Maskinlæring til aktiehandel: 97% hurtigere databehandling

Innowise har udviklet en maskinlæringsløsning til aktiehandel, der udnytter forskelle i børskurser.

Kunde

Industri

Region

Kunde siden

2023

Vores klient er et irsk proprietært handelsfirma. Virksomhedens primære fokus er at handle med stærkt korrelerede produkter og samtidig opfange mindre prisforskelle.

Detaljerede oplysninger om klienten kan ikke videregives i henhold til bestemmelserne i NDA.

Udfordring

Forsinkelser i kundens handelssystem gjorde det for langsomt til at holde trit med de hurtige markedsdata, hvilket betød, at man gik glip af handelsmuligheder.

Kundens tidligere handelssystem kunne bare ikke følge med de hurtige data. Det havde store problemer med forsinkelse og var 2-3 sekunder om at behandle information, hvilket var alt for langsomt til at træffe hurtige handelsbeslutninger.For at få deres nye handelsstrategier til at fungere havde kunden brug for et hurtigt system, der kunne håndtere store mængder finansielle data i realtid. Det var vigtigt for dem at spotte og analysere kortsigtede forskelle mellem relaterede aktiver, da disse muligheder kan dukke op og forsvinde på få sekunder. Det nye system skulle behandle disse data på millisekunder for at levere nøjagtige beregninger og vellykkede handler.For at tackle disse udfordringer satte vi os for at bygge en ny platform til maskinlæring af aktiehandel, designet til at levere en hurtig, pålidelig og tilpasset løsning.

Løsning

En maskinlæringsdrevet handelsplatform med lav latenstid, der hurtigt identificerer optimale handelsmuligheder

Innowise fornyede klientsoftwaren med en infrastruktur med lav latenstid til kvantitativ kryptohandel. Denne nye platform giver kunden mulighed for at reagere hurtigt på markedsændringer og udføre handler næsten uden forsinkelse, hvilket giver dem en fordel i forhold til at udnytte arbitragemuligheder.

Vi anvendte maskinlæringsteknikker til at identificere de bedste tidspunkter til at købe aktiver og fange markedsanomalier, der antydede solide købsmuligheder. Systemet blev også integreret med Grafana, et værktøj til at forespørge, visualisere og analysere forskellige handelsmålinger sammen med brugertilpassede advarsler.

Den maskinlæringsaktier Handelsplatform indeholder fem hovedmoduler:

Modul til markedsdata
System til styring af ordrer
Ledende stillinger
Risikomanager
Strategisk leder

Modul til markedsdata

For at styre børser i forskellige regioner bruger handelssystemet en geo-distribueret opsætning. Hovedsystemet kører på en central server, der fungerer som knudepunkt for indsamling og behandling af markedsdata. Mindre gateways er sat op i nærheden af hver børsserver for at hente data direkte fra dem. Denne opsætning gør det muligt for det centrale system at indsamle realtidsdata fra flere børser - f.eks. kurser, ordrebogsstatus, finansieringssatser og meget mere - hvilket giver vores kunde et fuldt overblik over markedet.

System til styring af ordrer

Ordrehåndteringsmodulet giver vores kunder mulighed for at holde øje med flere ordrer i realtid og giver dem et klart overblik over både fulde og delvise udførelser. Traderne får øjeblikkelige opdateringer om ordrestatus, så de hurtigt kan springe på gode prismuligheder. Det kommer også med godkendelser på ordreniveau, så tradere kan godkende ordrer baseret på specifikke kriterier for ekstra kontrol og nøjagtighed.

Ledende stillinger

Positionsmanageren giver handlere realtidsindsigt i deres aktive handler, balancekontrol og et fuldt overblik over deres tilgængelige midler. Med dette værktøj kan tradere overvåge deres porteføljer og evaluere deres eksponering for forskellige aktiver. Det giver også vigtige detaljer som gennemsnitlig købspris, aktuel markedsværdi og urealiserede gevinster eller tab for hver position. Derudover arbejder dette modul tæt sammen med risikomanageren for at overvåge handelsoperationer og håndhæve grænser for at holde handler inden for fastsatte risikoparametre.

Risikomanager

Den maskinlærende aktiehandelsplatform giver de handlende fuld kontrol over ordrer, køb og risikostyring. Et sæt algoritmer hjælper med at holde købspriser inden for fastsatte grænser, og ved at sammenligne udførte priser med den aktuelle markedspris hjælper platformen de handlende med at undgå store afvigelser, der kan påvirke rentabiliteten.Modulet sporer Profit and Loss (PnL) i realtid, hvilket giver de handlende et klart overblik over deres aktuelle overskud og giver dem mulighed for at indstille tilpassede tabsgrænser baseret på deres risikotolerance og strategier. Det kommer også med avancerede værktøjer til at hjælpe med at vurdere risikoen ved individuelle handler eller hele porteføljen. Ved at se på ting som aktivvolatilitet, tidligere prisudviklinger og korrelationer får tradere en bedre fornemmelse af deres risikoeksponering og kan finjustere deres risikostyringsstrategier.

Strategisk leder

Kernen i modulet er strategien, der er oprettet som en særskilt klasse, der indfanger handelslogikken og definerer handlinger i forskellige markedssituationer. Ved at arbejde med relevante datasæt og bruge maskinlæring til aktiehandel identificerer modulet nøgledatapunkter for at træne modeller, der automatisk udfører strategier baseret på markedsforhold i realtid.Processen starter med at træne maskinlæringsmodeller med udvalgte datasæt. Disse modeller analyserer derefter markedsdata, f.eks. handelsvolumen, for at spotte uregelmæssigheder og finde de bedste ind- og udgangspunkter for specifikke aktiver. Modellerne bruger boosting-algoritmer til at generere forudsigelser af aktivpriser inden for ekstremt korte tidsrammer, nogle gange på bare millisekunder.Maskinlæringsmodellerne arbejder med handelssystemets backend, hvor deres forudsigelser gemmes i en database til videre analyse og beslutningstagning. Når nye markedsdata kommer ind fra børserne, evaluerer modellerne forholdene i forhold til fastsatte kriterier. Ved at kombinere data om handelsvolumen med maskinlæringsdrevet anomalidetektion øger værktøjet chancerne for at udføre rentable handler.

Teknologier

Back-end

C#, ML.NET, Python

Cloud

AWS

CatBoost, XGBoost, NumPy, pandas, SciPy, scikit-learn

Integrationer

Grafana, Prometheus

Proces

Under udviklingsprocessen havde Innowise en klar og effektiv tilgang til at holde tingene kørende med kunden. Vi delte projektet op i tre vigtige faser:

Indsamling af krav: Vi startede med dybdegående diskussioner og konsultationer med kunden for virkelig at forstå deres handelsstrategier, og hvilken type system der ville passe bedst til deres behov. Det betød flere møder over Google Meet, hvor vi arbejdede sammen om at sætte klare mål og skitsere fordelene ved at bruge maskinlæring til en aktiehandelsplatform.

Planlægning og arkitekturdesign: Vi brugte Jira til at styre projektet, opstille en klar køreplan, definere vigtige milepæle og tildele ressourcer. Det holdt alting organiseret og sikrede, at udviklingsprocessen forløb gnidningsløst fra start til slut.

Udvikling, træning og testning: Vi indledte udviklingsfasen med at bygge og implementere kernen i Maskinlæringssystem på hovedserveren og opsætning af gateways til at forbinde med kryptovalutabørser. Denne fase omfattede også kortlægning af data og træning af maskinlæringsmodellerne for at sikre, at alt fungerede godt til integration af handel i realtid.

Integration, udrulning og forbedring: Da hvert modul var udviklet og testet, arbejdede teamet på at samle alle komponenterne i handelsplatformen. Vi kørte grundige integrationstests for at sikre, at alt kommunikerede korrekt og fungerede som et samlet system.

Vores team udvider projektet ved at tilføje flere dataindsamlingsudvekslinger for at få det til at skille sig ud på markedet. For at komme op i niveau omskriver vi kodebasen i C++ for at øge hastigheden og ydeevnen. Vi overvejer også at genopbygge hyppigt anvendte connectivity-biblioteker fra bunden for yderligere at øge systemets ydeevne og forbedre teknikkerne til maskinlæring af aktiehandel.

Hold

Ledende udvikler

DevOps Engineer

C# Udviklere

Python Udviklere

Kvantitative forskere

Resultater

Maskinlæring til aktiehandel giver 97% hurtigere informationsbehandling og en markedsresponstid på 34 ms

Opbygningen af den tilpassede kvantitative handelsplatform gjorde en enorm forskel for kunden. Vi reducerede behandlingsforsinkelserne fra 2-3 sekunder til kun 34 millisekunder, hvilket fremskyndede tingene med ca. 97%. Ved at bruge maskinlæring til aktiehandel skærpede platformen kundens strategier og øgede deres rentabilitet. Desuden gav dens hurtige reaktion på markedsbevægelser og evne til at spotte arbitragemuligheder kunden en solid fordel i forhold til konkurrenterne.Innowise har udviklet en brugervenlig API, som forenkler strategiudvikling og testning. Nu behøver kunden ikke at være afhængig af tredjepartsressourcer, da alt håndteres i vores samlede system. Derudover leverer API'en klare, detaljerede målinger for hver strategi, hvilket hjælper kunden med hurtigt at vurdere, om den passer til deres risikoprofil.

Projektets varighed

April 2023 - Løbende

97%

hurtigere behandling af handelsinformation

millisekunder markedsresponstid

Relaterede sager

Kontakt os

Book et opkald eller udfyld formularen nedenfor, så vender vi tilbage til dig, når vi har behandlet din anmodning.

Navn

Virksomhed

E-mail

Telefon

Besked

Send os en talebesked

Vedhæft dokumenter

Upload fil

Du kan vedhæfte 1 fil på op til 2 MB. Gyldige filformater: pdf, jpg, jpeg, png.

Ved at klikke på Send accepterer du, at Innowise behandler dine personlige data i henhold til vores Politik for beskyttelse af personlige oplysninger for at give dig relevante oplysninger. Ved at indsende dit telefonnummer accepterer du, at vi kan kontakte dig via taleopkald, sms og beskedapps. Opkalds-, besked- og datatakster kan være gældende.

Du kan også sende os din anmodning
til contact@innowise.com

Hvad sker der nu?

Når vi har modtaget og behandlet din anmodning, vender vi tilbage til dig for at beskrive dine projektbehov og underskriver en NDA for at sikre fortrolighed.

Når vi har undersøgt dine ønsker, behov og forventninger, udarbejder vores team et projektforslag med forslag med arbejdets omfang, teamstørrelse, tids- og omkostningsoverslag.

Vi arrangerer et møde med dig for at diskutere tilbuddet og få detaljerne på plads.

Til sidst underskriver vi en kontrakt og begynder at arbejde på dit projekt med det samme.

Maskinlæring til aktiehandel: 97% hurtigere databehandling

Kunde

Udfordring

Forsinkelser i kundens handelssystem gjorde det for langsomt til at holde trit med de hurtige markedsdata, hvilket betød, at man gik glip af handelsmuligheder.

Løsning

En maskinlæringsdrevet handelsplatform med lav latenstid, der hurtigt identificerer optimale handelsmuligheder

Modul til markedsdata

System til styring af ordrer

Ledende stillinger

Risikomanager

Strategisk leder

Teknologier

Proces

Hold

Resultater

Maskinlæring til aktiehandel giver 97% hurtigere informationsbehandling og en markedsresponstid på 34 ms

Relaterede sager

Kontakt os

Hvad sker der nu?

Brug for andre tjenester?

Abonner til vores nyhedsbrev

Abonner
til vores nyhedsbrev