Trading-strategy-for-mispricing

Trading-strategy-for-mispricing

Standar deviasi-dalam-bollinger-band
Option-trading-club-singapura
Tier-1-option-trading


Pilihan-trading-payoff Indiabulls-online-trading-brokerage Simple-moving-average-tutorial Option-trading-strategies-graphs Vix-option-trading-strategies Hysteresis-moving-average

Belajar Mesin dan Perdagangan Otomatis Pendek Besar (saya menyukainya) Mencari strategi trading dengan backtests yang menguntungkan - UPDATE Saya memiliki beberapa percakapan yang sangat menarik karena saya menawarkan kerangka perdagangan intraday non-publik saya untuk mendapatkan informasi mengenai strategi yang menguntungkan, oleh karena itu saya Ingin memperpanjang panggilan terbatas hanya waktu ini tanpa batas waktu. Perhatikan bahwa saya tidak mencari ide strategi. Saya memiliki banyak dari mereka sendiri. Tantangannya tidak terletak pada ide yang ada, tapi dalam memilih yang benar dan mengujinya sampai akhir, kapan Anda akan tahu bahwa itu berhasil atau tidak. Faktor kritis di sini adalah waktu. Jadi, apa dasarnya saya adalah perdagangan yang telah saya investasikan ke dalam pengembangan kerangka perdagangan intraday yang solid dengan waktu yang telah Anda investasikan untuk mengembangkan strtategy perdagangan yang menguntungkan. Ini bisa menjadi strategi saham, ETF, masa depan atau pilihan. Semua diskusi dan pertukaran informasi akan dijaga kerahasiaannya. Saya tentu saja terbuka untuk mendiskusikan ide secara murni, tapi tolong jangan mengharapkan saya untuk mengujinya untuk Anda dan jangan mengeluh jika menerapkannya tanpa meminta persetujuan Anda. Panggilan untuk Proposal Mencari strategi perdagangan dengan backtests yang menguntungkan Sampai 15 Juni. Saya menerima proposal untuk strategi perdagangan yang menjanjikan pada indeks saham, mata uang dan sahambondcommodity. Strategi ini harus menguntungkan dalam backtesting dan memiliki rasio sharpe tahunan setidaknya 1,0. Pada tanggal 1 Juli, dua strategi yang paling menjanjikan akan dipilih dan penulis mereka dapat memilih salah satu dari opsi berikut: 1) Dapatkan salinan lengkap dan gratis dari kerangka kerja perdagangan non publik yang disempurnakan berdasarkan R yang telah saya kembangkan dan gunakan Sejak 2012 dan bisa penulis gunakan untuk live trading strategi mereka dengan Interactive Brokers. (Versi publik yang disederhanakan dapat didownload di sini) 2) Masuk ke dalam kesepakatan kerja sama di mana saya akan berkomitmen untuk menerapkan strategi mereka di R dan perdagangan kertas selama maksimal tiga bulan. Semua perdagangan individu akan dibagi dengan penulis saat mereka berada di sana. Selain itu, kode R yang spesifik untuk strategi (bukan kode kerangka kerja perdagangan) akan diserahkan kepada penulis strategi. Apa yang harus disampaikan: Deskripsi lengkap tentang strategi ditambah daftar perdagangan ditambah waktu pengembalian kode backtest atau kode Roctavepython yang dapat digunakan secara langsung untuk menghitung backsest return timeseries, bersama dengan dataset lengkap harga yang digunakan di backtest. Kirimkan ke email saya yang tersedia di bagian Kontak Pembaruan Kerangka Perdagangan Intraday R murni Akhirnya saya menemukan waktu untuk melakukan ini. Lama tertunda. Kerangka kerja sekarang berjalan dengan versi terbaru (unix) dari IB TWSGW (versi 9493 dan yang lebih tinggi). Ini sendiri membutuhkan penulisan kembali sebagian dari beberapa fungsi dari paket IBrokers R yang hebat tapi sekarang agak ketinggalan zaman oleh Jeff Ryan. Juga konfigurasi default untuk trading EURUSD telah diupdate sehingga sekarang menjadi sepotong kue untuk menjalankan contoh strategi dummy. Cukup kloning repo git ke mesin lokal Anda. GithubcensixINTRADAY-PartAB dan ikuti README. Sesuatu tentang Hardware Aku masih penggemar memiliki logam saya sendiri. Tentu, melakukan hal-hal dengan gambar mesin yang dapat dikonfigurasi di awan sangat populer karena Anda tidak perlu repot mengelola perangkat keras Anda sendiri, namun, bukankah kerumitan itu benar-benar hanya menjadi masalah bagi organisasi besar di mana ratusan pengguna harus tetap bahagia di Biaya minimal Begitu juga awan bukan hanya solusi untuk masalah orang-orang yang harus mengelola skala, tapi pada saat bersamaan mencoba menjual-pada solusi itu ke joe individu di luar sana yang, mari menghadapinya, tidak benar-benar membutuhkannya. Bagaimanapun, seperti yang saya katakan, saya adalah penggemar yang memiliki logam saya sendiri. Hardware off-the-shelf yang murah bisa membawa Anda jauh jika Anda meluangkan waktu untuk mengkonfigurasinya dengan benar. Sebuah desktop RAM 16-64Gb dengan satu atau bahkan dua GPU akan cukup banyak melakukan apapun yang Anda butuhkan. Tampaknya strategi backtesting menggunakan lebih banyak sumber daya komputasi daripada perdagangan live aktual, oleh karena itu hari ini Anda dapat menyiapkan dan menjalankan strategi intraday dari laptop yang layak dengan keyakinan, sedangkan untuk backtesting dan penelitian Anda benar-benar menginginkan monster CPU RAM GPU Di atas atau sekelompok kecil supercomputing kecil Anda sendiri, seperti yang baru saja saya jelaskan di sini. Murni R Intraday trading framwork Download lengkap tersedia Saya telah membuat INTRADAY-PartA.tar.gz dan INTRADAY-PartB.tgz tersedia untuk didownload. Censixdownloads.html Menemukan hubungan antara aset yang dapat digunakan untuk arbitrase statistik Alih-alih berfokus pada peramalan arah harga dan volatilitas harga dengan model nonlinier yang diperoleh dengan metode pembelajaran mesin, alternatifnya adalah mencoba dan menemukan hubungan harga yang dapat dieksploitasi antara aset kelas yang sama. Dan bereaksi (trade) ketika terjadi kesalahan penulisan, dengan kata lain, melakukan arbitrase statistik. Dalam arti ini mungkin lebih mudah daripada mencoba meramalkan harga, karena satu-satunya yang harus dilakukan adalah menemukan hubungan linier atau linier yang relatif stabil antara satu kelompok dengan setidaknya dua aset dan mengasumsikan bahwa, dari saat Pendeteksiannya, hubungan itu akan berlanjut untuk beberapa waktu ke depan. Perdagangan dengan asumsi ini kemudian sangat banyak proses reaktif yang dipicu oleh pergerakan harga yang menyimpang secara signifikan dari hubungan model. Perdagangan Pasangan Tradisional dan perdagangan assetts dalam VECM (Vector Error Correction Model) adalah contoh yang baik untuk statarb dengan menggunakan model linier. Jadi mengapa tidak menggunakan jaringan syaraf tiruan satu lapisan atau bahkan RBM untuk menemukan hubungan harga non linier antara dua aset tidak terkointegrasi dan jika proses penemuan ini berhasil, lakukan perdagangan dengan cara yang mirip dengan pasangan klasik. Hal menjadi lebih menarik lagi bila kelompok dengan lebih dari dua aset dipertimbangkan. Ini kemudian menjadi persamaan non-linear dari VECM. Pilihan Fitur Breadth vs Depth Katakanlah kita memiliki target predikat predecessition univariat yang bisa berupa regresi atau klasifikasi tipe, dan kita harus memutuskan fitur input apa yang akan dipilih. Lebih konkretnya, kita memiliki sekumpulan besar timeseries yang bisa kita gunakan sebagai masukan dan kita ingin tahu berapa banyak yang harus kita pilih (luasnya) dan juga seberapa jauh ke belakang kita ingin mencari masing-masing (kedalaman). Ada dua dimensi ruang pilihan, dibatasi oleh empat kasus ekstrem berikut, dengan asumsi bahwa kita memiliki total seri N dan paling tidak kita dapat melihat kembali timesteps K: (1) hanya memilih satu seri dan tampilan balik Satu timestep, (2) pilih hanya satu seri dan lookback K timesteps, (3) pilih seri N dan lihat satu timestep, (4) pilih seri N dan lookback K timesteps. Pilihan yang optimal kemungkinan besar bukan salah satunya, karena (1) dan (2) mungkin tidak mengandung cukup informasi prediksi dan (3) dan terutama (4) tidak dapat dilakukan karena kontraksi komputasi atau mengandung terlalu banyak noise acak. Cara yang disarankan untuk mendekati ini adalah mulai dari kecil pada (1), lihat kinerja apa yang Anda dapatkan, dan kemudian tingkatkan ukuran ruang masukan, baik secara luas atau mendalam, sampai Anda mencapai kinerja prediksi yang memuaskan atau sampai Anda lelah. Sumber daya komputasi Anda dan perlu untuk mengabaikan keseluruhan pendekatan :( atau beli desktop baru (pertanian) :) Menggunakan Stacked Autoencoders dan Mesin Boltzmann yang Dibekukan di R 12 Februari 2014 Stacked Autoencoders (SAs) dan Mesin Boltzmann yang Dibatasi ( RBM) adalah model yang sangat kuat untuk pembelajaran tanpa pengawasan. Sayangnya, pada saat penulisan ini terlihat seolah-olah tidak ada implementasi R langsung yang tersedia, yang mengejutkan karena kedua tipe model telah ada selama beberapa waktu dan R memiliki implementasi untuk jenis model pembelajaran mesin lainnya. Sebagai solusi, SA dapat diimplementasikan dengan menggunakan salah satu dari beberapa paket jaringan syaraf R yang cukup cepat (nnet, AMORE) dan RBMs, nah, seseorang harus menulis implementasi R yang baik untuk mereka. Namun mengingat bahwa pelatihan kedua tipe model ini membutuhkan banyak sumber daya komputasi, kami juga menginginkan implementasi yang bisa memanfaatkan GPU. Jadi saat ini solusi paling sederhana yang kita miliki adalah menggunakan Theano. Ini bisa menggunakan GPU dan ini menyediakan implementasi autoencoders dan RBM yang ditumpuk (denoising). Selain kode PythonTheano untuk beberapa varian Mesin Boltzmann lainnya yang lebih eksotis juga beredar di net. Kita bisa menggunakan rPython untuk memanggil fungsi Python ini dari R tapi tantangannya adalah data. Mendapatkan dataset besar bolak-balik antara R dan Python tanpa menggunakan serialisasi ascii yang mengimplementasikan rPython (terlalu lambat) perlu dipecahkan. Implementasi autoencoders setidaknya sama kuat yang mendukung penggunaan GPU tersedia melalui kerangka kerja Torch7 (demo). Namun, fungsi Torch7 dipanggil menggunakan lua dan memanggilnya dari dalam R alih-alih akan memerlukan beberapa pekerjaan di tingkat C. Sebagai kesimpulan: Gunakan Theano (Python) atau Torch7 (lua) untuk model pelatihan dengan dukungan GPU dan tuliskan model yang dilatih untuk diajukan. Di R, impor model yang dilatih dari file dan digunakan untuk prediksi. Update 25 April 2014: Solusi bagus berikut Call Python dari R melalui Rcpp harus membawa kita satu langkah lebih dekat untuk menggunakan Theano secara langsung dari R. Frekuensi Apa untuk Perdagangan. 13 Januari 2014 Saat mencoba menemukan pola pasar yang dapat dieksploitasi yang bisa diperdagangkan sebagai pedagang eceran, salah satu pertanyaan pertama adalah: Frekuensi perdagangan apa yang harus dilihat pada Harian Mingguan Bulanan atau intraday antara 5 detik sampai 1 jam Dengan waktu terbatas yang tersedia untuk Melakukan penelitian pada semua rentang waktu ini, ini menjadi pertanyaan penting untuk dijawab. Saya dan orang lain telah mengamati bahwa tampaknya ada hubungan yang sederhana antara frekuensi perdagangan dan jumlah usaha yang dibutuhkan untuk menemukan strategi yang menguntungkan yang murni kuantitatif dan memiliki risiko yang dapat diterima. Singkatnya: Semakin rendah (lambat) frekuensi yang Anda inginkan untuk diperdagangkan, semakin pintar strategi menguntungkan Anda. Sebagai contoh, orang bisa melihat frekuensi spektrum yang sangat tinggi, di mana strategi pemasaran berdasarkan matematika yang sangat sederhana bisa sangat menguntungkan, jika Anda berhasil cukup dekat ke pusat pasar. Mengambil lompatan besar ke ranah frekuensi harian, menjadi jauh lebih sulit untuk menemukan strategi kuantitatif yang menguntungkan sementara masih didasarkan pada matematika yang agak sederhana. Perdagangan dalam interval mingguan dan bulanan, dengan menggunakan metode kuantitatif sederhana atau indikator teknis hanya merupakan resep bencana yang sangat bagus. Jadi, dengan asumsi sejenak hubungan ini memang benar dan juga mengingat bahwa kita dapat dan ingin menggunakan teknik pembelajaran mesin yang canggih dalam strategi trading kita, kita dapat memulai dengan jendela frekuensi mingguan dan berjalan menuju frekuensi yang lebih tinggi. Perdagangan mingguan tidak harus otomatis sama sekali dan bisa dilakukan dari antarmuka pialang berbasis web. Kita bisa mengembangkan sekumpulan strategi, menggunakan data historis yang tersedia untuk umum dikombinasikan dengan algoritma pembelajaran favorit kita untuk menemukan pola pasar yang dapat diperdagangkan dan kemudian menjalankan strategi secara manual. Pada skala ini, semua upaya harus dilakukan untuk menemukan dan menyempurnakan strategi kuantitatif dan pemikiran yang sangat kecil perlu dimasukkan ke dalam eksekusi perdagangan. Upaya otomasi perdagangan: 0. Strategi yang dibutuhkan cerdas: 100 Perdagangan harian harus otomatis, kecuali Anda benar-benar dapat mendedikasikan porsi tetap hari Anda untuk memantau pasar dan mengeksekusi perdagangan. Mengintegrasikan algoritma pembelajaran mesin dengan perdagangan harian otomatis bukanlah tugas sepele, namun bisa dilakukan. Upaya otomasi perdagangan: 20, Kebutuhan kecerdasan strategi: 80 Pada rentang waktu intraday, mulai dari menit dan detik sampai sub-detik, usaha yang harus Anda lakukan untuk mengotomatisasi perdagangan Anda dapat berada di manapun dalam kisaran antara 20 dan 90. Untungnya semakin kecil Skala waktu menjadi bodoh strategi Anda, tapi bisu tentu saja merupakan konsep relatif di sini. Upaya otomasi perdagangan: 80, dibutuhkan kecerdasan Strategi: 20 Fitur apa yang akan digunakan. Hand-crafted vs. pelajari 10 Desember 2013 Pada satu titik dalam perancangan sistem pembelajaran (mesin), Anda pasti akan bertanya kepada diri sendiri fitur apa yang akan dimasukkan ke model Anda. Setidaknya ada dua pilihan. Yang pertama adalah menggunakan fitur hand-crafted. Pilihan ini biasanya akan memberi Anda hasil yang bagus jika fitur dirancang dengan baik (tentu saja ini adalah tautologi, karena Anda hanya akan menyebutnya dirancang dengan baik jika memberi hasil yang bagus.). Merancang fitur buatan tangan memerlukan pengetahuan ahli tentang bidang dimana sistem pembelajaran akan diterapkan, yaitu klasifikasi audio, pengenalan gambar atau dalam kasus perdagangan kami. Masalahnya di sini adalah Anda mungkin belum memiliki pengetahuan ahli tersebut (dan) dan akan sangat sulit didapat atau membutuhkan banyak waktu atau kemungkinan besar keduanya. Jadi alternatifnya adalah dengan mempelajari fitur dari data atau dengan kata lain, gunakan pembelajaran tanpa pengawasan untuk mendapatkannya. Satu persyaratan di sini adalah Anda benar-benar membutuhkan banyak data. Jauh lebih banyak dari yang Anda butuhkan untuk fitur buatan tangan, tapi sekali lagi itu tidak perlu diberi label. Namun manfaatnya jelas. Anda tidak perlu menjadi ahli di bidang spesifik yang Anda desain untuk sistem, yaitu perdagangan dan keuangan. Jadi, sementara Anda masih perlu mencari tahu bagian mana dari fitur yang dipelajari akan menjadi yang terbaik untuk sistem pembelajaran Anda, itu juga sesuatu yang harus Anda lakukan dengan fitur buatan tangan. Saran saya: Cobalah merancang beberapa fitur buatan tangan sendiri. Jika mereka tidak melakukan dan Anda memiliki alasan bagus untuk percaya bahwa adalah mungkin untuk memiliki hasil yang lebih baik daripada yang Anda dapatkan, gunakan metode pembelajaran tanpa pengawasan untuk mempelajari fitur. Anda bahkan bisa membuat sistem hybrid yang menggunakan fitur yang dirancang dan dipelajari bersama. Mengapa saya menggunakan alat Open Source untuk membangun aplikasi perdagangan 19 November 2013 Ketika saya mulai melihat-lihat melakukan trading otomatis saya sendiri, saya memiliki tiga persyaratan mengenai perangkat yang ingin saya gunakan. 1) Mereka harus biaya sesedikit mungkin untuk memulai, bahkan jika itu berarti saya harus melakukan banyak pemrograman dan penyesuaian sendiri (akan memakan waktu) 2) Harus ada komunitas orang yang berpikiran sama di luar sana. Menggunakan alat yang sama untuk tujuan yang sama. 3) Alat harus memungkinkan saya masuk lebih dalam ke isi perut dari sistem jika perlu, bahkan jika pada awalnya, tujuan saya lebih banyak untuk menemukan dasar-dasarnya. Saya tidak ingin menemukan diri saya dalam situasi di mana dua tahun ke depan saya perlu beralih ke perangkat yang berbeda, hanya karena yang telah saya mulai dengan tidak mengizinkan saya melakukan apa yang saya inginkan karena masalah dengan Sumber tertutup dan lisensi yang membatasi. Akibatnya, saya memilih R sebagai bahasa pilihan untuk mengembangkan algortihms dan mulai menggunakan Interactive Brokers karena mereka menyediakan API untuk berinteraksi dengan sistem broker mereka. Meskipun ada banyak alat perdagangan bagus yang terhubung ke IB Trader Workstation dan beberapa dapat digunakan untuk perdagangan otomatis, namun tidak ada yang menawarkan kekuatan, fleksibilitas, dan dukungan komunitas yang sama dengan yang dimiliki proyek R. Selain itu, R telah benar-benar merupakan gudang yang menakjubkan dari paket pembelajaran statistik dan mesin gratis dan sangat adavanced, sesuatu yang penting jika Anda ingin membuat algoritme perdagangan. Salinan Cipta Censix 2013 - 2015Cara Memilih Saham Untuk Perdagangan Hari Perdagangan Hari adalah teknik perdagangan khusus yang dibeli oleh trader dan dan menjual instrumen keuangan beberapa kali selama satu hari, untuk memanfaatkan volatilitas harga aset. Sementara investor swasta dapat menerapkan strategi investasi ini. Ini lebih umum merupakan fenomena kelembagaan, karena lembaga keuangan dapat sangat memanfaatkan transaksinya untuk meningkatkan profitabilitasnya. Karena banyak broker memungkinkan perdagangan online, perdagangan hari dapat dilakukan dari mana saja, hanya dengan beberapa alat dan sumber daya yang diperlukan. Namun, perdagangan hari secara inheren merupakan strategi investasi yang sangat berisiko. Likuiditas dan Likuiditas Tinggi Likuiditas, di pasar keuangan. Mengacu pada kemudahan relatif dimana keamanan diperoleh, dan juga tingkat dimana harga keamanan dipengaruhi oleh perdagangannya. Saham yang lebih likuid lebih mudah ditransaksikan juga, saham cair cenderung lebih tinggi diskonnya daripada saham lainnya dan oleh karena itu lebih murah. Selain itu, ekuitas yang ditawarkan oleh perusahaan dengan kapitalisasi pasar yang lebih tinggi seringkali lebih likuid daripada perusahaan dengan pangsa pasar yang lebih rendah, karena lebih mudah menemukan pembeli dan penjual untuk saham yang bersangkutan. Saham yang menunjukkan volatilitas lebih banyak meminjamkan strategi perdagangan hari juga. Misalnya, saham mungkin volatile jika perusahaan penerbitnya mengalami varians yang lebih banyak dalam arus kasnya. Sementara pasar akan mengantisipasi perubahan ini untuk sebagian besar, ketika keadaan yang meringankan terjadi, pedagang hari dapat memanfaatkan mispricing aset, seperti krisis euro yang sedang berlangsung saat ini. Ketidakpastian di pasar menciptakan situasi perdagangan hari yang ideal. Volume Perdagangan dan Volume Perdagangan Volume (TVI) Volume saham yang diperdagangkan adalah ukuran berapa kali barang itu dibeli dan dijual dalam jangka waktu tertentu. Periode waktu ini paling sering dalam satu hari perdagangan. Volume lebih banyak menunjukkan ketertarikan pada saham, apakah bunga itu bersifat positif atau negatif. Seringkali, kenaikan volume saham diperdagangkan mengindikasikan pergerakan harga yang akan terjadi. Pedagang hari sering menggunakan Trade Volume Index (TVI) untuk menentukan apakah akan membeli saham atau tidak, yang mengukur jumlah uang yang mengalir masuk dan keluar dari aset. Jasa Keuangan Perusahaan jasa keuangan menyediakan stock trading yang sangat baik. Bank of America, misalnya, adalah salah satu saham yang paling diperdagangkan per saham yang diperdagangkan per sesi perdagangan. BoA adalah kandidat utama untuk perdagangan hari, meskipun sistem perbankan dipandang dengan meningkatnya skeptisisme, karena industri ini telah menunjukkan aktivitas spekulatif sistemik, yang berpuncak pada jurang derivatif JP Morgans 2 miliar. Selain itu, volume perdagangan Bank of America tinggi, menjadikannya stok yang relatif likuid. Untuk alasan yang sama, Wells Fargo. JP Morgan amp Chase, Citigroup dan Morgan Stanley membuat saham perdagangan hari yang sangat populer. Semua memamerkan volume perdagangan tinggi dan kondisi industri yang tidak pasti. Media Sosial Industri Media Sosial juga menjadi sasaran yang menarik untuk perdagangan hari ini, baru-baru ini. Masuknya perusahaan media online, seperti LinkedIn dan Facebook, telah diikuti oleh volume perdagangan yang tinggi untuk saham mereka. Selain itu, debat mengamuk karena kemampuan perusahaan-perusahaan ini mentransformasi basis pengguna mereka yang luas menjadi aliran pendapatan yang berkelanjutan. Sementara harga saham secara teoritis mewakili arus kas terdiskonto dari perusahaan penerbitan mereka, valuasi terakhir juga memperhitungkan potensi pendapatan perusahaan. Dengan demikian, beberapa analis berpendapat bahwa ini menghasilkan valuasi saham yang lebih tinggi daripada yang disarankan oleh fundamental. Either way, media sosial terus menjadi grup saham perdagangan hari yang populer. Perdagangan Bottom Line Day, sementara strategi investasi yang sangat berisiko, juga sangat umum dan sangat menguntungkan. Variabel seperti likuiditas relatif, volatilitas, volume perdagangan dan kondisi industri bervariasi, semuanya merupakan faktor pendukung dalam menentukan saham mana yang terbaik untuk perdagangan hari. Total nilai pasar dolar dari seluruh saham perusahaan yang beredar. Kapitalisasi pasar dihitung dengan cara mengalikan. Frexit singkatan dari quotFrench exitquot adalah spinoff Prancis dari istilah Brexit, yang muncul saat Inggris memilih. Perintah ditempatkan dengan broker yang menggabungkan fitur stop order dengan pesanan limit. Perintah stop-limit akan. Ronde pembiayaan dimana investor membeli saham dari perusahaan dengan valuasi lebih rendah daripada valuasi yang ditempatkan pada. Teori ekonomi tentang pengeluaran total dalam perekonomian dan pengaruhnya terhadap output dan inflasi. Ekonomi Keynesian dikembangkan. Kepemilikan aset dalam portofolio. Investasi portofolio dilakukan dengan harapan menghasilkan laba di atasnya. Pasar Futures ini - Bagian 4: Apa itu Kontrak Berjangka Futures Trading Short Course Tidak seperti saham, yang mewakili ekuitas di perusahaan dan dapat dimiliki untuk waktu yang lama, jika tidak terbatas, kontrak futures memiliki kehidupan yang terbatas. Mereka terutama digunakan untuk lindung nilai risiko fluktuasi harga komoditas atau untuk mengambil keuntungan dari pergerakan harga, bukan untuk pembelian atau penjualan komoditas tunai yang sebenarnya. Kata quotcontractquot digunakan karena kontrak berjangka memerlukan pengiriman komoditi dalam bulan yang dinyatakan di masa depan kecuali jika kontrak tersebut dilikuidasi sebelum kadaluarsa. Pembeli kontrak berjangka (partai dengan posisi long) setuju dengan harga beli tetap untuk membeli komoditas yang mendasari (gandum, emas atau T-bills, misalnya) dari penjual pada saat berakhirnya kontrak. Penjual kontrak berjangka (pihak yang memiliki posisi short) setuju untuk menjual komoditas yang mendasarinya kepada pembeli pada saat jatuh tempo dengan harga jual tetap. Seiring berjalannya waktu, perubahan harga kontrak relatif terhadap harga tetap di mana perdagangan dimulai. Hal ini menciptakan keuntungan atau kerugian bagi trader. Dalam kebanyakan kasus, pengiriman tidak pernah terjadi. Sebagai gantinya, baik pembeli maupun penjual, yang bertindak independen satu sama lain, biasanya melikuidasi posisi panjang dan pendek sebelum kontrak berakhir pembeli menjual futures dan penjual membeli futures. Arbitrase di pasar berjangka terus-menerus mengamati hubungan antara uang tunai dan futures untuk mengeksploitasi mispricing semacam itu. Jika, misalnya, arbitrase menyadari bahwa masa depan emas pada bulan tertentu terlalu mahal terkait dengan pasar emas tunai dan atau suku bunga, dia akan segera menjual kontrak tersebut karena mengetahui bahwa dia dapat mengunci keuntungan tanpa risiko. Pedagang di lantai bursa akan melihat aktivitas penjualan yang berat dan bereaksi dengan cepat menekan harga futures, sehingga membawanya kembali sesuai dengan pasar uang. Untuk alasan ini, peluang seperti itu langka dan singkat. Sebagian besar strategi arbitrase dilakukan oleh pedagang dari perusahaan dealer besar. Mereka memantau harga di pasar uang tunai dan futures dari kuota di kuota dimana mereka memiliki layar elektronik dan saluran telepon langsung untuk memesan di lantai bursa.
Sistem moving-average-and-stochastic
Option-trading-system-of-stephen-cooper