算法交易的主要类型与策略分析
量化交易的基本算法
量化交易的基本算法
量化交易是基于数学和统计学原理开发的交易策略，其基本算法包括以下几个方面：
1. 趋势跟踪算法：根据市场价格的趋势进行买入或卖出交易。
例如，移动平均线策略，通过计算一段时间内的平均价格来判断买入或卖出的时机。
2. 均值回归算法：根据市场价格的波动情况来判断买入或卖出交易。
例如，Bollinger Bands策略，通过计算价格的标准差来
判断价格的上下限，当价格超过上限时卖出，当价格低于下限时买入。
3. 噪声交易算法：在市场价格存在噪声的情况下，通过统计分析来判断噪声的方向并进行交易。
例如，突破策略，当价格突破一定幅度时进行买入或卖出交易。
4. 统计套利算法：通过分析市场的套利机会来进行交易。
例如，配对交易策略，通过找到两个或多个相关性较高的股票或商品，当它们的价格发生偏离时进行交易，以获得利润。
5. 机器学习算法：通过对大量历史数据进行训练，构建预测模型来判断市场的走势。
例如，支持向量机、神经网络等机器学习算法，通过学习历史数据中的模式和规律来进行交易决策。
以上算法只是量化交易中常用的几种基本算法，实际的量化交
易策略较复杂，还需要考虑交易成本、风险管理等因素，并根据市场的变化进行动态调整。
期货交易的量化交易与算法交易
期货交易的量化交易与算法交易随着科技的发展和金融市场的日益复杂化，传统的人工交易已经不能满足高效、准确和稳定的交易需求。
为了提高交易效果，量化交易和算法交易在期货市场中崭露头角。
本文将对期货交易的量化交易和算法交易进行分析和讨论。
一、量化交易的基本概念量化交易是指借助计算机技术和数学模型来进行交易决策的方法。
它通过对历史数据的分析、统计学方法和算法模型的应用，寻找出市场中的规律和交易机会，并制定相应的交易策略。
量化交易相对于传统的人工交易具有更高的效率、更准确的决策和更低的交易成本。
二、算法交易的基本概念算法交易是指使用预先编写的算法程序进行交易操作的方法。
它通过编写并执行特定的算法程序，以高速度、高频率、低成本的方式进行交易。
算法交易在交易决策的速度和执行的准确性上具有明显优势，能够快速反应市场变化，并及时进行交易操作。
三、量化交易与算法交易的联系与区别量化交易和算法交易都属于机器化交易的范畴，都依赖于计算机技术和数学模型来进行交易决策。
它们的共同之处在于都强调通过数据分析和模型构建来做出交易决策。
而量化交易更强调基于历史数据的统计学方法和模型，通过策略的回测和优化来实现交易的稳定与盈利。
而算法交易则更侧重于高速度和高频率的交易操作，通过编写算法程序来执行交易策略。
四、量化交易与算法交易的优势1. 提高交易效率：量化交易和算法交易可以在瞬间进行交易决策和操作，大大提高了交易的效率和执行的准确性。
2. 增加交易机会：量化交易和算法交易能够通过数据分析和模型构建找到更多的交易机会，实现多样化的交易策略。
3. 降低交易成本：量化交易和算法交易可以自动完成交易决策和操作，减少了人工因素的干扰，降低了交易的成本。
五、量化交易与算法交易的风险及应对策略1. 数据质量风险：量化交易和算法交易对输入数据的质量要求较高，需要对数据进行准确且全面的整理和处理。
2. 模型风险：量化交易和算法交易的盈利性取决于模型的有效性和适用性，需要不断优化和修正模型，同时注意过度拟合的风险。
行业大佬揭秘算法交易：发明者量化平台做市商策略
⾏业⼤佬揭秘算法交易：发明者量化平台做市商策略数字货币算法交易指南在本⽂中，我们将探讨加货币中交易算法的设计和实现。
特别是，我们专注于执⾏算法，做市商算法和⼏个市场微观结构考虑因素。
我们还研究了实践偏离理论的地⽅，特别是在处理加密货币市场的特性⽅⾯。
执⾏算法执⾏算法的⽬标是将投资组合状态转换为不同的状态，同时最⼤限度地降低这样做的成本。
例如，如果你希望将BTCUSD曝光率提⾼1000，你可能不希望⽴即将市场订单猛烈的打⼊BitMEX的交易通道，从⽽导致⼤量滑点。
相反，你可以考虑通过多个不同交易所的市场和限价订单组合，慢慢得到你想要的头⼨。
执⾏算法通常有3层：macrotrader，microtrader和smart router。
macrotrader层将⼤的初始订单或⽗订单拆分为跨越时间的较⼩⼦订单。
这实际上是整个算法的调度部分。
VWAP，TWAP和POV是macrotrader算法的常见的简单⽰例。
通常，有许多不同的市场影响模型可⽤于设计复杂的macrotrader层。
市场影响模型的设计着眼于市场对执⾏的反应。
市场是否会在执⾏后保持原状？或者进⼀步⾛远？或者是否会回到某种程度上？两个最具开创性的市场影响模型是Almgren-Chriss（1999,2000）永久市场影响模型和Obizhaeva-Wang （2013）瞬态市场影响模型。
基于此，在实践中，市场影响并⾮永久性的，所以Obizhaeva-Wang似乎更符合现实，⽽且从那时起，已经有许多新模型来解决其不⾜之处。
延申阅读：执⾏算法交易后市场影响⼒开始衰变microtrader层决定每个⼦订单，是将其作为市价订单还是限价订单执⾏，如果作为限价订单，则应指定什么价格。
关于microtrader设计的⽂献很少，这是因为⼦订单的⼤⼩通常是整个市场的⼀⼩部分，因此怎样执⾏它并不重要。
然⽽，数字货币市场是不同的，因为流动性⾮常稀薄，并且即使对于在实践中的普通尺⼨的⼦订单，滑点也是⾮常明显的。
算法交易发展与研究
算法交易发展与研究算法交易可以使用在任何交易策略，包括做市、跨市场价差套利、统计套利及纯投机（包括趋势跟随）等。
算法交易日益受到投资银行、对冲基金、养老基金、共同基金等机构投资者的青睐。
随着股指 期货的成功上市，我国期货市场获得了蓬勃发展，算法交易作为一种组合交易方式，也得到了更多重视和利用。
然而，由于我国资本市场发展历程较短，对于算法交易无论是从认识还是运用方面，相对于国外成熟市场都存在太多不足，为此，笔者对美国算法交易进行了认真细致的研究，希望对中国算法交易发展提供一些有价值的参考和启示。
一、算法交易的产生背景 算法交易产生于美国，它的实质是使用计算机自动交易，以降低大额交易的交易成本，提高投资收益。
算法交易的产生、发展有其深刻的历史背景。
其一，频繁进行大额交易的机构投资者的出现提供了发展动力；其二，计算机技术、通信技术的不断进步促使交易市场电子化，提供了物质基础；其三，美国一贯的吸引人才政策储备了算法交易需要各类专业人才：金融工程师、软件工程师、深谙数量关系的数学家、物理学家等。
二十世纪70年代，随着经济全球化的深入发展，大型企业迫切需要在全球范围内大量融资，资本市场日益繁荣。
养老基金、对冲基金、共同基金等机构投资者随之兴起，不但数量众多，而且规模也越来越大。
然而，由于证券流动性有限，基金等金融机构想大批买入或抛售股票而不惊动市场，只有通过手段高明且关系网超深厚的大牌经纪人才能做到，为此付出的经纪费用极其高昂，效率却不高，因此，机构投资者急需低廉高效的交易手段。
随着计算机技术、通信技术的进步，交易所由传统手工交易转向高效快捷的电子交易。
此时投资者可以通过使用计算机程序来发出交易指令，在交易中，程序可以决定的范围包括交易时间的选择、交易的价格、甚至可以包括最后需要成交的证券数量。
这种新的交易方式称为算法交易(Algorithmic Trading)，又称为自动交易、黑盒交易或者机器交易。
算法交易(Algorithmic Trading)
算法交易简介1.定义算法交易(algorithmic trading)是指事先设计好交易策略，然后将其编制成计算机程序。
利用计算机程序的算法来决定交易下单的时机、价格和数量等。
程序化下单能避免人的非理性因素造成的干扰，并能更精确的下单。
并能同时管理大量的操作，自动判断将大单分拆为小单，减小冲击成本。
算法交易也称黑盒交易、自动交易，算法交易有时也被用来泛指所有使用数量技术和计算机程序来进行下单和投资的行为。
算法交易可以应用到：程序化交易、股票指数套利交易、灵活策略配置、投资组合保险、更复杂的策略、动态交易及风险监控等方面。
2.算法交易的优势相比于手动订单执行而言，算法交易具有一系列的优势。
主要体现在减少冲击成本、自动监控交易机会，隐蔽交易意图。
还可以寻求最佳的成交执行路径，得到市场最好的报价；算法交易还能避免人的非理性因素造成的干扰；快速分析多种技术指标，更精确地下单。
3.算法交易的发展在欧洲和美国，算法交易作为订单执行的策略和工具，被机构交易者广泛采用。
据统计，2006年有三分之一的欧洲和美国的股票交易量是经由算法交易完成的，而2007年的伦敦股票交易所算法交易完成了40%的交易量；这一比例仍然在逐年增大，显示了算法交易的旺盛生命力。
算法交易在美国欧洲已经发展了30多年，应用已经非常广泛，并诞生了很多著名的量化基金，其中不乏业绩相当突出，比如数学家西蒙斯所组建的文艺复兴技术公司在算法交易的应用上处于领先地位。
相比美国，中国乃至整个亚洲在算法交易的研究和应用上还刚刚起步。
中国深圳国泰安信息技术有限公司是国内最早开始研发算法交易系统的公司之一，目前已经推出了算法交易系统，并在香港市场上线交易。
国泰安算法交易研发组与多位美国华尔街业内资深算法专家保持密切联系，紧密跟踪最前沿的算法研发趋势，目前已成功实现了适应国内A股和港股的多种国际主流算法策略：主要有"VWAP"、"VP"、"TWAP"、"Schedule"、"MOC"、"Sniper"等策略。
股票市场的高频交易和算法交易
股票市场的高频交易和算法交易股票市场的高频交易（High Frequency Trading，简称HFT）和算法交易（Algorithmic Trading）是近年来迅速发展的交易方式。
这些交易方式的兴起与计算机技术的进步密不可分，对股票市场产生了深远的影响。
本文将就高频交易和算法交易的定义、特点以及对市场的影响展开论述。
一、高频交易的定义与特点高频交易是指利用快速的计算机算法对大量交易进行快速操作的一种交易方式。
它通过在极短时间内进行大量交易，以实现微小价格差的利润，同时借助先进的算法和软件来进行实时监控和决策。
相比传统的股票交易方式，高频交易的特点主要体现在以下几个方面：1. 高速交易：高频交易借助高速计算机和强大算法，以毫秒为单位进行买卖操作，实现快速买卖股票，追求极致的交易速度。
2. 大量交易：高频交易以大量交易为基础，通过在极短时间内进行大规模买卖操作，获取微小的价格差利润。
3. 算法决策：高频交易依赖先进的算法和模型，通过实时监控市场数据，预测价格走势，并基于这些模型进行交易决策。
二、算法交易的定义与特点算法交易是一种通过预先设定好的交易策略和规则，利用计算机程序自动执行交易操作的交易方式。
它利用大量的历史市场数据进行分析和模拟，以制定出适应市场的交易策略。
算法交易的主要特点如下：1. 自动执行：算法交易依靠预先编写的交易程序和规则进行自动执行，无需人工干预，提高了交易的效率和准确性。
2. 逻辑严谨：算法交易的交易策略基于传统的技术分析和量化模型，经过严谨的验证和回测，以保证交易的稳定性和盈利性。
3. 实时监控：算法交易程序能够实时监控市场的变化，快速作出决策，并实施下单操作，以充分利用市场机会。
三、高频交易和算法交易对市场的影响1. 提升市场流动性：高频交易和算法交易的快速操作能够增加市场的交易量和成交频率，提升了市场的流动性。
交易者可以更快、更准确地完成买卖操作，促进了市场资源的优化配置。
金融市场中常见算法交易的问题分析及解决方案
金融市场中常见算法交易的问题分析及解决方案随着科技的发展和金融市场的变化，算法交易在金融市场中的应用越来越普遍。
算法交易是利用计算机算法和数学模型自动执行交易的过程。
它在金融市场中的广泛应用既带来了许多便利，也引发了一系列问题。
本文将对金融市场中常见的算法交易问题进行分析，并提出相应的解决方案。
首先，算法交易在金融市场中可能出现的问题之一是市场操纵。
由于算法交易的快速执行和高频交易特点，某些实体或机构可能会操纵市场价格以获得不公平的利润。
这种行为不仅损害了其他交易参与者的利益，还可能对金融市场的稳定性产生负面影响。
为解决这一问题，监管机构可以加强对算法交易的监管力度，建立更加严格的市场操纵防范机制，并对违规者进行处罚。
其次，算法交易可能会导致市场波动加剧。
由于算法交易的高速执行和大量交易量，一旦出现市场情绪的变动，算法交易可能会导致市场的剧烈波动，从而进一步加剧市场的不稳定性。
为了解决这一问题，金融市场参与者可以积极采取风险管理措施，如建立合理的交易策略、设置合理的止损机制，以避免过度依赖算法交易带来的风险。
第三，算法交易所使用的模型和算法也可能存在问题。
金融市场的价格变动是由多种因素共同决定的，而算法交易往往基于特定的模型和算法来执行交易。
如果模型和算法无法准确预测市场走势，算法交易可能会导致损失。
为了解决这一问题，金融市场参与者可以不断优化和改进算法和模型，通过数据分析和量化研究来提高交易的准确性和稳定性，并且在实际交易中采用多样化的策略，降低对单一模型的依赖。
此外，算法交易还可能带来信息不对称的问题。
由于算法交易的高速执行和大量交易量，某些交易参与者可能比其他参与者更早获得信息，并通过算法交易获利。
这种不对称信息可能导致市场的不公平和不透明，损害其他参与者的利益。
为了解决这一问题，金融监管机构可以加强对信息披露的监管，要求交易参与者遵守公平交易原则。
同时，金融市场参与者也可以提高自身的信息获取能力，采用相应的技术手段，以减少信息不对称带来的影响。
国内常见的智能算法交易策略
国内常见的智能算法交易策略国内常见的智能算法交易策略有：- VW策略：在指定的时间范围内，参考该证券历史成交量分布并结合实时行情拆单的算法，旨在使得成交均价尽可能接近于相应时间的按成交量加权的均价。
- TW策略：在指定的时间范围内按时间均匀拆单的算法，旨在使得成交均价尽可能接近相应时间段内市场算术平均价格。
- 跟量策略：属于市场驱动型策略，按照用户设定的一定比例参与市场成交的算法，即从运行时间起母单的成交量与对应时间内的市场成交总量之比接近于该用户设定的比例，适用于按照市场成交量的一定比例参与市场成交，如按市场成交量的一定比例建仓或减持（若无特殊原因，建议量比比例不超过30%）。
- 跟价策略：属于市场驱动型策略，相对于参考价格（默认为过去一段时间的市场VWAP 价格），当市场价格有利时，加大成交量比例；当市场价格不利时，减少成交量比例。
适用于按照市场成交量的一定比例（允许适度落后）参与市场成交，同时需要优化执行价格（若无特殊原因，建议量比比例不超过30%）。
- 盘口策略：属于盘口驱动型策略，尽可能在己方盘口或中间价进行挂单，旨在降低因打单而造成的盘口价差成本，适用于证券盘口价相对较大且不要求全部成交的指令。
- 快捷策略：属于主动型策略，旨在兼顾市场冲击和监管要求的同时，尽可能快速地完成交易执行，适用于金额不是很大的个股或者组合指令。
- 冰山策略：属于功能型策略，在设定的价格上挂一定比例的量，挂单有成交后或盘口价格发生变化再不断补单，并按照交易时间长度保持一定的成交进度，以便能够完成指令，主要优势是在大部分交易时段内不暴露交易意图，适用于金额较大的指令。
- 尾盘策略：属于功能型策略，旨在考虑市场冲击和风控的前提下，结合历史和实时交易量的情况，自主调整开始时间和市场参与量的分布，使成交均价尽可能贴近收盘（或结束时间的）价格。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
算法交易的主要类型与策略分析
历史上最早使用算法交易的例子可以追溯到1949年。
对冲基金之父阿尔弗雷德·琼斯，利用空对多3：7的比例进行配对交易，在1955年到1964年间，综合回报率高达28%。
到了上世纪60年代早期，投资者开始利用计算机通过分析股票的周线和月线来预测价格运动方向。
配对交易逐渐成熟，发展成后来的算法交易。
随后算法交易策略慢慢在华尔街流传开来并被广泛使用，同时也带来了非常可观的盈利。
原来在摩根士丹利从事配对交易的研究员，后来逐渐成为如大卫·肖、詹姆斯·西蒙斯这类明星基金经理手下的精英，算法交易的“黑盒子”便由此诞生。
随着计算机的广泛普及，华尔街各大交易平台都开始执行算法交易，对IT技术人员的需求不断攀升。
各种数量化研究人才进入到华尔街工作，改变了交易大厅传统的交易习惯，公开喊价的交易员逐渐被算法交易员所取代，算法交易也从此在华尔街开始蓬勃发展。
现在，无论是股票、商品、期货以及外汇市场，算法交易已成为市场中不可或缺的组成部分。
2009年花旗集团的报告显示，超过50%的股票交易都是通过算法进行自动交易的。
而其他银行的报告指出这一数字甚至达到75%。
市场之所以青睐算法交易，其原因在于其能够快速有效地降低交易成本，控制市场冲击成本和具有较高的
执行概率。
除此之外，它还能提供隐藏交易意图等传统交易方法不具有的交易方式。
冲击驱动型算法交易：降低对价格的影响冲击驱动型算法是由简单的指令分割策略演化而来的。
通过将大订单分拆成小订单进行发送，试图降低交易对资产价格的影响，达到最小化市场冲击成本的目的。
基于平均价格的算法，代表了第一代冲击驱动型算法。
这些算法都是由带有预设目标的算法演化而来的，对价格或成交量等条件无敏感性。
它们通常按预定的步骤被执行，在给定的时间内不管市场条件如何，只是单纯执行预先设置的指令。
为了使交易算法更加灵活和适应市场环境，可以对这些静态方法进行改进，或更多地采用动态算法。
这就导致了算法逐渐向机会导向算法倾斜。
参与率算法（POV）建立在真实市场成交量上而不是依赖静态模型而形成交易进度，随后逐渐演化成为采用更隐藏的路径以达到零市场冲击的最小冲击
算法。
时间加权平均价格（TWAP）是一种基于时间变化的加权平均价格，被称为TWAP算法，其仅以时间分割为基础，考虑指令的设置或指令的执行，而不受市场价格或成交量等其他方面因素的影响。
用这种方法执行一系列指令，其平均执行价格就是各执行时间点市场交易价格的加权平均。
相对于TWAP策略而言，成交量加权平均价格（VWAP）交
易策略是指交易者利用市场成交量来试图实现使平均执行
价格等于VWAP基准价格的执行策略。
它是最常用的交易策略之一，具有简单易操作等特点，基本思想就是让算法的成交量提交比例与市场成交量比例尽可能匹配，在减少对市场冲击的同时，获得市场成交加权的平均交易价格。
因此，VWAP策略一般不直接对交易的冲击成本建模，而是注重日内成交量分布的预测。
值得注意的是，如果订单量很大，VWAP策略的冲击成本仍不可忽略。
参与率算法是一种与市场成交量同步的算法，有时它们也被称为目标成交量算法或跟随算法。
与VWAP算法一样，参与率算法的表现取决于它们所采用的追踪目标成交量的技术，并且重点目标都是为了最小化市场冲击。
在实践中，参与率算法可能会考虑其他的因素，比如流动性等来帮助选择最优的交易时机。
一些参与率算法会包含成交量预测功能。
一般来说，这些方法是建立在对历史成交量分布、当前观测到的成交量和数量分析综合考虑基础之上的。
另外，也有其他参与率算法允许控制算法追踪目标参与率的进度，甚至可以显示算法能够提前或之后目标参与率的程度。
因此可以加快算法的执行度，留下交易的余地，从而避免出现滞后。
事实上，这成为目标参与率的一个倾斜机制。
对于那些允许对参与率做出更多动态调整的算法来说，还需要附加变量来确定基准和确定参与
率如何根据基准或变量来变化的。
由于参与率算法不会对价格产生依赖性，因此必须对其设定严格的价格限制。
参与率算法是追踪所有的成交量，但是，一旦应用了限价指令，它必须忽略掉所有超出这个限制的交易，否则每次当价格回落到限制之内时算法的表现就会差强人意。
成本驱动型算法交易：降低总体交易成本成本驱动型算法的主要目的是降低总体交易成本，除了佣金和价差之外，冲击成本和时机风险等隐性成本都是成本的重要组成部分。
虽然将大订单进行分割并将其分散到相当长的一段时间内进行
交易可以最小化市场冲击，然而这样做会把订单暴露在更大的时机风险下，对波动性大的资产尤其如此。
因此，成本驱动型算法也需要同时降低时机成本。
过于主动的交易会导致相当大的市场冲击，而过于被动的交易会引起时机风险。
为了最小化总的交易成本，我们需要在冲击成本和时机风险这两者之间寻找一个平衡点。
为了找到这样一个平衡点需要考虑到投资者的风险厌恶程度。
早期的成本驱动型算法是由冲击驱动算法吸收了时机风险等要素
演化而来的，现在成本驱动型算法越来越多地使用复杂市场模型，去预测潜在的交易成本和。
决定指令的最优交易策略，主要的类型包括：执行落差算法代表了纯粹的成本驱动型算法。
它试图最小化平均交易价格
和反映投资者决定价格的分配基准之间的落差。
适应性落差算法是执行落差的一个
机会导向型的版本，一般来说对价格更加敏感。
执行落差指投资者决定交易的价格与实际实现的平均执行价格之间的
差额。
投资者决定的价格相当于算法的参考基准，一般用指令到达交易商时的中间价格作为替代。
而执行落差算法的目的是实现一个能够最小化缺口的平均执行价格。
实现这类算法的关键就是在市场影响和时机风险这两者之间寻找一个
平衡点。
通常这意味着算法只能在不产生显著市场冲击的时间范围内执行。
由于实现这个目的的过程很复杂，于是许多情况下人们选择利用更简单的算法去实现。
这些算法中有一部分实际上是成交量加权平均价格算法或参与率算法的增强版。
它们使用成本模型去决定最优交易周期，这个交易周期应该包含由模型决定的结束时间或最优参与率。
适应性落差是从执行缺口算法中演化而来的新算法。
该算法所具有的适应性特点主要体现在对市场价格的适应或反应。
价格适应性落差算法实际上是一种更加倾向于机会导向的
算法。
一个主动实值(AIM)策略是指当价格有利时交易更加主动，而当价格变得不利时交易变得被动。
对于一个买入指令，有利的价格条件等价于市场价格下降到基准价格以下；而对于卖
出指令情况则是相反。
因此只有当市场价格显著下降到基准价格以下，主动实值策略的交易率才会上升。
而被动实值策略（PIM）则是相反的，且当价格有利时它会变得更加被动，而当价格不利时它会变得更加主动。
因此，交易率只有当市场价格显著地高于基准时，才会上升。
收盘价格通常用作盯市，以便计算每日的资产净值和盈亏状况。
因此不少机构会把收市价作为一个参考基准。
一般来说，在收市前进行交易会增加交易成本，而且交易价格对于指令会变得更加敏感。
同时，流动性溢价在收市前也会更明显。
收盘算法（MOC）的主要问题在于，其基准只有在市场收盘价格确定下来后才能得知。
所以，该算法并不能把交易日内的交易进行平均，然后把订单进行简单切割去匹配基准。
若执行交易的时间较早，收盘价的波动性会给交易者带来时机风险；若交易时间较晚，则会对市场产生较大的冲击。
机会导向型算法交易：利用有利的市场条件机会导向型算法是从一系列交易算法中演化而来的，其本质都是利用有利的市场条件，包括价格、流动性或其他因素。
其中盯住价格算法是以成交量加权平均价格算法、参与率算法等策略为基础，与它们所不同的是添加了对价格的敏感指标，并且能够基于当前市场价格是否有利来修正算法的交易风格。
因此许多看重市场冲击成本的算法都会更多采用机会导向型策略。
对于每一类机会导向算法，价格都是一个重要的变量。
目标
基准提供了一个允许算法去判断市场条件是否有利的基准线。
由于具有动态性特征，机会导向型算法比其他类型的算法能更精确地执行目标策略。
盯住价格算法是把交易与市场价格联系在一起的方式，与参与率算法根据市场成交量进行调整的方式类似，先定义一个基准价格，然后用市场价格与其比较的结果调整成交量。
如果事先没有设定基准价格，那么通常就会使用指令下达时的中间价格。
所以，对于买入而言，低于基准价格即为有利的买入价格；对于卖出而言，高于基准价格即为有利的卖出价格。
盯住价格算法包括一个基本的交易机制，同时附加价格调整的功能。
因此，它可以建立在静态成交量加权平均价格算法或更动态的成交量百分比方法的基础上，实际的价格调整策略可以直接追踪市场价格和其基准的差异，或者包含其他的变量。