Menedżer ds. strategii
Moduł strategii handlowych jest odpowiedzialny za wdrażanie i wykonywanie zautomatyzowanych algorytmów handlowych w oparciu o wcześniej zdefiniowaną logikę i warunki rynkowe. Moduł ten łączy techniki uczenia maszynowego, w szczególności algorytmy wzmacniające, z konkretnym planem handlowym klienta, aby generować przydatne informacje i realizować transakcje w czasie rzeczywistym.
Rdzeniem modułu jest sama strategia, reprezentowana jako osobna klasa, która hermetyzuje logikę handlową i definiuje działania, które należy podjąć w różnych scenariuszach rynkowych. Pracując z odpowiednimi zestawami danych przy użyciu uczenia maszynowego, moduł identyfikuje i wyodrębnia cechy danych w celu trenowania modeli, które automatycznie wdrażają strategie w oparciu o bieżące warunki.
Proces rozpoczyna się od szkolenia modeli ML przy użyciu wybranych zestawów danych. Modele te analizują i przetwarzają informacje rynkowe, w tym wolumeny obrotu, w celu wykrycia anomalii i określenia optymalnych punktów wejścia lub wyjścia dla określonych aktywów. Korzystając z algorytmów boosting, które zapewniają zwiększoną dokładność, modele generują prognozy cen aktywów w możliwie najkrótszych odstępach czasu, takich jak milisekundy.
Modele ML komunikują się z zapleczem systemu transakcyjnego, gdzie wynikowe prognozy są przechowywane w bazie danych w celu dalszej analizy i podejmowania decyzji. Gdy dane rynkowe docierają z giełd, modele oceniają warunki pod kątem wcześniej zdefiniowanych żądań i kryteriów. Na podstawie tych ocen modele generują prognozy, które informują o decyzjach dotyczących kupna lub sprzedaży.
Modele nieustannie uczą się i dostosowują do wzorców rynkowych, poprawiając z czasem swoje możliwości predykcyjne. Umożliwia to systemowi szybkie wychwytywanie rozbieżności cenowych na różnych giełdach, identyfikując możliwości sprzedaży po wyższych cenach lub kupna po niższych cenach.
Architektura modułu została zaprojektowana do obsługi wielu giełd oferujących podobne narzędzia handlowe. Jego głównym celem jest wykorzystanie wahań rynkowych poprzez szybką identyfikację korzystnych okazji handlowych. Dzięki uwzględnieniu danych dotyczących wolumenu obrotu i wykrywaniu anomalii w oparciu o ML, narzędzie to zwiększa prawdopodobieństwo realizacji transakcji.
