Связь поведения инфраструктуры с бизнес-результатами с помощью аналитики машинного обучения была темой презентации генерального директора Донала Бирна на Intelligent Trading Summit.

У меня была возможность услышать, как наш генеральный директор Донал Бирн обсуждает изменения, происходящие в аналитике торговой инфраструктуры, на Intelligent Trading Summit NYC на этой неделе. Одним из ключевых моментов, которые он сделал, было то, что следующий уровень анализа включает в себя сопоставление результатов бизнес-процессов с тем, что на самом деле делает базовая инфраструктура.

Он объяснил, что сегодня существует разрыв между пониманием результатов бизнеса и влиянием инфраструктуры на эти результаты, несмотря на внутреннюю связь между ними. Разрыв сохраняется, потому что есть люди и аналитики, сосредоточенные на том, как работает инфраструктура, в то время как другая группа людей и аналитиков сосредоточена на результатах торговли.

С этой целью в презентации Донала были изложены некоторые из наших текущих усилий по изучению того, какие аспекты ИИ и машинного обучения полезны и надежны для устранения этого пробела в конкретных случаях использования, например:

  • Сочетание алгоритмов машинного обучения для определения того, какие факторы были важны для успеха или неудачи заказов IOC, и, в конечном итоге, предоставления количественных доказательств роли задержки в результатах конкретных типов заказов IOC.
  • Применение прогностического анализа для пороговых значений соответствия, таких как ежедневные проверки максимального отношения заказов к сделкам (OTR) в торговом потоке участников, когда группа обеспечения соответствия будет иметь полуденный прогноз положения компании в соответствии с требованиями на конец дня, когда еще есть время чтобы изменить результат.
  • Новый отраслевой бенчмаркинг для измерения производительности по сравнению с выбранными аналогами, который может быть получен на основе операционной аналитики.

Было интересно наблюдать, как часто на протяжении всего мероприятия другие участники и участники дискуссии высказывали схожие взгляды. Например, в твиттер-потоке #tradingsummitnyc процитирована Энн Петерсен, глава глобального отдела продаж Pico, которая сказала: Доступ к сетям не дает конкурентного преимущества. Понимание того, как ваша среда будет работать в различных условиях, поможет вам создать это преимущество.

Другой участник дискуссии отметил, что: «Аналитика — это понимание того, что делают алгоритмы и установка, и соотнесение этого с тем, что делает рынок. Преимущество заключается в том, что этот анализ можно проводить внутри дня, чтобы вы могли изменить свое торговое поведение».

Понятно, что интерес есть. В своей презентации Донал объясняет, что наш опыт показал, что существует скрытый шаг 1а, о который многие проекты могут споткнуться, пытаясь удовлетворить этот интерес.

Аналитика часто преследует две цели. Первый заключается в использовании результатов для получения четкого понимания происходящего, что в идеале позволяет увидеть связи и корреляции, которые раньше были невозможны. Вторая цель — использовать это новое понимание для дальнейшего изучения и изучения результатов, чтобы получить представление о наиболее эффективных способах изменения процесса или транзакции для улучшения будущих результатов.

Однако, прежде чем вы сможете получить четкое представление о том, что происходит, вы должны быть уверены в результатах, полученных с помощью аналитики. Другими словами, скрытый шаг 1а включает в себя демонстрацию того, что результаты анализа достаточно высокого качества, чтобы обеспечить точное понимание.

Этот урок мы слишком хорошо усвоили, развернув нашу потоковую аналитику, чтобы помочь торговым предприятиям понять, где и как оптимизировать сквозную производительность транзакций. Каждый неожиданный ответ был отслежен до конкретной транзакции, через каждый переход инфраструктуры и вплоть до самих сообщений и пакетов, чтобы доказать точность информации, полученной с помощью нашей потоковой аналитики. Преимущество этого опыта заключается в том, что торговые фирмы теперь имеют высококачественный источник оперативной и бизнес-аналитики для своих усилий в области искусственного интеллекта и машинного обучения.

Тот же процесс выполняется при применении аналитики машинного обучения. Например, мы запросили готовый алгоритм машинного обучения, чтобы узнать, какие факторы влияют на успех/неуспех заказов IOC на основе данных об операционных и бизнес-результатах, создаваемых нашей потоковой аналитикой. Затем, чтобы определить точность результатов, используйте их для прогнозирования результатов успеха/неудачи другого набора заказов IOC. Эти первоначальные результаты не были хорошими — они точно предсказывали результаты менее чем в 50% случаев. Другими словами, подбрасывание монеты имело больше шансов оказаться правильным, чем «обучающийся бот», загруженный из Интернета.

Только путем смешивания нескольких алгоритмов обучения с использованием сильных сторон каждого из них точность повысилась до уровня +90%. Только в этом случае можно быть уверенным в понимании (т. е. цели 1) того, что тип ордера входит в тройку основных факторов, влияющих на успешный/неудачный результат ордеров IOC.

Только тогда можно быть уверенным в понимании (т. е. цели 2), что для стратегий, зависящих от типа «лимитных ордеров», инвестиции в оптимизацию задержки на протяжении жизненного цикла этого ордера являются обязательными для успеха. Между тем, для стратегий, зависящих от типа «привязанного ордера», возможно, пришло время более внимательно взглянуть на то, какое понимание и понимание можно почерпнуть из рыночных данных и операций ценообразования.

Таким образом, ключом к успешному внедрению машинного обучения в повседневную деятельность является выполнение этого скрытого шага 1а по разработке надежных аналитических алгоритмов, а затем их развертывание на платформе, способной поддерживать объем и скорость внутридневных торговых операций.

Первоначально опубликовано на www.corvil.com.

Автор Жасмин Ноэль