Maskininlärning för aktiehandel: 97% snabbare databehandling

Innowise har utvecklat en lösning för aktiehandel med maskininlärning som utnyttjar skillnader i börskurser.

Kund

Industri

FinTech

Region

Kund sedan

2023

Vår kund är ett irländskt proprietärt handelsföretag. Företagets primära fokus är att handla med högt korrelerade produkter och samtidigt fånga upp mindre prisskillnader.

Detaljerad information om kunden kan inte lämnas ut enligt bestämmelserna i NDA.

Utmaning

Förseningar i kundens handelssystem gjorde det för långsamt för att hålla jämna steg med snabbt föränderliga marknadsdata, vilket ledde till missade handelsmöjligheter.

Kundens tidigare handelssystem kunde helt enkelt inte hålla jämna steg med snabbrörliga data. Det hade stora problem med fördröjning och det tog 2-3 sekunder att bearbeta information, vilket var alldeles för långsamt för att fatta snabba handelsbeslut.För att få sina nya handelsstrategier att fungera behövde kunden ett snabbt system som kunde hantera stora volymer finansiell data i realtid. Det var viktigt för dem att upptäcka och analysera kortsiktiga skillnader mellan relaterade tillgångar eftersom dessa möjligheter kan dyka upp och försvinna på några sekunder. Det nya systemet var tvunget att bearbeta dessa data på millisekunder för att leverera korrekta beräkningar och framgångsrika affärer.För att ta itu med dessa utmaningar började vi bygga en ny plattform för maskininlärd aktiehandel, utformad för att leverera en snabb, tillförlitlig och anpassad lösning.

Lösning

En maskininlärningsdriven handelsplattform med låg latens som snabbt identifierar optimala handelsmöjligheter

Innowise förnyade klientprogramvaran med en infrastruktur med låg latens för kvantitativ kryptohandel. Denna nya plattform gör det möjligt för kunden att reagera snabbt på marknadsförändringar och utföra affärer med nästan ingen fördröjning, vilket ger dem en fördel när det gäller att fånga arbitragemöjligheter.

Vi använde maskininlärningstekniker för att identifiera de bästa tiderna att köpa tillgångar och fånga upp marknadsavvikelser som antydde solida köpmöjligheter. Systemet integrerades också med Grafana, ett verktyg för att söka, visualisera och analysera olika handelsmått, tillsammans med anpassningsbara varningar.

Den maskininlärning aktier handelsplattform innehåller fem huvudmoduler:

Modul för marknadsdata
System för orderhantering
Befattningshavare
Riskhanterare
Strategisk chef

Modul för marknadsdata

För att hantera börser i olika regioner använder handelssystemet en geo-distribuerad setup. Huvudsystemet körs på en central server som fungerar som nav för insamling och bearbetning av marknadsdata. Mindre gateways sätts upp i närheten av varje börsserver för att hämta data direkt från dem. Den här installationen gör det möjligt för det centrala systemet att samla in realtidsdata från flera börser - som kurser, orderboksstatus, finansieringsräntor med mera - vilket ger vår kund en fullständig marknadsöversikt.

System för orderhantering

Med orderhanteringsmodulen kan vår kund hålla ett öga på flera order i realtid, vilket ger dem en tydlig bild av både fullständiga och partiella verkställigheter. Handlarna får omedelbara uppdateringar om orderstatus, så att de snabbt kan hoppa på bra prismöjligheter. Den levereras också med godkännanden på ordernivå, vilket gör det möjligt för handlare att godkänna order baserat på specifika kriterier för extra kontroll och noggrannhet.

Befattningshavare

Positionshanteraren ger handlare realtidsinsikter i sina aktiva affärer, balanskontroll och en fullständig bild av sina tillgängliga medel. Med detta verktyg kan handlare övervaka sina portföljer och utvärdera sin exponering mot olika tillgångar. Det ger också viktiga detaljer som genomsnittligt inköpspris, aktuellt marknadsvärde och orealiserade vinster eller förluster för varje position. Dessutom har den här modulen ett nära samarbete med riskhanteraren för att övervaka handelsverksamheten och upprätthålla gränser för att hålla handeln inom fastställda riskparametrar.

Riskhanterare

Den maskininlärda aktiehandelsplattformen ger handlare full kontroll över order, inköp och riskhantering. En uppsättning algoritmer hjälper till att hålla inköpspriserna inom fastställda gränser, och genom att jämföra utförda priser med det aktuella marknadspriset hjälper plattformen handlarna att undvika stora avvikelser som kan påverka lönsamheten.Modulen spårar vinst och förlust (PnL) i realtid, vilket ger handlarna en tydlig bild av sina nuvarande vinster och låter dem sätta anpassade förlustgränser baserat på deras risktolerans och strategier. Det finns också avancerade verktyg som hjälper till att bedöma riskerna med enskilda affärer eller hela portföljen. Genom att titta på saker som tillgångsvolatilitet, tidigare pristrender och korrelationer får handlare en bättre känsla för sin riskexponering och kan finjustera sina riskhanteringsstrategier.

Strategisk chef

Kärnan i modulen är strategin, som är en distinkt klass som fångar upp handelslogiken och definierar åtgärder för olika marknadssituationer. Genom att arbeta med relevanta dataset och använda maskininlärning för aktiehandel identifierar modulen viktiga datapunkter för att träna modeller som automatiskt utför strategier baserat på marknadsförhållanden i realtid.Processen inleds med att maskininlärningsmodeller tränas med utvalda dataset. Modellerna analyserar sedan marknadsdata, t.ex. handelsvolymer, för att upptäcka avvikelser och hitta de bästa in- eller utgångspunkterna för specifika tillgångar. Modellerna använder boosting-algoritmer för att generera förutsägelser om tillgångspriser inom extremt korta tidsramar, ibland på bara millisekunder.Maskininlärningsmodellerna arbetar med handelssystemets backend, där deras förutsägelser lagras i en databas för vidare analys och beslutsfattande. När ny marknadsdata kommer in från börserna utvärderar modellerna förhållandena mot fastställda kriterier. Genom att kombinera handelsvolymdata med maskininlärningsdriven anomalidetektering ökar verktyget chanserna att genomföra lönsamma affärer.

Teknik

Back-end

C#, ML.NET, Python

Cloud

AWS

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

Integrationer

Grafana, Prometheus

Process

Under utvecklingsprocessen använde Innowise ett tydligt och effektivt tillvägagångssätt för att hålla saker och ting igång smidigt med kunden. Vi delade upp projektet i tre viktiga steg:

Insamling av krav: Vi började med djupgående diskussioner och konsultationer med kunden för att verkligen förstå deras handelsstrategier och vilken typ av system som skulle passa deras behov bäst. Detta innebar flera möten via Google Meet, där vi tillsammans satte upp tydliga mål och beskrev fördelarna med att använda maskininlärning för en aktiehandelsplattform.

Planering och arkitekturdesign: Vi använde Jira för att hantera projektet, skapa en tydlig färdplan, definiera viktiga milstolpar och tilldela resurser. På så sätt höll vi ordning på allt och såg till att utvecklingsprocessen löpte smidigt från början till slut.

Utveckling, utbildning och testning: Vi inledde utvecklingsfasen med att bygga och distribuera kärnan i system för maskininlärning på huvudservern och sätta upp gateways för att länka till kryptovalutabörser. I den här fasen ingick också datakartläggning och träning av maskininlärningsmodellerna för att se till att allt fungerade bra för integration av handel i realtid.

Integration, driftsättning och förbättring: När varje modul var utvecklad och testad arbetade teamet med att sammanföra alla komponenter i handelsplattformen. Vi genomförde noggranna integrationstester för att se till att allt kommunicerade korrekt och fungerade som ett enhetligt system.

Vårt team utökar projektet genom att lägga till fler datainsamlingsutbyten för att få det att sticka ut på marknaden. För att höja nivån skriver vi om kodbasen i C++ för att öka hastigheten och prestandan. Vi överväger också att bygga om ofta använda anslutningsbibliotek från grunden för att ytterligare höja systemets prestanda och förbättra maskininlärningstekniker för aktiehandel.

Team

Ledande utvecklare

DevOps-ingenjör

C# Utvecklare

Python-utvecklare

Kvantitativa forskare

Resultat

Maskininlärning för aktiehandel ger 97% snabbare informationsbearbetning och en svarstid på 34 ms på marknaden

Att bygga den anpassade kvantitativa handelsplattformen gjorde en enorm skillnad för kunden. Vi minskade bearbetningsfördröjningarna från 2-3 sekunder till bara 34 millisekunder, vilket innebar en ökning av hastigheten med cirka 97%. Genom att använda maskininlärning för aktiehandel skärpte plattformen kundens strategier och ökade deras lönsamhet. Dessutom gav dess snabba respons på marknadsrörelser och förmåga att upptäcka arbitragemöjligheter kunden en solid fördel jämfört med konkurrenterna.Innowise har utvecklat ett användarvänligt API som förenklar strategiutveckling och testning. Nu behöver kunden inte förlita sig på resurser från tredje part, eftersom allt hanteras i vårt enhetliga system. Dessutom levererar API:et tydliga och detaljerade mätvärden för varje strategi, vilket hjälper kunden att snabbt bedöma om den passar deras riskprofil.

Projektets löptid

April 2023 - Pågående

97%

snabbare informationsbehandling vid handel

millisekunder marknadens svarstid

Relaterade fall

Behöver du en teknisk lösning? Kontakta oss!

Namn

Företag

E-post

Telefon

Meddelande Vänligen inkludera projektinformation, varaktighet, teknologistack, IT-proffs som behövs och annan relevant information

Spela in ett röstmeddelande om ditt projekt för att hjälpa oss att förstå det bättre

Bifoga ytterligare dokument vid behov

Ladda upp filen

Du kan bifoga upp till 1 fil på totalt 2 MB. Giltiga filer: pdf, jpg, jpeg, png

Observera att när du klickar på knappen Skicka kommer Innowise att behandla dina personuppgifter i enlighet med vår Integritetspolicy för att ge dig lämplig information.

Vad händer härnäst?

Efter att ha mottagit och behandlat din begäran kommer vi att återkomma till dig inom kort för att specificera dina projektbehov och underteckna en NDA för att säkerställa konfidentialitet av information.

Efter att ha undersökt kraven utarbetar våra analytiker och utvecklare en projektförslag med arbetets omfattning, lagets storlek, tid och kostnad uppskattningar.

Vi ordnar ett möte med dig för att diskutera erbjudandet och komma överens.

Vi skriver på ett kontrakt och börjar arbeta med ditt projekt så snabbt som möjligt.