Veteranos de dados lançam startup de análise para mesas de negociação

Veteranos de dados lançam startup de análise para mesas de negociação

Carimbo de data / hora: 4 de outubro de 2023 4h40
Nó Fonte: 2916578

Uma equipa de consultores de ciência de dados lançou um negócio de análise em Sydney para ajudar os bancos e os compradores a entenderem melhor os seus algoritmos de negociação – e a prepararem-se para a eventual introdução de inteligência artificial generativa no pregão.

Cat Turley, fundadora e CEO da ExeQution Analytics, afirma que as mesas de ações continuam a lutar para dar sentido aos dados, mesmo que eles tenham se tornado o ingrediente vital para o desenvolvimento de modelos quantitativos e algoritmos de execução.

“As organizações enfrentam o alto custo dos dados e a dificuldade em obter o máximo valor deles”, disse Turley.

Todas as mesas bancárias do lado do vendedor têm acesso ao mesmo tipo de dados e todas contam com cientistas de dados inteligentes. Eles estão em uma corrida para se diferenciar a fim de conquistar pedidos de clientes.

Uma maneira de fazer isso é oferecer transparência aos seus algoritmos, mas isso requer um grau de atribuição que é difícil de ser alcançado por muitas empresas.

“Os vendedores estão sob pressão para se diferenciar, por exemplo, integrando um modelo de previsão de volatilidade em sua roda algorítmica, em vez de apenas programá-lo para 'superar o VWAP em 3 bips'”, disse ela. (VWAP significa preço médio ponderado pela volatilidade; é um dos vários benchmarks genéricos que os traders de ações se esforçam para vencer.)

Explicando a caixa

Os compradores enfrentam o desafio inverso: como entender a miríade de algoritmos de execução bancária e determinar qual corretora está agregando valor. Os investidores institucionais muitas vezes exigem que os seus gestores de fundos tenham agora visibilidade do algoritmo de uma corretora, pelo que os traders do lado da compra não podem aceitar a solução de “caixa negra” de um banco. Eles têm que ser capazes de descompactá-lo.

Do lado da compra ou da venda, essas capacidades devem ser integradas à mesa de negociação, ao modo como os quants realizam seu trabalho e aos processos pós-negociação, como a análise de custos de transação.

Isto torna-se especialmente importante à medida que as condições macroeconómicas mudam, particularmente com aumentos contínuos nas taxas de juro. Bons modelos não se baseiam apenas em dados históricos, mas combinam-nos com eventos em tempo real para ajudar os traders a ter uma visão de onde os preços das ações ou a volatilidade poderão evoluir.

Turley diz que isso é especialmente desafiador na Ásia-Pacífico, onde as mesas devem entender como seus fornecedores operam em diversas bolsas e locais de negociação.

Do aprendizado de máquina…

Os bancos e os compradores incorporaram o aprendizado de máquina em seu desenvolvimento de algoritmos durante anos. O objetivo tem sido desenvolver modelos quantitativos que prevejam os movimentos do mercado.

Um modelo em aprendizado de máquina é a saída de um algoritmo de aprendizado executado em um conjunto de dados. As mesas de negociação treinam o modelo usando seus algoritmos e, se o modelo parecer funcionar bem, ele informa como os algoritmos de execução são escritos.

Uma mesa de negociação típica cria um ciclo de feedback: um cientista quantitativo desenvolve um modelo, que um desenvolvedor de algoritmo usa para criar ferramentas de negociação, que o trader implanta, seu desempenho é executado por meio de TCA ou outra forma de análise de execução, e os poros quantitativos através dos resultados procurando ajustar o modelo.

É provável que a IA generativa desempenhe um papel nas mesas de negociação, embora as instituições ainda não tenham definido as barreiras de proteção para garantir que seja utilizada com segurança.

…para IA generativa?

“Não será usado para automatizar negociações, mas pode ajudar no acesso à informação”, disse Turley. Os traders estão constantemente a mexer num teclado para obter ordens pendentes, procurar liquidez, medir a volatilidade num mercado ou num cabaz de ações. Eles já possuem feeds de dados históricos e em tempo real, mas poderiam usar modelos de aprendizagem de idiomas (como ChatGPT) para obter essas informações de forma rápida e intuitiva, bem como para visualizá-las.

“A indústria irá desenvolver isto, mas há questões de segurança que não podem ser ignoradas”, disse Turley. “Estamos conversando com parceiros de tecnologia sobre para onde isso irá evoluir.”

Independentemente da forma como os bancos e os compradores integram a GenAI nos seus processos de aprendizagem automática, o objetivo será integrar melhor os dados históricos e em tempo real para compreender o que está a contribuir para o desempenho (ou a falta dele), com maior detalhe, a fim de melhorar as decisões futuras. – de uma forma repetível que os bancos e os investidores possam decifrar.

Isso requer um controle básico dos próprios dados, bem como a capacidade de unir sistemas em todos os mercados para que os dados sejam otimizados, que é o argumento da ExeQution.

Turley é um veterano em análise de dados em serviços financeiros. Com experiência em venda de dados, ela configurou e executou análises de dados em empresas como JP Morgan, CIMB, RBS e Haitong Securities. Ela decidiu lançar seu próprio negócio neste espaço, aproveitando a experiência de sua carreira.

A ExeQution foi lançada em junho autofinanciada pela Turley e agora tem cinco funcionários em Sydney e um responsável pela cobertura em Hong Kong.

Carimbo de hora:

Mais de DigFin