J 2025

Systematic Review on Algorithmic Trading

JUKL, David a Jan LÁNSKÝ

Základní údaje

Originální název

Systematic Review on Algorithmic Trading

Název česky

Systematický přehled algoritmického obchodování

Autoři

JUKL, David a Jan LÁNSKÝ

Vydání

Acta Informatica Pragensia, Praha, VŠE, 2025, 1805-4951

Další údaje

Jazyk

angličtina

Typ výsledku

Článek v odborném periodiku

Obor

10201 Computer sciences, information science, bioinformatics

Stát vydavatele

Česká republika

Utajení

není předmětem státního či obchodního tajemství

Impakt faktor

Impact factor: 1.100 v roce 2024

Označené pro přenos do RIV

Ano

Kód RIV

RIV/04274644:_____/25:#0001258

Organizační jednotka

Vysoká škola finanční a správní

EID Scopus

Klíčová slova česky

Ziskovost; Algoritmické obchodní systémy; Umělá inteligence; Meta trading; Analýza sentimentu; Systematický přehled literatury; SLR; Vysokofrekvenční obchodování.

Klíčová slova anglicky

Profitability; Algorithmic trading systems; Artificial intelligence; Meta trading; Sentiment analysis; Systematic literature review; SLR; High-frequency trading.

Příznaky

Mezinárodní význam, Recenzováno
Změněno: 22. 1. 2026 12:57, Mgr. Jitka Štruncová

Anotace

V originále

Background: Algorithmic trading systems (ATS) are defined by the use of computational algorithms for automating financial transactions. They have become a critical part of modern financial markets because of their efficiency and ability to carry out complex strategies. Objective: This research involves a systematic review that assesses the market impact, technological advancements, strategic approaches and regulatory challenges related to algorithmic trading. Methods: Following PRISMA 2020 guidelines, this study conducts a systematic literature review by screening 1,567 articles across five academic databases, namely IEEE Xplore, ACM Digital Library, SpringerLink, Web of Science and SSRN. After applying predefined inclusion and exclusion criteria, 208 peer-reviewed journal and conference papers published between 2015 and 2024 are selected. The PICOC framework is used to define the review scope. Data are extracted using structured templates capturing study details, research objectives, artificial intelligence (AI) integration, profitability analysis and limitations. Tools such as Rayyan, NVivo, MS Excel and Zotero support the screening, coding and qualitative synthesis of findings. Results: AI methods, especially machine learning (used in 50% of the studies) and sentiment analysis (20%), significantly improve predictive accuracy and profitability. Most studies focus on equities (35%) and forex (30%), with high-frequency trading being the most examined strategy (30%). Challenges include latency (30%), scalability (25%) and regulatory issues (25%). Conclusion: Future research should prioritize ethical frameworks, regulatory clarity and wider access to AI-driven ATS components. This review provides a robust foundation for academics and practitioners to innovate and optimize algorithmic trading strategies.

Česky

Souvislosti: Algoritmické obchodní systémy (ATS) jsou definovány použitím výpočetních algoritmů pro automatizaci finančních transakcí. Staly se klíčovou součástí moderních finančních trhů díky své efektivitě a schopnosti provádět složité strategie. Cíl: Tento výzkum zahrnuje systematický přehled, který hodnotí dopad na trh, technologický pokrok, strategické přístupy a regulační výzvy související s algoritmickým obchodováním. Metody: V souladu s pokyny PRISMA 2020 tato studie provádí systematický přehled literatury screeningem 1 567 článků v pěti akademických databázích, konkrétně IEEE Xplore, ACM Digital Library, SpringerLink, Web of Science a SSRN. Po aplikaci předem definovaných kritérií pro zařazení a vyloučení je vybráno 208 recenzovaných časopiseckých a konferenčních příspěvků publikovaných v letech 2015 až 2024. Pro definování rozsahu přehledu je použit rámec PICOC. Data jsou extrahována pomocí strukturovaných šablon, které zachycují podrobnosti studie, cíle výzkumu, integraci umělé inteligence (AI), analýzu ziskovosti a omezení. Nástroje jako Rayyan, NVivo, MS Excel a Zotero podporují screening, kódování a kvalitativní syntézu zjištění. Výsledky: Metody umělé inteligence, zejména strojové učení (použité v 50 % studií) a analýza sentimentu (20 %), významně zlepšují prediktivní přesnost a ziskovost. Většina studií se zaměřuje na akcie (35 %) a forex (30 %), přičemž nejvíce zkoumanou strategií je vysokofrekvenční obchodování (30 %). Mezi výzvy patří latence (30 %), škálovatelnost (25 %) a regulační otázky (25 %). Závěr: Budoucí výzkum by měl upřednostňovat etické rámce, srozumitelnost předpisů a širší přístup ke komponentám algoritmických obchodních systémů řízeným umělou inteligencí. Tato studie poskytuje akademikům i praktikům solidní základ pro inovaci a optimalizaci strategií algoritmického obchodování.

Přiložené soubory