loader image

Opix Algo​

風險控制 質量執行 深度分析

Opix Algo 是一種算法交易服務,通過分析市場微觀結構(例如訂單簿動態)來確定外匯市場中的套利交易機會,從而做出交易決策。

OPIXALGO

架構

LP 1

LP 2

LP 3

LP 4

Price Feed

Maker Warehouse Volume

Pending Order

Liquidation

Economic Statistic

OPIX TRADE

METADATA
SUMMARY DATA
RAW DATA

Transaction Cost Analysis (TCA)

ENTRY STRATEGY

Evaluate patterns and predict trends

Risk & Error Management

Determine Exit Price Range

Exit Strategy

OPIX ALGO

Value Area

1.0060-1.0070

1.0050-1.0060

1.0040-1.0030

1.0020-1.0030

1.0010-1.0020

Probability Of Profit

80%

50%

20%

60%

90%

DATA INPUT

EXTRACTION
TRANSFORMING
LOADING

ANALYSING MAKER WAREHOUSE VOLUME

VARIABLES AND STRATEGY ANALYSING

ANALYSING MAKER WAREHOUSE VOLUME

ANALYSING MAKER WAREHOUSE VOLUME

免責聲明

金融市場是一個瞬息萬變的行業,我們有權改變我們的交易策略,為我們的客戶帶來最好的回報。

訂單執行
提供訂單簿數據

流動性
提供商

訂單匹配

Opix Algo

結構圖

速度<1秒

已完成的訂單 100%

訂單提交

訂單的路由

訂單執行
提供訂單簿數據

流動性
提供商

訂單匹配

Opix Algo

結構圖

速度 <1秒

已完成的訂單 100%

訂單提交

訂單的路由

Opix Algo

結構圖

速度<1s

已完成的訂單 100%

CEO

沒有人能始終如一地預測市場。這都是關於統計學、概率和風險回報率。

OpixTrade 是Opix Algo的支柱

OpixTrade是一個尖端的交易和分析平台,是專門為訂單流分析設計的。它配備了深層與便捷的市場分析所需的所有工具。

Opix Algo正在通過訂單流分析 市場微觀結構,以獲得交易量分佈和限價訂單的數據,從而確定做市商的需求/供應範圍。 做市商的訂單流信息量很大,對匯率有最強的預測能力,可能反映了他們處理 基本面信息的能力。他們的流動性具有永久的預測能力,而來自其他群體的流動性只能預測匯率的過渡性變化。這些數據可以被傳輸到 預測高成交量的區域,以促進 價格發現和製定可靠的收益曲線。

我們認為訂單流是私人信息的有效代理變量,並經常被用於我們在外匯、股票、債券和期貨市場的研究。訂單流分析使我們能夠讀取以下數據:

做市商是交易所的個人參與者或成員公司,他們幫助創造市場,讓投資者購買或出售證券。傳統上,提供者(”做市商”)和客戶之間的外匯交易是在代理或委託的基礎上進行的。如果提供者作為委託人(’做市商’),他們將交易加入自己的賬戶,因此他們面臨市場風險。例如,當交易者(”交易方”)提交7手市場買單時,該交易由做市商提供。因此,做市商暴露了7手賣單的市場風險。


由於 做市商是風險厭惡者,他們的目標是增加其財富的預期價值,減少其風險性。當做市商有一個多頭頭寸時,購買額外的訂單是沒有吸引力的,因為它增加了他的風險暴露;賣出訂單是有吸引力的,因為它減少了風險。因此,做市商正在尋求在一個價值價格範圍內減持他們的頭寸。


這種對 訂單流做市商倉庫量的分析,使Opix Algo能夠確定做市商 積累或減少庫存的可能性,以便在特定的價格範圍內完成交易。同樣,Opix Algo可以預測在給定價格範圍內大量供應的概率,使我們能夠保證以最低成本完成交易。

線性回歸算法是一種經典的數學和統計工具,用於衡量兩個變量之間的關聯。從技術上講,如果有一個自變量X和一個取決於X的因變量Y,線性回歸可以幫助我們得到一個最適合數據集的線性模型Y=α+βX。

Opix Algo通過使用線性回歸模型來 預測基於微觀結構變化的資產價格變化。它通過首先找到一組最適合訓練數據的係數來進行這些預測,其中最適合的係數是通過最小化某個成本函數來確定的。在找到係數(β)後,它通過將係數與特定資產的輸入變量相乘來進行預測。輸入的數據包括但不限於資產價格、交易量、技術指標、限價訂單簿、訂單大小和時間框架。 

基於人工神經網絡的決策是為競價策略、風險管理、分析模式和預測而開發的。人工神經網絡有能力從我們的數據輸入中學習和產生自己的知識,如訂單簿、投標價格、訂單流,它試圖通過給出一個解決方案來預測資產的價格變化。在時間序列問題上,ANN需要從歷史數據集中建立一個預測模型來預測未來的數據點。簡而言之,ANN模型通過對 需求和供應模式進行分類,足以深入了解市場的方向性變化。

Date

AUD - USD 2019

EUR - USD 2019

Number of Dataset

Training

Testing

1,390

600

1,340

500

Result

MAE

RSME

0.005

0.0054

0.0048

0.005

Table 1: Result of ANN Model for classifying “Demand” and “Supply” patterns

Date

AUD - USD 2019

EUR - USD 2019

Demand &
Supply Group

Supply Zone

Demand Zone

Supply Zone

Demand Zone

Result

MAE

RSME

0.0454

0.1939

0.081

0.2501

0.013

0.0614

0.0642

0.2283

Table 2: Result of ANN Model for classifying different types of patterns in each group

Table 1: Result of ANN Model for classifying “Demand” and “Supply” patterns

Table 2: Result of ANN Model for classifying different types of patterns in each group

動態時間扭曲(DTW)算法被稱為是模式匹配交易系統的有效方法。 DTW是一種時間序列對齊算法,通過扭曲距離來測量兩個序列的向量值,直到兩個序列之間達到最佳匹配。 Opix Algo 實施 DTW 以在預測的價格範圍內自動匹配和確定交易位子

ExperimentDatasetAccuracy Rate
1AUD - USD 2019 (Jan - August)70%
2EUR - USD 2019 (Jan - August)72%

Table 3: DTW algorithm Prediction

實施了需求和供應組的模式

ANN學習和測試組別模式

ANN在每個需求和供應組中學習和測試不同類型的模式

用我們的ANN模型評估未知的模式,進行分類

實施DTW算法來預測組別

結果以不同的過濾值報告。 Opix Algo將把結果分解為不同的績效指標。如下所示:

Total gain ​

Total Gain = Σ Profit / Loss ​

Largest loss per trade

Largest Loss per Trade = Minimum [ profit/loss ]

Largest gain per trade

Largest Gain per Trade = Maximum [ profit/loss ] ​

Average profit per trade

Average Profit per Trade = Total gain / Total No. of Trades​

Winning trades

Winning Trades = Σ Trades|(profit / loss > 0) ​

Percentage of Winning trades

Percentage of Winning Trades = [ Σ Winning Trades / Σ Buy_Signals + Σ Sell_ Signals ] x 100

Percentage of Correct Trades to Perfect Foresight

Correct Trades = Σ Trades|Signal PF
Percentage of Correct Trades to Perfect Foresight = [ Σ Correct Trades / Σ Trades ] x 100

我們在這一頁中所說的分析方法是Opix Algo分析交易量、訂單和交易數據的策略。我們的算法表明,線性回歸模型可以確定微觀結構和市場深度的變量;ANN模型可以對需求和供應區的模式進行分類,並為DTW算法存儲結果趨勢向量的值,以預測未來的價格範圍。同樣,由於做市商在外匯市場上的作用和資本,做市商庫存量是非常重要的數據。

當合用這些模型時,Opix Algo即使採用基本的交易策略也是有利可圖的。因此,我們得出結論,Opix Algo足以洞察外匯市場的短期方向性變化和在高成交量價格範圍內的交易能力。

過去的表現

用有效的算法使你的資金增長,並確保產出可持續的財富

風險

算法安全

市場風險來自於不利的市場變動、算法、IT系統和流程的潛在故障以及人為錯誤。

Opix Algo 交易前的控制

在市場訂單被發送至市場之前對其進行檢查。它們允許在交易發生在定義的價格閾值之外、超過最大規模、或自動發布過多的訂單時,自動阻止或取消訂單。

Opix Algo 交易執行中的控制

允許算法在執行過程中調整執行參數,通常是在市場條件發生變化,或算法表現出不理想或意想不到的方式。這一點很重要,例如,在流動性特別低的情況下,做市商可能主導交易量或完全停止交易。

Opix Algo 交易後的控制

涉及對日內市場的持續監控,並在突破限額時與對手方進行交易。算法識別錯誤和潛在的問題,分析特定的場景並改進執行策略和風險控制。

LANGUAGE