่วงเวลาภาวะตลาดหรือการรวมกันใด ๆ ดังรูปที่ 5 และตารางที่ 1 ผู้ค้าภายในยุทธศาสตร์รูปที่ 5B และกลยุทธ์ภายในผู้ค้าภาพ 5A นอกเหนือจากรูปแบบการใช้งานผลลัพธ์ k-means ช่วยให้เราสามารถประเมินการค้าตามเกณฑ์มาตรฐานที่เหมาะสม, ระบุว่ากลยุทธ์ใดจะประสบความสำเร็จมากที่สุดทำไมต้องเปรียบเทียบการประนีประนอมทั้งหมดกับเกณฑ์ที่ใกล้เคียงหากมีการสั่งซื้อ 10 คำสั่งซื้อจริงและมีการซื้อขายในอัลกอริธึม VWAP 5 รายการผลการค้นหา k หมายถึงคำแนะนำเกี่ยวกับเกณฑ์มาตรฐานที่ผู้ค้ารายหนึ่งอาจกำหนดเป้าหมายไว้ สามารถช่วยประเมินประสิทธิภาพได้ดีขึ้นตัวอย่างเช่น Trader 1 อาจใช้กลยุทธ์ A เมื่อเทียบกับมาตรฐาน B เมื่อเทียบกับช่วงเปิดและ C w hen benched to VWAP ตารางที่ 2 แสดงให้เห็นว่ากลยุทธ์ A มีประสิทธิภาพได้ดีเมื่อเปรียบเทียบกับมาตรฐานที่ใกล้เคียงกลยุทธ์ B มีประสิทธิภาพได้ดีเมื่อเทียบกับการมาถึงและเปิดและ C มีประสิทธิภาพดีเทียบกับเกณฑ์มาตรฐาน VWAP ผลลัพธ์เหล่านี้ใช้งานได้ง่ายเนื่องจาก traders.7 7 เป้าหมายน่าจะเป็นเป้าหมายที่แตกต่างกัน ด้วยกลยุทธ์ที่แตกต่างกันความสามารถในการสรุปเกณฑ์มาตรฐานมีประโยชน์อย่างยิ่งสำหรับผู้ค้าที่ระบบไม่อนุญาตให้มีข้อมูลมาตรฐานที่จะไหลไปยังฐานข้อมูลหลังการค้าของพวกเขาคำสั่งยุทธศาสตร์คำสั่งซื้อมูลค่าถึงปิดปิดผลการดำเนินงาน bps ก่อนปิดวัน VWAP A 10,334 46 B 17,957 49 C 3,940 5 ตาราง 2 ผลการปฏิบัติงานสำหรับใบสั่งซื้อแบบสมมุติฐานที่จัดกลุ่มไว้ในรูปแบบการซื้อขายที่แสดงในรูปที่ 1 ช่วง VWAP ในที่สุดวิธีการของเราสามารถช่วยในการประเมินผลการดำเนินธุรกิจของพ่อค้าในบริบทของกลยุทธ์การซื้อขายหลักทรัพย์พื้นฐานหากผู้ค้ารายหนึ่งมีรายได้ต่ำกว่าหรือดีกว่า ช่วยระบุกลยุทธ์ในการขับเคลื่อนประสิทธิภาพการทำงานที่สัมพันธ์กันของเขาตัวอย่างเช่นหาก Trader 1 ยกเลิกการใช้อย่างหนัก อาจเป็นผลมาจากการที่เขาใช้กลยุทธ์ C มากเกินไปซึ่งตารางที่ 2 แสดงให้เห็นว่าเป็นกลยุทธ์ที่แย่ที่สุดเทียบกับค่าใช้จ่ายก่อนการค้าค่าใช้จ่ายโดยทั่วไปแล้วตารางที่ 2 แสดงให้เห็นว่ากลยุทธ์ใดทำดีที่สุดสำหรับแต่ละเกณฑ์มาตรฐานโดยนัยคำแนะนำ สำหรับวิธีการดำเนินการในอนาคตการค้าบทสรุปในเอกสารฉบับนี้เรามีวิธีการใหม่ในการระบุกลยุทธ์การซื้อขายโดยใช้ข้อมูลหลังการซื้อขายเท่านั้นโดยเฉพาะเราใช้เทคนิคทางสถิติที่ได้รับการยอมรับซึ่งเรียกว่า k-means เพื่อระบุกลยุทธ์หลักที่ใช้โดยผู้ค้า และจัดลำดับแต่ละคำสั่งให้เป็นหนึ่งในกลยุทธ์เหล่านี้วิธีนี้เป็นประโยชน์อย่างยิ่งเนื่องจากไม่จำเป็นต้องเปลี่ยนแปลงเวิร์กโฟลว์ของผู้ค้าหรือระบบหลังการค้าในการจับภาพข้อมูลกลยุทธ์หรือข้อมูลอ้างอิงเมื่อมีการระบุกลยุทธ์ที่ระบุไว้และจัดเรียงคำสั่งซื้อ TCA สามารถทำได้โดย กลยุทธ์การวิเคราะห์โดยกลยุทธ์เป็นสิ่งสำคัญเนื่องจากการเลือกกลยุทธ์มักเป็นตัวกำหนดหลักของประสิทธิภาพของผู้ค้า Visu การแสดงผลของกลยุทธ์พื้นฐานที่เป็นธรรมชาติแนะนำเกณฑ์มาตรฐานของผู้ประกอบการค้าที่ให้ผลการวิเคราะห์ที่เกี่ยวข้องและเป็นประโยชน์ผลสามารถสื่อสารทั้งแบบเห็นภาพและตัวเลขซึ่งทำให้เครื่องมือนี้เป็นประโยชน์สำหรับผู้ค้ารายอื่น ๆ 8 อ้างอิง Johnson, RA และ DW Wichern Applied Multivariate Statistical Analysis, Sixth Edition Upper Saddle River, New Jersey Pearson Prentice Hall, MacQueen, JB วิธีการบางอย่างสำหรับการจำแนกประเภทและการวิเคราะห์การสังเกตการณ์หลายตัวแปรการประชุมวิชาการ Berkeley ครั้งที่ 5 เรื่องสถิติคณิตศาสตร์และความน่าจะเป็น 1 Berkeley, CA University of California Press 1967, Investment Technology Group, Inc สงวนลิขสิทธิ์ห้ามทำซ้ำหรือส่งต่ออีกครั้งโดยไม่ได้รับอนุญาตผลิตภัณฑ์และบริการของนายหน้าค้าหลักทรัพย์ที่นำเสนอโดย ITG Inc สมาชิก FINRA, SIPC เอกสารเหล่านี้มีวัตถุประสงค์เพื่อให้ข้อมูลเท่านั้นและไม่ได้มีวัตถุประสงค์เพื่อใช้เพื่อการค้าหรือการลงทุนหรือเป็นข้อเสนอพิเศษ เพื่อขายหรือการชักชวนให้เสนอซื้อหลักประกันหรือการเงิน l ข้อมูลในเอกสารนี้ได้มาจากบริการทางการค้าและสถิติและแหล่งข้อมูลอื่น ๆ ที่เราเห็นว่าน่าเชื่อถือ แต่เราไม่ได้ระบุว่าข้อมูลดังกล่าวมีความถูกต้องหรือครบถ้วนและไม่ควรใช้เป็นเช่นนั้นไม่มีการรับประกันหรือรับประกันใด ๆ ทั้งสิ้น ความสมเหตุสมผลของสมมติฐานหรือความถูกต้องของแบบจำลองหรือข้อมูลการตลาดที่ ITG ใช้หรือผลที่เกิดขึ้นจริงที่อาจเกิดขึ้นเอกสารเหล่านี้ไม่ได้ให้คำแนะนำในการลงทุนภาษีหรือกฎหมาย ITG Inc ไม่ใช่ที่ปรึกษาด้านการลงทุนที่จดทะเบียนและไม่ได้ระบุ คำแนะนำในการลงทุนหรือคำแนะนำในการซื้อหรือขายหลักทรัพย์การจ้างที่ปรึกษาการลงทุนหรือการลงทุนหรือกลยุทธ์การซื้อขายตำแหน่งในเอกสารฉบับนี้สะท้อนถึงการตัดสินของผู้แต่งแต่ละรายและไม่จำเป็นต้องเป็นของ ITG. forex rc group. jp morgan forex ตัวบ่งชี้การจ่ายเงินปันผล probe. ex ตัวเลือก trading. forex บล็อก directory. modeling ประสิทธิภาพการทำงานของระบบการซื้อขาย bandy pdf. forex ใน saket. forex ข่าว usd cad. xo tradin g system. sweden forex brokers. forex ความเป็นไปได้สูง setup. robot forex 2015 professional setting. best forex ศึกษา books. neuronales การซื้อขายระบบ erfahrungsberichte. pip definition forex. webinar forex indonesia. trading สัญญาณ options. diablo iii ลายเซ็นแนะนำกลยุทธ์คอนโซล version. cambio euro dollaro ตัวเลือก forexpros. mb trading. binary ตัวเลือก trader jobs. momentum scalping trading strategy. fundamental analysis forex books. forex การค้าขายการศึกษา singapore.10 กุญแจสู่การซื้อขาย forex ที่ประสบความสำเร็จ ebook. A real time clustering และการพยากรณ์ความผันผวนของราคาตาม SVM สำหรับการซื้อขายที่ดีที่สุด strategy. Copyright 2013 Elsevier BV สงวนลิขสิทธิ์ Subhabrata Choudhury ปัจจุบันกำลังศึกษาระดับปริญญาตรีด้านวิศวกรรมโลหการและวัสดุของเขาที่สถาบันเทคโนโลยีอินเดีย Kharagpur ประเทศอินเดียและอยู่ในปีสุดท้ายผลงานวิจัยปัจจุบันของเขา ได้แก่ การทำเหมืองข้อมูลการวิจัยปฏิบัติการเครื่อง การเรียนรู้และการประยุกต์ใช้ในอุตสาหกรรมการเงินและอุตสาหกรรม yoti Ghosh เป็นนักศึกษาระดับปริญญาตรีปีที่ 4 จากสถาบันเทคโนโลยีแห่งอินเดีย Kharagpur ประเทศอินเดียเข้าร่วมหลักสูตร B Tech และ M Tech สาขาวิศวกรรมมหาสมุทรและสถาปัตยกรรมทางทะเลในปี พ. ศ. 2543 งานวิจัยปัจจุบันของเขามุ่งเน้นไปที่การวิจัยการดำเนินงานตลาดการเงินและการกำหนดตารางเวลาอาร์บูบ Bhattacharya ปัจจุบันเป็นผู้สมัครระดับปริญญาเอกด้านการวิจัยการดำเนินงานที่ University of Pittsburgh ประเทศสหรัฐอเมริกาเขาจบการศึกษาระดับปริญญาตรีปีที่ 5 จาก B Tech และ M Tech สาขาวิศวกรรมอุตสาหการและการจัดการที่สถาบันเทคโนโลยีแห่งอินเดีย Kharagpur ประเทศอินเดียในปี 2554 พื้นที่วิจัยของเขา ได้แก่ Research Research การทำเหมืองข้อมูล Kiran Jude Fernandes เป็นผู้อำนวยการฝ่ายวิจัยและหัวหน้ากลุ่มการจัดการปฏิบัติการที่ York Management School ประเทศอังกฤษเขาเป็นหนึ่งในนักวิจัยหลักที่สหวิทยาการ York Center สำหรับการวิเคราะห์ระบบเชิงซ้อน YCCSA เขาจบปริญญาเอกด้านการจัดการการดำเนินงานและ ระบบจาก University of Warwick ปริญญาโทสาขา MS จาก James Worth Bagley College วิศวกรรมศาสตร์ที่มหาวิทยาลัยรัฐมิสซิสซิปปี MSU และปริญญาตรีด้านวิศวกรรมศาสตร์สาขาการผลิตจาก Waltech การวิจัยของเขามุ่งเน้นไปที่การสร้างแบบจำลองของโดเมนทางสังคมและธุรกิจที่ซับซ้อนโดยใช้มุมมองของระบบที่ซับซ้อนมาโน Kum Kum Tiwari เป็นศาสตราจารย์สาขาวิศวกรรมอุตสาหการและการจัดการใน อินเดีย Institute of Technology Kharagpur ประเทศอินเดียเขาเป็นบรรณาธิการของวารสารซึ่งรวมถึงธุรกรรมของ IEEE เกี่ยวกับ SMC Part A Systems และ Human Journal วารสารนานาชาติของ System Science Journal ของระบบสนับสนุนการตัดสินใจเขามีสิ่งพิมพ์กว่า 200 ฉบับในวารสารและการประชุมวิจัยนานาชาติต่างๆ ความสนใจคือรูปแบบการสนับสนุนการตัดสินใจ, การวางแผน, การกำหนดตารางเวลาและการควบคุมปัญหาของระบบการผลิต, เครือข่ายซัพพลายเชน