Žijeme v době, kdy rozvoj technologií pomalu zasahuje do všech oblastí našeho každodenního života. Umožňují nám zachytit a uchovat daleko větší množství informací, se kterým můžeme pracovat a dále je využívat. Rozvoj vědeckých disciplín jako ekonomie, matematika, statistika, informatika, ale také biologie, které navzájem spolupracují a s podporou rychle se rozvíjejících technologií umožňují přicházet s novými řešeními, která mění a modernizují stávající obchodní svět. Tyto faktory vytvořily skvělé podmínky pro to, aby informační technologie začaly hrát daleko významnější roli i v oblasti financí a obchodování na kapitálových trzích.
Algoritmické obchodování zvyšuje likviditu a efektivitu finančních trhů, snižuje spread mezi nákupními a prodejními kurzy investičních instrumentů a tlačí dolů transakční náklady.
Algoritmické obchodování se stalo populárním na počátku nového tisíciletí. Jak je možné vidět na grafu, podíl algoritmického obchodování na celkovém objemu obchodů stále roste. Největší podíl je v USA, kde koncem roku 2014 tvořilo přes 60 procent (Kučera, 2013). Jedním z důvodů tak prudkého nárůstu je celková změna tržního prostředí a s tím související sílící tlak na rychlost a přesnost zadávaných obchodních příkazů. Dále je to množství dat, která musí obchodníci zvážit, při provádění obchodů.
24
Obrázek 3: Podíl algoritmického obchodování na celkovém zobchodovaném objemu na trhu (%)
Zdroj: Zdroj: (Kučera, 2013)
Svůj díl viny na rozvoji algoritmického obchodování měla také finanční krize v roce 2008, která způsobila, že investoři měli problém s prováděním obchodních příkazů obzvlášť v tak vysoké frekvenci. V průběhu finanční krize nebylo výjimečné, že se ceny investičních instrumentů měnily o 5-10 % denně. Zároveň je důležité zmínit, že na předchozím obrázku jsou pod algoritmické obchody zahrnuty, kromě přímých algoritmických obchodů, také zprostředkovatelské obchody využívající algoritmy.
Pokud investor využil k obchodování brokera, který obchodoval s využitím algoritmů, byl obchod zahrnut v prezentované statistice jako algoritmický.
Pod pojmem algoritmické obchodování rozumíme využívání počítačových programů k obchodování na kapitálových trzích. Ačkoli jsou příkazy vykonávány počítačem, rozhodnutí o obchodování závisí většinou na člověku (v současnosti se využívá také tzv. machine to machine trading neboli obchodování bez vlivu člověka, kde je lidský faktor v podstatě eliminován). Ten nastavuje parametry, jako je například obchodované množství cena, ale také čas, podle kterých jsou obchody realizovány.
Počítač slouží pouze jako nástroj, který usnadňuje analyzování dat, implementaci
25
požadavků a realizaci zvolené obchodní strategie. Jeho výhodou rovněž je, že jeho práce je rychlejší a systematičtější, při práci s velkým množstvím dat postupuje efektivněji, nepodléhá psychologickým vlivům, jako je tomu u lidského obchodníka, ale je řízen čistě číselnými signály.
Algoritmické obchodní systémy, někdy také nazývány jako expertní systémy, v první řadě vyžadují specifikaci investičních cílů do podoby matematických instrukcí, které jsou převedeny do počítačového kódu/příkazu. Vytvořený algoritmus je následně na historických datech testován a ve chvíli kdy naplňuje požadavky, je testovány na datech „živých“, přímo na finančních trzích. Pokud algoritmus projde i druhou testovací fází, je následně používán v praxi. Vyhodnocení úspěšnosti algoritmů a dalších metrik algoritmické strategie je pro využívání algoritmického obchodování klíčové. V případě chyby v algoritmu můžou být důsledky fatální. Na základě zvolených parametrů program samostatně monitoruje trh a zadává nákupní a prodejní příkazy ve chvíli, kdy se tržní situace střetává se vstupními požadavky. V praxi bývají algoritmy optimalizovány pomocí nejrůznějších metod. Příkladem optimalizačních nástrojů je například využití biologických algoritmů, mezi než můžeme zařadit neuronové sítě, kterým se bude věnovat převážná část této diplomové práce.
Neuronové sítě jsou velmi populárním nástrojem na finančních trzích, kde jejich potenciál využití je velmi široký. Je tomu tak především proto, že oproti běžně používaným statistickým metodám disponují řadou výhod. Mezi hlavními je možné zmínit například nulové požadavky na distribuci dat nebo možnosti zařadit kdykoli nová data do testovací množiny a tím aktualizovat neuronovou síť (Arash, 2010). Jsou daleko méně citlivé na chybné předpoklady a jsou schopné tolerovat šum a chaotické komponenty. Pro využití na finančních triích jsou neuronové sítě vhodným nástrojem především pro svou schopnost vypořádat se s nejistotou, na finančních trzích neustále přítomnou (Tan, 1970).
Algoritmické obchodování není samo o sobě strategií. Je to nástroj, jak známé obchodní strategie realizovat. Strategií, které se dají pomocí algoritmů implementovat je celá řada. Mezi ty nejznámější patří například trendové strategie, řízené indikátory
26
technické analýzy. Jejich aplikace není obtížná, protože nevyžaduje žádné predikce vývoje akcie do budoucna. Dále pak například arbitrážní strategie, které hledají nestejně oceněná aktiva na dvou různých trzích a snaží se levně nakoupit a draze prodat. Můžeme zmínit také strategie založené na matematických modelech apod.
Algoritmické obchodování je možné dělit na základě prováděných příkazů na poziční případně intra denního obchodování (viz kapitola 2.) a vysokofrekvenční obchodování (jinak také označované jako HFT, neboli high frequency trading). Vysokofrekvenční obchodování je specifická forma obchodování, kdy především velké investiční banky, hedgové fondy a institucionální investoři využívají počítače s velmi vysokými výpočetními kapacitami pro vstup na automatizované obchodní platformy, kde je realizováno extrémní množství obchodů za velmi krátké časové úseky. Obchodní platformy tohoto typu umožňují díky využití velmi komplexních algoritmů investorům realizovat miliony obchodních příkazů a analyzovat množství finančních trhů a investičních instrumentů v řádech sekund. Spready mezi nákupními a prodejními kurzy jsou velmi malé, často ve výši setin či tisícin centů. Zisků je dosaženo vzhledem k množství a objemu realizovaných transakcí.
Algoritmické obchodování může generovat značné zisky a může pro investory přinášet řadu nepopiratelných výhod, pokud jsou algoritmy správně nastaveny a správně využívány. Je nutné neustále monitorovat a analyzovat chování algoritmů a jejich výkonnost na jednotlivých trzích, obzvlášť v případě, že dojde na trhu k nepředvídaným událostem. Pokud dění na kapitálových trzích odpovídá očekávání, pak by výsledky měly odpovídat předpokladům. Pokud ale dojde na trhu nepředvídatelná událost, na kterou algoritmy nebyly dostatečně natrénovány, může to vést k negativním dopadům na jejich výkonnost v extrémním případě i na celý trh.
V souvislosti s tím je možné zmínit tržní fenomén tzv. flash crash.
27
Obrázek 4: Obrázek 5: Flash Crash, minutový graf S&P, Květen 2010
Zdroj: https://www.investing.com/analysis/analysis/hull-warns-of-hft-cancellations-and-the-illusion-of-liquidity--140236
Jedná se o situaci, kdy na trh nepronikne žádná nová informace, která by zapříčinila změnu ceny obchodovaného aktiva, ale přesto dojde k jejímu výraznému propadu.
Příčina vzniku může být například v nevhodném načasování vysoko objemového příkazu v situaci, kdy je na trhu malá likvidita. Trh v takové situaci nedokáže tento příkaz absorbovat. Jedná se o specifický případ operačního rizika, spojený s vnitřní chybou algoritmu, který nehlídá likviditu na trhu. Dopad na trh je velmi krátkodobý.
Po odeznění nevhodných příkazů se cena aktiva vrací zpět, protože neexistuje fundament, díky kterému by měla být cena stlačena na tak nízkou úroveň. Zároveň může mít ale na dění na trhu velmi negativní důsledky. Jednotlivé subjekty mají na trhu své otevřené pozice a nastavené stop-loss příkazy. Náhlý propad ceny může proto způsobit řetězovou reakci v uzavírání pozic na trhu a subjekty mohou realizovat velké ztráty. K jednomu z nejznámějších případů došlo 6. května 2010, kdy se trh propadl zhruba o 6 %4.
4 Zdroj: https://www.bloomberg.com/opinion/articles/2015-04-21/guy-trading-at-home-caused-the-flash-crash
28