Data Vets Launch Analytics Startup For Trading Desks

Publisert av Platon

Følgere: 0

Et team av datavitenskapskonsulenter har lansert en analysevirksomhet i Sydney for å hjelpe banker og kjøpssider med å få bedre oversikt over handelsalgoritmene deres – og forberede seg på den eventuelle introduksjonen av generativ kunstig intelligens på gulvet.

Cat Turley, grunnlegger og administrerende direktør for ExeQution Analytics, sier aksjedesk fortsetter å slite med å forstå data, selv om det har blitt den avgjørende ingrediensen for å utvikle kvantitative modeller og utførelsesalgoritmer.

"Organisasjoner står overfor høye datakostnader og vanskeligheter med å få mest mulig ut av det," sa Turley.

Salgssidebanker har alle tilgang til samme type data, og de har alle smarte dataforskere. De er i et kappløp om å differensiere seg for å vinne kundeordrer.

En måte å gjøre det på er å tilby åpenhet i algoritmene deres, men dette krever en grad av attribusjon som er vanskelig for mange firmaer å oppnå.

"Selgssidene er under press for å differensiere ved for eksempel å integrere en volatilitetsprognosemodell i algohjulet ditt, i stedet for å bare programmere den til å "slå VWAP med 3 bips", sa hun. (VWAP betyr volatilitetsvektet gjennomsnittspris; det er en av flere generiske referanseindekser som aksjehandlere streber etter å slå.)

Forklarer boksen

Kjøpssidene har den omvendte utfordringen: hvordan gi mening ut av de utallige bankutførelsesalgoritmene, og finne ut hvilken megler som tilfører verdi. Institusjonelle investorer krever ofte at fondsforvalterne deres nå har innsyn i en meglers algo, så tradere på kjøpssiden kan ikke akseptere en banks "svarte boks"-løsning. De må kunne pakke den ut.

Kjøp- eller salgssiden, disse egenskapene må integreres i handelsbordet, hvordan kvantene gjør jobben sin, og i etterhandelsprosesser som transaksjonskostnadsanalyse.

Dette blir spesielt viktig ettersom makroforholdene endrer seg, spesielt med fortsatte renteøkninger. Gode modeller er ikke bare avhengige av historiske data, men kombinerer dem med sanntidshendelser for å hjelpe tradere med å få en oversikt over hvor aksjekurser eller volatilitet kan bevege seg.

Turley sier at dette er spesielt utfordrende i Asia-Stillehavsområdet, hvor pulter må forstå hvordan leverandørene deres opererer på tvers av flere børser og handelsplasser.

Fra maskinlæring...

Banker og kjøpssider har inkorporert maskinlæring i sin algoutvikling i årevis. Målet har vært å utvikle kvantmodeller som forutsier markedsbevegelser.

En modell innen maskinlæring er resultatet av en læringsalgoritme som kjøres på et datasett. Handelsbord trener modellen ved å bruke deres algoer, og hvis modellen ser ut til å fungere bra, informerer den hvordan utførelsesalgoritmer skrives.

Et typisk handelsbord lager en tilbakemeldingssløyfe: en kvantitativ vitenskapsmann utvikler en modell som en algoutvikler bruker til å lage handelsverktøy, som traderen bruker, ytelsen deres går gjennom TCA eller en annen form for utførelsesanalyse, og de kvante porene gjennom resultatene ønsker å finpusse modellen.

Generativ AI vil sannsynligvis spille en rolle på handelsbord, selv om institusjoner ennå ikke har utarbeidet rekkverkene for å sikre at den brukes trygt.

…til Generativ AI?

"Det vil ikke bli brukt til å automatisere handel, men det kan hjelpe med tilgang til informasjon," sa Turley. Traders banker stadig vekk på et tastatur for å hente opp ventende bestillinger, søke etter likviditet, måle volatilitet i et marked eller på en kurv med aksjer. De har allerede datastrømmer for sanntidsdata og historiske data, men kan bruke språklæringsmodeller (som ChatGPT) for å hente informasjonen raskt og intuitivt, samt å visualisere den.

"Bransjen vil utvikle dette, men det er sikkerhetsproblemer som ikke kan ignoreres," sa Turley. "Vi snakker med teknologipartnere om hvor dette vil utvikle seg til."

Uansett hvor banker og kjøpssider integrerer GenAI i sine maskinlæringsprosesser, vil målet være å bedre integrere historiske data og sanntidsdata for å forstå hva som bidrar til ytelse (eller mangel på slike), i større detalj, for å forbedre fremtidige beslutninger – på en repeterbar måte som banker og investorer kan tyde.

Dette krever både en grunnleggende håndtering av selve dataene, samt muligheten til å sy sammen systemer på tvers av markeder slik at dataene er optimalisert, som er ExeQutions pitch.

Turley er en veteran innen dataanalyse innen finansielle tjenester. Fra en datasalgsbakgrunn fortsatte hun med å sette opp og drive dataanalyse hos firmaer inkludert JP Morgan, CIMB, RBS og Haitong Securities. Hun bestemte seg for å starte sin egen virksomhet i dette området, og utnytte karrierens erfaring.

ExeQution ble lansert i juni selvfinansiert av Turley, og har nå fem ansatte i Sydney og en dekningsperson i Hong Kong.