演算法交易模型

『壹』 量化交易有什麼類型

閃牛分析：
概念
量化交易是指以先進的數學模型替代人為的主觀判斷，利用計算機技術從龐大的歷史數據中海選能帶來超額收益的多種「大概率」事件以制定策略，極大地減少了投資者情緒波動的影響，避免在市場極度狂熱或悲觀的情況下作出非理性的投資決策。

特點
定量投資和傳統的定性投資本質上來說是相同的，二者都是基於市場非有效或弱有效的理論基礎。兩者的區別在於定量投資管理是「定性思想的量化應用」，更加強調數據。量化交易具有以下幾個方面的特點：
1、紀律性。根據模型的運行結果進行決策，而不是憑感覺。紀律性既可以剋制人性中貪婪、恐懼和僥幸心理等弱點，也可以克服認知偏差，且可跟蹤。
2、系統性。具體表現為「三多」。一是多層次，包括在大類資產配置、行業選擇、精選具體資產三個層次上都有模型；二是多角度，定量投資的核心思想包括宏觀周期、市場結構、估值、成長、盈利質量、分析師盈利預測、市場情緒等多個角度；三是多數據，即對海量數據的處理。
3、套利思想。定量投資通過全面、系統性的掃描捕捉錯誤定價、錯誤估值帶來的機會，從而發現估值窪地，並通過買入低估資產、賣出高估資產而獲利。
4、概率取勝。一是定量投資不斷從歷史數據中挖掘有望重復的規律並加以利用；二是依靠組合資產取勝，而不是單個資產取勝。
應用編輯
量化投資技術包括多種具體方法，在投資品種選擇、投資時機選擇、股指期貨套利、商品期貨套利、統計套利和演算法交易等領域得到廣泛應用。在此，以統計套利和演算法交易為例進行闡述。
1、統計套利
統計套利是利用資產價格的歷史統計規律進行的套利，是一種風險套利，其風險在於這種歷史統計規律在未來一段時間內是否繼續存在。
統計套利的主要思路是先找出相關性最好的若干對投資品種，再找出每一對投資品種的長期均衡關系（協整關系），當某一對品種的價差（協整方程的殘差）偏離到一定程度時開始建倉，買進被相對低估的品種、賣空被相對高估的品種，等價差回歸均衡後獲利了結。股指期貨對沖是統計套利較長採用的一種操作策略，即利用不同國家、地區或行業的指數相關性，同時買入、賣出一對指數期貨進行交易。在經濟全球化條件下，各個國家、地區和行業股票指數的關聯性越來越強，從而容易導致股指系統性風險的產生，因此，對指數間的統計套利進行對沖是一種低風險、高收益的交易方式。
2、演算法交易。
演算法交易又稱自動交易、黑盒交易或機器交易，是指通過設計演算法，利用計算機程序發出交易指令的方法。在交易中，程序可以決定的范圍包括交易時間的選擇、交易的價格，甚至包括最後需要成交的資產數量。
演算法交易的主要類型有: (1) 被動型演算法交易，也稱結構型演算法交易。該交易演算法除利用歷史數據估計交易模型的關鍵參數外，不會根據市場的狀況主動選擇交易時機和交易的數量，而是按照一個既定的交易方針進行交易。該策略的的核心是減少滑價（目標價與實際成交均價的差）。被動型演算法交易最成熟，使用也最為廣泛，如在國際市場上使用最多的成交加權平均價格（VWAP）、時間加權平均價格（TWAP）等都屬於被動型演算法交易。 (2) 主動型演算法交易，也稱機會型演算法交易。這類交易演算法根據市場的狀況作出實時的決策，判斷是否交易、交易的數量、交易的價格等。主動型交易演算法除了努力減少滑價以外，把關注的重點逐漸轉向了價格趨勢預測上。 (3) 綜合型演算法交易，該交易是前兩者的結合。這類演算法常見的方式是先把交易指令拆開，分布到若干個時間段內，每個時間段內具體如何交易由主動型交易演算法進行判斷。兩者結合可達到單純一種演算法無法達到的效果。
演算法交易的交易策略有三：一是降低交易費用。大單指令通常被拆分為若干個小單指令漸次進入市場。這個策略的成功程度可以通過比較同一時期的平均購買價格與成交量加權平均價來衡量。二是套利。典型的套利策略通常包含三四個金融資產，如根據外匯市場利率平價理論，國內債券的價格、以外幣標價的債券價格、匯率現貨及匯率遠期合約價格之間將產生一定的關聯，如果市場價格與該理論隱含的價格偏差較大，且超過其交易成本，則可以用四筆交易來確保無風險利潤。股指期貨的期限套利也可以用演算法交易來完成。三是做市。做市包括在當前市場價格之上掛一個限價賣單或在當前價格之下掛一個限價買單，以便從買賣差價中獲利。此外，還有更復雜的策略，如「基準點「演算法被交易員用來模擬指數收益，而」嗅探器「演算法被用來發現最動盪或最不穩定的市場。任何類型的模式識別或者預測模型都能用來啟動演算法交易。

潛在風險
量化交易一般會經過海量數據模擬測試和模擬操作等手段進行檢驗，並依據一定的風險管理演算法進行倉位和資金配置，實現風險最小化和收益最大化，但往往也會存在一定的潛在風險，具體包括：
1、歷史數據的完整性。行情數據不完整可能導致模型與行情數據不匹配。行情數據自身風格轉換，也可能導致模型失敗，如交易流動性，價格波動幅度，價格波動頻率等，而這一點是目前量化交易難以克服的。
2、模型設計中沒有考慮倉位和資金配置，沒有安全的風險評估和預防措施，可能導致資金、倉位和模型的不匹配，而發生爆倉現象。
3、網路中斷，硬體故障也可能對量化交易產生影響。
4、同質模型產生競爭交易現象導致的風險。
5、單一投資品種導致的不可預測風險。
為規避或減小量化交易存在的潛在風險，可採取的策略有：保證歷史數據的完整性；在線調整模型參數；在線選擇模型類型；風險在線監測和規避等。

『貳』 在自主許可權內什麼通過交易系統向交易室下達交易指令

在自主許可權內基金經理通過交易系統向交易室下達交易指令。交易系統或相關負責人員審核投資指令的合法合規性，違規指令將被攔截，反饋給基金經理。其他指令被分發給交易員。交易員接收到指令後有權根據自身對市場的判斷選擇合適時機完成交易。基金公司投資交易包括形成投資策略、構建投資組合、執行交易指令、績效評估與組合調整、風險控制等環節。
拓展資料:
1、演算法交易是通過數學建模將常用交易理念同化為自動化的交易模型，並藉助計算機強大的存儲與計算功能實現交易自動化（或半自動化）的一種交易方式。 交易演算法的核心是其背後的量化交易模型，而模型的優劣取決於人的交易理念和基於數據的量化分析，以及兩者的有效結合。
2、演算法與人（交易員）的互動是至關重要的，兩者之間互為補充：人（交易員）教授「演算法」交易理念，反過來被訓練過的演算法可以幫助人（交易員）實現快速的交易執行。
3、常見的演算法交易策略簡介如下： （1）成交量加權平均價格演算法（VWAP），是最基本的交易演算法之一，旨在下單時以盡可能接近市場按成交量加權的均價進行，以盡量降低該交易對市場的沖擊。 （2）時間加權平均價格演算法（TwAP），是根據特定的時間間隔，在每個時間點上平均下單的演算法。 （3）跟量演算法（TVOL），旨在幫助投資者跟上市場交易量。若交易量放大則同樣放大這段時間內的下單成交量，反之則相應降低這段時間內的下單成交量。交易時間主要依賴交易 期間市場的活躍程度。 （4）執行偏差演算法（Is），是在盡量不造成大的市場沖擊的情況下，盡快以接近客戶委託時的市場成交價格來完成交易的最優化演算法。

『叄』 什麼的利潤主要來自於證券買賣差價

做市商與經紀人的利潤來源不同，做市商的利潤主要來自於證券買賣差價，而經紀人的利潤則主要來自於給投資者提供經紀業務的傭金。
證券買賣差價收入，這是基金管理人在證券市場上買賣證券形成的差價收益，主要有股票買賣差價和買賣差價。這是目前基金收益最重要的組成部分。
賣空交易，也叫融券，投資者可以向證券公司借入一定數量的證券賣出，當證券價格下降時再以當時的市場價格買入證券歸還證券公司，自己則得到投資收益；融資即投資者借入資金購買證券，也叫買空交易。
拓展資料
市商和經紀人的區別。
1、做市商在報價驅動市場中處於關鍵性地位，他們在市場中與投資者進行買賣雙向交易；經紀人則是在交易中執行投資者的指令，並沒有參與到交易中，兩者的市場角色不同。
2、兩者的利潤來源不同——做市商的利潤主要來自於證券買賣差價，經紀人的利潤則主要來自於給投資者提供經紀業務的傭金。
3、對市場流動性的貢獻不同——在報價驅動市場中，做市商是市場流動性的主要提供者和維持者，而在指令驅動市場中，市場流動性是由投資者的買賣指令提供的，經紀人只是執行這些指令。
演算法交易可以最大限度地降低由於人為失誤而造成的交易錯誤，但不會避免所有交易錯誤。演算法交易是通過數學建模將常用交易理念固化為自動化的交易模型，並藉助計算機強大的存儲與計算功能實現交易自動化（或半自動化）的一種交易方式。交易演算法的核心是其背後的量化交易模型，而模型的優劣取決於人的交易理念和基於數據的量化分析，以及兩者的有效結合。好的交易演算法應該是一個白箱交易，其內在邏輯應該是可解釋的。因此演算法與人（交易員）的互動是至關重要的，兩者之間互為補充：人（交易員）教授「演算法」交易理念，反過來被訓練過的演算法可以幫助人（交易員）實現快速的交易執行。此外交易演算法的實施有賴於信息技術（計算機/網路）的支持。

『肆』 如何建立自己的演算法交易

一、傳統方法

在某些假設下的顯式最優策略

• 【Bertsimas, Dimitris, and Andrew W. Lo. "Optimal control of execution costs."Journal of Financial Markets1.1 (1998): 1-50.】這里假設了不同的價格沖擊函數，然後求解得到最優的交易執行方案。根據參數的不同，最優的策略要麼是全部開頭賣掉、均勻減倉、或者全部最後賣掉。https://stuff.mit.e/afs/athena.mit.e/user/d/b/dbertsim/www/papers/Finance/Optimal%20control%20of%20execution%20costs.pdf

• 【Almgren, Robert, and Neil Chriss. "Optimal execution of portfolio transactions." Journal of Risk 3 (2001): 5-40. 】這篇文章我們專欄前面有講過，很著名的 Almgren-Chriss 模型。https://www.smallake.kr/wp-content/uploads/2016/03/optliq.pdf張楚珩：【交易執行】Almgren-Chriss Model

• 【Guéant O, Lehalle C A, Fernandez-Tapia J. Optimal portfolio liquidation with limit orders[J]. SIAM Journal on Financial Mathematics, 2012, 3(1):740-764.】這篇文章我們專欄前面也有講過；前面的 Almgren-Chriss 其實考慮的是使用市價單，而這里考慮使用限價單進行交易。https://arxiv.org/pdf/1106.3279.pdf張楚珩：【交易執行】限價單交易執行

• 【Guéant, Olivier, and Charles‐Albert Lehalle. "General intensity shapes in optimal liquidation." Mathematical Finance 25.3 (2015): 457-495.】這里也是考慮限價單進行交易，但是與前面不同的是：前一個假設限價單考慮的成交概率隨著價格指數衰減，而這里考慮了一個更加一般的形式。https://arxiv.org/pdf/1204.0148.pdf

• 【Cartea A, Jaimungal S. Optimal execution with limit and market orders[J]. Quantitative Finance, 2015, 15(8): 1279-1291.】這里考慮同時使用限價單和市價單進行交易，從而能夠完成 Almgren-Chriss 模型所規定的方案，或者找到一個更有的交易方案。https://sci-hub.se//https://www.tandfonline.com/doi/abs/10.1080/14697688.2015.1032543

• 【Bulthuis, Brian, et al. "Optimal execution of limit and market orders with trade director, speed limiter, and fill uncertainty." International Journal of Financial Engineering 4.02n03 (2017): 1750020.】也是考慮使用限價單和市價單一起交易。https://arxiv.org/pdf/1604.04963.pdf張楚珩：【交易執行】市價單+限價單 最優執行

• 【Cartea A, Jaimungal S. Incorporating order-flow into optimal execution[J]. Mathematics and Financial Economics, 2016, 10(3): 339-364.】這里考慮市場所有交易者的訂單都會產生線性的短期/長期市場沖擊，因此可以估計未來一段時間的訂單流向（買單總量和賣單總量的差），從而能夠在 Almgren-Chriss 模型的基礎上進行一定的調整，使得策略更優。https://sci-hub.se//https://link.springer.com/content/pdf/10.1007/s11579-016-0162-z.pdf

圖書

• 【Cartea Á, Jaimungal S, Penalva J. Algorithmic and high-frequency trading[M]. Cambridge University Press, 2015.】講交易執行的基礎上，更側重講了一些數學工具。

• 【Guéant O. The Financial Mathematics of Market Liquidity: From optimal execution to market making[M]. CRC Press, 2016.】從 Almgren-Chriss 模型開始講，一直到相應的拓展和實際的問題，十分推薦。

融合對於市場環境隱變數的估計

• 【Casgrain P, Jaimungal S. Trading algorithms with learning in latent alpha models[J]. Mathematical Finance, 2019, 29(3): 735-772.】市場交易者會根據不同的市場掛單和價格走勢而採取不同的反映，因此我們也可以根據歷史數據學習到各種情況下的價格後驗分布，從而更好地幫助我們進行交易執行或者套利。最後的結果可以看做在 Almgren-Chriss 模型的基礎上外加了一個調控項，反映我們對於未來的預期。https://arxiv.org/pdf/1806.04472.pdf

如何實現以按量加權平均價格（VWAP）交易

• 【Kakade, Sham M., et al. "Competitive algorithms for VWAP and limit order trading." Proceedings of the 5th ACM conference on Electronic commerce. 2004.】從在線學習的角度提出了幾個用於使得我們交易到 VWAP 價格的模型。為什麼會關注 VWAP 的交易執行？當大的流通股股東需要減持的時候，為了避免直接出售引起的價格波動，一般是把需要減持的股票賣給券商，然後由券商來拆單出售，而交易價格一般為未來一段時間的 VWAP，因此券商需要盡量以 VWAP 來交易執行。https://sci-hub.se//https://dl.acm.org/doi/abs/10.1145/988772.988801

• 【Białkowski, Jędrzej, Serge Darolles, and Gaëlle Le Fol. "Improving VWAP strategies: A dynamic volume approach." Journal of Banking & Finance 32.9 (2008): 1709-1722.】改進對於交易量的建模，從而得到更好的 VWAP 交易演算法。把交易量拆分為兩個部分，一部分是市場整體的交易量變動，另一部分是特定股票上的交易量模式。https://sci-hub.se//https://www.sciencedirect.com/science/article/pii/S0378426607003226

以按時間加權平均價格（TWAP）交易

• 為了對稱，可以介紹一下另一種加權平均的情形 TWAP，這種情形實現起來相對比較簡單；如果不考慮市場沖擊，就拆分到每個時間步上均勻出售即可實現。

• 可以證明 TWAP 交易在以下兩種情形下最優：市場價格為布朗運動並且價格沖擊為常數；對於晚交易沒有懲罰（其實更晚交易意味著面臨更大的風險），但是對於最後未完成交易的懲罰較大。

二、強化學習方法

基於傳統模型的強化學習方法

• 【Hendricks D, Wilcox D. A reinforcement learning extension to the Almgren-Chriss framework for optimal trade execution[C]//2014 IEEE Conference on Computational Intelligence for Financial Engineering & Economics (CIFEr). IEEE, 2014: 457-464.】本專欄有講。https://arxiv.org/pdf/1403.2229.pdf

強化學習 + 交易執行（Paper/Article）

• 【Nevmyvaka Y, Feng Y, Kearns M. Reinforcement learning for optimized trade execution[C]//Proceedings of the 23rd international conference on Machine learning. 2006: 673-680.】比較經典的一篇，發在 ICML 上，本專欄前面有講。使用 DQN 方法，實現形式接近 DP。http://smallake.kr/wp-content/uploads/2019/01/rlexec.pdf

• 【Dabérius K, Granat E, Karlsson P. Deep Execution-Value and Policy Based Reinforcement Learning for Trading and Beating Market Benchmarks[J]. Available at SSRN 3374766, 2019.】使用了 DDQN 和 PPO 方法，基於生成的價格序列來進行實驗，使用特定的模型考慮短期和長期市場沖擊。https://sci-hub.se//https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3374766

• 【Ning B, Lin F H T, Jaimungal S. Double deep q-learning for optimal execution[J]. arXiv preprint arXiv:1812.06600, 2018.】DDQN 的強化學習解法，在美股上實驗。https://arxiv.org/pdf/1812.06600.pdf

• 【Lin S, Beling P A. An End-to-End Optimal Trade Execution Framework based on Proximal Policy Optimization[C]//IJCAI. 2020: 4548-4554.】使用 PPO 的解法，比較有意思的是這裡面的實驗結果顯示，使用 LSTM 和把歷史數據全部堆疊起來用 MLP 效果差距不大。也是在美股上實驗。https://www.ijcai.org/Proceedings/2020/0627.pdf

• 【Fang Y, Ren K, Liu W, et al. Universal Trading for Order Execution with Oracle Policy Distillation[J]. arXiv preprint arXiv:2103.10860, 2021.】在使用強化學習的基礎上，引入了一個教師網路，教師網路學習一個基於未來數據的策略，並且用於訓練學生網路。本專欄前面有講。https://www.aaai.org/AAAI21Papers/AAAI-3650.FangY.pdf

• 【Vyetrenko S, Xu S. Risk-sensitive compact decision trees for autonomous execution in presence of simulated market response[J]. arXiv preprint arXiv:1906.02312, 2019.】ICML-19 的文章。構造了一個可以反映市價單市場沖擊的模擬器；使用 tabular Q-learning 來學習基於決策樹的模型；使用特徵選擇的方法來篩選特徵。通過以上方式，能夠學習到一個模型幫助決策什麼時候應該下市價單、什麼時候應該下限價單。https://arxiv.org/pdf/1906.02312.pdf

• 【Akbarzadeh N, Tekin C, van der Schaar M. Online learning in limit order book trade execution[J]. IEEE Transactions on Signal Processing, 2018, 66(17): 4626-4641.】從 online learning 的視角來解決這個問題，使用 DP 類的方法，分析 regret 。http://repository.bilkent.e.tr/bitstream/handle/11693/50289/Bilkent-research-paper.pdf?sequence=1

• 【Wei H, Wang Y, Mangu L, et al. Model-based reinforcement learning for predictions and control for limit order books[J]. arXiv preprint arXiv:1910.03743, 2019.】專欄剛剛講了的一篇文章，使用 model-based 類的強化學習演算法，直接學習一個世界模型，然後讓強化學習策略通過和世界模型的交互進行學習。https://arxiv.org/pdf/1910.03743.pdf

• 【Karpe M, Fang J, Ma Z, et al. Multi-agent reinforcement learning in a realistic limit order book market simulation[J]. arXiv preprint arXiv:2006.05574, 2020.】這里的多智能體似乎適用於結合歷史數據生成其他市場參與者的動作，而最優策略的學習仍然是使用單智能體 DDQN 方法來做。他們開源了一個考慮多智能體的模擬環境 ABIDES。https://arxiv.org/pdf/2006.05574.pdf

• 【Schnaubelt M. Deep reinforcement learning for the optimal placement of cryptocurrency limit orders[J]. European Journal of Operational Research, 2022, 296(3): 993-1006.】研究數字貨幣上如何下限價單。對比了 PPO 和 DDQN，發現 PPO 更好。探索出了一些重要的因子，比如 current liquidity cost，queue imbalance 等。https://www.econstor.eu/bitstream/10419/216206/1/1696077540.pdf

強化學習 + 交易執行 （Thesis）

• 【Hu R. Optimal Order Execution using Stochastic Control and Reinforcement Learning[J]. 2016.】KTH （瑞典）工程學院碩士論文。演算法直接是基於價值函數的動態規劃。不過提供了比較詳細的模擬環境和演算法偽代碼。https://www.diva-portal.org/smash/get/diva2:963057/FULLTEXT01.pdf

• 【Rockwell B. Optimal Order Execution with Deep Reinforcement Learning[J]. 2019.】加拿大蒙特利爾高等商學院碩士論文。使用 TD3 和 DDPG 演算法，不過實驗是基於人工生成的數據的（skew-normal Brownian motion）。https://biblos.hec.ca/biblio/memoires/m2019a628776.pdf

• 【Reiter M B. An Application of Deep Reinforcement Learning for Order Execution[D]. School of Engineering Science, Osaka University, 2020.】多倫多大學本科畢業論文。在使用 A3C 演算法的基礎上，考慮了使用教師學生網路的方式進行遷移學習，並且考慮了短期市場沖擊。https://mbreiter.github.io/doc/thesis.pdf

強化學習 + 風險偏好

• Robust Risk-Sensitive Reinforcement Learning Agents for Trading Markets

• Deep equal risk pricing of financial derivatives with non-translation invariant risk measures

強化學習 + 做市策略

• Optimal Market Making by Reinforcement Learning

• Optimizing Market Making using Multi-Agent Reinforcement Learning

• Deep Reinforcement Learning for Market Making

• Deep Recurrent Q-Networks for Market Making

• Robust Market Making via Adversarial Reinforcement Learning

• Market making via reinforcement learning

強化學習 + 資產組合

• Deep Stock Trading: A Hierarchical Reinforcement Learning Framework for Portfolio Optimization and Order Execution

• Robo-Advising: Enhancing Investment with Inverse Optimization and Deep Reinforcement Learning

• Large Scale Continuous-Time Mean-Variance Portfolio Allocation via Reinforcement Learning

『伍』 文華8的趨勢跟蹤模型和演算法交易模型有什麼區別

軟體上叫趨勢跟蹤模型，就是一般的程序化交易模型。趨勢跟蹤交易的成功率一般都比較低，只有30%~40%，一般不會超過50%，使得很多人難以堅持。

模型演算法：開盤後1小時,價格上穿前1小時高點,買入開倉，開盤後1小時,價格下穿前1小時低點,賣出開倉。

『陸』 根據特定的時間間隔在每個時間點上平均下單的演算法是什麼

根據特定的時間間隔在每個時間點上平均下單的演算法是時間加權平均價格演算法(TWAP)。

時間加權平均價格演算法，是一種最簡單的傳統演算法交易策略。TWAP模型設計的目的是使交易對市場影響減小的同時提供一個較低的平均成交價格，從而達到減小交易成本的目的。在分時成交量無法准確估計的情況下，該模型可以較好地實現演算法交易的基本目的。

用公式來表示就是：

存貨的加權平均單位成本=(月初結存貨成本+本月購入存貨成本)/(月初結存存貨數量+本月購入存貨數量)。

月末庫存存貨成本=月末庫存存貨數量×存貨加權平均單位成本。

本期發出存貨的成本=本期發出存貨的數量×存貨加權平均單位成本或=期初存貨成本+本期收入存貨成本-期末存貨成本。

『柒』 程序化交易模型的交易功能

區間自動交易功能程序化交易模型平台內獨創了區間自動交易功能,該功能融合多種國外機構經典數學模型交易原理,可以全自動智能鎖定股票波動差價,利用股票日常波動來進行波段差價操作,可以有效在的橫盤或震盪行情下幫您實現股票解套和降低成本的效果!被套不可怕!可怕的是鴕鳥戰術自欺欺人的死扛!擁有程序化交易模型平台!解套自救行動現在開始!指標公式自動交易程序化交易模型平台內強大的預警自動交易功能幫您輕松實現技術指標無人值守自動交易!!第一時間鎖定啟動點!從此讓技術指標成為您最忠實的操盤手!目前平台兼容大智慧通達信飛狐操盤手等軟體的預警系統!並可添加自己總結的指標，讓你輕松按自己的思路操作，不被心態左右。自動買賣拐點交易傳統交易軟體功能弱，只能預埋單沒有拐點交易,一旦遇到意料之外的上漲或下跌時極容易賣早了損失利潤,買早了直接套牢.普通投資者不可能全天候盯在電腦上,經常會因為工作或其他事情導致錯失唾手可得的利潤,股票程序化程序化交易模型引進國外技術歷經5年研究成功上市!平台內強大的拐點交易功能徹底解決傳統交易軟體功能弱沒有拐點交易這一弊端!讓您輕松鎖定拉升大漲股票的絕大多數利潤!還可以幫您輕松躲避大跌股票!朋友們無需盯盤全自動迴避風險鎖定利潤,讓您的投資如虎添翼!錦上添花!自動止損賣出功能程序化交易模型引進國外技術歷經5年研究成功上市!彌補國內股票程序化自動交易行業空白!自動止損功能解決了股民不能嚴格止損：在股票大跌時會自動止損幫您斬斷虧損!保住本金!移動止盈止損功能程序化交易模型引進國外技術歷經5年研究成功上市!彌補國內股票程序化自動交易行業空白!其無人值守自動階梯止盈功能,幫您盯住您的股票!在股票大漲時自動提高止盈位幫助您鎖定已經獲得利潤不坐電梯!在股票大跌時自動止損功能幫您斬斷虧損!保住本金!追漲買入與閃電交易功能程序化交易模型平台內的無人值守自動追漲買入/閃電交易功能幫您輕松克服心態上的猶豫不決!果斷下單!0.3秒鍾完成追漲買入下單!優化報價功能直接讓您以賣5價掛單買入!瞬間成交!無人值守自動交易讓您眼不見心不煩!炒股工作娛樂三不誤!一次設置買到為止!徹底解放盯盤時間,無視盤中各種誘惑。
T+0交易功能
程序化交易平台引進國外最新技術歷經五年專業科研團隊的研究彌補了國內證券交易軟體中的空白部分，平台內T+0的功能可以在你晚上時間設好，白天讓軟體幫你自動倒差價，賺取豐厚的利潤。