Maskinlæring for aksjehandel: 97% raskere databehandling

Innowise har utviklet en maskinlæringsløsning for aksjehandel som utnytter avvik i børskursene.

Kunde

Industri

FinTech

Region

Kunde siden

2023

Vår kunde er et irsk proprietært handelsselskap. Selskapets hovedfokus er å handle høyt korrelerte produkter og samtidig fange opp mindre prisforskjeller.

Detaljert informasjon om kunden kan ikke utleveres i henhold til bestemmelsene i NDA.

Utfordring

Forsinkelser i kundens handelssystem gjorde det for tregt til å holde tritt med raske markedsdata, noe som førte til at kunden gikk glipp av handelsmuligheter.

Kundens tidligere handelssystem klarte rett og slett ikke å holde tritt med data i rask bevegelse. Det hadde store problemer med etterslep og brukte 2-3 sekunder på å behandle informasjon, noe som var altfor tregt til å ta raske handelsbeslutninger.For å få de nye handelsstrategiene til å fungere, trengte kunden et raskt system som kunne håndtere store mengder finansielle data i sanntid. Det var viktig for dem å oppdage og analysere kortsiktige forskjeller mellom relaterte aktiva, siden slike muligheter kan dukke opp og forsvinne i løpet av sekunder. Det nye systemet måtte behandle dataene på millisekunder for å kunne levere nøyaktige beregninger og vellykkede handler.For å takle disse utfordringene satte vi oss fore å bygge en ny plattform for maskinlæring i aksjehandel, utformet for å levere en rask, pålitelig og tilpasset løsning.

Løsning

En maskinlæringsdrevet handelsplattform med lav latenstid som raskt identifiserer optimale handelsmuligheter

Innowise har fornyet klientprogramvaren med en infrastruktur med lav latenstid for kvantitativ kryptohandel. Den nye plattformen gjør det mulig for kundene å reagere raskt på markedsendringer og utføre handler nesten uten forsinkelse, noe som gir dem et fortrinn når det gjelder å utnytte arbitrasjemuligheter.

Vi brukte maskinlæringsteknikker for å identifisere de beste kjøpstidspunktene og fange opp markedsanomalier som tydet på solide kjøpsmuligheter. Systemet er også integrert med Grafana, et verktøy for spørring, visualisering og analyse av ulike handelsmålinger, sammen med tilpassbare varsler.

Den maskinlæringsaksjer handelsplattform inneholder fem hovedmoduler:

Modul for markedsdata
System for ordrehåndtering
Stillinger som leder
Risikoansvarlig
Strategisk leder

Modul for markedsdata

For å administrere børser i ulike regioner bruker handelssystemet et geodistribuert oppsett. Hovedsystemet kjører på en sentral server, som fungerer som et knutepunkt for innsamling og behandling av markedsdata. Mindre gatewayer er satt opp i nærheten av hver børsserver for å hente data direkte fra dem. Dette oppsettet gjør det mulig for det sentrale systemet å samle inn sanntidsdata fra flere børser - som kurser, ordrebokstatus, finansieringskurser og mer - noe som gir kunden vår en fullstendig markedsoversikt.

System for ordrehåndtering

Med modulen for ordrehåndtering kan kundene våre holde øye med flere ordrer i sanntid, slik at de får en klar oversikt over både fullstendige og delvise utførelser. Traderne får øyeblikkelige oppdateringer om ordrestatus, slik at de raskt kan hoppe på gode prismuligheter. Modulen har også godkjenninger på ordrenivå, slik at tradere kan godkjenne ordrer basert på spesifikke kriterier for ekstra kontroll og nøyaktighet.

Stillinger som leder

Positions Manager gir tradere sanntidsinnsikt i sine aktive handler, balansekontroll og full oversikt over tilgjengelige midler. Med dette verktøyet kan tradere overvåke porteføljene sine og evaluere eksponeringen mot ulike aktiva. Det gir også nøkkelopplysninger som gjennomsnittlig kjøpspris, nåværende markedsverdi og urealiserte gevinster eller tap for hver posisjon. I tillegg samarbeider denne modulen tett med risikostyringsansvarlig for å overvåke handelsoperasjoner og håndheve grenser for å holde handler innenfor fastsatte risikoparametere.

Risikoansvarlig

Den maskinlærende aksjehandelsplattformen gir tradere full kontroll over ordrer, kjøp og risikostyring. Et sett med algoritmer bidrar til å holde kjøpsprisene innenfor fastsatte grenser, og ved å sammenligne utførte priser med gjeldende markedspris hjelper plattformen traderne med å unngå store avvik som kan påvirke lønnsomheten.Modulen sporer fortjeneste og tap (PnL) i sanntid, noe som gir tradere en klar oversikt over den nåværende fortjenesten og lar dem sette tilpassede tapsgrenser basert på risikotoleranse og strategier. Modulen har også avanserte verktøy for å vurdere risikoen ved enkelthandler eller hele porteføljen. Ved å se på ting som volatilitet, tidligere kursutvikling og korrelasjoner får traderne en bedre forståelse av risikoeksponeringen og kan finjustere risikostyringsstrategiene sine.

Strategisk leder

Kjernen i modulen er strategien, som er satt opp som en egen klasse som fanger opp handelslogikken og definerer handlinger for ulike markedssituasjoner. Ved å arbeide med relevante datasett og bruke maskinlæring for aksjehandel identifiserer modulen viktige datapunkter for å trene opp modeller som automatisk utfører strategier basert på markedsforhold i sanntid.Prosessen starter med å trene opp maskinlæringsmodeller med utvalgte datasett. Disse modellene analyserer deretter markedsdata, for eksempel handelsvolumer, for å oppdage avvik og finne de beste inn- og utgangspunkter for spesifikke aktiva. Modellene bruker boosting-algoritmer til å generere spådommer om aktivakurser innen ekstremt korte tidsrammer, noen ganger på bare millisekunder.Maskinlæringsmodellene samarbeider med handelssystemets backend, der prediksjonene deres lagres i en database for videre analyse og beslutningstaking. Etter hvert som nye markedsdata kommer inn fra børsene, evaluerer modellene forholdene opp mot fastsatte kriterier. Ved å kombinere handelsvolumdata med maskinlæringsdrevet anomalideteksjon øker verktøyet sjansene for å utføre lønnsomme handler.

Teknologier

Back-end

C#, ML.NET, Python

Cloud

AWS

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

Integrasjoner

Grafana, Prometheus

Prosess

I løpet av utviklingsprosessen hadde Innowise en tydelig og effektiv tilnærming for å sikre at alt gikk på skinner med kunden. Vi delte prosjektet inn i tre hovedfaser:

Innhenting av krav: Vi startet med grundige diskusjoner og konsultasjoner med kunden for å forstå handelsstrategiene deres og hva slags system som ville passe best til deres behov. Dette innebar flere møter over Google Meet, der vi sammen satte klare mål og skisserte fordelene ved å bruke maskinlæring for aksjehandelsplattformen.

Planlegging og arkitekturdesign: Vi brukte Jira til å administrere prosjektet, sette opp et tydelig veikart, definere viktige milepæler og tildele ressurser. På denne måten holdt vi orden på alt og sørget for at utviklingsprosessen gikk knirkefritt fra start til slutt.

Utvikling, opplæring og testing: Vi startet utviklingsfasen med å bygge og distribuere kjernen i maskinlæringssystem på hovedserveren, og sette opp gatewayer for å koble til kryptovalutabørser. Denne fasen omfattet også datakartlegging og opplæring av maskinlæringsmodellene for å sikre at alt fungerte som det skulle for å integrere handel i sanntid.

Integrering, distribusjon og forbedring: Etter at hver modul var utviklet og testet, jobbet teamet med å samle alle komponentene i handelsplattformen. Vi kjørte grundige integrasjonstester for å sikre at alt kommuniserte på riktig måte og fungerte som et enhetlig system.

Teamet vårt utvider prosjektet ved å legge til flere datainnsamlingsutvekslinger for å få det til å skille seg ut i markedet. For å heve nivået skriver vi om kodebasen i C++ for å øke hastigheten og ytelsen. Vi vurderer også å bygge om ofte brukte tilkoblingsbiblioteker fra bunnen av for å øke systemets ytelse ytterligere og forbedre maskinlæringsteknikker for aksjehandel.

Team

Hovedutvikler

DevOps-ingeniør

C# Utviklere

Python-utviklere

Kvantitative forskere

Resultater

Maskinlæring for aksjehandel gir 97% raskere informasjonsbehandling og en responstid på 34 ms på markedet

Byggingen av den tilpassede kvantitative handelsplattformen gjorde en enorm forskjell for kunden. Vi reduserte behandlingsforsinkelsene fra 2-3 sekunder til bare 34 millisekunder, noe som gir en hastighet på 97%. Ved å bruke maskinlæring til aksjehandel skjerpet plattformen kundens strategier og økte lønnsomheten. I tillegg ga den raske responsen på markedsbevegelser og evnen til å oppdage arbitrasjemuligheter kunden et solid forsprang på konkurrentene.Innowise har utviklet et brukervennlig API som forenkler strategiutvikling og testing. Nå trenger ikke kunden å være avhengig av tredjepartsressurser, ettersom alt håndteres i vårt enhetlige system. I tillegg leverer API-et tydelige og detaljerte beregninger for hver strategi, slik at kunden raskt kan vurdere om den passer til risikoprofilen deres.

Prosjektets varighet

April 2023 - Løpende

97%

raskere behandling av handelsinformasjon

millisekunder responstid på markedet

Relaterte saker

Trenger du en teknologisk løsning? Ta kontakt med oss!

Hva skjer videre?

Etter at vi har mottatt og behandlet forespørselen din, vil vi komme tilbake til deg innen kort tid for å beskrive prosjektbehovene dine og undertegne en taushetserklæring for å sikre informasjonens konfidensialitet.

Etter å ha undersøkt kravene, utarbeider våre analytikere og utviklere en prosjektforslag med arbeidsomfang, teamstørrelse, tid og kostnader estimater.

Vi arrangerer et møte med deg for å diskutere tilbudet og komme til en avtale.

Vi signerer en kontrakt og begynner å jobbe med prosjektet ditt så raskt som mulig.

Maskinlæring for aksjehandel: 97% raskere databehandling

Kunde

Utfordring

Forsinkelser i kundens handelssystem gjorde det for tregt til å holde tritt med raske markedsdata, noe som førte til at kunden gikk glipp av handelsmuligheter.

Løsning