یادگیری ماشین و سرعت در تجارت با فرکانس بالا

تخریب خلاق که توسط تجارت الگوریتمی با فرکانس بالا انجام می شود ، نگرانی های فزاینده ای را در مورد تأثیر رفتارهای یادگیری ماشین و تجارت با فرکانس بالا در بازارهای مالی ایجاد کرده است. با استفاده از یک الگوریتم ژنتیکی با یک سیستم طبقه بندی کننده به عنوان یک ابزار یادگیری تطبیقی ، ما با مطالعه یک مدل بازار سفارش محدود پویا با اطلاعات نامتقارن و سرعت های مختلف تجارت با فرکانس بالا (HFT) به برخی از این نگرانی ها می پردازیم. ما نشان می دهیم که مزایای HFT معامله گران بی اطلاع ، بازده اطلاعات را بهبود می بخشد اما نقدینگی بازار را کاهش می دهد. ما می دانیم که یک تجارت وجود دارد که در آن یک اثر رقابت باعث از بین رفتن اطلاعات و مزایای سرعت معامله گران با فرکانس بالا می شود ، افزایش سرعت معاملات معامله گران HF باعث کاهش نقدینگی بازار می شود اما رابطه ای به شکل شکل با سودآوری معامله گران با فرکانس بالا ایجاد می کند وراندمان اطلاعاتاین تحقیق نشان می دهد که ممکن است مزایای بالقوه ای برای پرتاب مسابقه تسلیحات سرعت معاملات برای بهبود بهره وری بازار وجود داشته باشد. ما همچنین می دانیم که تجارت الگوریتمی استراتژیک باعث کاهش کاهش در مزایای سرعت می شود و بینشی در مورد رفتار دستگاه در عصر FinTech فراهم می کند.

معرفی

تجارت با فرکانس بالا (HFT) از طریق الگوریتم های رایانه ای در سرعت بالا با سرعت بالا به یک نیروی تجاری غالب در بازارهای مالی در عصر FinTech تبدیل شده است. 1 از طریق اتخاذ همكاری و سایر راه حل های فن آوری ، رقابت تأخیر در سرعت انجام HFT از مقیاس میلی ثانیه به سمت ریزكندونده های صرف انجام می شود. بنابراین به اصطلاح "مسابقه تسلیحات سرعت" در سالهای اخیر بازارهای مالی را مشخص کرده است. علاوه بر این ، هرچه سرعت افزایش یافته است ، پیشرفت های استراتژیک معاملاتی در یادگیری ماشین برای HFT به طور فزاینده ای اهمیت پیدا کرده است (همانطور که توسط Easley ، De Prado ، O'Hara ، Easley ، De Prado ، O'Hara برجسته شده است). 2

تنوع و پیچیدگی فزاینده نوآوری های fintech ، با کمال تعجب ، بحث و گفتگوهای داغ را در مورد تأثیر HFT بر نقدینگی بازار ، بهره وری قیمت ، نوسانات ، رفاه و رفتارهای تجاری شرکت کنندگان در بازار مطرح کرده است (بودیش ، کرامون ، شیم ، 2015 ، بودیش ، کرامون ، ، کرامون ، کرامون ، کرامون ، کرامون ، کرامون ، کرامون ، کرامون ، کرامون ، کرامون ، کرامون ، کرامون ، کرامون ، کرامون ، کرامون ، کرامون ، کرامون ، کرامون ، کرامون ، کرامون ، کرامون ، کرامون ، کرامون ، کرامون ، کرامون ، کرامون ، کرامون ، ، کرامون ، کرامون ، کرامون ، کرامون ، کرامون ، ، کرامون ، ، کرامون ، ، کرامون ، ، کرامون ، (بسیار بسیار مهم بسیار زیادشیم ، 2015). به عنوان مثال ، اداره رفتار مالی انگلیس ، به عنوان مثال ، دریافت كه داوری تأخیر در سال به دلیل كاهش نقدینگی و گسترش پیشنهادات گسترده ، مالیات بر سرمایه گذاران جهانی حدود 5 میلیارد دلار در سال اعمال می كند (Aquilina ، Budish ، O'Neill ، 2021 ، Aquilina ،بودیش ، اونیل ، 2021). در نتیجه ، نگرانی های فزاینده ای از سوی سیاست گذاران و تنظیم کننده های بازار در مورد شفافیت اطلاعات و مسابقه تسلیحات سرعت معاملات وجود دارد (Menkveld ، 2016 ، Menkveld ، 2016 ؛ Easley et al. ، 2019). همراه با سرعت سریع تحولات تکنولوژیکی ، این یک نیاز واضح و فشرده را برای بررسی دقیق تر نحوه تعامل ماشین ها با بازارهای مالی ارائه می دهد ، تا "اقدامات خود را کنترل کند ، از مزایای آنها بهره برداری کند و مضرات آنها را به حداقل برساند" (Rahwan et al.، 2019). سؤالاتی که این مطلب قابل توجه است: تأثیر یادگیری سریع ماشین در بازارهای مالی چیست؟آیا مسابقه تسلیحات سرعت اجتناب ناپذیر است؟آیا چنین مسابقه تسلیحاتی سرعت مضر است؟سرعت و یادگیری چه اثر ترکیبی دارد؟و چگونه سیاست گذاران باید به این تحولات پاسخ دهند؟

این مقاله با تلاش برای بازآفرینی بازارهای مالی پیچیده ای که HFT ریشه در آن گرفته است ، به این سؤالات و سایر سؤالات پاسخ می دهد. ما یک بازار سفارش محدود پویا را که توسط معامله گران گسسته که از یک سیستم طبقه بندی کننده برای رعایت دنیای اطراف خود استفاده می کنند ، شبیه سازی می کنیم. این معامله گران با توجه به سه ویژگی اصلی ناهمگن هستند: سرعت تجارت ، دسترسی به اطلاعات و توانایی یادگیری از طریق استفاده از الگوریتم ژنتیکی (GA). با جمع آوری بازار خود با معامله گران با ترکیب های مختلف این ویژگی ها ، ما قادر به آزمایش طیف گسترده ای از سناریوها هستیم. نکته مهم ، در شبیه سازی پایه ما ، ما قادر به تولید مثل پدیده های مهم مرتبط با HFT در بازارهای مرتبه ، مانند بازده های چربی و خوشه بندی رویداد (اثر مورب) به منظور انواع ترتیب هستیم. یکی از موضوعات مکرر در نتایج به طور گسترده تر این است که می توان چند سناریو یا نوآوری را به عنوان یکنواخت خوب یا بد توصیف کرد. چه چیزی باعث افزایش راندمان قیمت می شود ، ممکن است نقدینگی را نیز کاهش دهد ، در حالی که با کمال تعجب کاهش در مزایای عدم تقارن اطلاعات با هزینه های آگاهانه مزایای عدم تقارن اطلاعات را دارد. این یافته ها در قسمت باقیمانده این مقاله به تفصیل مورد بررسی قرار می گیرد. با این حال ، به طور خاص چند نتیجه کلیدی قابل ذکر است.

اول ، ما می دانیم که حضور HFT به تنهایی تأثیرات مختلفی در بازار دارد ، اما ترکیبی از تجارت استراتژیک HFT و یادگیری ماشین به ویژه قدرتمند است. در حالی که معرفی یادگیری باعث می شود تا معامله گران HF سودآورتر شوند ، رفتار تجارت حاصل طیف وسیعی از پیامدهای منفی دارد. راندمان قیمت کاهش می یابد ، نوسانات افزایش می یابد ، گسترش پیشنهادات گسترش می یابد ، حجم معاملات و عمق بازار کاهش می یابد. در همین زمان ، هر دو معامله گران آگاه و ناآگاه و ناآگاهانه (LF) سود خود را کاهش می دهند.

دوم ، به نظر می رسد افزایش سرعت معاملات تأثیر منفی خالص کلی بر نقدینگی دارد. با سرعت پایین تر ، معامله گران HF می توانند با ارسال سفارشات محدودیت بیشتر ، تأمین نقدینگی ، از اطلاعات و مزایای سرعت خود برای سودآوری از معامله گران LF استفاده کنند. با این حال ، هرچه تجارت سریعتر شود ، معامله گران HF از افزایش رقابت بین خود نسبت به سفارشات ارسال شده توسط معامله گران LF رنج می برند. بازرگانان HF با افزایش سرعت ، سفارشات محدودیت تهاجمی تر را ارسال می کنند. با این حال ، به دلیل لغو مرتبه بالا ، نرخ اجرای آنها به طرز چشمگیری کاهش می یابد. این به طور موثری عرضه نقدینگی را کاهش می دهد و در نتیجه باعث کاهش خالص نقدینگی کلی می شود.

سوم ، اگرچه شاید تعجب آور نباشد که افزایش سرعت می تواند تأثیرات مضر بر بازار مالی گسترده تر داشته باشد ، ما همچنین به طرز قانع کننده ای نشان می دهیم که حتی خود معامله گران HF ممکن است لزوماً از افزایش سرعت تجارت خود بهره مند نشوند. سود متوسط برای بازرگانان HF و راندمان قیمت با توجه به سرعت ، روابط هامپ شکل را نشان می دهد و پس از شروع تجارت خیلی سریع ، به طرز چشمگیری کاهش می یابد. این واقعیت که راندمان قیمت و به ویژه سود به سادگی با سرعت یکنواخت افزایش نمی یابد ، نشانگر روشنی است که عوامل بیشتری در بازی به تنهایی در بازی هستند. همچنین نشان می دهد که ، از منظر معامله گران HF به طور کلی ، در واقع ممکن است سرعت تجارت حداکثر بهزیستی وجود داشته باشد. 3

چهارم ، ما یک تصویر ساده از فرآیند زیربنای مسابقه تسلیحات سرعت و تأثیر آن بر راندمان قیمت ارائه می دهیم. با تجارت سریعتر ، معامله گران HF از مزیت اطلاعات خود نسبت به معامله گران LF سود می برند ، عدم تقارن اطلاعات را به معامله گران LF کاهش می دهند و از این رو بهبود کارایی قیمت. در حالی که نتیجه قبلی ما وجود یک نقطه توقف را با توجه به سرعت تجارت نشان می دهد ، ما می دانیم که افزایش سرعت فرد فراتر از آن نقطه می تواند یک استراتژی کاملاً غالب باشد. در سناریوی ما ، مهم نیست که چه تعداد معامله گران دیگر با سرعت بیشتری تجارت می کنند ، همیشه این کار را برای فرد سودآورتر می کند. از این رو ، با توجه به انتخاب بین دو سرعت معاملات ، معامله گران به ناچار به سریعتر این دو همگرا می شوند. از آنجا که سرعت در این حالت بالاتر از سطح حداکثر سودآوری است که در بند قبلی مورد بحث قرار گرفته است ، این همچنین یک نتیجه بهزیستی می باشد که به طور جمعی برای بازرگانان HF انجام شود. همچنین ، افزایش رقابت در بین بازرگانان HF ، عرضه کلی نقدینگی آنها را کاهش می دهد و باعث افزایش عدم تقارن اطلاعات در معامله گران LF و از این رو کاهش کارایی قیمت می شود.

بنابراین داستان ما یکی از نوآوری هایی است که مزیت رقابتی کوتاه مدت را به معامله گران با فرکانس بالا می بخشد ، اما اغلب با هزینه ای برای خود ، دیگران یا هر دو. این دو نتیجه آخر به طور خاص به درخشش برخی از نور در مسابقه تسلیحات سرعت و اشاره به راه حل های بالقوه کمک می کنند. آنها پیشنهاد می کنند که اگر یک نقطه توقف طبیعی وجود داشته باشد ، ممکن است با سرعت بالاتری از آنچه برای معامله گران HF بهینه است ، باشد. آنها همچنین نشان می دهند که معامله گران ممکن است در صورت عدم توانایی اجرای تبانی در چنین محدودیتی ، از کلاهبرداری از سرعت استقبال کنند. چنین کلاهبرداری در سرعت نیز می تواند برای راندمان قیمت مفید باشد. این امر باعث می شود که تنظیم کننده ها در محدود کردن سرعت معاملات موضع گیری بیشتری داشته باشند.

این ما را به سوال یادگیری باز می گرداند. علیرغم مزایای ظاهری تنظیم سرعت انجام معاملات ، نتایج ما همچنین نشان می دهد که پیشرفت در تجارت استراتژیک AI محور می تواند به سادگی جایگاه سرعت را به عنوان مرزهایی که در آن معامله گران به دنبال مزیت رقابتی هستند ، بگیرد. ما نشان می دهیم که معاملات هوش مصنوعی با سرعت بالا نیز می تواند تأثیرات مضر در بازارهای مالی داشته باشد. به همین دلیل ، نتایج ما حاکی از نیاز به تنظیم کننده ها برای تفکر فراتر از راه حل های هدفمند و تأثیر مقررات بالقوه در یک بازار در حال تغییر سریع است که در آن دانش واقعاً قدرت است.

این مقاله از نزدیک با ادبیات گسترده و رو به رشد که تأثیر فناوری های معاملاتی سریع و رفتارهای تجارت ماشین را در بازارهای مالی بررسی می کند ، ارتباط نزدیکی دارد. در مرحله اول ، با شواهد تجربی نشان می دهد که HFT سریع و آموزنده است ، این مقاله به بازرگانان آگاه HF می پردازد. 4 در مورد HFT آگاه ، سؤالات اصلی عبارتند از: اطلاعاتی که معامله گران HF در آن تجارت می کنند چیست؟چگونه آنها اطلاعات را در بر می گیرند؟و تأثیرات HFT بر کیفیت بازار چیست؟برای پرداختن به این موضوعات ، ما با مقایسه HFT آگاهانه با HFT بدون اطلاعات یا یادگیری ، اطلاعات را از تجارت جدا می کنیم. ما از معامله گران HF آگاه استفاده می کنیم که بر اساس اطلاعات کتاب سفارش با فرکانس بالا (تا حدی) آگاه هستند و از نظر استراتژیک تجارت می کنند. 5 ما این اطلاعات را نشان می دهیم و مهمتر از همه ، یادگیری (از اطلاعات کتاب سفارش) HFT را سودآورتر می کند.

ثانیا ، ما با بررسی HFT استراتژیک و رفتار تجارت ماشین به ادبیات کمک می کنیم. HFT به دلیل سرعت بیشتر تجارت و استفاده از الگوریتم های پیشرفته معاملاتی که می تواند به بازرگانان کمک کند تا از اطلاعات ریزساختار مانند حرکات قیمت کوتاه مدت ، جریان سفارش ، کتاب سفارش و شرایط بازار بیاموزند ، بر بازارهای مالی حاکم است. 6 در این مقاله ، ما معامله گران LF آگاه و ناآگاهانه را در نظر می گیریم که از یادگیری ماشین استفاده می کنند تا از اطلاعات با فرکانس پایین بیاموزند ، در حالی که از معامله گران HF آگاه که از یادگیری ماشین استفاده می کنند برای یادگیری از اطلاعات با فرکانس بالا استفاده می کنند. با مقایسه سناریوهای مختلف سرعت ، اطلاعات و یادگیری ، تأثیر اطلاعات نامتقارن و سرعت تجارت را در رفتارهای استراتژیک (از طریق یادگیری) رفتارهای LF و HF و کیفیت بازار بررسی می کنیم. 7 < SPAN> ثانیا ، ما با بررسی HFT استراتژیک و رفتار تجارت ماشین به ادبیات کمک می کنیم. HFT به دلیل سرعت بیشتر تجارت و استفاده از الگوریتم های پیشرفته معاملاتی که می تواند به بازرگانان کمک کند تا از اطلاعات ریزساختار مانند حرکات قیمت کوتاه مدت ، جریان سفارش ، کتاب سفارش و شرایط بازار بیاموزند ، بر بازارهای مالی حاکم است. 6 در این مقاله ، ما معامله گران LF آگاه و ناآگاهانه را در نظر می گیریم که از یادگیری ماشین استفاده می کنند تا از اطلاعات با فرکانس پایین بیاموزند ، در حالی که از معامله گران HF آگاه که از یادگیری ماشین استفاده می کنند برای یادگیری از اطلاعات با فرکانس بالا استفاده می کنند. با مقایسه سناریوهای مختلف سرعت ، اطلاعات و یادگیری ، تأثیر اطلاعات نامتقارن و سرعت تجارت را در رفتارهای استراتژیک (از طریق یادگیری) رفتارهای LF و HF و کیفیت بازار بررسی می کنیم. 7 نفر ، ما با بررسی HFT استراتژیک و رفتار تجارت ماشین به ادبیات کمک می کنیم. HFT به دلیل سرعت بیشتر تجارت و استفاده از الگوریتم های پیشرفته معاملاتی که می تواند به بازرگانان کمک کند تا از اطلاعات ریزساختار مانند حرکات قیمت کوتاه مدت ، جریان سفارش ، کتاب سفارش و شرایط بازار بیاموزند ، بر بازارهای مالی حاکم است. 6 در این مقاله ، ما معامله گران LF آگاه و ناآگاهانه را در نظر می گیریم که از یادگیری ماشین استفاده می کنند تا از اطلاعات با فرکانس پایین بیاموزند ، در حالی که از معامله گران HF آگاه که از یادگیری ماشین استفاده می کنند برای یادگیری از اطلاعات با فرکانس بالا استفاده می کنند. با مقایسه سناریوهای مختلف سرعت ، اطلاعات و یادگیری ، تأثیر اطلاعات نامتقارن و سرعت تجارت را در رفتارهای استراتژیک (از طریق یادگیری) رفتارهای LF و HF و کیفیت بازار بررسی می کنیم. 7

ثالثاً ، ما یک GA را با یک سیستم طبقه بندی کننده معرفی می کنیم تا یادگیری و تجارت ماشین را در بازارهای سفارش محدود تسهیل کنیم. این مطالعه با استفاده از GA به عنوان یک مکانیسم یادگیری تطبیقی برای تجارت استراتژیک ، به ویژه بر نحوه تأثیر تجارت الگوریتمی توسط تغییر در اطلاعات و سرعت در بازارهای محدود متمرکز است. این یادگیری و پردازش اطلاعات HFT با روشهای سنتی مانند یادگیری بیزی متفاوت است. GA Leaing یک اکتشافی جستجو بر اساس عملکرد تاریخی است که از روند تکاملی انتخاب طبیعی تقلید می کند و شامل فرآیندهای فرعی انتخاب ، جهش و متقاطع است. از آنجا که GA و سیستم طبقه بندی برای اولین بار توسط هلند (1975) معرفی شده اند ، از آنها برای بررسی یادگیری و تکامل در اقتصاد و بازارهای مالی استفاده شده است. 8 اخیراً از آنها در بازارهای سفارش استفاده شده است. 9 به طور شهودی ، یک قانون معاملاتی که توسط GA ایجاد شده است شامل دو مؤلفه است: شرایط بازار و اقدامات معاملاتی. از سیستم طبقه بندی کننده برای طبقه بندی اطلاعات بازار یا شرط معامله گران برای پردازش اطلاعات مختلف و ارسال سفارشات بر این اساس استفاده می شود. یک اقدام معاملاتی مطابق با نوع سفارش (یعنی سفارشات بازار و محدود) و پرخاشگری سفارشات محدود است. مزیت یک GA با سیستم طبقه بندی کننده این است که معامله گران می توانند در کتاب های سفارش محدود ، از یک فضای دولتی با ابعاد بالا تجارت کنند. در این مطالعه ، ما HFT را در مدل مورد استفاده Chiarella و همکاران درج می کنیم.(2015) برای توصیف HFT استراتژیک. به دلیل پیچیدگی و ماهیت تطبیقی HFT الگوریتمی ، ما از شبیه سازی ها برای بررسی وضعیت ثابت که توسط استراتژی های تکاملی معامله گران (اندازه گیری شده توسط فرکانس استفاده از اطلاعات در سیستم طبقه بندی کننده) استفاده می کنیم. این رویکرد یکپارچه استفاده از اطلاعات ریزساختار بازار و مدلهای مبتنی بر عامل برای بررسی یادگیری و تجارت استراتژیک در بازارهای پیچیده تر سودمند است.

سرانجام ، این مقاله همچنین به برخی از مدل های سفارش محدود منطقی در ادبیات مربوط می شود. 10 با فرض عقلانیت کامل ، این مدلها اغلب در توصیف یادگیری از اطلاعات کتاب سفارش و انتخاب سفارش درون زا (با معرفی ارزش های خصوصی) ، به ویژه رفتار معاملاتی معامله گران ناآگاه محدود هستند. ما نشان می دهیم که HFT لزوماً برای معامله گران LF مضر نیست ، به ویژه ، معامله گران ناآگاه می توانند از HFT آگاهانه بهره مند شوند و به بهبود کیفیت بازار کمک کنند. علاوه بر این ، ما نه تنها اطلاعات و مزیت سرعت معامله گران HF ، بلکه رقابت آنها را نیز بررسی می کنیم. ما نشان می دهیم که تأثیر سرعت یکنواخت نیست و تشدید مداوم مسابقه سرعت پایدار نیست.

بقیه این مقاله به شرح زیر سازماندهی شده است. بخش 2 HFT را در بازار سفارش محدود و سیستم یادگیری ماشین معرفی می کند. یادگیری GA با یک سیستم طبقه بندی کننده اطلاعات. برای جدا کردن تأثیرات ناشی از سرعت معاملات مختلف از تأثیر اختلافات اطلاعات و سرمایه گذاران یادگیری ، ما یک مدل معیار را در نظر می گیریم که در آن معامله گران HF آگاه وجود دارد و این را با سناریوها با NO-HFT یا معامله گران HF غیر یادگیری مقایسه می کنیم ، یامعامله گران HF ناآگاه در بخش 3. با مقایسه مدل معیار با سرعت HFT مختلف ، بخش 4 تأثیر سرعت HFT مختلف را بررسی می کند. بخش 5 تجزیه و تحلیل استحکام در مورد رقابت HFT ، نوسانات اساسی و تأخیر اطلاعات را ارائه می دهد. بخش 6 نتیجه گیری ما را ارائه می دهد. ما جزئیات پویایی تکاملی GA ، حقایق تلطیف شده و تجزیه و تحلیل استحکام بیشتر در پیوست را ارائه می دهیم.

قطعه قطعه

مدل بازار سفارش با HFT و یادگیری

در این بخش ، ما تجارت با فرکانس بالا (HFT) و الگوریتم ژنتیکی (GA) را با یک سیستم طبقه بندی کننده اطلاعات به یک بازار سفارش محدود معرفی می کنیم تا اطلاعات HFT ، یادگیری و نامتقارن را در بر بگیرد. مانند Chiarella و همکاران.(2015) ، معامله گران (نمایندگان) یا آگاه یا ناآگاه هستند و استراتژی های معاملاتی آنها از طریق یادگیری GA بر اساس اطلاعات خصوصی و عمومی تولید و به روز می شود. در مقابل Chiarella و همکاران.(2015) ، ما اجازه می دهیم که نسبت معامله گران باشد

مدل HFT معیار

در این بخش ، ما یک سناریوی معیار را با HFT ، Case HF معرفی می کنیم تا نشان دهیم که این مدل می تواند برخی از حقایق تلطیف شده را در بازارهای مرتبه ای از جمله بازده های چربی چربی ، خوشه بندی نوسانات ، حافظه طولانی در پیشنهادات/گسترش درخواست و مورب توصیف کند. اثر یا خوشه بندی رویداد به ترتیب ارسال. با مقایسه این سناریوی معیار با سناریوی بدون معامله گران HF ، Case NH ، ابتدا تأثیر HFT را در ارسال سفارش و سود سفارش برای HF آگاهانه ، آگاه LF بررسی می کنیم

تأثیر سرعت تجارت

در این بخش تأثیر سرعت HFT بررسی شده است. ما سه مورد اضافی را با سرعت HFT مختلف در نظر می گیریم که با 3 λ ، 12 λ و 48 λ با نرخ ورود معامله گران HF به ترتیب 1 / λ H برای λ H = 3 ، 12 و 48 مشخص شده است. با متوسط نرخ ورود ، به عنوان مثال ، یک بار در دقیقه برای هر معامله گر HF در مورد معیار ، 6 λ ، این سه مورد به این معنی است که هر معامله گر HF هر 30 ثانیه ، 2 دقیقه و 8 دقیقه به بازار وارد بازار می شود. به ترتیب ، اما یک بار در ساعت برای معامله گر LF.

تحلیل استحناء

در این بخش نتایج حاصل از تجزیه و تحلیل استحکام انجام شده برای بررسی یافته های ما با در نظر گرفتن چگونگی نسبت معامله گران HF آگاه در بازار ، نوسانات اساسی و تأخیر اطلاعات بر نتایج ما در بخش 3 تأثیر می گذارد. همچنین معامله گران ناآگاه را بدون یادگیری در نظر بگیرید تا تأثیر عوامل ZI را بر سودآوری و راندمان اطلاعات بررسی کنید. بیشتر

نتیجه

در حالی که HFT در محدوده سفارش بازارهای محدودی از تجارت در بازارهای مالی است ، منبع سود آن و تأثیر آن بر بازارها ، به ویژه تأثیر مشترک سرعت HFT و تجارت استراتژیک بر اساس یادگیری ، کمتر مشخص است. این مطالعه یک چارچوب یکپارچه برای بررسی این اثرات ارائه می دهد. با استفاده از GA با یک سیستم طبقه بندی کننده در شرایط بازار ، به معامله گران این امکان را می دهیم که از اطلاعات بازار ، از جمله قیمت های تاریخی ، ارزش اساسی ، نقل قول ها ، پیشنهاد/گسترش درخواست ، گسترش ،

تصدیق

ما از شرکت کنندگان در کارگاه آموزشی اقتصاد و بازار مالی سیدنی 2014 ، کنفرانس های CEF 2015 و 2016 و سمینارها در دانشگاه فناوری سیدنی ، دانشگاه Sun Yat-Sen ، دانشگاه Tianjin و دانشگاه چینی هنگ کنگ بخاطر ارزشمند آنها تشکر می کنیم. نظرات. ما همچنین از کارل Chiarella ، Shu-Heng Chen ، David Easley ، Giulia Iori ، Blake Lebaron ، Daniel Ladly ، Fabrizi Lillo ، Maureen O'Hara و Paolo Pellizzari بخاطر اظهارات ارزشمند خود تشکر می کنیم. حمایت مالی از