Altair Taiwan Blog

規章制度的變化、競爭、市場分割和其他因素促使買方和賣方公司實施分析系統以幫助他們提高交易品質並降低合規成本。

《交易執行品質研究白皮書》由兩部分組成，主要探討和規劃實現分析系統的最佳做法。

上篇介紹了優化交易執行品質的理由，描述了公司面臨的一些交易執行品質挑戰，並闡明瞭需要全面的公司整體分析方法來理解和改進交易執行。

在下篇中，我們將描述公司在尋求實施交易分析解決方案時面臨的一些挑戰，並提出了幾個關鍵建議，以幫助負責實施和操作分析系統的人做出正確的決策。

進行合法的交易分析系統面臨的最大挑戰通常是資料本身品質不佳。 生成良好、乾淨的數據所需的時間和投資佔實施整個系統的 30% 到 40%。

基本任務包括驗證傳入數據的準確性、將歷史數據與實時數據區分開來、分析和收集可視化的數據源以及維護元數據集合。 較為複雜的任務，包括理解不同國家和不同交易的特徵系統。

為適應不斷擴大的數據量，達到相應的靈活性也構成重大挑戰。 需要分析的數據量不斷增加，分析數據的行為會創建新的源數據。

僅股票數據一項，大多數公司每天就能處理25億至60億次報價。 僅美國市場每天交易約85億股（2019年5月平均）。

在過去十年中，應該分析的數據量增長了8倍到10倍：一些公司正在分析超過1PB（100萬千兆位元組）的數據。 存儲、管理和分析所有這些數據可能非常昂貴。

最後，第三個挑戰是如何應對不斷變化的市場結構。 諸如歐盟金融市場指導機構 II（MiFID II）等法規要求收集有關訂單、執行和發生地的大量數據。 在 MiFID II下，公司需要知道，例如，為什麼經紀人會選擇一個特定的地點。

人工智慧（AI）起源於大約150年前的統計數學。 同樣，機器學習（ML）也與統計學密切相關，它產生於計算機科學的理論發展階段。 下圖是 SAS 研究所的研究結果，說明瞭統計、AI、機器學習、數據挖掘和模式識別之間的關係。

資料來源：SAS研究所，KDD：知識發現中心

機器學習是高度自動化的。 簡單來說，程式師輸入了一組假設，系統使用各種演演演算法從數據中學習。 然後，系統根據這些演算法的輸出結果生成擴展數據集。 AI 更進一步，對根據機器學習演演演算法輸出的結果進行推理。

使用機器學習和 AI 分析交易涉及的四個重要步驟：

1.確定練習的目標。

   我為什麼要這麼做？ 我計劃從這個練習中獲得什麼？ 預期最終結果是什麼？

2.確定需要的數據資源

3.使用計量經濟學模型挖掘數據。

   構建神經網路或其他機器學習/AI 演演演算法，從資料中提取更多資訊。

4.制定實施戰略。

儘管人們普遍擔心使用AI的機器人會支配和征服人類，但實際上AI掌握最複雜的人類任務的能力有限。

它不能複製人們在每種情況下的直觀決策能力，包括快速變化的電子交易環境。 金融專業人士都知道，現場交易並不總是遵循歷史模式，所謂的"黑天鵝"事件的發生也具有規律性。

以一個實習生的思維思考人工智慧是最好的方式，尤其是在貿易領域。

例如，想像一下，一家公司要求實習生（例如統計專業研究生）審查其幾年前的執行數據。 這位對市場知之甚少的實習生尋找其相關性來識別異常行為。

以這種方式使用的人工智慧工具可以快速顯示有問題的行為，並為交易平臺提供新的方法，以便為客戶提供建議並做出明智的執行決策。

圍繞 AI 以及涉及 AI 的「大數據」專案的另一個傳言是，它們需要昂貴的支出以及數百名數據科學家、量化人員和程式師的工作。

但在現實中，一個只有 25 個使用者的小型、靈活團隊可以創建、實施和管理世界一流的 AI 工具，供量化人員使用，包括從發起到交易並分析的整個訂單流的工具。

為了達到最好的執行品質，公司應該在整個投資過程中使用 AI 和分析，而不僅僅是將這些工具應用於交易後的分析。

買方公司可以使用 AI 和分析來計算參數並確定每種可用工具的風險和回報。 在購買方面，風險/回報分析在投資組合選擇中特別有用。

有了這些工具，公司可以回答這樣的問題：我們是否應該「分層」或「清除可用流動性資產」，以達到所需的價格和規模？ 例如，公司可以通過系統地向多個代理商發送訂單來衡量執行品質並測試代理商的表現。

賣方公司可以使用 AI 進行交易前分析，以估計買入方選擇的投資組合其市場影響，並為計劃交易提供成本估算。 交易後或 TCA 執行品質測量依賴於即時處理和大量數據分析技術，系統必須足夠靈活，以便頻繁快速進行客製化。

即時分析工具，如複雜事件處理 （CEP） 和數據可視化工具可以生成訊號並回饋至 AI 和交易演演演算法，並開發能夠回應客戶交易行為的內部查詢的機器。

在這種情況下，一個好的可視化分析平臺可以很好地作為快速應用程式開發工具。 直接存取這些工具可以説明量化人員使用模型做出保留/銷售決策 - 理想情況下，他們應該能夠在沒有IT部門的説明下，修改他們的需求。 客戶喜歡收到非常詳細的 TCA 報告，這些報告可能是為客戶留存的有用工具。

企業應避免被束縛在這些工具背後的硬體和軟體基礎架構中。

三個核心技術領域會帶來潛在的基礎設施陷阱。

第一個是數據管理，要獲得對市場的精確看法，需要收集歷史以及實時數據流，這有助於建立用於交易前、交易日內或交易后績效分析的基準。

數據首先必須完整、準確，然後必須是統一的、經過整理的和具有時序性的。

因股票市場的分散性和大量不同的流動性提供者，時序性是數據管理的一個特別重要的因素。 例如，準確的決定流動性在任何給定時間（本質上是處於最佳價格時）是很困難，並不是每個地區都像美國一樣，擁有國家最佳出價和報價 （NBBO） 系統。 它在歐洲或亞洲市場根本不提供，但這個概念非常有價值，智慧公司將用自己的分析工具和正確的選擇來創造自己的數據資源。

分析交易執行，必然是複雜的。 統計模型可以計算基準，並比較公司的訂單和這些基準。 它們可以説明交易者進行市場影響分析，並根據已知的基準評估實施當中的不足或下滑點。

使用者將如何使用分析模型產生的所有資訊？ 掌握資訊的關鍵決策者是一個真正的風險。

可視化是第二個核心技術領域，處於「書架的頂部」——它使公司能夠將大量數據（包括基準價格和性能指標）轉換為清晰、易懂且可操作的數據。 可視化使得公司能從交易系統和市場的即時流動數據以及歷史數據中輕鬆識別離群值、異常值、趨勢和群集。

交易員，量化和銷售人員能夠利用 Altair Panopticon 監視最佳執行情況，並即時分析交易活動的損益以及交易成本。

這使他們能夠在交易日內立即響應市場事件以及對客戶訂單流執行和公司獲利能力的威脅。

但是，可視化分析層只能與數據本身及其構建的基礎結構相當。 分層方法是最好的：即時的數據處理（或事件處理），當前數據和本周數據的記憶體分析，完整歷史記錄的長期（較慢）存儲，記憶體存儲歷史記錄的聚合和計算。 此方法提高了可視層的回應能力。 交易者不想點擊一個按鈕，等待半小時 - 當這些資訊有用的時候，他們需要立刻得到答案。

第三個核心技術基礎設施是一個標記資料庫。 該資料的快速存儲工具類似於數據擴充、聚合和計算的分析引擎。 "大數據"工具（如 Hadoop、NewSQL 或 NoSQL）在分析其基礎結構中的核心專案時將很困難。 這些系統可以使 IT 團隊能夠快速啟動和運行環境，但仍必須編寫所有必需的分析功能，這非常耗時，尤其是在涉及納秒級時間序列數據時。

Tick 資料庫提供了豐富的內建功能，使電子交易數據實現分析功能變得容易，包括將兩個時間序列拼接在一起或重新計算訂單簿等功能。

交易分析系統的設計必須由交易平臺工作人員負責。 通過訪問正確的工具，他們可以通過監控活動、調查異常、對新方法進行回溯測試以及作為日常測試的一部分，實施成功測試的方法，持續優化交易。

那些已經將分析基礎架構開發為 IT 專案的公司，由軟體工程師或數據科學人員負責，在提高執行品質的有效性方面往往落在後面。

請記住，最成功的交易分析專案通常在啟動後快速運行 - 通常是在數周而不是數月內。

在制定交易分析實施計劃時，請考慮以下問題：

• 您將從何處獲得數據？
• 您將如何清理數據並確保數據準確地對齊？
• 您現有的訂單管理系統是否會提供所需的時間標記精度？
• 您如何為您的量化人員和交易者提供構建自己的分析介面所需的工具，這樣他們就不必等待 IT 開發團隊？
• 您如何確保您的系統真正回應交易平臺的需求？
• 建設這一切以及處理系統的日常維護和管理需要多少資本和人力資源？
• 如果您為關鍵元件選擇開源技術，您是否瞭解軟體的成熟程度以及需要何種硬體才能在特定情形中使用？
• 您的量化工具能否在不降低即時交易監控系統性能的情況下，使用龐大的數據集進行二次測試？
• 新人能否快速、輕鬆地瞭解如何工作，或者如何在數據管道、分析查詢、數據源訂閱和用戶介面方面看起來並不是難以逾越的？

根據您對上述問題的回答做出構建與購買決策，同時密切關注這些決策如何影響您的日程安排。

由於獲取乾淨數據至關重要，因此請詢問計劃使用的數據品質，從推薦的來源獲取足夠的樣本數據，並在選擇購買內容或是否構建之前進行徹底的測試。

此外，他們應該明確AI將給他們最大的優勢-它不會取代交易者，但它可以給他們提供工具，幫助他們做出更明智的決定。

最後，實時思考。 交易分析系統的核心資料庫、流動處理（事件處理）引擎和可視化系統都必須能夠處理真正的即時流數據。 將數據存儲在高質量標準資料庫中的時間超過一定時間是降低成本的好方法，但當日分析中使用的所有數據都應處於即時系統中。

實施有效的解決方案來幫助優化執行品質可能具有挑戰性。 但好處是顯著的：交易者可以使用、可訪問、可見、可操作的即時資訊來提高交易的整體品質，並為客戶回報更大的價值。

Altair 實時數據流及可視化BI分析平臺

Altair Panopticon™

Rao 先生在 Jefferies 主要負責股票分析以及 TCA 的業務和技術戰略分析。 他在 Jefferies 股票定量策略平臺的維護、交易分析解決方案的實施以及市場數據的應用方面擁有豐富的經驗。

在加入 Jefferies 之前，Shyam 是高盛公司交易自動化系統的副總裁、架構師和開發人員，在股票、外匯和固定收益交易專案的實施和管理方面擁有超過 20 年的經驗。