Een team van datawetenschapsconsultants heeft in Sydney een analysebedrijf gelanceerd om banken en kooppartijen te helpen hun handelsalgoritmen beter te begrijpen – en zich voor te bereiden op de uiteindelijke introductie van generatieve kunstmatige intelligentie op de vloer.

Cat Turley, oprichter en CEO van ExeQution Analytics, zegt dat aandelenbureaus nog steeds moeite hebben met het begrijpen van gegevens, ook al zijn deze het essentiële ingrediënt geworden voor de ontwikkeling van kwantitatieve modellen en uitvoeringsalgo's.

“Organisaties worden geconfronteerd met de hoge kosten van data en moeilijkheden om er de meeste waarde uit te halen”, zegt Turley.

Bankdesks aan de verkoopkant hebben allemaal toegang tot dezelfde soort data, en ze beschikken allemaal over slimme datawetenschappers. Ze zijn in een race om zich te onderscheiden en zo klantenorders binnen te halen.

Eén manier om dat te doen is door transparantie te bieden in hun algoritmen, maar dit vereist een mate van attributie die voor veel bedrijven moeilijk te bereiken is.

“Verkoopkanten staan ​​onder druk om te differentiëren door bijvoorbeeld een volatiliteitsvoorspellingsmodel in je algowiel te integreren, in plaats van het alleen maar te programmeren om ‘VWAP met 3 bips te verslaan’,” zei ze. (VWAP betekent volatiliteitsgewogen gemiddelde prijs; het is een van de vele generieke benchmarks die aandelenhandelaren proberen te verslaan.)

Uitleg van de doos

Koopkanten hebben de omgekeerde uitdaging: hoe kunnen we de talloze algo's voor bankuitvoeringen begrijpen, en bepalen welke makelaar waarde toevoegt. Institutionele beleggers eisen vaak dat hun fondsbeheerders nu inzicht hebben in het algoritme van een makelaar, zodat buy-side handelaren de 'black box'-oplossing van een bank niet kunnen accepteren. Ze moeten het kunnen uitpakken.

Aan de koop- of verkoopzijde moeten deze mogelijkheden worden geïntegreerd in de handelsdesk, in de manier waarop de quants hun werk doen, en in post-trade-processen zoals de analyse van transactiekosten.

Dit wordt vooral belangrijk naarmate de macro-omstandigheden veranderen, vooral als de rente blijft stijgen. Goede modellen vertrouwen niet alleen op historische gegevens, maar combineren deze met realtime gebeurtenissen om handelaren te helpen een beeld te krijgen van waar de aandelenkoersen of de volatiliteit kunnen bewegen.

Turley zegt dat dit vooral een uitdaging is in de regio Azië-Pacific, waar bureaus moeten begrijpen hoe hun leveranciers op meerdere beurzen en handelsplatformen opereren.

Van machinaal leren…

Banken en kooporganisaties hebben machine learning al jaren in hun algo-ontwikkeling opgenomen. Het doel was om kwantitatieve modellen te ontwikkelen die marktbewegingen voorspellen.

Een model in machine learning is de output van een leeralgoritme dat op een dataset wordt uitgevoerd. Handelsdesks trainen het model met behulp van hun algo's, en als het model goed lijkt te werken, geeft het aan hoe uitvoeringsalgo's zijn geschreven.

Een typische handelsdesk creëert een feedbacklus: een kwantitatieve wetenschapper ontwikkelt een model dat een algo-ontwikkelaar gebruikt om handelsinstrumenten te creëren, die de handelaar inzet, hun prestaties lopen via TCA of een andere vorm van uitvoeringsanalyse, en de kwantitatieve porie door de resultaten kijken om het model aan te passen.

Generatieve AI zal waarschijnlijk een rol spelen op handelsdesks, hoewel instellingen de vangrails nog moeten uitwerken om ervoor te zorgen dat het veilig wordt gebruikt.

…naar generatieve AI?

“Het zal niet worden gebruikt om de handel te automatiseren, maar het kan wel helpen bij de toegang tot informatie”, aldus Turley. Handelaren bonken voortdurend op een toetsenbord om lopende orders op te halen, naar liquiditeit te zoeken, de volatiliteit op een markt of op een mandje met aandelen te meten. Ze beschikken al over datafeeds voor realtime en historische gegevens, maar zouden taalleermodellen (zoals ChatGPT) kunnen gebruiken om die informatie snel en intuïtief te verkrijgen en te visualiseren.

“De industrie zal dit ontwikkelen, maar er zijn veiligheidsproblemen die niet genegeerd kunnen worden,” zei Turley. “We praten met technologiepartners over waar dit naartoe zal evolueren.”

Hoe banken en kooppartijen GenAI ook integreren in hun machine-leerprocessen, het doel zal zijn om historische en realtime gegevens beter te integreren om beter te begrijpen wat bijdraagt ​​aan de prestaties (of het gebrek daaraan), in meer detail, om toekomstige beslissingen te verbeteren. – op een herhaalbare manier die banken en investeerders kunnen ontcijferen.

Dit vereist zowel een basiskennis van de data zelf, als de mogelijkheid om systemen uit verschillende markten samen te voegen, zodat de data worden geoptimaliseerd, wat de pitch van ExeQution is.

Turley is een veteraan op het gebied van data-analyse in de financiële dienstverlening. Vanuit een achtergrond op het gebied van dataverkoop ging ze data-analyses opzetten en uitvoeren bij bedrijven als JP Morgan, CIMB, RBS en Haitong Securities. Ze besloot haar eigen bedrijf op dit gebied te starten, waarbij ze gebruik maakte van de ervaring uit haar carrière.

ExeQution werd in juni gelanceerd, zelf gefinancierd door Turley, en heeft nu vijf werknemers in Sydney en een dekkingspersoon in Hong Kong.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://www.digfingroup.com/exeqution/