Machine learning voor aandelenhandel: 97% snellere gegevensverwerking

Innowise heeft een machine learning oplossing voor aandelenhandel ontwikkeld die gebruik maakt van discrepanties in beurskoersen.

Klant

Industrie

FinTech

Regio

Klant sinds

2023

Onze klant is een Iers handelshuis voor eigen rekening. Het bedrijf richt zich voornamelijk op het verhandelen van sterk gecorreleerde producten en het opvangen van kleine prijsverschillen.

Gedetailleerde informatie over de klant kan niet openbaar worden gemaakt krachtens de bepalingen van de NDA.

Uitdaging

Vertragingen in het handelssysteem van de klant zorgden ervoor dat het te traag was om de snel bewegende marktgegevens bij te houden, waardoor handelskansen gemist werden.

Het vorige handelssysteem van de klant kon de snel veranderende gegevens gewoon niet bijhouden. Het had grote vertragingsproblemen en had 2-3 seconden nodig om informatie te verwerken, wat veel te langzaam was voor het nemen van snelle handelsbeslissingen.Om hun nieuwe handelsstrategieën te laten werken, had de klant een snel systeem nodig dat grote hoeveelheden financiële gegevens in realtime kon verwerken. Het was belangrijk voor hen om kortetermijnverschillen tussen gerelateerde activa te spotten en te analyseren, aangezien deze kansen in enkele seconden kunnen opduiken en weer verdwijnen. Het nieuwe systeem moest die gegevens in milliseconden verwerken om nauwkeurige berekeningen en succesvolle trades te leveren.Om deze uitdagingen aan te gaan, zijn we begonnen met het bouwen van een nieuw platform voor machine learning aandelenhandel, ontworpen om een snelle, betrouwbare en op maat gemaakte oplossing te leveren.

Oplossing

Een machine learning-gestuurd handelsplatform met lage latentie dat snel optimale handelskansen identificeert

Innowise heeft de client software vernieuwd met een low-latency infrastructuur voor kwantitatieve crypto trading. Dit nieuwe platform stelt de klant in staat om snel te reageren op marktveranderingen en transacties uit te voeren met bijna geen vertraging, waardoor ze een voorsprong hebben bij het benutten van arbitragekansen.

We pasten machine learning-technieken toe om de beste tijden om activa te kopen te identificeren en anomalieën in de markt op te vangen die duidden op solide koopkansen. Het systeem integreerde ook met Grafana, een tool voor het opvragen, visualiseren en analyseren van verschillende handelsgegevens, samen met aanpasbare waarschuwingen.

De machine leren voorraad handelsplatform bevat vijf hoofdmodules:

Marktgegevensmodule
Systeem voor orderbeheer
Posities manager
Risicomanager
Strategiemanager

Marktgegevensmodule

Om beurzen in verschillende regio's te beheren, maakt het handelssysteem gebruik van een geografisch gedistribueerde opzet. Het hoofdsysteem draait op een centrale server en fungeert als hub voor het verzamelen en verwerken van marktgegevens. Kleinere gateways worden in de buurt van elke beursserver geplaatst om rechtstreeks gegevens van hen op te halen. Door deze opzet kan het centrale systeem real-time gegevens van meerdere beurzen verzamelen - zoals koersen, status van het orderboek, financieringskoersen en meer - waardoor onze klant een volledig marktoverzicht krijgt.

Systeem voor orderbeheer

Met de orderbeheermodule kan onze klant meerdere orders in realtime in de gaten houden, zodat hij een duidelijk overzicht heeft van zowel volledige als gedeeltelijke uitvoeringen. Handelaren krijgen direct updates over orderstatussen, zodat ze snel kunnen reageren op goede prijskansen. De module wordt ook geleverd met goedkeuringen op orderniveau, zodat handelaren orders kunnen goedkeuren op basis van specifieke criteria voor extra controle en nauwkeurigheid.

Posities manager

De Positiemanager geeft handelaren realtime inzicht in hun actieve transacties, balanscontrole en een volledig overzicht van hun beschikbare fondsen. Met deze tool kunnen handelaren hun portefeuilles controleren en hun blootstelling aan verschillende activa evalueren. Het biedt ook belangrijke details zoals de gemiddelde aankoopprijs, de huidige marktwaarde en ongerealiseerde winsten of verliezen voor elke positie. Daarnaast werkt deze module nauw samen met de risicomanager om toezicht te houden op handelsactiviteiten en limieten af te dwingen om transacties binnen de ingestelde risicoparameters te houden.

Risicomanager

Het machine learning aandelenhandelsplatform geeft handelaren volledige controle over orders, aankopen en risicobeheer. Een set algoritmes helpt de aankoopprijzen binnen de ingestelde limieten te houden en door uitgevoerde prijzen te vergelijken met de huidige marktprijs helpt het platform handelaren grote afwijkingen te voorkomen die de winstgevendheid zouden kunnen beïnvloeden.De module houdt Winst en Verlies (PnL) in realtime bij, zodat handelaren een duidelijk beeld hebben van hun huidige winsten en aangepaste verlieslimieten kunnen instellen op basis van hun risicotolerantie en strategieën. De module beschikt ook over geavanceerde tools om de risico's van individuele trades of de hele portefeuille in te schatten. Door te kijken naar zaken als activavolatiliteit, prijstrends uit het verleden en correlaties, krijgen traders een beter idee van hun risicoblootstelling en kunnen ze hun risicobeheerstrategieën verfijnen.

Strategiemanager

De kern van de module is de strategie, opgezet als een aparte klasse die de handelslogica vastlegt en acties definieert voor verschillende marktsituaties. Door te werken met relevante datasets en machine learning te gebruiken voor aandelenhandel, identificeert de module belangrijke gegevenspunten om modellen te trainen die automatisch strategieën uitvoeren op basis van real-time marktomstandigheden.Het proces begint met het trainen van machine learning-modellen met geselecteerde datasets. Deze modellen analyseren vervolgens marktgegevens, zoals handelsvolumes, om anomalieën op te sporen en de beste instap- of uitstappunten voor specifieke activa te bepalen. De modellen maken gebruik van boosting algoritmes om binnen extreem korte tijdspannes prijsvoorspellingen voor activa te genereren, soms in slechts milliseconden.De modellen voor machine learning werken met de backend van het handelssysteem, waar hun voorspellingen worden opgeslagen in een database voor verdere analyse en besluitvorming. Wanneer nieuwe marktgegevens van beurzen binnenkomen, evalueren de modellen de omstandigheden aan de hand van vastgestelde criteria. Door gegevens over handelsvolumes te combineren met anomaliedetectie op basis van machine learning, vergroot de tool de kans op het uitvoeren van winstgevende transacties.

Technologieën

Back-end

C#, ML.NET, Python

Cloud

AWS

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

Integraties

Grafana, Prometheus

Proces

Tijdens het ontwikkelproces hanteerde Innowise een duidelijke en efficiënte aanpak om alles soepel te laten verlopen met de klant. We hebben het project opgedeeld in drie fases:

Vereisten verzamelen: We begonnen met diepgaande discussies en overleg met de klant om echt inzicht te krijgen in hun handelsstrategieën en wat voor soort systeem het beste bij hun behoeften zou passen. Dit betekende verschillende bijeenkomsten via Google Meet, waar we samen duidelijke doelen stelden en de voordelen schetsten van het gebruik van machine learning voor het aandelenhandelsplatform.

Planning en architectuurontwerp: We gebruikten Jira om het project te beheren, een duidelijk stappenplan op te stellen, belangrijke mijlpalen te definiëren en resources toe te wijzen. Dit hield alles overzichtelijk en zorgde ervoor dat het ontwikkelingsproces van begin tot eind soepel verliep.

Ontwikkeling, training en testen: We begonnen de ontwikkelingsfase met het bouwen en implementeren van de kern systeem voor machinaal leren op de hoofdserver, het opzetten van gateways om te linken met cryptocurrency exchanges. Deze fase omvatte ook het in kaart brengen van gegevens en het trainen van de machine learning-modellen om ervoor te zorgen dat alles goed werkte voor real-time handelsintegratie.

Integratie, implementatie en verbetering: Nadat elke module was ontwikkeld en getest, werkte het team aan het samenbrengen van alle onderdelen van het handelsplatform. We voerden grondige integratietests uit om ervoor te zorgen dat alles goed communiceerde en als één systeem functioneerde.

Ons team breidt het project uit door meer gegevensverzamelingsuitwisselingen toe te voegen om het onderscheidend te maken in de markt. Om op een hoger niveau te komen, herschrijven we de codebase in C++ om de snelheid en prestaties te verbeteren. We overwegen ook om veelgebruikte connectiviteitsbibliotheken helemaal opnieuw op te bouwen om de prestaties van het systeem verder te verhogen en de technieken voor het automatisch leren van aandelenhandel te verbeteren.

Team

Hoofdontwikkelaar

DevOps Engineer

C# Ontwikkelaars

Python-ontwikkelaars

Kwantitatieve onderzoekers

Resultaten

Machine learning voor aandelenhandel zorgt voor 97% snellere informatieverwerking en een marktreactietijd van 34 ms

Het bouwen van het aangepaste kwantitatieve handelsplatform maakte een enorm verschil voor de klant. We brachten de verwerkingsvertragingen terug van 2-3 seconden naar slechts 34 milliseconden, wat de zaken met ongeveer 97% versnelde. Door gebruik te maken van machine learning voor de aandelenhandel, heeft het platform de strategieën van de klant aangescherpt en hun winstgevendheid verhoogd. Bovendien gaven de snelle reactie op marktbewegingen en het vermogen om arbitragemogelijkheden te spotten de klant een solide voorsprong op de concurrentie.Innowise ontwikkelde een gebruiksvriendelijke API die het ontwikkelen en testen van strategieën vereenvoudigt. De klant hoeft nu niet meer afhankelijk te zijn van derden, omdat alles binnen ons uniforme systeem wordt afgehandeld. Bovendien levert de API duidelijke, gedetailleerde statistieken voor elke strategie, zodat de klant snel kan beoordelen of de strategie past bij zijn risicoprofiel.

Duur van het project

April 2023 - Doorlopend

97%

snellere verwerking van handelsinformatie

milliseconden reactietijd van de markt

Gerelateerde gevallen

Heb je een technologische oplossing nodig? Neem contact met ons op!

Naam

Bedrijf

E-mail

Telefoon

Bericht Voeg projectgegevens alsjeblieft, duur, technische stapel, IT-professionals nodig en andere relevante informatie toe

Neem een spraakbericht over uw
project op om het ons beter te helpen begrijpen

Voeg indien nodig aanvullende documenten bij

Bestand uploaden

Je kunt maximaal 1 bestand van 2MB bijvoegen. Geldige bestanden: pdf, jpg, jpeg, png

Wij wijzen u erop dat wanneer u op de verzendknop klikt, Innowise uw persoonsgegevens verwerkt in overeenstemming met ons Privacybeleid om u van de juiste informatie te voorzien.

Wat gebeurt er nu?

Na ontvangst en verwerking van uw aanvraag, nemen wij binnenkort contact met u op om uw projectbehoeften in detail te beschrijven en een NDA te ondertekenen om de vertrouwelijkheid van informatie te garanderen.

Na het bestuderen van de vereisten, stellen onze analisten en ontwikkelaars een projectvoorstel met de omvang van de werkzaamheden, teamgrootte, tijd en kosten schattingen.

Wij regelen een ontmoeting met u om het aanbod te bespreken en tot een overeenkomst.

We tekenen een contract en beginnen zo snel mogelijk aan uw project te werken.

Machine learning voor aandelenhandel: 97% snellere gegevensverwerking

Klant

Uitdaging

Vertragingen in het handelssysteem van de klant zorgden ervoor dat het te traag was om de snel bewegende marktgegevens bij te houden, waardoor handelskansen gemist werden.

Oplossing