Vigtigste budskaber
Algoritmisk handel refererer til brugen af computeralgoritmer til at udføre handler baseret på foruddefinerede strategier. Binance tilbyder to typer af algoritmisk handel: TWAP og POV.
TWAP indebærer at udføre handler jævnt over en specificeret periode. POV indebærer udførelse af handler baseret på en foruddefineret procentdel af markedsvolumen.
Algoritmiske ordrer kan reducere slippage og markedsindvirkning, især for store handler og illikvide aktiver. Handlende med små volumener af likvide aktiver kan finde traditionelle markedsordrer mere effektive.
Handelsstørrelse, aktivlikviditet og algoritmekonfiguration kan alle påvirke ordreydelse og udførelseskvalitet. Korrekt konfiguration, f.eks. at indstille en passende varighed og limitpris, kan øge effektiviteten af algoritmiske ordrer.
Introduktion
Algoritmisk handel har revolutioneret, hvordan handlende udfører ordrer ved at automatisere processen ved hjælp af computeralgoritmer. Binance tilbyder to primære typer algoritmiske ordrer: Tidsvægtet gennemsnitspris (TWAP) og procentdel af volumen (POV). Disse værktøjer kan hjælpe handlere med at udføre ordrer i henhold til specifikke strategier designet til at minimere markedsindflydelse og slippage.
Denne artikel dykker ned i nogle casestudier for at analysere, hvordan algoritmiske ordrer klarer sig sammenlignet med traditionelle markedsordrer under forskellige forhold som f.eks. aktivlikviditet, handelsstørrelse og algoritmiske konfigurationer.
Hvad er TWAP og POV?
Tidsvægtet gennemsnitspris (TWAP)
TWAP-strategien udfører handler jævnt over en specificeret tidsperiode. F.eks. eksempel har en TWAP på 1 time til formål at udføre handlemængden fordelt over denne tidsperiode. Denne strategi sigter mod at minimere virkningen af store ordrer på markedsprisen ved at sprede dem ud over tid.
Procentdel af volumen (POV)
POV udfører handler baseret på en foruddefineret procentdel af den samlede markedsvolumen i en bestemt periode. En algoritme kan f.eks. sigte mod at udføre handler, der repræsenterer 10 % af den samlede markedsvolumen inden for en bestemt tidsramme. Denne strategi justerer udførelseshastigheden baseret på markedsaktivitet for at minimere markedspåvirkningen.
Oversigt over casestudier
For bedre at forstå, hvor meget bedre algoritmiske ordrer er i forhold til traditionelle markedsordrer, har vi refereret til cirka 25.000 historiske anonymiserede datapunkter fra faktiske algoritmiske handler på Binance. Studierne sammenlignede slippage (forskellen mellem forventede og faktiske udførelsespriser) mellem algoritmiske ordrer og konventionelle markedsordrer som benchmarks.
Kanten repræsenterer præstationsforskellen mellem algoritmen og dens benchmark. F.eks. angiver en kant på +0,01 % ingen væsentlig forskel. -1 % betyder, at algoritmen præsterer dårligere end benchmark, og +1 % viser, at algoritmen leverer væsentlige fordele.
Bemærk: Casestudierne er baseret på anonymiserede, historiske udførelsesdata fra Binance over en bestemt periode. De er kun beregnet til at illustrere generel handelsadfærd og giver ikke pålidelige indikatorer for fremtidig udførelseskvalitet. Fremtidig ydeevne er ikke garanteret.
Case 1: Samlet set
Algoritmetype
I gennemsnit viser den samlede slippage på tværs af alle nominelle værdier, aktivtyper og varigheder (for TWAP-strategien), at TWAP-benchmark (markedsordrer) har oplevet en slippage på -0,17 %, mens dens respektive algoritmiske udførelse havde en slippage på -0,18 %. For POV oplevede benchmark en slippage på -2,37 %, mens den algoritmiske udførelse havde -0,56 %.
Samlet set indikerer dataene en fordel på -0,01 % for TWAP og +1,81 % for POV. Husk, at kanten blot er forskellen mellem benchmark og algoritmisk ydeevne.
Aktivtype
Når man ser på aktivtypen, hvor BTC og ETH defineres som "Likvid" og resten af ikke-stablecoins som "Illikvide", er benchmarket for likvid 0,01 % slippage, og illikvid har -0,25 % slippage. Algoritmisk udførelse for disse parametre viser en fordel på -0,02 % for likvide og +0,04 % for illikvide.
I en senere case study vil vi udforske, hvorfor TWAP samt likvide aktiver kan vise en samlet negativ kant i forhold til benchmark.
Case 2: Multidimensionel (størrelse)
Handelsstørrelse
Større handler lider af højere slippage. Handler over 2 millioner USDT viste slippage på op til -7,4 % i benchmarkscenariet.
Handelsstørrelse vs. aktivtype
I grafen nedenfor ser vi kun på kanten af algoritmiske ordrer på tværs af to parametre. Algoritmiske ordrer var særligt effektive med store handler i illikvide aktiver, med kanter der nåede et gennemsnit på 13 %.
Likvide aktiver med mindre handelsstørrelser viste en negativ fordel, hvilket tyder på, at likvide coins kunne have tilstrækkelig likviditet til at absorbere disse handler uden at være afhængig af algoritmer. Denne negative fordel kan også opstå, hvis den algoritmiske ordre ikke er konfigureret korrekt (se casestudie 4).
Case 3: Multidimension (algoritmetype)
Algoritmetype vs. handelsstørrelse
Når man sammenligner algoritmetyper for store handler, ser POV ud til at præstere bedre end TWAP, især ved større mængder. Dette kan sandsynligvis tilskrives adfærden af POV’s udførelsesrate, som stiger, når markedsvolumen stiger. Dette gør det muligt for algoritmen i bund og grund at "bevæge sig med markedet”, hvilket hjælper med at reducere slippage.
Algoritmetype vs. varighed
Trods den større fordel er det også vigtigt at fremhæve, at tid-til-marked for POV-handler kan svinge meget og kan være en afgørende faktor i valget af algoritme. Vi kan nedenfor se, at handler i nogle tilfælde, for at høste det fulde udbytte af POV, kan strække sig over 8 timer.
Case 4: Algoritmiske konfigurationer
Når vi kigger tilbage på case 1, ser vi, at den samlede fordel for TWAP og likvide aktiver kan være en smule negativ. Ved nærmere eftersyn kan vi dog se, at disse resultater kan være skæve på grund af TWAP-konfigurationerne.
TWAP-varighed (varighed vs. aktivtype)
I grafen nedenfor er negative kanter mere fremtrædende, når varigheden er over 1 time for likvide aktiver. Dette antyder, at aktivet kunne have tilstrækkelig likviditet til hurtigt at gennemføre handlen, men det var sandsynligvis konfigureret til en unødvendigt lang varighed, hvilket førte til øget slippage, efterhånden som markedet bevægede sig.
Limitpris
I denne sidste graf undersøger vi en valgfri variabel, som er at have en limitpris for den algoritmiske ordre. Ved blot at indtaste en limitpris er den mediane kant betydeligt højere sammenlignet med at lade den være tom.
Dette kan tilskrives, hvordan den algoritmiske ordre opfører sig: Den udføres ikke, når prisen overskrider grænsen, og den har evnen til automatisk at genoptages, når prisen igen er inden for grænserne. Dette kan beskytte handlen mod drastisk kortsigtet volatilitet.
Opsummering af vores resultater
Slippage har en tendens til at stige med lavere likviditet og større handelsstørrelser. Algoritmiske ordrer giver målbare fordele i sådanne sammenhænge.
Generelt kan både POV og TWAP være effektive til store handler med illikvide aktiver, hvor TWAP muligvis kræver mere omhyggelige konfigurationer (f.eks. tilstrækkelig varighed) afhængigt af dine mål og din tidsramme.
Det anbefales at fastsætte en limitpris for at beskytte handler mod kortsigtede prisudsving.
Brugere, der handler med små volumener af likvide aktiver, kan foretrække direkte markedsordrer på grund af tilstrækkelig likviditet og for at undgå potentielle risici ved suboptimale algoritmiske indstillinger.
Algoritmiske ordrer kan også have yderligere fordele ved store handler, som ikke er indlysende i ovenstående casestudier. F.eks. kan algoritmiske ordrer hjælpe med at skjule sådanne handler ved at opdele ordrer i mindre dele eller give handlende mulighed for at deltage, samtidig med at markedspåvirkningen afbødes.
Sammenfatning
Binances algoritmiske ordrer gør det muligt for handlende bedre at håndtere slippage og markedsindflydelse, især når de arbejder med store eller illikvide aktiver. Ydelsen afhænger dog ikke kun af den valgte algoritme, men også af en gennemarbejdet konfiguration tilpasset hver handel.
Yderligere læsning
Ansvarsfraskrivelse: Dette indhold præsenteres for dig "som det er" til generel information og uddannelsesmæssige formål uden erklæring eller garanti af nogen art. Det skal ikke opfattes som økonomisk, juridisk eller anden professionel rådgivning, og det er heller ikke hensigten at anbefale køb af et bestemt produkt eller en bestemt tjeneste. Du bør selv søge råd fra relevante, professionelle rådgivere. Produkter, der er omtalt i denne artikel, er muligvis ikke tilgængelige i din region. Hvis denne artikel er et bidrag fra en tredjepart, bør du bemærke, at dennes synspunkter udtrykkeligt tilhører denne tredjepartsbidragsyder og ikke nødvendigvis afspejler Binance Academys synspunkter. Læs vores fulde ansvarsfraskrivelse for yderligere oplysninger. Priserne på digitale aktiver kan være volatile. Værdien af din investering kan gå op eller ned, og du får muligvis ikke det investerede beløb tilbage. Du er eneansvarlig for dine investeringsbeslutninger, og Binance Academy er ikke ansvarlig for eventuelle tab, du måtte lide. Dette materiale bør ikke anses for værende økonomisk, juridisk eller anden rådgivning. For yderligere oplysninger kan du læse vores vilkår for anvendelse og risikoadvarsel.