Utveckling av programvara för kvantitativ handel: 97% snabbare bearbetning av handelsinformation

Innowise utvecklade en anpassad ML-driven kvantitativ handelsplattform som drar nytta av prisskillnader mellan olika börser.

Kund

Industri

FinTech

Region

Kund sedan

2023

Vår kund är ett irländskt proprietärt handelsföretag. Företagets primära fokus ligger på handel med högt korrelerade produkter samtidigt som man fångar upp mindre prisskillnader.

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

Utmaning: Skapa en mycket responsiv lösning genom AI-baserad utveckling av programvara för automatiserad handel

Kunden kontaktade Innowise med ett specifikt krav på att utveckla en anpassad webbaserad kvantitativ handelsplattform. Specifikt sökte de en datadriven plattform som kunde utföra deras handelsstrategier för kryptovalutamarknaden baserat på en stor mängd historiska och aktuella data. De betonade behovet av ett system som kunde införliva olika datakällor, såsom transaktionsvolymer och alternativa dataförfrågningar.

Kundens tidigare handelssystem var inte tillräckligt anpassat till snabbt föränderliga data, så det var inte effektivt för deras behov. Det drabbades av betydande fördröjningar och tog 2-3 sekunder att bearbeta information, vilket visade sig vara oöverkomligt långsamt för att fatta snabba handelsbeslut.

För att framgångsrikt kunna implementera nya handelsstrategier var ett grundläggande krav ett höghastighetssystem som kunde bearbeta en betydande volym av finansiella kurser och andra relevanta data i realtid. Swift Identifiering och analys av kortsiktiga avvikelser mellan korrelerade tillgångar var avgörande eftersom de kunde uppstå och försvinna inom loppet av några sekunder. Därför måste det nya systemet snabbt fånga upp och bearbeta denna information inom millisekunder för att underlätta korrekta beräkningar och genomföra framgångsrika affärer.

För att hantera dessa utmaningar började vårt företag för utveckling av handelsprogramvara att utveckla en ny kvantitativ handelsplattform från grunden för att möta kraven på en snabb, tillförlitlig och specialbyggd lösning.

Lösning: Anpassad ML-driven handelsplattform för kryptovalutor för automatiserad strategitestning

Innowise utvecklade en infrastruktur med låg latens som är skräddarsydd för kvantitativ handel med kryptotillgångar. Denna kvantitativa handelsplattform gör det möjligt för vår kund att reagera snabbt på marknadsrörelser och genomföra affärer med minimal latens, vilket säkerställer en konkurrensfördel när det gäller att fånga arbitragemöjligheter. Med hjälp av ML-teknik använde vi en datadriven metod för att identifiera optimala ingångspunkter för tillgångsköp.

Genom att analysera handelsvolymer och använda ML boosting-algoritmer upptäckte vi avvikelser på marknaden som indikerade gynnsamma köpmöjligheter. Systemet använder Grafana som ett kraftfullt verktyg för att ställa frågor, visualisera, varna för och få insikter i olika handelsmått.

Handelsplattformen för kryptovalutor innehåller fem huvudmoduler:

Modul för marknadsdata
System för orderhantering
Befattningshavare
Riskhanterare
Strategisk chef.

Modul för marknadsföringsdata

För att kunna hantera börser som är belägna i olika regioner är handelssystemet utformat som en geo-distribuerad arkitektur. Det centrala systemet är installerat på huvudservern och fungerar som navet för insamling och bearbetning av marknadsinformation. Nära varje börsserver är mindre gateways strategiskt placerade för att fånga upp data direkt från börserna. Det valda protokollet för dataöverföring är UTP, känt för sin höghastighetskapacitet.

Denna modul gör det möjligt för det centrala systemet att samla in realtidsdata från flera börser. De insamlade uppgifterna inkluderar bud, det aktuella läget i orderböcker, finansieringar och annan information som ger vår kund en omfattande marknadsöversikt. Systemet tillämpar maskininlärning metoder för att identifiera avvikelser på marknaden, vilket ger kunden möjlighet att fatta handelsbeslut baserade på förståelse av marknadsdynamiken.

System för orderhantering

Orderhanteringsmodulen underlättar effektiv hantering och övervakning av orderboken. Systemet gör det möjligt för vår kund att hålla reda på orderstatus i realtid och hantera många order samtidigt.

Denna modul inkluderar orderskapande, orderskickande och kontinuerlig övervakning av utförandestatus. Genom att erbjuda omedelbar orderläggning gör systemet det möjligt för handlare att snabbt dra nytta av fördelaktiga prisnivåer.

Dessutom ger den omedelbara uppdateringar av orderstatus, vilket säkerställer att handlarna har fullständig insyn i exekveringsprocessen. Vår kund kan övervaka orderförloppet och följa utvecklingen av fullständigt eller partiellt orderutförande. Det finns också funktioner som godkännanden på ordernivå, där handlare har möjlighet att godkänna order baserat på specifika fördefinierade kriterier.

Befattningshavare

Positionshanteraren ger handlarna insyn i realtid i deras aktuella affärer, balanskontroll och en omfattande översikt över deras återstående medel. Med detta verktyg kan handlare övervaka sina portföljer och bedöma sin exponering mot olika tillgångar. Modulen ger ytterligare information, t.ex. genomsnittligt inköpspris, aktuellt marknadsvärde och orealiserade vinster eller förluster för varje position. Denna modul samverkar också med riskhanteraren för att kontrollera handelsoperationer och gränser.

Riskhanterare

Handelsplattformen för kryptovalutor ger handlare full kontroll över order, köp och riskbedömning. Genom att införliva riskparametrar säkerställer denna modul att order utförs inom acceptabla prisintervall. Verktygets primära funktion är att övervaka och kontrollera orderutförande i förhållande till marknadspriser i realtid baserat på ML-analys. En uppsättning algoritmer säkerställer att inköpspriserna håller sig inom fördefinierade gränser. Genom att jämföra det utförda priset med det rådande marknadspriset hjälper modulen handlare att undvika betydande avvikelser som kan påverka lönsamheten. Dessutom kan handlare ställa in specifika förlusttoleransnivåer som är skräddarsydda för deras riskpreferenser och handelsstrategier. Denna funktion gör det möjligt att fastställa fördefinierade förlustgränser baserat på tillgångstyper och handelsoperationer. Modulen ger realtidsövervakning av vinst- och förlustpositioner (PnL) och den aktuella lönsamhetsstatusen för att justera sina strategier i enlighet med detta. Riskhanteringsmodulen erbjuder också avancerade riskbedömningsverktyg som gör det möjligt för handlare att utvärdera den potentiella risk som är förknippad med specifika affärer eller portföljpositioner. Genom att analysera faktorer som tillgångars volatilitet, historiska prisrörelser och korrelationsanalys kan handlare få djupare insikter i sin riskexponering och anpassa sin riskhantering därefter.

Strategisk chef

Modulen för handelsstrategier ansvarar för att implementera och utföra automatiserade handelsalgoritmer baserat på fördefinierad logik och marknadsvillkor. Denna modul kombinerar maskininlärningstekniker, särskilt boosting-algoritmer, med kundens specifika handelsplan för att generera handlingsbara insikter och utföra affärer i realtid.

Kärnan i modulen är själva strategin, som representeras av en separat klass som kapslar in handelslogiken och definierar de åtgärder som ska vidtas under olika marknadsscenarier. Genom att arbeta med relevanta datamängder med hjälp av maskininlärning identifierar och extraherar modulen datafunktioner för att träna modeller som automatiskt implementerar strategierna baserat på aktuella förhållanden.

Processen börjar med att ML-modellerna tränas med hjälp av de utvalda dataseten. Dessa modeller analyserar och bearbetar marknadsinformation, inklusive handelsvolymer, för att upptäcka avvikelser och fastställa optimala in- eller utgångspunkter för specifika tillgångar. Med hjälp av boosting-algoritmer, som ger ökad noggrannhet, genererar modellerna förutsägelser för tillgångspriser inom kortast möjliga tidsintervall, till exempel millisekunder.

ML-modellerna kommunicerar med handelssystemets backend, där de resulterande förutsägelserna lagras i en databas för vidare analys och beslutsfattande. När marknadsdata anländer från börserna utvärderar modellerna förhållandena mot fördefinierade förfrågningar och kriterier. Baserat på dessa utvärderingar genererar modellerna förutsägelser som ligger till grund för köp- eller säljbeslut.

Modellerna lär sig kontinuerligt och anpassar sig till marknadsmönster, vilket förbättrar deras prediktiva förmåga över tid. Detta gör att systemet snabbt kan fånga upp prisskillnader mellan olika börser och identifiera möjligheter att sälja till högre priser eller köpa till lägre priser.

Modulens arkitektur är utformad för att stödja flera börser som erbjuder liknande handelsverktyg. Det primära målet är att dra nytta av marknadsfluktuationer genom att snabbt identifiera gynnsamma handelsmöjligheter. Genom att integrera data om handelsvolymer och ML-driven anomalidetektering ökar verktyget sannolikheten för att genomföra affärer.

Teknik och verktyg

Cloud

AWS

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

Back-end

C#, ML.NET, Python

Integrationer

Grafana, Prometheus

Process

Under hela utvecklingsprocessen följde Innowise, som utvecklar programvara för handel, en strukturerad och effektiv process för att säkerställa ett framgångsrikt samarbete med kunden. Projektets arbetsflöde omfattade tre huvudfaser:

Insamling av krav: Processen inleddes med djupgående diskussioner och konsultationer med kunden för att samla in detaljerade krav och förstå deras handelsstrategier och vilken typ av system som skulle fungera bäst för dem. Detta innebar möten via Google Meet för att fastställa tydliga mål och definiera funktionaliteten och kapaciteten hos handelssystemet.

Planering och arkitekturdesign: Våra utvecklare använde Jira för projektledning för att organisera utvecklingsprocessen. Detta innebar att skapa en färdplan för projektet, definiera milstolpar och fördela resurser effektivt.

Utveckling, ML-utbildning och testning: Utvecklingsfasen inleddes med implementering och driftsättning av huvudsystemet på huvudservern, anslutning av servergateways för att tillhandahålla anslutning till kryptovalutabörser, datakartläggning och utbildning av ML-modeller för att testa implementeringen.

Integration, driftsättning och förbättring: När varje modul utvecklades och testades gjordes integrationsinsatser för att sammanföra systemkomponenterna i den kvantitativa handelsplattformen på ett sömlöst sätt. Teamet använde grundliga integrationstester för att säkerställa korrekt kommunikation och funktionalitet i alla moduler.

Vårt team arbetar aktivt med att utvidga projektet genom att integrera nya datainsamlingsutbyten. Vårt mål är att göra projektet mycket konkurrenskraftigt och unikt på marknaden. För att uppnå detta håller vi på att skriva om kodbasen i C++ för att ytterligare förbättra dess hastighet och prestanda. Dessutom överväger vi att skriva om ofta använda konnektivitetsbibliotek från grunden för att snabba upp systemets prestanda.

Team

Ledande utvecklare

DevOps-ingenjör

C# Utvecklare

Python-utvecklare

Kvantitativa forskare

Resultat: 97% snabbare informationsbearbetning och 34 ms svarstid på marknaden med kvantitativ handelsplattform

Vår utveckling av den anpassade kvantitativa handelsplattformen ledde till betydande förbättringar för kunden. Systemets ultrasnabba infrastruktur minskade fördröjningarna i informationsbehandlingen från i genomsnitt 2-3 sekunder till 34 millisekunder, vilket resulterade i en anmärkningsvärd hastighetsförbättring på cirka 97%. Genom att utnyttja maskininlärningstekniker förbättrade systemet kundens handelsstrategier, vilket ledde till en ökad lönsamhet. Systemets förmåga att fånga arbitragemöjligheter och reagera snabbt på marknadsrörelser gjorde att kunden kunde överträffa konkurrenterna, medan riskhanteringsverktygen effektivt hanterade order och köp, vilket ledde till en minskning av potentiella förluster.

Innowise har utvecklat ett användarvänligt API som förenklar strategiutveckling och testning. Vår kund behöver inte längre lägga mycket tid på att arbeta med tredjepartsresurser, eftersom allt nu kan göras i vårt enhetliga system. Dessutom ger API:et vi skapade tydliga och omfattande mätvärden för varje strategi, vilket gör det möjligt för vår kund att enkelt bedöma dess lämplighet för deras riskprofil.

Vi har också avsevärt påskyndat utvecklingen av gateways för börser. Genom att övergå från en monolitisk arkitektur till mikrotjänster har vi minskat den tid som krävs för Gateway-utveckling. Vårt team arbetar för närvarande med att förbättra den kvantitativa handelsplattformen, med målet att etablera den som ett distinkt och oöverträffat verktyg för kryptohandel online på marknaden.

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.

Utveckling av programvara för kvantitativ handel: 97% snabbare bearbetning av handelsinformation

Kund

Utmaning: Skapa en mycket responsiv lösning genom AI-baserad utveckling av programvara för automatiserad handel

Lösning: Anpassad ML-driven handelsplattform för kryptovalutor för automatiserad strategitestning