Data Vets Khởi động công cụ khởi động phân tích cho bàn giao dịch

Được xuất bản lại bởi Plato

Người theo dõi: 0

Một nhóm các nhà tư vấn khoa học dữ liệu đã thành lập một doanh nghiệp phân tích ở Sydney để giúp các ngân hàng và bên mua hiểu rõ hơn về các thuật toán giao dịch của họ – và chuẩn bị cho việc giới thiệu trí tuệ nhân tạo tổng hợp trên sàn.

Cat Turley, người sáng lập và Giám đốc điều hành của ExeQution Analytics, cho biết bộ phận cổ phiếu tiếp tục gặp khó khăn trong việc hiểu dữ liệu, ngay cả khi dữ liệu đó đã trở thành thành phần quan trọng để phát triển các mô hình định lượng và thuật toán thực thi.

Turley cho biết: “Các tổ chức phải đối mặt với chi phí dữ liệu cao và khó khăn trong việc thu được giá trị cao nhất từ nó”.

Tất cả các nhân viên ngân hàng bên bán đều có quyền truy cập vào cùng một loại dữ liệu và tất cả họ đều có các nhà khoa học dữ liệu thông minh. Họ đang trong cuộc đua tạo sự khác biệt để giành được đơn đặt hàng của khách hàng.

Một cách để làm điều đó là cung cấp sự minh bạch cho các thuật toán của họ, nhưng điều này đòi hỏi một mức độ ghi công mà nhiều công ty khó đạt được.

Cô nói: “Các bên bán đang chịu áp lực phải tạo sự khác biệt, chẳng hạn như bằng cách tích hợp mô hình dự báo biến động vào bánh xe thuật toán của bạn, thay vì chỉ lập trình nó để 'đánh bại VWAP 3 bips'. (VWAP có nghĩa là giá trung bình có trọng số biến động; đó là một trong một số tiêu chuẩn chung mà các nhà giao dịch cổ phiếu cố gắng đánh bại.)

Giải thích về chiếc hộp

Bên mua có thách thức ngược lại: làm thế nào để hiểu được vô số thuật toán thực hiện của ngân hàng và xác định nhà môi giới nào đang gia tăng giá trị. Các nhà đầu tư tổ chức thường yêu cầu các nhà quản lý quỹ của họ hiện có khả năng hiển thị thuật toán của nhà môi giới, vì vậy các nhà giao dịch bên mua không thể chấp nhận giải pháp 'hộp đen' của ngân hàng. Họ phải có khả năng giải nén nó.

Bên mua hoặc bên bán, những khả năng này phải tích hợp vào bộ phận giao dịch, cách các nhà phân tích thực hiện công việc của họ và vào các quy trình sau giao dịch như phân tích chi phí giao dịch.

Điều này trở nên đặc biệt quan trọng khi các điều kiện vĩ mô thay đổi, đặc biệt khi lãi suất tiếp tục tăng. Các mô hình tốt không chỉ dựa vào dữ liệu lịch sử mà còn kết hợp nó với các sự kiện thời gian thực để giúp các nhà giao dịch có được cái nhìn về nơi giá cổ phiếu hoặc sự biến động có thể di chuyển.

Turley cho biết điều này đặc biệt khó khăn ở Châu Á Thái Bình Dương, nơi các bộ phận phải hiểu cách các nhà cung cấp của họ hoạt động trên nhiều sàn giao dịch và địa điểm giao dịch.

Từ học máy…

Các ngân hàng và bên mua đã kết hợp học máy vào quá trình phát triển thuật toán của họ trong nhiều năm. Mục tiêu là phát triển các mô hình lượng tử dự đoán diễn biến thị trường.

Một mô hình trong học máy là đầu ra của thuật toán học chạy trên tập dữ liệu. Bàn giao dịch đào tạo mô hình bằng cách sử dụng các thuật toán của họ và nếu mô hình có vẻ hoạt động tốt thì nó sẽ cho biết cách viết các thuật toán thực thi.

Bàn giao dịch điển hình tạo ra một vòng phản hồi: một nhà khoa học định lượng phát triển một mô hình mà nhà phát triển thuật toán sử dụng để tạo ra các công cụ giao dịch mà nhà giao dịch triển khai, hiệu suất của chúng chạy qua TCA hoặc một hình thức phân tích thực thi khác và phân tích lượng tử thông qua kết quả đang tìm cách điều chỉnh mô hình.

AI sáng tạo có thể sẽ đóng một vai trò nào đó trên bàn giao dịch, mặc dù các tổ chức vẫn chưa xây dựng các biện pháp bảo vệ để đảm bảo nó được sử dụng an toàn.

…đến AI sáng tạo?

Turley cho biết: “Nó sẽ không được sử dụng để tự động hóa giao dịch nhưng nó có thể giúp truy cập thông tin”. Các nhà giao dịch liên tục gõ bàn phím để đưa ra các lệnh đang chờ xử lý, tìm kiếm thanh khoản, đo lường sự biến động trên thị trường hoặc trên rổ cổ phiếu. Họ đã có nguồn cấp dữ liệu cho dữ liệu lịch sử và thời gian thực, nhưng có thể sử dụng các mô hình học ngôn ngữ (chẳng hạn như ChatGPT) để lấy thông tin đó một cách nhanh chóng và trực quan cũng như trực quan hóa nó.

“Ngành công nghiệp sẽ phát triển điều này nhưng có những vấn đề bảo mật không thể bỏ qua”, Turley nói. “Chúng tôi đang nói chuyện với các đối tác công nghệ về việc điều này sẽ phát triển đến đâu.”

Tuy nhiên, các ngân hàng và bên mua tích hợp GenAI vào quy trình học máy của họ, mục tiêu sẽ là tích hợp tốt hơn dữ liệu lịch sử và thời gian thực để hiểu điều gì đang góp phần vào hiệu suất (hoặc thiếu chúng), chi tiết hơn, nhằm cải thiện các quyết định trong tương lai – theo cách lặp lại mà các ngân hàng và nhà đầu tư có thể giải mã được.

Điều này đòi hỏi cả khả năng xử lý cơ bản về chính dữ liệu cũng như khả năng kết hợp các hệ thống trên khắp các thị trường lại với nhau để dữ liệu được tối ưu hóa, đó là mục tiêu của ExeQution.

Turley là một chuyên gia kỳ cựu về phân tích dữ liệu trong các dịch vụ tài chính. Từ nền tảng bán dữ liệu tự động, cô tiếp tục thiết lập và điều hành hoạt động phân tích dữ liệu tại các công ty bao gồm JP Morgan, CIMB, RBS và Haitong Securities. Cô quyết định thành lập công việc kinh doanh của riêng mình trong lĩnh vực này, tận dụng kinh nghiệm nghề nghiệp của mình.

ExeQution ra mắt vào tháng XNUMX do Turley tự tài trợ và hiện có XNUMX nhân viên ở Sydney và một người phụ trách bảo hiểm ở Hồng Kông.