Automatyzacja handlu – czy to metoda na większe zyski?

Wykorzystanie w handlu na rynkach finansowych algorytmów komputerowych to temat coraz częściej dyskutowany przez inwestorów, także przez inwestorów indywidualnych

Coraz częściej spotykamy się z informacjami prasowymi czy doniesieniami agencyjnymi na temat pracujących na rynkach finansowych robotów, które wnikliwie analizują zarówno wszystko to, co dzieje się na samych parkietach, jak również wokół nich – a więc w poszczególnych spółkach czy wręcz całych gospodarkach.

Problem tkwi jednak w tym, że najczęściej słyszymy o nich przy okazji dramatycznych wydarzeń związanych z większymi lub mniejszymi krachami na giełdach.

Analizując potencjalne przyczyny dynamicznych przecen, winnych szuka się właśnie wśród robotów, czy też ściślej mówiąc – programów komputerowych zajmujących się składaniem zleceń. Tymczasem jedną z najważniejszych przyczyn pojawiających się wokół tego tematu nieporozumień jest sama definicja tego pojęcia. Okazuje się bowiem, że uczestnicy prowadzonych dyskusji często mają na myśli różne rodzaje programów, o różnorodnych zastosowaniach.

Mówiąc o automatyzacji handlu czy handlu algorytmicznym, bardzo często myślimy o programach, które na bieżąco pobierają dane rynkowe (najczęściej ceny różnych instrumentów finansowych), przetwarzają je zgodnie z pewną zaszytą w ich wnętrzu logiką, generują na podstawie precyzyjnie określonych reguł decyzyjnych sygnały inwestycyjne oraz składają odpowiednie zlecenia na rachunku brokerskim. Jednak zarówno pierwotne zastosowania, jak i klasyczna definicja handlu algorytmicznego, odnosiły się do prostszych programów, których głównym zadaniem była tylko i wyłącznie optymalna realizacja na rynku dużych zleceń (poprzez podział na mniejsze). Oczywiście tego typu programy w pierwszej kolejności stosowały duże firmy inwestycyjne – przede wszystkim fundusze inwestycyjne, które wprowadzając zmiany w składzie swoich znacznych portfeli, często napotykały problem polegający na powodowaniu istotnych zmian cen rynkowych kupowanych lub sprzedawanych aktywów. Wdrożenie takich rozwiązań było możliwe w latach 90. przede wszystkim dzięki rozwojowi technologii systemów giełdowych, a także upowszechnieniu się handlu elektronicznego umożliwiającego składanie zleceń za pośrednictwem komputerów i Internetu.

Dalszy rozwój technologiczny w końcu lat 90. doprowadził do ukształtowania się nowej, zdecentralizowanej struktury rynków finansowych, którą obserwujemy dziś w Europie Zachodniej czy Stanach Zjednoczonych. Obok tradycyjnych rynków giełdowych i terminowych intensywnie zaczął się wtedy rozwijać segment rynków pozagiełdowych (OTC), w postaci tzw. sieci ECN (Electronic Communication Network), umożliwiających wymianę aktywów z pominięciem giełd, bezpośrednio pomiędzy zainteresowanymi stronami, oraz tzw. Dark Pools, czyli platform kojarzących zlecenia inwestorów na podobnej zasadzie jak ECN, z tym że z zachowaniem pełnej anonimowości uczestników obrotu. Taka struktura rynku finansowego, w którym te same lub podobne aktywa (np. instrumenty pochodne) można dziś kupować lub sprzedawać na co najmniej kilku rynkach jednocześnie, otworzyła przed tradingiem algortymicznym nowe perspektywy. Oprócz dotychczasowych możliwości dzielenia dużych zleceń na mniejsze automaty transakcyjne mogły teraz dodatkowo przekazywać je do kilku platform naraz. Jednocześnie pojawiły się nowe szanse zarabiania pieniędzy związane z istnieniem naturalnych różnic w wycenie tych samych lub wysoko skorelowanych ze sobą aktywów na różnych rynkach. Stąd też szybko pojawiły się nowe instytucje – przede wszystkim fundusze hedge, które wyspecjalizowały się w wykorzystywaniu technik arbitrażu i nowe szanse zaczęły przekuwać na realne zyski.

Biorąc pod uwagę wymagania takiego arbitrażu, to jest nieprzerwane analizowanie znacznej ilości danych pochodzących z różnych rynków, jak również konieczność błyskawicznej reakcji na pojawiające się na rynku nieefektywności, naturalnym kierunkiem badań prowadzonych przez takie fundusze stały się algorytmy komputerowe i automaty transakcyjne.

W ten sposób trading algorytmiczny zyskał nowy wymiar, bo automaty transakcyjne oprócz algorytmu optymalizującego egzekucję zleceń zaczęły zawierać także algorytm generujący sygnały transakcyjne. Segment funduszy hedgingowych ściśle wyspecjalizowanych w arbitrażu międzyrynkowym zyskał natomiast nowe narzędzia idealnie odpowiadające założeniom ich strategii rynkowej.

Takie cechy komputerów, jak praktycznie nieograniczona moc obliczeniowa czy zdolność reakcji w czasie mierzonym tysięcznymi częściami sekundy, które wcześniej nie były dostępne traderom, z czasem umożliwiły powstanie całkiem nowego podejścia do analizowania rynków i generowania sygnałów inwestycyjnych. Obok klasycznych i jednak wciąż dominujących metod analizy fundamentalnej oraz analizy technicznej zaczęto intensywnie rozwijać dziedzinę analizy ilościowej w inwestowaniu (ang. quantitative analysis). O ile założeniem podejścia fundamentalnego jest próba odnalezienia ceny równowagi interesujących inwestorów aktywów przy użyciu modeli mikroekonomicznych lub makroekonomicznych, a celem analizy technicznej jest poszukiwanie powtarzalnych wzorców na wykresach cenowych, o tyle w przypadku analizy ilościowej poszukuje się statystycznie wiarygodnych hipotez dotyczących zależności rynkowych. Zależności te mogą być bardzo różnorodne i przykładowo mogą łączyć ceny tego samego instrumentu finansowego w różnym czasie, ceny różnych instrumentów, cenę jednego instrumentu ze zmiennością innego itp. Ponieważ poszukiwanie takich zależności polega na mozolnym analizowaniu ogromnych ilości danych rynkowych, z jednej strony wymaga to dostępu do odpowiednio dużych i dobrej jakości zbiorów takich danych, z drugiej zaś odpowiedniej wiedzy i praktycznego know-how z pogranicza matematyki, statystyki, inżynierii komputerowej i finansów. To dlatego banki inwestycyjne i inne duże firmy inwestycyjne coraz częściej poszukują inżynierów i fizyków, a coraz rzadziej dyplomowanych finansistów.

Po zidentyfikowaniu takich statystycznych zależności rządzących rynkami programiści ubierają je w kod automatycznego systemu transakcyjnego, który jest w stanie 24 godziny na dobę monitorować wydarzenia na wielu rynkach jednocześnie. W sytuacji, w której cena jakiegokolwiek z monitorowanych aktywów zaczyna łamać określone zależności, robot błyskawicznie generuje sygnał inwestycyjny i składa odpowiednie zlecenie. Zysk z takich transakcji realizowany jest wtedy, gdy ceny odpowiednich aktywów znów znajdą się w typowej dla siebie zależności. Strategie inwestycyjne tego typu, ze względu na pewne analogie do klasycznego arbitrażu, często określa się mianem arbitrażu statystycznego i coraz częściej implementuje się je w postaci algorytmów decyzyjnych w tradingu automatycznym. Warto tu jednak podkreślić, że handel algorytmiczny, w którym działa algorytm odpowiedzialny za podejmowanie decyzji inwestycyjnych, nie determinuje sposobu, w jaki te decyzje są podejmowane. To, czy zastosowana zostanie analiza fundamentalna, techniczna czy ilościowa, zależy wyłącznie od projektanta systemu, chociaż to te dwa ostatnie podejścia mają tutaj największy sens.

Automatyczne strategie transakcyjne zawsze jednak są zdolne do generowania bardzo dużej liczby zleceń w bardzo krótkim czasie. Stąd też wykorzystywanie automatów w ten sposób często określa się mianem handlu wysokich częstotliwości lub w skrócie HFT (od ang. high frequency trading). Taki styl handlu cechuje się w naturalny sposób dużym wolumenem obrotu generowanym w długiej serii krótkoterminowych – pozycje utrzymywane są maksymalnie kilka godzin – transakcji. To właśnie dzięki niemu udział handlu algorytmicznego w całkowitych obrotach danego rynku stanowi dziś według firmy konsultingowej Aite Group szacunkowo od 25 proc. (dla rynku międzybankowego forex) do ponad 50 proc. (dla dojrzałych rynków akcji).

Z czego zatem wynika tak duża – i wciąż rosnąca – popularność tego sposobu składania zleceń wśród inwestorów instytucjonalnych? Podstawowym powodem jest możliwość zastosowania wyżej wspomnianych, nowych strategii inwestycyjnych, które ze względu na wymagania dotyczące szybkiego przetwarzania wielu informacji oraz szybkości reakcji na wydarzenia rynkowe wcześniej praktycznie nie były dostępne.

Warto tu zwrócić uwagę na fakt, że szczególnie strategie charakterystyczne dla HFT, ze względu na zasadniczo różne założenia dotyczące podejmowania decyzji inwestycyjnych, wykazują zwykle bardzo niską korelację stóp zwrotu z tymi osiąganymi w trakcie inwestowania w tradycyjny sposób (fundamentalny lub techniczny). Mogą być dzięki temu potencjalnym narzędziem dywersyfikacji większego portfela inwestycyjnego. Firmom inwestycyjnym zatrudniającym wiele osób odpowiedzialnych za zarządzanie portfelem automatyczne strategie transakcyjne umożliwiają dodatkowo obniżanie kosztów operacyjnych działania. Dodatkowe oszczędności firmy takie osiągają dzięki ograniczeniu w stosunku do tradycyjnie stosowanych strategii inwestycyjnych kosztu utrzymywanych pozycji (tzw. cost of carry). Kosztu, który zwłaszcza teraz, w warunkach rosnącej inflacji, będzie miał coraz większe znaczenie. Zaletą strategii krótkoterminowych jest także zwykle dużo krótszy czas niezbędny do przetestowania efektywności projektowanej strategii w rzeczywistych warunkach rynkowych, zwłaszcza wtedy, gdy algorytm decyzyjny wykorzystuje rezultaty analizy ilościowej opartej na testach statystycznych.

A jakie możliwości w zakresie wykorzystania algotradingu mają inwestorzy indywidualni? Wbrew pozorom całkiem duże. Podobnie jak kilka lat temu wśród prywatnych inwestorów zaczął upowszechniać się dostęp do rynku forex (wcześniej zarezerwowanego tylko dla instytucji), tak teraz obserwujemy taki sam proces w odniesieniu do technologii związanych z handlem algorytmicznym. Na polskim rynku Dom Maklerski BOŚ obecnie jako jedyny oferuje interfejs programistyczny o nazwie bossaAPI umożliwiający programowanie strategii automatycznych na GPW. Zwolennicy rynku forex mają natomiast do dyspozycji platformę BOSSAFX wyposażoną w dedykowany

tworzeniu automatów transakcyjnych język programowania MQL4, oraz – co bardzo istotne – moduł Testera Strategii umożliwiający sprawdzanie efektywności algorytmów na dostępnych w platformie danych historycznych. Widać też rosnące zainteresowanie inwestorów indywidualnych tą tematyką – przede wszystkim ze względu na fakt, iż posługiwanie się strategią automatyczną wymusza niejako mechaniczne (a więc oparte na konsekwentnej realizacji ustalonych reguł) podejście do inwestowania. Wielu inwestorom pozwala ono dodatkowo ograniczyć wpływ czynnika emocjonalnego na prowadzony proces inwestycyjny

Sebastian Zadora - dyrektora Wydziału Sprzedaży Instrumentów Finansowych Dom Maklerski BOŚ