تکنولوژی و نوآوری، نیروهای محرک سرمایه­ گذاری­ ها در جهان هستند. پدیده معاملات الگوریتمی، به دنبال کاهش زیان و افزایش سود دهی به‌منظور تطابق با نوسانات بخش­ های اقتصادی و مالی است. اگرچه معاملات الگوریتمی به‌صورت گسترده در بسیاری از بازارهای سراسر جهان مورد استفاده قرار می­گیرد ولی تحقیقات اندکی در مورد آن صورت پذیرفته است. کمبود شواهد ناشی از ابهام در تعریف دقیق و صحیح معاملات الگوریتمی و معاملات با تکرار بالا (HFT) و گاه استفاده از آن­ها به‌جای هم از مشکلات این حوزه است. فقدان شواهد کافی، مانع درک و تفسیر فزاینده و رشد بی‌سابقه سرعت معاملات اقتصادی بر نظام اجتماعی و در حوزه اقتصاد جهانی است. در این بخش تلاش می­کنیم تأثیر معاملات الگوریتمی را که نماد سرعت معامله مالی در اقتصاد است را درباره فرایند کشف قیمت و ارزش­ها، رمزنگاری کنیم.

لاگورد-سگات (۲۰۱۶) اظهار می­کند که سرعت بی‌سابقه معاملات اقتصادی همراه با توسعه بخش ­های اقتصادی و مالی و محصولات پیچیده و متنوع مالی به تغییر شدید در حوزه ­های اجتماعی اقتصادی و مالی منجر شده است. تغییر پویای حوزه­ های اجتماعی، اقتصادی و مالی را می­توان مالی سازی توصیف کرد. مگ­گروتی (۲۰۱۷)، تغییرات پویای اجتماعی، اقتصادی و مالی را مشمول دریافت نظام اجتماعی می­داند و می­گوند که نوآوری ­های تکنولوژی به مالی سازی کمک کرده و سبب تغییرات عمده در بازارهای اقتصادی دنیا شده است. معاملات الگوریتمی و معامله گسترده خودکار یکی از عناصر پیچیده و مهم در حوزه مالی سازی است که نقش بسزایی در افزایش سرعت معاملات دارد.

جانسون (۲۰۱۰) می­گوید معاملات الگوریتمی یک سیستم کامپیوتری است که مسئول اجرای برنامه ­ها به‌منظور خرید و فروش یک دارایی خاص است. این سیستم کامپیوتری دخالت افراد را در فرایند معامله کاهش و یا حتی حذف می­کند و سبب اجرای تصمیمات بهتر در حوزه زمان، قیمت و نقد سفارش‌های می­گردد. تصمیم‌گیری بر اساس اطلاعات جمع‌آوری‌شده همراه با نظارت دقیق بر شرایط بازار و امنیت شرایط بازار است. هدف آن است که به‌وسیله شکستن سفارش‌های بزرگ و دنبال کردن دقیق معیارها در زمانی که در انجام معامله وقف ه­ای پیش آمد از تأثیر بر بازار و زیان­دهی بکاهد. به‌عنوان یک سرمایه­ گذار و یا یک معامله ­گر، هر کسی به دنبال کاهش ضرر و افزایش سود است که با انتخاب روش ­های سرمایه­ گذاری مختلف انجام می­شود (مارکوویتز،۱۹۵۲). این دقیقاً همان چیزی است که معاملات الگوریتمی به دنبال آن است؛ اما مونیزا (۲۰۱۴) عقیده دارد«در حقیقت ارزش محصولات و دارایی­ ها مشخص نیست. آن­ها مرتباً ساخته و انبار می­شوند». وی همچنین معتقد است که تنوع اشکال مختلف الگوریتم که برای حل مشکلات موجود طراحی‌شده‌اند، خود سبب ایجاد مشکلات جدید و غیرقابل‌پیش‌بینی می­شوند. واضح است که تحقیقات پیشرفته ­تر برای بررسی تأثیر این تکنولوژی معاملات الگوریتمی ضروری است.

معاملات الگوریتمی، مدل­ های پیچیده و پیشرفته ریاضی را استفاده می­کند تا سرمایه­ گذار در بازارهای مالی، تصمیمات اخذ کند. قوانین سخت­گیرانه ­ای وجود دارد که زمان صحیح برای انجام معاملات، اجرای قرارداد و یا لغو آن را تعیین می­کند تا کمترین تأثیر را بر ارزش­ های دارایی­ ها نداشته باشد و نیز دسترسی به نقدینگی را برای سرمایه ­گذار فراهم نماید. یان و ژو (۲۰۰۶) نیز بر همین نظر هستند و اظهار می­دارند که «مطالبه­ی گسترده هزینه کمتر معاملات و بازده بازار، سبب افزایش تقاضا برای ابزار جدید و الگوریتم ­های پیشرفته شده است؛ و معاملات الگوریتمی یکی از این ابزار است.»

بدیهی است که معاملات الگوریتمی، مزایای بسیاری نسبت به معامله ­گران انسانی دارد. از آنجا که سرعت و دقت محاسبات و تصمیمات بر اساس قوانین معاملاتی پیچیده قطعاً در سیستم ­های معاملاتی الگوریتمی بهتر از انسانی است، بنابراین، معاملات الگوریتمی بر تاجران انسانی برتری دارد. اجرای یک برنامه به همراه امنیت در موجودی کالا، تقسیم سفارش‌های، انتخاب موارد مختلف نقدینگی و ادغام اطلاعات در زمان صحیح و غیره از مزایای دیگر معاملات الگوریتمی نسبت به معامله­ گران انسانی است. ازاین‌رو، انتظار می­رود که استفاده از معاملات الگوریتمی در آینده گسترش بیشتری یابد.

تاریخچه

آلبرز (۲۰۱۷) افزایش ابزارهای مالی در دهه­ های اخیر را مد نظر قرار می­دهد و می­گوید مالی سازی، رده ­های ناشناخته ­ای را برای تحقیق باز نمی­کند. او معتقد است: باید تحقیقات، یک دیدگاه را از دیگر دیدگاه­ ها جدا کند و آن را به‌طور مجزا مورد بررسی قرار دهد تا در وهله اول، آن را تجربی و ممکن سازد و نیز باید توجه داشت که تجزیه‌وتحلیل کیفی و قیاسی همراه با مطالعات موردی نیز حائز اهمیت هستند. کاری و لاگارد-سگات (۲۰۱۶) می­گویند که چگونه تکنولوژی اطلاعات، پیچیدگی و پراکندگی را افزایش داده و در همین راستا اظهار کرده ­اند که نیاز به تحقیقات بیشتری است تا جهش­ های تکنولوژیک، قانونی، اجتماعی و اقتصادی در سیستم‌های مالی شناخته شوند. تحقیق موجود در مورد مالی سازی است (لاگارد-سگات، ۲۰۱۶، ۲۰۱۵، ۲۰۱۰ ؛ ما و مک گروتی، ۲۰۱۷؛ آلبرز، ۲۰۱۷؛ کری و لاگارد-سگات، ۲۰۱۶، گلیدل و دیگران، ۲۰۱۴) و پیشینه مختصری که در زمینه معاملات الگوریتمی وجود ندارد و تأثیر آن بر بازارها یا عناصر مالی سازی، ضرورت دنبال کردن این تحقیق را دوچندان می­کند.

پیشینه محدود در حوزه معاملات الگوریتمی به دلیل عدم وجود یک مجموعه اطلاعات صحیح همراه با تعریف دقیق معاملات الگوریتمی است. اکثر مراکز مربوط به بورس اوراق بهادار، معاملات الگوریتمی را نمی­شناسند و همین امر، منجر به استفاده از چندین پروکسی (برنامه) (مثل پیام­رسانی، زمان لغو درخواست­ها و غیره) می­گردد. نتیجه ­ای که استفاده از چندین پروکسی حاصل می­شود اغلب ضعیف و غیر قابل‌استفاده مستقیم از معاملات الگوریتمی را گوشزد می­کند (هندرشات و ریوردان،۲۰۱۳).

ابهام در تعریف معاملات الگوریتمی

ابهامی در تعریف معاملات الگوریتمی وجود دارد، به همین دلیل گاه معاملات الگوریتمی و HFT به‌جای هم استفاده می­شوند. این ابهام به‌وسیله کمیته بورس و اوراق بهادار(SEC) مورد توجه قرار گرفت و این کمیته اظهار داشت که HFT به‌طور دقیق، تعریف نشده است. کمیته بورس و اوراق بهادار ، HFT را زیرمجموعه معاملات الگوریتمی می­دانند. در تحقیق موجود، معاملات الگوریتمی HFT و معاملات مبنی بر کامپیوتر (معاملات خودکار) به‌جای هم مورد استفاده قرارگرفته ­اند.(کابوند و دیگران، ۲۰۱۴، کلیجان و موکرجی، ۲۰۱۶، هندرشات و ریوردان، ۲۰۱۳). این موضوع در درجه اول به دلیل عدم تعریف دقیق و روشن از معاملات الگوریتمی و HFT توسط مقامات نظارتی رخ داده است. گامبر و دیگران (۲۰۱۱) اختلافات بین معاملات الگوریتمی و HFT را عنوان کرده­ اند یکی از تفاوت­ های مهم که بدان اشاره نموده­اند این است که HFT ها تا پایان روز معاملاتی از اعتبار خود خارج می­شوند.

سنجش معاملات الگوریتمی

هندرشات و دیگران (۲۰۱۱) از ترافیک پیام­های الکترونیک به‌عنوان پروکسی برای مقدار معاملات الگوریتمی در حال اجرا استفاده کردند. ترافیک پیام شامل ورود سفارش، لغو سفارش و گزارش‌های معاملاتی است. ترافیک پیام­ های نرمال:

1. تعداد پیام ­های الکترونیک در هر ۱۰۰ دلار حجم معاملات، برای به دست آوردن فعالیت­ معاملات الگوریتمی در مرکز اوراق بهادار نیویورک طراحی شد.

هندرشات و ریوردان (۲۰۱۳) معاملات الگوریتمی را بر اساس برنامه معاملات خودکار (معاملات الگوریتمیP) در بورس اوراق بهادار آلمان تعریف کرده ­اند. معاملات الگوریتمیP یک سیستم الکترونیکی است که به تشخیص و تعیین قیمت، کمیت و زمان ارسال سفارش‌های می­پردازد. این یکی از اولین تحقیقات در جهت تشخیص و تبیین دقیق معاملات الگوریتمی بوده است و اما شواهد معاملات الگوریتمی بر اساس شرکت‌کنندگانی است که در توافق معاملات الگوریتمیP حضور داشتند و اگرچه تمام جوانب معاملات الگوریتمی را پوشش دادند ولی در آن زمان تمام موارد مربوط به معاملات الگوریتمی موجود نبود.

چابود و دیگران (۲۰۱۴)، معاملات الگوریتمی را در بازار ارز خارجی مورد بررسی قراردادند و همه ­ی جوانب مربوط به معاملات کامپیوتری را به‌عنوان معاملات الگوریتمی به‌حساب آوردند. همچنین بر اساس دستورات کامپیوتری، HTF و معاملات الگوریتمی را مترادف هم و به‌جای هم استفاده کردند.

پریکس و دیگران (۲۰۰۷) زمان لغو سفارش‌های را به‌عنوان یک پروکسی برای سنجش معاملات الگوریتمی استفاده می­کنند. آن‌ها در تلاش هستند تا الگوی موجود در حذف و لغو سفارش‌های را تبیین کنند که به‌نوبه خود نشان­ دهنده معاملات الگوریتمی است. آن­ها سفارش‌های حذف بدون جایگزین شدن را بر اساس ابعاد زمانی بررسی و آن را به‌عنوان معاملات الگوریتمی معرفی می­کنند.

تأثیر معاملات الگوریتمی بر بازارها: اتصال شعبه­ های مالی سازی

مونیزا (۲۰۱۴)، لاگارد-سگات (۲۰۱۶)، ما و مگروتی (۲۰۱۷)، آلبرز (۲۰۱۷)، بوسارد (۲۰۱۶) و لاگارد-سگات و پارانک (۲۰۱۷) بر مسئله نیاز به ارتباط دانشگاهی علوم مالی و دیگر علوم اجتماعی و ادغام مفاهیم مالی سازی تأکید کرده ­اند؛ بنابراین مشخصاً فرد باید تأثیر پیشرفت تکنولوژی­ های اخیر در حوزه مالی سازی را بفهمد و راجع به آن تحقیق کند. همچنین، فرد باید هنگام تجزیه‌وتحلیل تأثیر تنظیمات الگوریتمی در دستیابی به بهبود نقدینگی، مراقب و دقیق باشد (مونیزا، ۲۰۱۴). ما این تحقیق را انجام دادیم تا بیان کنیم که چگونه عناصر سرعت معاملات در چهارچوب مالی سازی (لاگارد-سگات، ۲۰۱۶)، به‌وسیله تأثیرات معاملات الگوریتمی در بازار مالی (اقتصادی) و شرکای تجاری (اجتماعی) آشکار می­شوند.

تحقیقات موجود در حوزه معاملات الگوریتمی، ناکافی و ناقص است و شواهد متفاوت و متناقضی از تأثیر معاملات الگوریتمی در زمینه نقدینگی و نوسانات بازار نشان می­دهد. هندرشات و دیگران (۲۰۱۱) بیان می­دارند که معاملات الگوریتمی معمولاً نقدینگی را بهبود می ­بخشد ولی در یکی از سنجش ­های آن­ها در مورد نقدینگی، سرعت نقدینگی کاهش یافت که خود مشکل و ابهام بزرگی بود؛ بنابراین آن­ها این احتمال را مطرح و عنوان می­کنند تا درآمدهای جدیدی برای خود تولید کنند. به‌طور مشابه آگاروال و توماس (۲۰۱۴) متوجه عدم تعادل و عمق اختلاف‌نظر در روند پیش‌بینی‌شده در بهبود نقدینگی شدند. همچنین کلیجیان و موکرجی (۲۰۱۶)، معتقدند که معلوم نیست معاملات الگوریتمی سبب افزایش یا کاهش نوسانات شود. درحالی‌که گروث (۲۰۱۱)gr شواهد قوی ارائه می‌کند که معاملات الگوریتمی سبب افزایش چشمگیر نوسانات نمی­شود و حداقل تأثیر آن از تاجران انسانی کمتر است. لسماند (۲۰۰۵)، لی (۲۰۱۱) و لانگ و دیگران (۲۰۱۲) اظهار می­دارند که بازارهای نوین اغلب به‌وسیله خطرات در زمینه نقدینگی و نوسانات بازار شناخته می­شوند. سابرامانیام (۲۰۱۳) معتقد است که معاملات الگوریتمی اغلب به‌عنوان یک تهدید برای ثبات بازار مالی به شمار می­رود.

بسیاری از تحقیقات انجام‌شده در بالا، با سنجش پروکسی معاملات الگوریتمی انجام‌شده و هندرشات و ریوردان (۲۰۱۳) بیان می­کنند که چنین پروکسی، بررسی دقیق زمان و چگونگی عملکرد معاملات الگوریتمی‌ و نقش آن­ها در عرضه و تقاضای نقدینگی را دشوار می ­سازد. این برای تحقیقات آینده در حوزه معاملات الگوریتمی با تبیین دقیق معاملات الگوریتمی امکان‌پذیر است.

بررسی اجمالی معاملات الکترونیکی و الگوریتمی

معاملات الکترونیکی و الگوریتمی مورد توجه بسیاری از مؤسسات اقتصادی، مسئولان سازمان اوراق بهادار و بورسی­های مختلف قرارگرفته است. گسترش فزاینده ­ی بازارها همراه با قانون و مقررات سخت‌گیرانه سبب شده که بازار، پیچیده ­تر و سودآوری پرخطرتر و کمتری داشته باشد. خودکارسازی و تکنولوژی­ های جدید طی ۵ سال گذشته، بازار را به‌طور شگفت‌آوری، مورد تغییر و تحول قرار داده است. سرعت داده­ های مالی از پیش ­بینی­ ها فراتر رفته است. افزایش سرعت شبکه ­های اطلاعاتی، از طریق مهندسی مالی، تجار و سرمایه ­گذاران را به سمتی برده است که خواستار کمیسیون ­های پایین ­تر و انجام معاملات خودکار مبتنی بر یک مدل خاص باشند. این افزایش رقابت برای هزینه کمتر معاملات، سبب شده که شرکت ­ها به‌طور قابل‌توجهی در زیرساخت‌های بازرگانی و پردازش خود سرمایه­ گذاری کنند. ترویج معاملات الکترونیکی و معاملات الگوریتمی از وال‌استریت آغاز شد. به‌نحوی‌که یک کارگزار دیگر نمی­تواند بدون روش­ های الکترونیک، ثبت سفارش انجام دهد. کارمندان سنتی که در طبقات معاملاتی می ­دویدند و سفارش‌های خود را فریاد می­زدند و کسانی که در راهروها مذاکره می­کردند و پیشنهاد قیمت می­دادند، جای خود را به‌زودی به کارکنانی می­دهند که به‌آسانی، بر روی صفحه­ های کامپیوتر، معاملات خود را به‌صورت الکترونیک و الگوریتمی ارائه می­کنند. در گذشته فرصت محدودی برای به کار بردن تکنولوژی در فرایند معاملات و مبادلات وجود داشت؛ اما اکنون این روند به‌وسیله معرفی برنامه­ ها، دسترسی مستقیم به بازار و معاملات الگوریتمی تغییرات زیادی کرده است. اگرچه، جریان معاملات خودکار می­تواند کار معاملات کامپیوتری را بدون دخالت انسانی انجام دهد ولی تصمیمات اولیه مربوط به خرید و فروش به‌وسیله انسان­ ها صورت می‌گیرد نه کامپیوتر. انسان­ ها تصمیمات مربوط به معاملات را اتخاذ و پارامترهای مربوط به هرکدام را مشخص می­کنند ولی کامپیوتر با محاسبه الگوریتم مناسبی که جریان سفارش‌های را به‌خوبی طی ­کند و در بسیاری از موارد، رایانه­ ها به تجزیه معاملات به هر واحد سهام، در برنامه یاری می­رسانند.

معایب معاملات الگوریتمی

معاملات الگوریتمی از حدود اوایل دهه ۲۰۰۰ وجود داشته است و هنوز با یک سرعت حیرت‌آور در حال تکامل است. متأسفانه الگوریتم‌ها همه‌چیز نیستند و خط پایان هر چهار نیاز معاملات نمی‌باشند کمبودها و محدودیت‌ها عبارت‌اند از:

• کاربران می‌توانند تنبل شوند و از همان الگوریتم صرف‌نظر از ویژگی‌های سفارش و شرایط بازار استفاده کنند فقط به این دلیل که آن‌ها با الگوریتم آشنا هستند.
• کاربران باید دائماً الگوریتم‌ها را آزمون و ارزیابی کنند تا مطمئن شوند که دارند از الگوریتم به‌درستی استفاده می‌کنند و اینکه الگوریتم‌ها دارند کاری را انجام می‌دهند که تبلیغ شده است.
• کاربران باید عملکرد را در میان معامله گران، الگوریتم‌ها و شرایط بازار اندازه‌گیری کرده و رصد نمایند تا بفهمند که کدام الگوریتم با ارائه نوع محیط بازار مناسب‌تر می‌باشند. الگوریتم دقیقاً همان کاری را انجام می‌دهند که برایش تعیین می‌شوند که این زمانی خوب است که محیط معاملات همان چیزی است که پیش‌بینی می‌شود. البته در موردی که اتفاقات برنامه‌ریزی نشده رخ می‌دهند الگوریتم به‌درستی آموزش داده نمی‌شود یا برای آن بازار خاص، خوب برنامه‌ریزی نمی‌شود که منجر به هزینه‌های بالاتر و عملکرد پایین‌تر می‌گردد.
• کاربران باید از ثبات در میان الگوریتم و نیازهای سرمایه‌گذاری اطمینان حاصل کنند. اطمینان از ثبات در زمان‌هایی که قانون معاملات الگوریتمی واقعی به‌اندازه‌ای که باید، شفاف نیست یا زمانی که به الگوریتم‌ها، نام‌های غیر توصیفی داده می‌شود که هیچ‌گونه اطلاعاتی در مورد کاری که قرار است انجام دهند نمی‌دهند، بسیار دشوار می‌شود.
• الگوهای بسیار زیاد و اسامی بسیار زیاد: ، قیمت میانگین موزون حجمی (VWAP)، مثالی از یک نام الگوریتمی نسبتاً توصیفی است و در میان معامله گران نسبتاً ثابت است. البته یک الگوریتم نظیر تارزان، توصیفی نیست و اطلاعات در مورد نحوه‌ی معاملات آن در طول روز فراهم نمی‌کند. سرمایه‌گذاران باید بین صدها الگوریتم تمایز ایجاد کنند و آن‌ها را بشناسند و در جریان تغییراتی که در این پایگاه‌های اطلاعات رخ می‌دهند باشند. به‌طور مثال یک موسسه بزرگ ممکن است از بیست دلال مختلف هر یک با ۵ تا ۱۰ الگوریتم مختلف و با غیر توصیفی بودن حداقل نیمی از آن اسامی استفاده کند.
• کشف قیمت: همان‌طور که ما در ادامه توضیح می‌دهیم رشد الگوریتم‌ها و افت نقش‌های بازاریان و کارشناسان سنتی منجر به یک فرایند کشف قیمت سخت‌تر شده است. درحالی‌که الگوریتم در تلفیق اطلاعات قیمت برای تعیین استراتژی تقسیم مناسب کاملاً متبحر است اما آن‌ها هنوز در تعیین سریع قیمت بازاری منصفانه برای یک ورق بهادار متبحر نیستند.

رشد اخیر در معاملات الگوریتمی

سرمایه‌گذاران در بهترین وضع برای پرداختن به محیط در حال تغییر بازار به معاملات الگوریتمی روی آورده‌اند. ازآنجایی‌که کامپیوترها در هضم مقادیر زیاد اطلاعات و داده‌ها کارآمدتر، در انجام محاسبات پیچیده، ماهرتر و در نشان دادن واکنش سریع نسبت به شرایط بازاری در حال تغییر بهتر می‌باشند لذا به‌شدت برای معاملات به‌موقع در جو بازار چالش‌برانگیز امروزی مناسب می‌باشند.

معاملات الگوریتمی در اوایل دهه ۲۰۰۰ رایج شد. تا سال ۲۰۰۵ حدود ۲۵% حجم کل را دربرمی گرفت. صنعت با یک افزایش سرعت معاملات الگوریتمی روبرو شد که در آن حجم‌ها به سه برابر یعنی حدود ۷۵% در سال ۲۰۰۹ افزایش یافت. افزایش سریع فعالیت تا حد زیادی به دلیل سختی افزایش‌یافته‌ای بود که سرمایه‌گذاران با آن در اجرای سفارش‌های روبرو بودند. در طول بحران مالی، دیدن نوسانات قیمت سهم ۱۰-۵ درصدی در طول روز و نیز محیط بازاری متغیر، غیرعادی نبود. طی سال‌ها منابع متعددی وجود داشته‌اند که برآوردهای معاملات الگوریتمی فراهم ‌کرده‌اند. به‌طور مثال تب گروپ و آیتی گروپ نرخ‌های مشارکت را برای کاربرد معاملات الگوریتمی سمت خرید منتشر کرده‌اند که پایین‌تر از ارقام گزارش‌شده در این تحقیق می‌باشند. برآورد های ما شامل محصول نهایی اجرا می‌باشند؛ بنابراین حتی اگر سرمایه‌گذار مستقیماً با یک الگوریتم معاملات نکرده باشد اما در حقیقت الگوریتم را به سمت دلالی سوق داده باشد که در نهایت سهام را با یک الگوریتم معامله کرده است آن سهام با ارقام حجم معاملات الگوریتمی گنجانده می‌شوند. دهه ۲۰۰۰-۲۰۱۰ نیز به سبک‌های متغیر سرمایه‌گذار و شرکت‌کنندگان بازار ربط داده شد. ما جریان سفارش شرکت‌کننده بازار را با چندین دسته مختلف سرمایه‌گذاران تحلیل کردیم: مدیران دارایی سنتی، سرمایه‌گذاران خرده‌فروشی، صندوق‌های تأمینی، بازاریان و معامله گران فرکانس بالا. در تعریف ما، معامله‌گر فرکانس بالا تنها متشکل از آن دسته از سرمایه‌گذاران بود که معامله گران نقد یا تخفیفی محسوب شدند. ما در مورد انواع مختلف معاملات با تکرار بالا در زیر بحث می‌کنیم.

چرخه سرمایه‌گذاری در معاملات الگوریتمی

چرخه سرمایه‌گذاری متشکل از چهار فاز متمایز است: تخصیص دارایی، ساخت پرتفوی، اجرا و تخصیص پرتفوی. تخصیص دارایی عمدتاً شامل توزیع دلارهای سرمایه‌گذاری در میان سهام، اوراق قرضه، پول نقد و چرخه‌های سرمایه‌گذاری دیگر به‌منظور دستیابی به سطح بازده هدف در یک سطح مواجهه با ریسک و تحمل تعیین‌شده، است.

ساخت پرتفوی عمدتاً شامل انتخاب ابزارهای واقعی برای نگهداری در هر طبقه دارایی است. اجرا در گذشته متشکل از انتخاب یک دلال مناسب، نوع اجرا بوده است و اکنون شامل الگوریتم خاص و قوانین معاملات الگوریتمی است. مدیران پرتفوی، عملکرد صندوق را برای ایجاد تمایز بین جنبش بازار و قابلیت تصمیم‌گیری ماهرانه در فاز تخصیص پرتفوی چرخه ارزیابی می‌کنند. تا زمان‌های اخیرتر، اکثر تحقیق بر تصمیمات سرمایه‌گذاری بهبودیافته متمرکز بوده است. سرمایه‌گذاران طیف گسترده‌ای از مدل‌های سرمایه‌گذاری برای کمک به تخصیص دارایی و ساخت پرتفوی دارند. متأسفانه، سرمایه‌گذاران تقریباً یک مقدار ابزار معاملات مشابه برای تحلیل تصمیمات اجرا ندارند. کمیت و مقدار ابزارهای معاملات به میزان معناداری با افزایش ابزارهای معاملات پرتفوی و مدیریت انتقالی تغییر کرده است. با ظهور معاملات الگوریتمی، این ابزارها بیشتر درحال‌توسعه می‌باشند و جاذبه بیشتری پیدا می‌کنند.

مزایای معاملات الگوریتمی

معاملات الگوریتمی برای سرمایه‌گذاران مزایای بسیاری فراهم می‌کند از جمله:

• کمیسیون های پایین‌تر: کمیسیون ها معمولاً پایین‌تر از دستمزدهای کمیسیون سنتی می‌باشند چون معاملات الگوریتمی تنها برای سرمایه‌گذاران سرویس‌های اجرا و مربوط به اجرا را فراهم می‌کند. کمیسیون های الگوریتمی عمدتاً به معامله گران برای فعالیت‌های تحقیقی پاداش نمی‌دهند اگرچه برخی صندوق‌ها، یک نرخ بالاتر برای دسترسی تحقیق پرداخت می‌کنند.
• گمنامی: سفارش‌های وارد سیستم می‌شوند و به‌طور خودکار به‌وسیله کامپیوتر در تمام شاهراه‌های اجرایی معاملات می‌شوند. معامله‌گر بخش خرید یا سفارش را از داخل شرکت خود مدیریت می‌کند یا درخواست می‌کند که سفارش به‌وسیله معامله گران سمت فروش مدیریت شود. سفارش‌های همانند قبل، وارد فروشگاه یا قسمت معاملات نمی‌شوند.
• کنترل: معامله گران سمت خرید، کنترل کامل بر سفارش‌های دارند. معامله گران، باب‌ها، قوانین تحویل سفارش از قبیل قیمت‌های حد/بازار، مقادیر سهم، زمان‌های انتظار و تجدید انرژی و نیز زمان برای افزایش یا کاهش دادن سرعت معاملات بر اساس هدف سرمایه‌گذاری صندوق و شرایط بازاری واقعی تعیین می‌کنند. معامله گران می‌توانند سفارش را لغو کنند یا دستورات معاملات را تقریباً به‌طور آنی تغییر داده و اصلاح نمایند.
• حداقل نشت اطلاعات: نشت اطلاعات زمانی به حداقل می‌رسد که دلال هیچ‌گونه اطلاعاتی در مورد سفارش یا مقاصد معاملات سرمایه‌گذار دریافت نکند. معامله‌گر سمت خرید می‌تواند دستورالعمل‌های معاملات و نیازهای سرمایه‌گذاری‌شان را صرفاً از طریق انتخاب الگوریتم و مشخصات پارامترهای الگوریتمی مشخص کند.
• شفافیت: برای سرمایه‌گذاران مقدار زیادی شفافیت در مورد نحوه‌ی اجرای سفارش فراهم می‌شود. ازآنجایی‌که قوانین اجرای اصلی برای هر الگوریتم پیشاپیش برای سرمایه‌گذاران فراهم می‌شود لذا سرمایه‌گذاران دقیقاً خواهند دانست که الگوریتم چگونه سهام را در بازار اجرا خواهد کرد همان‌طور که الگوریتم‌ها دقیقاً همان کاری را انجام می‌دهند که برایشان برنامه‌نویسی شده است.
• دسترسی: الگوریتم‌ها قادر به فراهم کردن دسترسی سریع و کارآمد به بازارهای مختلف و جاهای تاریک است. آن‌ها همچنین موقعیت مشترک، اتصالات پنهان فراهم می‌کنند که برای سرمایه‌گذاران مزایای اتصالات پرسرعت فراهم می‌کند.
• رقابت: سیر تکامل معاملات الگوریتمی شاهد رقابت شرکت‌کنندگان متعدد بازار از قبیل فروشندگان مستقل، مدیریت سفارش و شرکت‌های نرم‌افزاری مدیریت اجرا، مبادلات، تأمین‌کنندگان شخص ثالث و تیم‌های توسعه داخلی علاوه بر معامله گران سنتی سمت فروش بوده است. سرمایه‌گذاران مزایای این رقابت افزایش‌یافته را به شکل خدمات اجرایی بهتر و هزینه‌های کمتر دریافت کرده‌اند. با ارائه سهولت و انعطاف‌پذیری انتخاب و انتقال بین تأمین‌کنندگان، سرمایه‌گذاران به یک انتخاب، محدود نمی‌شوند. تأمین‌کنندگان الگو، به‌نوبه خود ملزم می‌شوند در بهبود بخشیدن دائمی پیشنهاد‌های و کارایی‌های خود، فعال‌تر گردند.
• هزینه‌های کاهش‌یافته تراکنش: کامپیوترها برای نشان دادن واکنش نسبت به شرایط در حال تغییر بازار و اتفاقات غیرمترقبه، بهتر تجهیز شوند و سریع‌تر باشند. آن‌ها بهتر قادرند از ثبات بین تصمیم سرمایه‌گذار و دستورالعمل‌های معاملات اطمینان دهند؛ که باعث هزینه کاهش‌یافته فشار بازار، ریسک پایین زمان‌بندی و درصد بالاتر سفارش‌های تکمیل‌شده می‌شود.

انواع الگوریتم‌ها

• الگوریتم‌های تک سهمی:

• الگوریتم‌های تک سهمی با بازار بر اساس تنظیمات تعیین‌شده کاربر تعامل می‌کنند و از شرایط بازاری مطلوب تنها زمانی بهره می‌برند که به نفع سفارش و سرمایه‌گذار باشد. الگوریتم‌های تک سهمی مستقل از یکدیگر می‌باشند درحالی‌که در بازار خرید و فروش می‌کنند و تصمیمات را صرفاً بر اساس نحوه‌ی تأثیرگذاری آن تصمیمات بر سفارش فردی می‌گیرند.

• VWAP:

• میانگین قیمت موزون حجم: این الگوریتم‌ها متناسب با منحنی حجم درون روزی مشارکت می‌کنند. اگر ۵% حجم روز در هر دوره زمانی معاملات شود آنگاه الگوریتم VWAP، ۵% سفارش را در آن دوره معامله خواهد کرد. نمودار حجم درون روزی مورد استفاده برای دنبال کردن یک الگوی U شکل با حجم بیشتری در افتتاح و اختتام نسبت به اواسط روز خرید و فروش گردید؛ اما اخیراً نمودارهای حجم درون روزی، بیشت به عقب بارگذاری شده‌اند و بیشتر شبیه یک الگوی J شکل می‌باشند تا الگوی U شکل. یک استراتژی VWAP ام استراتژی ساکن است و در کل روز ثابت باقی می‌ماند.

• TWAP:

• میانگین قیمت موزون زمان:
• این الگوریتم‌ها سفارش‌های را به دنبال یک نرخ مشارکت ثابت در کل روز اجرا می‌کنند. یک سفارش تمام‌روز، تقریباً ۳۹۰/۱ ام سفارش در هر ۱ دقیقه معاملات خواهد کرد. شایان‌ذکر است که بسیاری الگوریتم‌های TWAP با حجم در حراج‌های افتتاح و اختتام شرکت نمی‌کنند چون هیچ روش ریاضیاتی برای تعیین مقدار سهام برای ورود به این حراج‌ها مشارکت نمی‌کنند. در استراتژی‌های معاملات مطلوب، منحنی TWAP به‌عنوان توزیع یکنواخت یا استراتژی یکنواخت اطلاق شد و برای اهداف مقایسه استفاده گردید. یک استراتژی TWAP یک استراتژی ساکن است و در طول روز ثابت باقی می‌ماند.
• حجم:
• این استراتژی‌ها به حجم داخل خط، درصد حجم POV الگوریتم‌های نرخ مشارکت اطلاق می‌شود. این الگوریتم‌ها با حجم بازار با یک نرخ از پیش تعیین‌شده از قبیل ۲۰% مشارکت می‌کنند و همچنان معاملات خواهند کرد تا زمانی که کل سفارش تکمیل گردد. الگوریتم‌ها سهام بیشتری در زمان‌های نقدینگی بالاتر و سهام کمتری در زمان‌های نقدینگی پایین‌تر خرید و فروش خواهند کرد و در نتیجه نسبت به شرایط بازار واکنش نشان می‌دهند. یک اصل این استراتژی‌های حجم این است که آن‌ها تکمیل سفارش را تا پایان افق زمانی تضمین نمی‌کنند. به‌طور مثال اگر ما سفارشی داشته باشیم که متشکل از ۲۰% حجم روز با یک نرخ POV 520% است اما حجم واقعی در آن روز تنها نصف حجم نرمال آن باشد آنگاه سفارش تا پایان روز تکمیل نخواهد شد. به‌عنوان یک ایمنی حول سفارش‌های تکمیل‌نشده بالقوه، برخی معامله گران پارامتری برای اطمینان از تکمیل تا پایان آن دوره پیشنهاد کرده‌اند. این پارامتر به‌عنوان مینیمم نرخ POV عمل می‌کند و برای اطمینان از تکمیل سفارش تا زمان پایان طراحی‌شده، به‌موقع تنظیم می‌گردد.

• قیمت ورودی:

• الگوریتم قیمت ورودی معانی متفاوتی در میان معامله گران و فروشندگان دارد؛ بنابراین صحبت کردن با آن گروه‌ها برای شناخت ویژگی‌های دقیق این الگوریتم‌ها حائز اهمیت است. به‌طورکلی، الگوریتم قیمت ورودی یک استراتژی به حداقل رسانی هزینه است که از یک بهینه‌سازی تعیین می‌شود که رابطه بین هزینه و ریسک را متعادل می‌سازد. کاربران سطح ریسک‌پذیری یا فوریت معاملات خود را مشخص می‌کنند. راه‌حل حاصل برای بهینه‌سازی به زمان‌بندی معاملات یا مسیر معاملات موسوم است و معمولاً روبه‌جلو بارگذاری می‌شود. البته برخی گروه‌ها این بهینه‌سازی را بر اساس نرخ POV به‌جای یک زمان‌بندی ساکن برای بهره بردن از الگوهای نقدینگی در حال تغییر حل می‌کنند.

• نقص اجرا:

• الگوریتم نقص اجرا از جهات زیادی مشابه الگوریتم قیمت ورودی است.نخست، معنای آن در میان معامله گران مختلف و فروشندگان مختلف فرق می‌کند و بنابراین صحبت با آن گروه‌ها برای شناخت ویژگی‌های دقیقشان حائز اهمیت است. دوم، ما الگوریتم نقص اجرا را بر پایه مقاله پرولد قرار می‌دهیم و به دنبال به حداقل رساندن هزینه از طریق یک بهینه‌سازی هستیم که رابطه بین هزینه و ریسک را در یک سطح ریسک‌پذیری تعیین‌شده توسط کاربر متعادل می‌سازد. در روزهای نخست معاملات الگوریتم‌ها، الگوریتم‌های قیمت ورودی و نقص اجرا در میان معامله گران مختلف یکسان بودند. در نتیجه برای متمایزسازی نقص اجرت از قیمت ورودی، معامله گران شروع به تلفیق کردن تاکتیک‌های تطبیق به‌موقع در منطق نقص اجرا کردند. این قوانین مشخص می‌کنند که چگونه راه‌حل اولیه از استراتژی تجویزشده مطلوب در زمان‌های تغییر الگوهای نقدینگی بازار و قیمت‌های بازار انحراف خواهد یافت. در نتیجه درحالی‌که قیمت ورودی و نقص اجرا هنوز تعریف استانداردی در میان صنعت ندارند اما اتفاق‌نظر کلی این است که الگوریتم قیمت ورودی ثابت است درحالی‌که الگوریتم نقص اجرا یک سطح تاکتیک‌های تطبیق دوم را بر اساس حجم‌های بازار و قیمت‌های بازار تلفیق می‌کند.

• الگوریتم‌های سبدی:

• الگوریتم‌های سبدی همچنین موسوم به الگوریتم‌های پرتفوی، الگوریتم‌هایی هستند که رابطه بین هزینه و ریسک سبد کل را بر اساس سطح ریسک‌پذیری تعیین‌شده توسط کاربر مدیریت می‌کنند. این الگوریتم‌ها ریسک را در کل روز معاملات مدیریت خواهند کرد و با شرایط متغیر بازار بر اساس ویژگی‌های خاص کاربر تطبیق خواهند یافت. الگوریتم‌ها معمولاً بر اساس یک فرایند بهینه‌سازی دوره چند معاملاتی می‌باشند. آن‌ها تصمیمات معاملات به‌موقع بر اساس چگونگی تأثیرگذاری آن تصمیمات بر عملکرد کلی سبد می‌گیرند. به‌طور مثال یک الگوریتم سبدی تصمیم می‌گیرد معاملات را حتی هنگام رویارویی با نقدینگی موجود و قیمت‌های مطلوب، سرعت نبخشد اگر این کار را انجام دهد ریسک باقیمانده سبد افزایش می‌یابد. گذشته از آن الگوریتم سبدی در یک سفارش حتی در زمان‌های نقدینگی بد و جنبش قیمت مخالف، تهاجمی‌تر است و این در صورتی است که انجام این کار باعث کاهش معنادار ریسک سبد پسماند می‌گردد. بزرگ‌ترین تفاوت بین الگوریتم‌های تک سهمی و سبدی این است که الگوریتم سبدی، هزینه و ریسک سبد کل را مدیریت می‌کند درصورتی‌که الگوریتم تک سهمی به دنبال مدیریت هزینه و ریسک فردی سهم است. محدودیت‌های مهم معاملات سبدی عبارت‌اند از متعادل‌سازی نقدینگی، تأمین مالی شخصی، مینیمم و ماکزیمم نرخ مشارکت.