Data Vets lancerer Analytics Startup For Trading Desks

Genudgivet af Platon

Abonnenter: 0

Et team af datavidenskabelige konsulenter har lanceret en analysevirksomhed i Sydney for at hjælpe banker og købssider med at få en bedre forståelse af deres handelsalgoritmer – og forberede sig på den eventuelle introduktion af generativ kunstig intelligens på gulvet.

Cat Turley, grundlægger og administrerende direktør for ExeQution Analytics, siger, at aktiebureauer fortsat kæmper med at forstå data, selvom det er blevet den afgørende ingrediens i udviklingen af kvantitative modeller og eksekveringsalgoer.

"Organisationer står over for de høje omkostninger ved data og vanskeligheder med at få mest muligt ud af det," sagde Turley.

Salgssidebanker har alle adgang til den samme slags data, og de har alle kloge dataforskere. De er i et kapløb om at differentiere sig for at vinde kundeordrer.

En måde at gøre det på er at tilbyde gennemsigtighed i deres algoritmer, men dette kræver en grad af tilskrivning, som er svær for mange virksomheder at opnå.

"Salgssider er under pres for at differentiere sig ved for eksempel at integrere en volatilitetsprognosemodel i dit algohjul i stedet for bare at programmere det til at 'slå VWAP med 3 bips'," sagde hun. (VWAP betyder volatilitetsvægtet gennemsnitspris; det er et af flere generiske benchmarks, som aktiehandlere stræber efter at slå.)

Forklaring af boksen

Købssider har den omvendte udfordring: hvordan man giver mening ud af de utallige bankudførelsesalgoritmer og bestemmer, hvilken mægler der tilføjer værdi. Institutionelle investorer kræver ofte, at deres fondsforvaltere nu har indsigt i en mæglers algo, så købere på købssiden kan ikke acceptere en banks 'black box'-løsning. De skal kunne pakke den ud.

Købs- eller salgssiden skal disse muligheder integreres i handelsbordet, hvordan kvanterne udfører deres job og i post-handelsprocesser såsom transaktionsomkostningsanalyse.

Dette bliver særligt vigtigt, da makroforholdene ændrer sig, især med fortsatte rentestigninger. Gode modeller er ikke kun afhængige af historiske data, men kombinerer dem med begivenheder i realtid for at hjælpe handlende med at få et overblik over, hvor aktiekurser eller volatilitet kan bevæge sig.

Turley siger, at dette er særligt udfordrende i Asien og Stillehavsområdet, hvor skriveborde skal forstå, hvordan deres leverandører opererer på tværs af flere børser og handelspladser.

Fra maskinlæring...

Banker og købssider har inkorporeret maskinlæring i deres algoudvikling i årevis. Målet har været at udvikle kvantmodeller, der forudsiger markedsbevægelser.

En model i maskinlæring er outputtet af en indlæringsalgoritme, der køres på et datasæt. Handelsborde træner modellen ved hjælp af deres algoer, og hvis modellen ser ud til at fungere godt, så informerer den om, hvordan eksekveringsalgoer er skrevet.

Et typisk handelsbord skaber en feedback-loop: en kvantitativ videnskabsmand udvikler en model, som en algoudvikler bruger til at skabe handelsværktøjer, som den erhvervsdrivende anvender, deres præstationer løber gennem TCA eller en anden form for eksekveringsanalyse, og de kvante porer gennem resultaterne søger at finjustere modellen.

Generativ AI vil sandsynligvis spille en rolle på handelsborde, selvom institutioner endnu ikke har udarbejdet autoværnet for at sikre, at det bruges sikkert.

…til Generativ AI?

"Det vil ikke blive brugt til at automatisere handel, men det kan hjælpe med adgang til information," sagde Turley. Handlende banker konstant væk på et tastatur for at hente afventende ordrer, søger efter likviditet, måling af volatilitet på et marked eller på en kurv af aktier. De har allerede datafeeds til realtidsdata og historiske data, men kunne bruge sprogindlæringsmodeller (såsom ChatGPT) til at hente den information hurtigt og intuitivt samt til at visualisere det.

"Branchen vil udvikle dette, men der er sikkerhedsproblemer, som ikke kan ignoreres," sagde Turley. "Vi taler med teknologipartnere om, hvor dette vil udvikle sig hen."

Uanset hvordan banker og købersider integrerer GenAI i deres maskinlæringsprocesser, vil målet være bedre at integrere historiske data og realtidsdata for at forstå, hvad der bidrager til ydeevne (eller mangel på samme), mere detaljeret for at forbedre fremtidige beslutninger – på en gentagelig måde, som banker og investorer kan tyde.

Dette kræver både en grundlæggende håndtering af selve data, samt evnen til at sy systemer sammen på tværs af markeder, så dataene er optimeret, hvilket er ExeQutions pitch.

Turley er en veteran inden for dataanalyse i finansielle tjenester. Fra en datasalgsbaggrund fortsatte hun med at opsætte og køre dataanalyse hos firmaer, herunder JP Morgan, CIMB, RBS og Haitong Securities. Hun besluttede at lancere sin egen virksomhed i dette område og udnytte sin karrieres erfaring.

ExeQution lanceret i juni selvfinansieret af Turley, og har nu fem ansatte i Sydney og en dækningsperson i Hong Kong.