معاملات آتی الگوی یادگیری ماشین در JP Morgan افزایش یافت

پیتر وارد، رئیس جهانی اجرای الکترونیکی معاملات آتی و آپشن در جی پی مورگان، به هیلی مک داول می گوید که پذیرش از طریق خرید الگوریتم های آتی FICC یادگیری تقویتی آن در سال های اخیر افزایش یافته است، که با نوسانات بازار در سال 2020 شتاب گرفته است.

رشد معاملات الگوریتمی آتی با درآمد ثابت در جی پی مورگان در سال 2020 به سرعت شتاب گرفت زیرا معامله گران طرف خرید در سطح جهان به الگوهای مجهز به یادگیری ماشینی بانک سرمایه گذاری روی آوردند تا با نوسانات شدید بازار دست و پنجه نرم کنند.

پیتر وارد، رئیس جهانی اجرای الکترونیکی معاملات آتی و آپشن در JP Morgan، در صحبت با The TRADE، توضیح می دهد که در حالی که نوسانات به رشد اخیر کمک کرده است، پذیرش الگوی معاملات آتی در چند سال اخیر به طور قابل توجهی با مشتریان سرعت گرفته است.

از سال 2016، حجم معاملات آتی از طریق algos در JP Morgan نسبت به سال قبل 40 درصد افزایش یافته است. در واقع، ارقام مشاهده شده توسط The TRADE نشان می دهد که الگوها در حال حاضر تقریباً 20٪ از کل جریان معاملات آتی بانک را تشکیل می دهند که به طور قابل توجهی از 4-5٪ در سال های 2016 و 2017 افزایش یافته است.

دوره نوسانات شدید در سال 2020 به دلیل همه گیری جهانی، نقش کلیدی در پذیرش تجمعی الگوهای معاملات آتی در سمت خرید ایفا کرد، زیرا معامله گران بیشتر به اجرای روی صفحه و نقدینگی عادت کردند.

وارد توضیح می دهد: «وقتی تامین نقدینگی سخت تر است و نوسانات بیشتری وجود دارد، عملکرد اجرایی با چالش مواجه می شود.«مشتریان رانده می شوند تا به مناطق مشکل دار در اعدام ها نگاه کنند و در آن زمان است که ما با آنها مشورت می کنیم تا راه هایی را برای به دست آوردن آن عملکرد بیابیم. شاید آنها باید در باز یا بسته شدن با حجم بالاتر معامله کنند، یا شاید به دلیل سر و صدا، پنج دقیقه اول را روی صندوق باز بگذارند. همه اینها را می توانیم برای آنها سفارشی کنیم.

من فکر می کنم هرچه مشتریان چالش های بیشتری را در اجرا ببینند، فرصت بیشتری برای ما وجود دارد که وارد شویم و به آنها کمک کنیم، و راه حل به طور فزاینده ای الگوریتم سفارشی سازی شده است.

الگوریتم های سفارشی شده در سال 2020 و در سال های اخیر در بین معامله گران محبوبیت خاصی پیدا کرده اند. حجم الگوهای سفارشی در JP Morgan در هر یک از سه سال گذشته تقریباً سه برابر شده است، در کنار افزایش 21 درصدی تعداد الگوهای سفارشی در سال 2020 به تقریبا 50 سفارشی سازی، از نزدیک به صفر در سال 2017.

الگوریتم نقدینگی پرچمدار بانک ، معروف به Aqua ، رایج ترین پایه و اساس پارامترهای مشتری اصلاح شده و سفارشی است. یک نمونه کلاسیک از سفارشی سازی جایی است که مشتری می خواهد از یک الگوی معاملاتی خاص پیروی کند اما فوریت یا استراتژی را بر اساس محرک های از پیش تعریف شده تغییر می دهد.

JP Morgan حدود پنج سال پیش بستر ALGO خود را بازسازی کرد تا در مورد پارامترهایی که می توانند برای الگوریتم ها در سمت خود قرار دهند ، انتخاب بیشتری را ارائه دهد و سفارشی های دیگری نیز وجود دارد که معامله گران الکترونیکی بانک می توانند از طرف مشتری پیکربندی کنند. Ward می افزاید: این به تیمش اجازه داده است تا گفتگوی "ثروتمندتر" با مشتری داشته باشد و تقاضا به وضوح وجود دارد.

وی می گوید: "همیشه تقاضا برای جلبک های سفارشی وجود داشته است ، حتی 10 سال پیش تقاضای زیادی وجود داشته است.""ما فقط یک راه مقیاس پذیر نداریم تا یک الگو را با آنچه مشتری واقعاً می خواست ، تطبیق دهیم. دلیل این امر زمانی است که مشتری چیزی متفاوت می خواهد ، ما به توسعه دهندگان نیاز داشتیم تا آن را کدگذاری کنند و سپس آن را برای اجرای در بستر مشتری آزاد کنیم ، که زمان زیادی را می طلبد. "

یادگیری تقویت کننده

الگوریتم Aqua اخیراً منطقه خاصی از تمرکز برای JP Morgan بوده است. از فناوری ای که به عنوان یادگیری تقویت شده برای ایجاد سیگنال های پیشرفته در مسیریابی و قرار دادن سفارش استفاده می شود ، استفاده می کند.

با یادگیری تقویت ، که نوعی یادگیری ماشین است ، الگوریتم اساساً با نگاه به سیگنال های قبلی که تولید کرده و عملکرد را ارزیابی کرده است ، از زمان خود یاد می گیرد. سیگنال ها نشان می دهد که آیا آلگو از بازار عبور می کند یا منفعل می ماند.

فناوری یادگیری تقویت شده برای اولین بار در یک مدل اخیراً راه اندازی شده از Aqua اعمال شد که در هنگام انقضای قراردادهای آتی در پیمایش تاریخ های سه ماهه رول متمرکز است. این می تواند یک دوره با حجم بالا و زمان بی ثبات برای معامله گران باشد زیرا همه به طور معمول در همان هفته به تاریخ انقضا بعدی می روند. در سالهای اخیر ، این فعالیت از معاملات دستی و مبتنی بر صدا گرفته تا معاملات الکترونیکی و کمتری با لمس تر تکامل یافته است.

وی می گوید: "پیش از این ، بسیاری از این مشاغل از طریق میزهای صوتی اجرا می شدند و یکی از دلایل آن به این دلیل بود که سیستم های تجاری در آنجا نمی توانند محصولات چند پا را اداره کنند."وی گفت: "از آنجا که این سیستم ها در چند سال گذشته توسعه یافته اند ، ما بیشتر از این فعالیت را پیدا کردیم که به سمت کانال های الکترونیکی حرکت می کنند.

"حجم زیادی به رول های تقویم می رسد و چالش در مورد بهینه سازی آن تجربه برای مشتری است نه اینکه الگوی تجارت را بدون اینکه به هدف مشتری خاص بپردازید ، تحمیل کنید."

JP Morgan در پاسخ به روند و تقاضای مشتری ، الگویی از استراتژی Aqua خود را با نام Roll Algo تهیه کرد که چندی پیش برای جدیدترین رول خزانه داری ایالات متحده در ماه فوریه به طور زنده رفت. به گفته Ward ، این امر به ویژه در مورد معامله گران طرف خرید محبوب بوده است.

"مدل Roll Algo با استفاده از سیگنالهایی که به درک آن چه موقع از گسترش می روند ، بر حداکثر رساندن نقدینگی و فرصت های قیمت گذاری متمرکز شده است. این مهمترین منطقه ای است که ما روی آن کار می کنیم و بیشترین علاقه مشتری را به اوج خود رسیده است.

وی گفت: "این کار در ماه فوریه بسیار خوب عمل کرد و در آن دوره استفاده مشتری زیادی وجود داشت. با این کار ، Algo در این راه چیزهای زیادی آموخت ، بنابراین می توانیم انتظار داشته باشیم که عملکرد در سه ماهه بعدی بهبود یابد. "

Roll Algo تنها افزودنی جدید برای خط استراتژی جدید JP Morgan نیست. استراتژی های پیشرفته مانند Target برای تجارت در اطراف پول نقد یا آینده نزدیک ، استراتژی چند پا برای تجارت چندین ابزار به طور همزمان در آینده و خزانه داری ایالات متحده ، و گزینه های ALGO توسط بانک نیز تهیه شده است.

حجم گزینه های آتی در سال 2020 به عنوان کف معاملات در مبادلات مشتقات عمده مانند CME که تجارت گزینه ها را تسهیل می کند ، مجبور به تعطیل شدن شد. در نتیجه ، نقدینگی به کانال های کم لمسی و الکترونیکی منتقل شد و مشتریان JP Morgan شروع به پرسیدن سوالات بیشتر در مورد گزینه های معاملات از طریق الگوریتم ها کردند.

وارد می افزاید: "گزینه های مربوط به حجم آتی در طی چند سال گذشته شاهد رشد قابل توجهی در صنعت بوده است و سال 2020 یک سال شکست برای نقدینگی روی صفحه بود."

وی گفت: "با این گفته هنوز هم چالش ها و تفاوت های ظریف برای تجارت آنها وجود دارد و این جایی است که ما می بینیم که فرصت های نوآوری و کمک به مشتریان خود را در اجرای خود می بینیم. این می تواند از طریق استراتژی های ساده تر PEG و متقاطع و در نهایت استراتژی های هدفمندتر با استفاده از یک مرجع دلتا یا نوسانات باشد. "

JP Morgan انتظار دارد که در آینده نزدیک به خرید معاملات آتی Algo ادامه یابد ، زیرا در طی چند سال گذشته به دلیل تحولات و روندهای بازار در حال افزایش است.

الزامات نظارتی صریح در مورد بهترین اجرا و اشتهای فزاینده در میان طرف های خرید برای رسیدگی به چالش ها در ساختار بازار آتی و گزینه ها در رشد این روند مؤثر بوده است. بهترین اجرا اساساً معامله گران را مجبور می کند تا معیارهایی برای اندازه گیری عملکرد ایجاد کنند و معامله از طریق الگوریتم ها می تواند راهی موثر برای انجام این کار ارائه دهد.

محصولات جدید نیز وارد بازار شده اند که نقدینگی در بازارهای متعدد به اشتراک گذاشته می شود، که چالش هایی را در تجارت آن محصولات ایجاد می کند. به عنوان مثال، پس از اینکه بورس سنگاپور (SGX) و بورس ملی هند به مناقشه دو ساله پایان دادند که معاملات آتی SGX را زیر سوال برد، اکنون در سنگاپور و هند قابل معامله هستند.

سایر پیشرفت ها مانند ساعات طولانی تر در بازارهای آتی نیز به این معنی است که اکنون ساعات بیشتری برای معامله با حجم یکسانی وجود دارد. دوره های کاهش نقدینگی و افزایش نوسانات را به ترکیب اضافه کنید، معامله گران به تدریج به دنبال استراتژی های الگوریتمی و راه حل های خودکار برای اجرای ثابت در محصولات بی ثبات، و برای مثال، زمانی که دوره های تسویه نقدی را هدف قرار می دهند، بوده اند.

این فقط جی پی مورگان نیست که تلاش های خود را در معاملات الگوی آتی دو برابر می کند. در ژانویه، بانک سرمایه گذاری رقیب سیتی مجموعه ای از الگوریتم های اجرایی، از جمله استراتژی ورود پرچم دار خود را برای بازارهای آتی در تمام صرافی های اصلی ایالات متحده، اروپا و آسیا اقیانوسیه ارائه کرد.

برخلاف JP Morgan، معامله گران الکترونیکی در Citi همه سفارشی سازی الگوها را از طرف مشتریان انجام می دهند. گوردون بال، رئیس اجرای الکترونیکی آتی EMEA در سیتی، گفت که در آن زمان مشتریان نمی خواهند پارامترهای متعددی را برای اجرای یک سفارش وارد کنند. وی افزود: «پیچیدگی اجرای یک الگوریتم هوشمند و تنظیم دقیق سفارشی سازی با ما همراه است، بنابراین مشتریان ما می توانند روی اهداف کلی سرمایه گذاری و تجارت خود تمرکز کنند».

در جای دیگر، یک استارت آپ که توسط رئیس سابق تجارت جهانی AQR Capital Management، Hitesh Mittal تأسیس شده بود، مجموعه الگوریتم های اجرایی خود را در اوایل سال 2020 راه اندازی کرد که هدف آن کاهش هزینه ها برای طرف خرید با استراتژی های سفارشی شده و با کارایی بالا است. در دسامبر، BestEx Research در حالی که آماده عرضه الگوهای خود در بازارهای آتی است، 5 میلیون دلار بودجه دریافت کرد.

در میان مسابقه تسلیحات در این فضا ، بخش JP Morgan پیش بینی می کند سرعت معاملات آتی درآمد ثابت Algo ، به ویژه Algos سفارشی ، در سال 2021 ادامه خواهد داد. این یک تمرکز مهم در JP Morgan است زیرا هم اکنون مشتری های مختلف طرف خرید نیز استفاده می کنندالگوریتم های تجارت آینده.

در چند سال گذشته ، نوع اجرای الگوریتمی مشتری به دنبال خرید و فروش از تعداد نسبتاً کمی از مشتریان صندوق پرچین بزرگ به مدیران سنتی تر ، از جمله صندوق های بازنشستگی ، مدیران دارایی و شرکت های بیمه تبدیل شده است.

وی گفت: "پنج سال پیش ، بسته به اشتهای معامله گر یا شرکت خاص ، جیب های مورد علاقه برای اجرای این روش وجود داشت. اکنون این کار بسیار اصلی تر شده است ، که ناشی از الکترونیکی گسترده تر در بازارهای درآمد ثابت و همچنین شرکت های سرمایه گذاری بیشتری هستند که معیارهای اعدام صریح تری را اتخاذ می کنند. "< SPAN> در میان مسابقه تسلیحاتی در این فضا ، بخش JP Morgan سرعت پیش بینی معاملات آتی درآمدهای ثابت Algo ، به ویژه Algos سفارشی ، در سال 2021 ادامه خواهد داد. این یک تمرکز مهم در JP Morgan است زیرا مشتری های مختلف طرف خرید هستندهمچنین اکنون از الگوریتم ها برای تجارت معاملات آینده استفاده می کنید.