千户余音
作者千户余音2017-10-10 17:11
系统架构师, njiairport

人机交互模式下高频交易客户分类方法

字数 10115阅读 2583评论 0赞 5
本文选自《交易技术前沿》第二十七期 (2017年6月)。
马骁霏、冯轶
大连商品交易所

摘要:随着大数据的兴起和人工智能技术的飞速发展,大量蕴藏在数据中的规律借助于数据挖掘技术被揭示出来,给很多领域带来了突破性的进展。交易所拥有全期货市场交易数据,若能利用人工智能技术对这些数据从不同维度和不同层面进行分析与挖掘,从中获取业务相关、市场相关的规律与规则,既满足交易所现有的工作需求,提高工作效率,又加强了交易所对期货市场总体运行情况的掌控能力,有效监控与防范市场可能出现的风险。进一步地,考虑到大数据未来的发展趋势,交易所也需要加快自身的数据挖掘能力建设,进行人才、技术等多方面的资源储备,以确保交易所对全市场的管控职能。

正是由于上述原因,本文以高频交易业务场景为抓手,以研究为主要目的,尝试论证将人工智能技术引入到高频交易行为规律发现的可行性和一般过程。

一、 概述

(一)高频交易的发展现状

高频交易是一种通过高速交易大量小单指令,以期从交易标的微小价格变化中获利的交易行为,通常从交易指令形成到交易完成的时间间隔在毫秒至秒之内的交易,都可纳入高频交易的范畴,其一般具有高频、高速和持仓时间短等特征。随着国内的期货市场专业化和智能化的发展趋势,期货市场的参与者更多地由投资机构代替个人投资者,并且投资规模的扩大与程序化交易方式的采用为期货市场提供了更大的流动性,同时也增加了更多的市场风险。观察国外的期货市场交易情况,高频交易已成为期货市场流动性的主要提供者,如CME给出的一份报告中就显示出,近年来高频交易贡献其全部期货成交量的50%以上,并且这一比例正在逐年上升。而近几年我国的期货市场中,程序化交易策略也开始被关注和使用,我所的程序化交易量逐年递增,总成交量占比由2012年的1%跃升到2015年的10%,可以预见在我国未来的期货市场中,程序化交易将会持续保持这一增长态势。

由于高频交易涉及的交易量大、报撤单速度快,如果高频交易商违规操作,导致市场异动,引发系统性风险,将严重影响期货市场的正常运行;因此,业务部门对高频交易进行风险评估和市场管控的需求日益增长,需要在保持高频交易对市场流动性的促进作用的前提下,严格监控高频交易对市场产生的不利影响,发现违规高频交易行为,并及时采取有效管控措施。

(二)大数据带来的新变革

大数据概念的兴起以及人工智能技术的不断发展、创新,“大数据+人工智能”的模式在很多领域都带来了全新的成果与突破性的进展。数据作为一种新的资源,其内部的真正价值正在通过人工智能的技术手段得到不断地挖掘显现。交易所作为期货市场的监管部门和主要的组织者,拥有市场丰富的交易数据,若能充分利用这些交易数据发现市场中的违规行为、潜在风险,并及时对市场的整体运行情况给出全局或者局部的分析与评估,能效提升交易所对期货市场管理能力;以交易数据作为监管对象,通过全数据分析实现期货市场异动的预警、监控、评估和监管应是我所未来新的业务工作模式,也是我所紧跟当前大数据技术发展趋势的必然之举。

(三)我们的主要工作

我们首先进行了高频交易客户自动化识别与分类的研究,以期从方法论层面将人工智能技术在高频交易客户筛选工作中的可行性和总体过程给出详实的论证与说明。具体思路如下:以我所对高频交易的认定原则为指引,以我所现有的交易数据为数据支持,抽取高频交易行为特征,利用人工智能算法实现高频交易的自动筛查与分类,进而分析高频交易的市场风险及其对市场流动性、价格等因素的影响。将人工智能技术与业务经验充分结合,即保留了业务人员多年积累的市场经验,又实现了新技术给业务工作带来的创新与发展。该方法将细化并完善现有的高频交易客户认定标准,挖掘高频交易行为的规律,为业务部门更全面地、更深入地了解期货市场的运行情况,进行市场管控提供了新的技术手段,也为相关交易制度的制定提供了有效的市场规律发现工具。同时,我们将积极推进方法的落地,总结方法实施过程中的有用经验,为交易所大数据相关工作的开展提供例证。

二、 高频交易概述

(一)国际上高频交易的定义

目前,国际上对高频交易的定义尚未达成共识,各国监管机构对高频交易行为的界定也有差异,这里,汇总国外主要监管机构对高频交易的描述,如下:

1.国际证监会组织

国际证监会组织(IOSCO)[2]认为高频交易具有以下特征:一是使用先进的信息技术工具,并运用多种策略;二是使用高度计量化工具,将算法运用于整个投资链条;三是每日具有高周转率和高委托/成交比;四是每日平仓或接近平仓,盘后基本不留仓,几乎无风险敞口;五是通常为自营交易公司或交易台使用;六是极具延迟敏感性,交易策略成功执行的关键在于通过直接电子接入、托管等手段,快速进入市场。

2.美国证券交易委员会

美国证券交易委员会(SEC)[3]将高频交易的自营交易公司具备的特征归纳为:第一,使用相当高速和复杂的计算机系统进行指令的形成、传递和执行;第二,使用交易所或其他场所提供的托管服务和个别数据传输服务来减少网络和其他形式的延迟;第三,建仓与平仓的时间非常短暂;第四,大量的交易指令会在提交后很短的时间内取消;第五,每日交易结束时尽量平仓,即不会隔夜持仓。

3.欧盟的《MiFID II(草案)》

欧洲委员会在2014年6月12日发布了一份新的针对金融工具的指导,即《MiFID II(草案)》[4];该草案将高频交易描述为交易系统高速分析数据或信号,并在极短的时间内发出或修改大量订单。根据《MiFID II》,高频交易具备以下特征:①利用邻近服务等基础设施降低延迟,至少配备以下一种最小化延迟性的基础设施:主机托管、接近交易引擎或者高速的直连系统;②订单的发起、生成、传输和执行等都由机器完成,不受人为因素影响,从建仓到平仓时间间隔短,每日换手率高,日内委托成交比高,交易结束时处于或接近平仓;③日内高信息率,包括指令、报价和撤单。

4.德国联邦金融监管局

2013年5月,德国联邦金融监管局(BaFin)实施了限制高频交易的法案[5],该法案规定同时符合以下四个条件的就可被认定为高频算法交易:①以自有账户交易,或者自营交易公司交易;②使用算法交易,没有人工干预;③用低延时设备交易;④高日内信息率。Bafin在该法案标准的基础上又增加了:①带宽达到10Gbit/s;②每位参与者在250个交易日的移动平均消息量超过7.5万条。由此形成了“4+2”的判定标准。

(二)国外关于高频交易的监管经验

国外的高频交易监管经验概括起来主要有下面几个方面[6]:一是实行准入制度。根据2015年11月CFTC通过了一项计划,100家高频交易公司将被要求在CFTC注册,分配识别码。在德国高频交易商必须取得执照。二是要求高频交易商将策略中具体的算法等信息向监管部门报备。三是赋予监管者享有信息知情权,美国建立了CATs和MIDAS。德国赋予交易监管机构拥有特殊获取信息的权利,要求采用程序化交易的机构提供其程序化交易的算法以及所采用的系统的相关信息。四是对巨量交易者分配识别代码,以及对程序化交易设立电子标识。五是建立高频交易错误应对的机制。美国制定了涨跌停板机制、修改了整个市场的全市场熔断机制和针对某个公司的Kill Switches机制,实现了个股-公司-市场全覆盖。六是对高频交易中的操纵市场进行界定。CFTC针对Spoofing,等高频交易行为发布了《反市场扰乱操作指引》,SEC针对高频交易发布了市场操纵暂停并终止指令;德国定义了试图操纵市场的行为。此外还有要求高频交易公司履行做市义务、设置订单执行率等等。这些制度和措施为监管高频交易奠定了基础,很多做法值得我国借鉴。

借鉴国际主要监管机构对高频交易的描述方式,以及我所业务人员在工作中累积的业务经验,以交易行为特征作为定义高频交易的基本单元,发现我国期货市场中高频交易商以及高频交易行为规律,形成符合我国期货市场特点的高频交易认定方式。

三、高频交易特征的选取方法

由于国内外监管机构对高频交易的定义尚未统一,高频交易行为特征便成为描述高频交易最有效的途径,能从不同维度刻画高频交易行为,将所有行为相关的特征提取出来作为行为特征集,将专家经验与机器学习算法相结合进行高频交易行为特征的进一步筛选,以确定高频交易行为的描述特征集。该特征集作为自动化算法发现高频交易行为的基础,集合中特征选取的准确与否直接影响后续算法的效用;因此,首先应该对高频交易行为特征进行充分的思考,并给出有效的特征选取方法。

(一)特征来源

本文通过汇总国内外主要监管机构对高频交易的一般定义,从中提取、引申、增加交易行为的相关特征,并且总结我所业务部门在长期的工作实践中对高频交易行为的认定原则;汇总交易相关的行为特征作为高频交易特征的选取来源。

(二)特征选取

我们采用特征工程的方法进行高频交易行为的特征选取,包括专家经验和机器学习两类方法;前者是基于业务人员实际工作经验进行的特征选择,后者是基于当前大数据领域出现的机器学习算法自动化地选取特征。将这两类方法相结合,既保留了实际工作中的业务经验,又补充了业务人员尚未发现、从交易行为数据中涌现出的规律特征。因此,利用专家经验与机器学习算法相结合的方式从初始交易行为特征集中抽取、加工、汇总,最终形成能够准确描述高频交易行为的特征集合。

1. 基于专家经验的特征初选

业务人员每天面对大量的交易信息,积累了大量的经验,这些经验对于判断一个投资者或投资机构的交易行为是否属于高频交易具有较高的价值。业务人员通常可以根据交易者的某一个或者某几个交易行为特征判断出该交易是否为高频交易,并且能够将典型的交易行为和交易商甄别出来,作为重点的监控对象;因而,由业务人员的专家经验来确定高频交易的行为特征是相对准确且高效的。 结合我所的实际交易情况,汇总业务部门的业务经验,从委托、撤单、持仓、硬件物理距离与连接速度等维度初步确定高频交易的行为特征集;是基于业务经验的高频特征初选过程。

2. 机器学习实现高频特征优化

机器学习挖掘特征的主要思路是,利用已有的典型高频交易行为数据,通过深度学习的算法自动获取高频交易的行为特征。这种无专家经验参与的,完全由计算机自动进行的特征获取方式在很多领域均取得了较好的应用成果,又推动了深度学习在特征工程中的发展与进步,使其在性能、适用性和鲁棒性方面都有较大的提升。因此,利用深度学习进行高频交易的特征获取将是一个趋势性的发展方向。

目前,深度学习算法主要分为三类,分别是深度神经网络(DNN),卷积神经网络(CNN)和循环神经网络(RNN)。其中,循环神经网络RNN赋予神经网络对时间进行显式建模的能力,添加跨越时间点的自连接隐藏层,主要处理时序类数据;这一类算法较符合交易行为数据的特点。因此,我们建议采用RNN对时序交易数据进行建模,以实现利用深度学习算法来自动获取高频交易行为特征的目的(算法选择要视实际的数据输入确定)。这里给出目前应用较广的主流RNN算法——长短期记忆模型(LSTM)作为参考算法。

LSTM网络是一种特殊的RNN[7],能够学习长期依赖关系,由Hochreiter和Schmidhuber(1997)提出。LSTM模型包括:输入序列X={x1,x2,…,xn} ,每个步长与其对应的输入,输入门it,遗忘门ft和输出门ot。记忆单元ct控制着长期记忆单元的记忆与遗忘。第j个LSTM的单位时间t的记忆单元cjt 为经过输入门ijt和遗忘门fjt调整的新内容微信图片_20171010170558.png

微信图片_20171010170558.png
和早期的记忆内容微信图片_20171010170642.png
微信图片_20171010170642.png
之和。依据Zaremba的版本,给出公式如下:

微信图片_20171010165907.png

微信图片_20171010165907.png

其中,输入门it和遗忘门ft控制新内容的输入和旧内容的遗忘;σ为对应元素相乘的逻辑S形函数或双曲正切函数。一旦记忆单元更新,隐藏层会根据当前输入门得到的结果计算当前隐藏层hjt:

微信图片_20171010165934.png

微信图片_20171010165934.png

微信图片_20171010165939.png
微信图片_20171010165939.png

上述控制门和记忆细胞允许LSTM单元自适应地忘记、记忆和展示记忆内容。遗忘门的开闭可以同时发生在不同的LSTM单元。基于RNN的多重LSTM单元可以同时捕捉在网络中快速和缓慢移动的数据。

基于深度学习的高频交易特征获取是十分有意义的探索,其结果完全是数据驱动的,具有极高的数据依赖性,要求算法输入端的数据样本应足够大,覆盖所有的交易数据信息。然而,在将深度学习算法应用到高频交易的初期,出于对数据样本量、算法效率和算法适用性优化的多方面考虑,我们拟采用一种人机协同的高频交易特征选取方法:以专家经验为先,将业务人员在实际工作中发现的典型高频交易行为特征抽取出来;再基于专家经验的特征初步选取结果的基础上,利用机器学习算法对典型高频交易数据进行有监督(半监督)学习,以补充、优化特征初选结果。人机协同的方法是一个不断优化的过程,专家经验对算法结果进行反馈,最终形成一个多轮的特征优选过程。具体的过程如下图1所示,

微信图片_20171010170018.jpg

微信图片_20171010170018.jpg

图1 高频交易行为特征的选取过程

深度学习算法自动进行高频交易的特征选取是将人工智能等大数据挖掘技术与我所现有业务结合的有益探索,将是发现业务部门未知的市场规律的有力工具;作为一次新的尝试,基于人工智能技术管理、处理、挖掘与发现金融市场的交易行为,将给交易所的业务工作带来助力与机遇。

四、基于交易行为的高频交易客户分类方法

在确定高频交易的行为特征后,需要给出一种基于行为特征的高频交易客户分类方法;该方法应符合已有高频交易行为认定准则,能有效发现尚未被认定的高频交易行为,并且应具有较强可解释性和可操作性,以满足业务部门的实际工作需求。 我们充分研究了国内外监管机构对高频交易行为判定的一般性思路,将现有的高频交易判定方法归为两类,直接认定法和综合加权评分法。下面分别介绍这两类方法:

  1. 直接认定法:将当前交易行为与已有行为特征进行逐条对比,全部或大部分满足这些特征的被认定是高频交易。
  2. 综合加权评分法:对高频交易行为特征分别给予不同的权重,将当前交易行为中各个特征的得分与其对应权重相乘,加和汇总为当前交易行为的综合评分,利用综合评分判断是否为高频交易行为。

通过与相关部门的讨论与交流,我们认为综合加权评分方法更为合适。

(一)综合加权评分判定方法的总思路

1. 高频交易行为的特征分解图

为了更清晰地说明综合加权评分法在高频交易客户分类中的应用,我们将首先采用自上而下逐层分解的方式建立高频交易的特征分解图(见图2);共分四层,自上而下分别是目标层、指标层、变量层和结果层(客户分类)。

微信图片_20171010170108.jpg

微信图片_20171010170108.jpg

图2 高频交易行为的特征分解图

目标层:我们的目标是将高频交易行为识别出来并进行客户分类,采用综合加权评分法判定高频交易行为,其结果是基于交易行为的客户量化评分值序列;那么,高频交易行为的认定标准需要明确给出。根据国内外监管部门对认定标准的设定原则,可以采用相对标准和绝对标准两种方法。其中,相对标准指的是将所有的交易行为结果进行评分排序,定义排名前一定百分比的交易行为为高频交易;而绝对标准则是定义评分大于某一阈值的交易行为为高频交易。

指标层:指标层是行业普遍认同的,且符合中国证券监督管理委员会对高频交易的行为认定标准;指标层是对高频交易行为的抽象描述,反映高频交易行为具有的共性规律。同时,指标在高频交易行为的认定方法中应具有不同的权重信息,以区别各指标对高频交易行为刻画能力的差异,也提高了高频交易行为判定模型的精确性。

特征层:特征是指标的进一步细化,将交易行为量化为交易数据,是高频交易客户画像构建的基础。采用专家经验与深度学习算法进行特征选取,清晰界定高频交易行为的典型特征集合;同时,考虑到不同特征在高频交易判定模型中的权重差异,确定对应的权重信息,进而利用评价方法进行高频交易的行为判定,以期得到即涵盖现有高频交易客户分类,又甄别出业务部门尚未发现的潜在高频交易行为特征。 结果层(客户分类结果):在确定高频交易行为特征集和特征权重集后,利用综合加权评分法对数据与模型进行整合,得到综合评价结果序列,反映是对应的交易行为综合加权分值。那么,根据高频交易行为的认定标准,将结果划分为不同的高频交易客户类,同类客户具有高度相似的高频交易行为。以专家经验加人工智能的方式取代了早前的业务经验发现高频交易,不仅提高了高频交易行为的识别准确率,也完善了现有高频交易客户分类体系,为后续预判高频交易对期货市场的影响奠定基础。

2. 高频交易客户分类的方法论

在特征选取的基础上,提出一种基于简单叠加评分值函数(Simple Addition Weighting, SAW)的高频交易行为认定方法,描述如下:

微信图片_20171010170140.png

微信图片_20171010170140.png

其中,zi表示不同的特征,Z={zi}高频交易行为特征集,v(zi)是对不同行为特征与标准阈值的对比结果,wi是特征相对权重,V(Z)表示基于zi和wi的综合得分。那么,对于高频交易的客户分类原则,可以采用相对(或绝对)分类标准,按照最终的得分结果进行排序确定,比如,将得分排名前20%的认定为该分类下的高频交易客户,20%的阈值认定标准须由业务人员给出。

(二)特征权重取值

高频交易的行为特征与特征权重作为判定模型中的两类输入参数,权重取值的准确性直接影响判定模型的效率与效果;因而,我们将行为特征赋权作为高频交易行为判定中的一个重点环节提出。

现有的权重确定方法主要分为主观赋权法,客观赋权法和组合赋权法,具体来说:

①主观赋权法

主观赋权法是根据决策者的已有经验以及对各个决策属性的主观重视程度而进行赋权的一类方法,主要有:属性重要性排序法、环比评分法、比较矩阵法和判断矩阵法等。

②客观赋权法

客观赋权法是利用客观信息而赋权的一类方法,主要有:熵权法、离差最大化法、线性规划法、目标规划法和粗糙集法等。

③组合赋权方法

主客观相结合的方法是组合赋权法。

这三类赋权方法各自具有优缺点,其中,主观赋权法充分体现了决策者的意向,但赋权结果具有较大的主观随意性;客观赋权法所确定的权重具有较强的数学理论依据,但是没有考虑决策者的主观意向。组合赋权法既能兼顾决策者的主观偏好,又能充分利用客观信息,是一类应用更灵活的赋权方法;并且由于其融合了两大类方法,使其的适用领域更广泛,能够更有效地处理不同研究背景下的变量赋权问题。

对于高频交易中特征的赋权方法,我们仍延续人机交互的思想,将业务部门的专家经验与人工智能算法相结合,建立一套动态优化的特征组合赋权方法。这里,建议采用层次分析法(AHP)和信息熵作为我们主要理论基础;其中,层次分析法为主观赋权方法,将层次分析法应用到业务部门的专家经验,给出基于专家经验的特征权重初值;信息熵作为客观赋权法,利用信息熵理论抽象交易数据的数据特性,补充和修正专家经验赋权产生的误差,以优化最后的权重结果。将这两种方法相结合,即实现了理论上组合赋权方法的优势,在方法实施过程中,又充分体现了业务经验与人工智能算法的有效协同,是对业务经验的一次延展,也是将人工智能引入交易业务的一次尝试。

将层次分析法和信息熵法分别作为主观赋权法和客观赋权法的参考方法,下面具体介绍这两类方法。

1.层次分析法

层次分析法最早由美国运筹学家托马斯•萨蒂于20世纪70年代初提出,是一种定性与定量相结合的、系统化、层次化的权重决策分析方法。常被运用于多目标、多要素、多层次的非结构化的复杂决策问题,特别是战略决策问题,具有十分广泛的实用性。层次分析法的五个步骤如下:

①建立层次结构模型

将决策的目标、考虑的因素和决策对象按照它们之间的相互关系分为最高层、中间层和最底层,绘出层次结构图。

②构造判断矩阵

在确定各层次各因素之间的权重时,如果只是定性的结果,则常常不容易被人接受,因而Saaty等人提出:一致矩阵法,即,

不把所有因素放在一起比较,而是两两相互比较。
对比时采用相对尺度,以尽可能减少性质不同因素相互比较的困难,以提高准确度。

③层次单排序

所谓层次单排序是指,对于上一层某因素而言,本层次各因素的重要性的排序。

④判断矩阵地一致性检验

所谓一致性是指判断思维的逻辑一致性。

⑤层次总排序

确定某层所有因素对于总目标相对重要性的排序权值过程,称为层次总排序。

2.信息熵理论

熵(Entropy)的概念来源于热力学,它表达了系统的混乱程度,其中系统越混乱,其所对应的熵值就越高;反之,系统越有序,该系统所对应的熵值越低。在信息论中,香农(C.E. Shannon)于1948年首次提出信息熵的概念,信息熵用来表示某一信息源发出的多种信息的平均信息量,主要采用数值形式表达随机变量取值的不确定性程度[8]。

假设X是一个离散随机变量,它信息熵就可以表示为如下的形式:

微信图片_20171010170349.png

微信图片_20171010170349.png

其中,p(x)为变量X取值为x的概率,dom(X)为X的取值范围。
因此,结合上面两类方法,对于高频交易行为特征权重的确定过程如下图3所示,

微信图片_20171010170411.jpg

微信图片_20171010170411.jpg

图3 高频交易行为特征权重的确定过程

(三)高频交易的客户分类方法

具备上述理论基础,我们拟提出一种基于交易行为数据,且结合业务经验与人工智能算法的高频交易客户分类方法,该方法的过程主要包括如下步骤(流程见图4):

微信图片_20171010170434.jpg

微信图片_20171010170434.jpg

图4 高频交易客户分类的流程图

1.确定高频交易行为特征集;
2.确定行为特征的权重值;
3.确定高频交易行为综合加权评分方法的具体模型;
4.由业务部门对该判定模型进行评价(业务评价和技术评价);
5.高频交易行为判定模型的改进与优化;
6.高频交易的客户分类及认定标准(涵盖具体业务情景的高频交易客户分类方式)。

这一过程实现了高频交易客户自动筛查与分类的目的,并能够有效抽取高频交易在期货市场不同时期的行为规律,这些规律应具有充分的可解释性和易用性,能够满足业务部门从不同维度评价、评估、监控与监管高频交易行为的需求。接下来关于高频交易对期货市场的影响分析,包括风险评估、对市场流动性的影响,以及对价格的影响都是基于高频交易客户分类的基础展开的,而基于交易行为的数据挖掘也后续市场分析工作的主要手段。

有了上述理论上的论证过程,以及人工智能技术在商业上的成功应用案例,可以预期新方法和技术的引入将能很好地辅助业务部门目前的工作,为交易所更好地监控期货市场风险,确保市场平稳运行提供有效的监管工具。

(四)研究预期成果

本文是基于交易行为数据分析客户行为系列研究的第一篇研究性报告,以高频交易作为研究对象,分析并挖掘高频客户在期货市场上的交易行为规律,将此作为业务部门对高频交易进行风险评估和市场管控的判别依据。预期的研究成果如下:

  1. 高频交易评价指标、高频交易行为规律的发现与抽取,完善现有高频交易认定方式。通过深度学习的方式,发现新的高频交易描述指标或复合特征(由多个高频特征复合而成);对高频交易客户进行细化分类,以监管违规交易为分类目的,建立我国期货市场的高频交易行为认定标准,完善并细化目前证监会对程序化交易给出的五类认定方式。
  2. 实现了高频客户的自动标签化分类,是精细化评价高频交易商对期货市场影响和评估违规高频风险的前提与基础性工作。本文从业务部门对期货市场的监控需求出发,利用人工智能技术实现了高频交易客户自动标签化分类。业务部门需要区分哪类高频交易商提供了市场流动性,哪类高频交易商存在价格操纵行为;现有的高频交易客户认定与分类方式难以满足这些业务需求,而基于交易行为数据和人工智能技术的客户自分类方式却能很好地解决这一问题。同时,高频交易对期货市场的影响主要集中在对期货市场流动性和价格的影响,对这两方面的评价以及相关一系列的更精细化市场评价都需要建立在完善的高频客户分类的基础上。

    五、总结与意义

    本研究是将人工智能技术引入到我所业务工作的一次探索性尝试,为进一步的技术引入与业务工作模式升级提供参考案例。开展人工智能技术与我所业务工作的多方位融合是大势所趋,然而,目前尚未有较成熟的技术引入方案。将高频交易作为首个业务试验场景,论证人工智能技术应用于高频交易客户分类与高频交易行为规律发现工作中的可行性。

本文是基于交易行为数据进行客户行为分析以及市场影响评价的第一篇研究报告,目前国内外监管机构对于交易行为数据的关注程度越来越高,交易数据价值需要被重新评估,对交易行为数据中规律的分析与挖掘,能够帮助业务部门更加全面地了解当前期货市场的运行情况,以满足业务部门从不同层面和维度进行市场评价的工作需求。同时,我们以该项目作为先导,从业务需求和研究需求等多角度探索人工智能技术、数据挖掘工具与我所工作的可能结合方式,为我所新一代大数据平台的建立提供一定的经验和启示。

如果觉得我的文章对您有用,请点赞。您的支持将鼓励我继续创作!

5

添加新评论0 条评论

Ctrl+Enter 发表

作者其他文章

相关文章

相关问题

相关资料

X社区推广