Data Vets запускают аналитический стартап для торговых центров

Переиздано Платоном

Читают: 0

Команда консультантов по науке о данных запустила аналитический бизнес в Сиднее, чтобы помочь банкам и покупателям лучше понять свои торговые алгоритмы и подготовиться к возможному внедрению генеративного искусственного интеллекта на бирже.

Кэт Терли, основатель и генеральный директор ExeQution Analytics, говорит, что отделы рынка акций продолжают бороться с пониманием данных, даже несмотря на то, что они стали жизненно важным компонентом разработки количественных моделей и алгоритмов исполнения.

«Организации сталкиваются с высокой стоимостью данных и трудностями в получении от них максимальной пользы», — сказал Терли.

Все банковские отделения продавцов имеют доступ к одним и тем же данным, и у всех есть умные специалисты по обработке данных. Они стремятся выделиться среди других, чтобы получить заказы клиентов.

Один из способов сделать это — обеспечить прозрачность своих алгоритмов, но для этого требуется определенная степень атрибуции, которой многим фирмам трудно достичь.

«Стороны продаж вынуждены дифференцироваться, например, интегрируя модель прогноза волатильности в ваше алгоритмическое колесо, вместо того, чтобы просто программировать ее так, чтобы «превзойти VWAP на 3 пункта», — сказала она. (VWAP означает средневзвешенную цену по волатильности; это один из нескольких общих эталонов, которые трейдеры акций стремятся превзойти.)

Объяснение коробки

Перед покупателями стоит обратная задача: как разобраться в бесчисленных алгоритмах исполнения банковских операций и определить, какой брокер увеличивает ценность. Институциональные инвесторы часто требуют, чтобы их управляющие фондами теперь имели представление об алгоритме брокера, чтобы трейдеры на стороне покупателя не могли принять банковское решение «черного ящика». Они должны иметь возможность его распаковать.

Со стороны покупки или продажи эти возможности должны быть интегрированы в торговый отдел, в то, как количественные специалисты выполняют свою работу, а также в постторговые процессы, такие как анализ транзакционных издержек.

Это становится особенно важным по мере изменения макроэкономических условий, особенно в условиях продолжающегося повышения процентных ставок. Хорошие модели не просто полагаются на исторические данные, но объединяют их с событиями в реальном времени, чтобы помочь трейдерам получить представление о том, куда могут двигаться цены на акции или волатильность.

Терли говорит, что это особенно сложно в Азиатско-Тихоокеанском регионе, где отделы должны понимать, как их поставщики работают на нескольких биржах и торговых площадках.

Из машинного обучения…

Банки и покупатели уже много лет включают машинное обучение в разработку своих алгоритмов. Цель заключалась в разработке квантовых моделей, которые предсказывают движения рынка.

Модель в машинном обучении — это результат работы алгоритма обучения, запущенного на наборе данных. Торговые конторы обучают модель, используя свои алгоритмы, и если модель работает хорошо, она сообщает, как пишутся алгоритмы исполнения.

Типичный торговый отдел создает петлю обратной связи: специалист по количественному анализу разрабатывает модель, которую разработчик алгоритмов использует для создания торговых инструментов, которые развертывает трейдер, их производительность оценивается посредством TCA или другой формы анализа исполнения, а количественный анализ анализирует результаты. хочу доработать модель.

Генеративный ИИ, вероятно, сыграет свою роль в торговых операциях, хотя учреждениям еще предстоит разработать меры, обеспечивающие его безопасное использование.

…Генеративному ИИ?

«Он не будет использоваться для автоматизации торговли, но может помочь с доступом к информации», — сказал Терли. Трейдеры постоянно стучат по клавиатуре, чтобы открыть отложенные ордера, ищут ликвидность, измеряют волатильность на рынке или в корзине акций. У них уже есть каналы данных для данных в реальном времени и исторических данных, но они могут использовать модели изучения языка (такие как ChatGPT) для быстрого и интуитивного получения этой информации, а также для ее визуализации.

«Промышленность будет развивать это, но есть проблемы безопасности, которые нельзя игнорировать», — сказал Терли. «Мы говорим с технологическими партнерами о том, куда это будет развиваться».

Однако банки и покупатели интегрируют GenAI в свои процессы машинного обучения, цель будет состоять в том, чтобы лучше интегрировать исторические данные и данные в реальном времени, чтобы более подробно понять, что способствует производительности (или ее отсутствию), чтобы улучшить будущие решения. – повторяемым образом, который могут расшифровать банки и инвесторы.

Для этого требуется как базовое владение самими данными, так и способность объединять системы на разных рынках для оптимизации данных, что и является основной целью ExeQution.

Терли — ветеран анализа данных в финансовых услугах. Имея опыт работы в сфере торговли данными, она затем организовала и провела анализ данных в таких компаниях, как JP Morgan, CIMB, RBS и Haitong Securities. Она решила открыть в этой сфере собственный бизнес, используя свой карьерный опыт.

ExeQution был запущен в июне на самофинансирование компании Turley, и сейчас у него пять сотрудников в Сиднее и специалист по страхованию в Гонконге.