بهینه سازی حاشیه AI درآمد ثابت چگونه سود تجارت را افزایش می دهد

ساختار بازارهای درآمد ثابت طی یک دهه گذشته به طرز چشمگیری تغییر کرده است. مقررات جدید ، برنامه های خرید اوراق قرضه دولتی ، محصولات جدید مانند ETF ، ظهور سیستم عامل های الکترونیکی همه به همه و ارائه دهندگان نقدینگی غیر واقعی با استفاده از تجارت الگوریتمی و فرکانس بالا از جمله تحولات است که باعث می شود درآمد ثابت در سمت فروش دشوارتر شودمیزهای سودآور.

پس از تنظیم کننده های بحران مالی سال 2008 در سراسر جهان ، نیاز به ایجاد یک سیستم بانکی ایمن تر را تشخیص دادند. مقررات افزایش نیازهای سرمایه را افزایش می دهد ، باعث کاهش ریسک بانکها می شود و هزینه های واسطه ها را افزایش می دهد. نتیجه ناخواسته این مقررات جدید کاهش نقدینگی در بازار اوراق قرضه ثانویه بوده است. فروشندگان کمتر مایل هستند و کمتر قادر به تهیه موجودی هستند و به همین دلیل کمتر مایل به فعالیت به عنوان اصلی در تجارت اوراق بهادار هستند.

فرآیند فعلی میز تجارت فروش

نمایندگی های سمت فروش و مدیران دارایی سمت خرید به سرعت در حال پذیرایی از برنامه های هوش مصنوعی برای قیمت گذاری به صورت الگوریتمی درآمدهای ثابت در یک محیط تجارت زنده یا برای پایان آشتی روز هستند. از جمله این موارد ، میز تجارت اعتباری در Dekabank ، یک موسسه مالی آلمان است که از طریق مشاوره Infosys به Overbond معرفی شد. Overbond روند معاملات اعتباری DeKabank را مورد تجزیه و تحلیل قرار داد و تعیین کرد که چگونه می توان با ادغام یک مدل قیمت گذاری اوراق بهادار AI بهبود یافت. تحت عنوان میراث معاملات اعتباری DeKabank معامله گران RFQ را توسط یکی از دو فرآیند دریافت کردند:

چالش میراث: اعتماد به نفس کم به قیمت ها

این عوامل منجر به اعتماد به نفس کم به قیمت های پیشنهادی می شود و معامله گران باید دائماً وقت و تلاش زیادی را برای تنظیم دستی قیمت ها بر اساس دانش و شهود قبلی صرف کنند. تجارت عمده از این رو دقت در مقابل زمان است و منجر به معاملات از دست رفته و فشار مستقیم به سمت میز P& L می شود.

راه حل: قیمت گذاری اوراق بهادار AI

نیاز به تمرکز اطلاعات

تکنیک های مدل سازی هوش مصنوعی شباهت های بسیاری را با تکنیک های مدل سازی آماری کلاسیک به اشتراک می گذارند. آمار بلوک های ساختمانی را فراهم می کند که ماشین آگاهی از ساخت AI ساخته شده است و هر دو از مقادیر زیادی از داده ها استفاده می کنند. اما آمار صرفاً ریاضی و کاملاً توصیفی با برخی از توانایی های استنباط است. هوش مصنوعی برنامه نویسی اضافی را اضافه می کند که با قدرت محاسبات مدرن امکان پذیر است تا یک قدم فراتر از آمار را حرکت داده و پیش بینی شود.

اهداف دو روش متفاوت است. آمارشناسان با مجموعه ای از فرضیات شناخته شده شروع می شوند که به این مدل داده می شود و به بهترین وجه رفتار مورد انتظار نتیجه مالی را در نظر می گیرند. با استفاده از تکنیک های هوش مصنوعی ، فرضیات اساسی ناشناخته است و هدف از این مدل تعیین روشی است که به بهترین وجه نتیجه را در نظر می گیرد.

Overbond مزیت هوش مصنوعی را برای اوراق قرضه قیمت گذاری کرده است

سرمایه گذاری اوراق بهادار شرکت و دولت (COBI)-قیمت گذاری به عنوان بخشی از مجموعه الگوریتم های AI Overbond برای بازارهای سرمایه درآمدی ثابت ایجاد شد. IT به صورت الگوریتمی نشان دهنده بهینه نشانگر قیمت اوراق بهادار جدید و قیمت اوراق بهادار بازار ثانویه برای درجه سرمایه گذاری جهانی (IG) و اوراق بهادار بالا (HY) ، با استفاده از الگوریتم های یادگیری ماشین (ML). الگوریتم های ML میلیون ها نقطه داده مربوط به عواملی مانند روند قیمت گذاری تاریخی بین اوراق قرضه مشابه و صادرکنندگان مشابه ، نوسانات قیمت گذاری داخل روز ، حجم معاملات و ترکیب همتایان ، اصول شرکت ، احساسات سرمایه گذار و صنعت ، رتبه بندی یا مقایسه خوشه های Tenor را تجزیه و تحلیل می کند. داده ها از انواع مختلفی از منابع داده از جمله:

راه حل: با قیمت گذاری بیش از حد Cobi Live

Cobi-Pricing Live Overbond یک موتور قیمت گذاری AI قابل تنظیم است که به معامله گران در خودکارسازی قیمت گذاری و معاملات گردش کار برای اوراق بهادار جهانی سرمایه گذاری کمک می کند. این قیمت و نمرات نقدینگی را برای بیش از 100،000 ابزار درآمدی ثابت ایجاد می کند و برای بیش از 10،000 صادرکننده در سناریوهای مختلف نقدینگی در زمان واقعی منحنی ایجاد می کند.

قابلیت همکاری کامل Cobi-Pricing Live به الگوریتم های هوش مصنوعی خود اجازه می دهد تا داده های خود را از فیدهای فروشنده زنده و تاریخی ، سوابق تاریخی داخلی ، سوابق حجم لایه حل و فصل OTC و اکنون معاملات صوتی مصرف کنند. قیمت گذاری بیش از حد هوش مصنوعی ، امتیاز دهی نقدینگی ، اتوماسیون معاملات زنده و الگوریتم های مسیریابی هم اکنون می تواند در کلیه مسیرهای تجاری ، صوتی یا الکترونیکی ، در همه مکان ها و انواع طرفداران ، در کلیه مسیرهای معاملاتی اولیه و آژانس سرمایه گذاری کند.

Cobi-Pricing Live دارای نرخ تازه ای از سه ثانیه است که باعث می شود میزهای معاملاتی در سمت فروش به طور کامل 30 ٪ از RFQ های خود را به طور کامل خودکار کنند و 20 ٪ اضافی را با نظارت معامله گر انجام دهند. Cobi-Pricing Live به بازرگانان اجازه می دهد تا جریان تجارت ، بهبود ریسک نقدینگی ، بهبود نظارت و گزارش قیمت ، پاسخ به 80 ٪ به 120 ٪ RFQ های بیشتر ، حفظ نسبت ضربه بهینه و افزایش قابل توجهی از میز P& L.

راه حل: الگوریتم بیش از حد Cobi

راه حل: دریافت داده های با قیمت گذاری Cobi

پیش پردازش داده های موفق مرحله اصلی و پیش نیاز برای بهره برداری از الگوریتم با قیمت گذاری Cobi است. دقت خروجی الگوریتم به دقت به صحت ، به موقع بودن و ارتباط داده های ورودی از پیش پردازش شده بستگی دارد. منابع اولیه داده های خام از تأمین کنندگان عمده داده ها در بخش مالی ، از جمله Refinitiv ، ICE ، Six Group ، EDI ، Marketaxess ، TradeWeb ، Euroclear ، Clearstream ، DTCC ، CDS ، اطلاعات بازار جهانی S& P ، آژانس های مهم رتبه بندی اعتباری و سایر مواردمنابعالگوریتم های با قیمت گذاری Cobi Data شامل موارد زیر است:

پیشرفت P& L: مدل AI بهینه سازی حاشیه

مورد بهینه سازی حاشیه

با نقدینگی محدود ، توانایی کاهش خطر و افزایش سرعت ، شرکت کنندگان در بازار درآمد ثابت به دنبال مزایای فراتر از الکترونیک و اتوماسیون هستند. طی دو سال گذشته ، ما شاهد افزایش پذیرش سرمایه گذاری کمی ، تکنیک های نظارت بر ریسک نقدینگی AI ، بهینه سازی هزینه معاملات و بهینه سازی حاشیه هستیم.

مدل سازی AI بهینه سازی حاشیه فاصله را برای پوشش در کلیه معاملات قبلی اجرا شده و RFQ اندازه گیری می کند و آن را با توجه به اطلاعات تجارت در نقطه اجرا به حداقل می رساند. میزهای ساخت بازار در سمت فروش می توانند حجم RFQ هایی را که می توانند به آنها پاسخ دهند دو برابر یا سه برابر کنند بدون اینکه حاشیه منفی در آن معاملات داشته باشند و سودآوری را در محیطی افزایش دهند که در آن انجام این کار به طور فزاینده ای دشوار باشد.

رویکرد بیش از حد به مدل AI بهینه سازی حاشیه

مدل بهینه سازی حاشیه Overbond عوامل مختلفی را به عنوان ورودی به گروه هوش مصنوعی برای رسیدن به فاصله برای پوشش قیمت هر معامله در بر می گیرد. این مدل با هدف ضبط و تبدیل اقدامات مختلف بهینه سازی حاشیه به یک فاصله یکپارچه و بهینه شده برای پوشش قیمت. این عوامل شامل موارد زیر نیست:

اجرای: ساختار پروژه DeKabank

Overbond پروژه DeKabank را به دو مرحله ساخت. داده های انتهایی و آزمایش شده برای اولین بار در پایان داده های روز در یک جهان کوچکتر از Isins که از الگوریتم های ML برای یافتن بهترین قیمت اوراق بهادار بازار ثانویه اجرایی برای هر اوراق استفاده شده است.

قیمت گذاری داخل روز به عنوان یک فاز 2 تحویل پروژه نزدیک شد زیرا الگوریتم های ML بیش از حد ، میلیون ها نقطه داده جمع شده از انواع مختلف منابع داده را تجزیه و تحلیل می کنند و مدل ها از نظر محاسباتی فشرده هستند.

اجرای: شبیه سازی تست پشت

Overbond تست پشتی فشرده ای از مجموعه Cobi از الگوریتم های هوش مصنوعی خود را بر روی نمونه ای از 153. 587 قیمت منحصر به فرد RFQ ارسال شده توسط میز معاملات اعتباری DeKabank در جلسات معاملاتی بین آگوست 2017 و اکتبر 2019 انجام داد.

هدف از آزمون پشت ، تعیین منطق مورد استفاده برای توصیه مسافت متوسط برای پوشش با محدودیت بالا و پایین بود که می توانست بدون نیاز به تعدیل توسط معامله گر ، در RFQ معامله گر استفاده و ارسال شود.

هفت درصد از داده های نمونه به عنوان داده های آزمایشی که الگوریتم بر روی آن اجرا شده است استفاده شد.

موتور AI Overbond که از طریق همه RQF "پذیرفته شده" و "تحت پوشش" تکرار می شود ، در هر دو طرف پیشنهاد می شود و طرفین را می پرسد و تجزیه و تحلیل بهینه سازی حاشیه را انجام می دهد.

سه مقدار تولید شد: میانگین پیش بینی شده فاصله برای پوشش ، مرز پایین فاصله برای پوشش و محدوده بالایی از فاصله برای پوشاندن.

فاصله واقعی برای پوشاندن به عنوان درصد فاصله بین مرز پایین و بالای حد مسافت برای پوشش محاسبه شد. از نظر فاصله برای پوشش ، برخی از مسافت های مناسب برای طرف پیشنهاد وجود دارد ، اما حدود 93 ٪ از فاصله واقعی برای پوشش با فاصله اطمینان تخمین زده می شود. به طور مشابه ، از طرف سؤال ، حدود 90 ٪ از فاصله واقعی برای پوشش با فاصله اطمینان تخمین زده می شود.

اجرای: نتایج آزمایش برگشت

از کل جهان 153 587 نمونه RFQS ، موتور COBI با مدل بهینه سازی حاشیه قادر به تخمین فواصل اطمینان بود که حدود 93 ٪ از فاصله واقعی را برای پوشش در سمت پیشنهاد و 90 ٪ در سمت ASK ارائه می دهد. این معیارهای مربوط به مسافت را برای پوشش صحت و بهینه سازی سود مورد نیاز برای مناسب برای عملیات بهینه سازی حاشیه RFQ بدون مداخله معامله گر دستی مطابقت می دهد.

شکل زیر نشان می دهد که چگونه نتایج به یک کاربر معامله گر از تجسم پلت فرم جلوی UI Overbond ظاهر می شود.

ستون های "حاشیه پیشنهاد (M)" و "حاشیه سؤال (M)" از "فاصله برای پیشنهاد (M)" و "فاصله برای پرسیدن (م)" تشکیل شده اند ، در بالای قیمت Cobi "پیشنهاد" ونقل قول ها را برای هر پیوند نقل قول کنید.

تأثیر تجارت

Overbond تأثیر مثبتی برای مشتریان در سراسر جهان ایجاد کرده است ، از جمله موسسات طرف فروش با حجم معاملات قابل توجهی (200-500 RFQS+ در روز برای هر معامله گر). ما با گروه های نوآوری مشتری کار می کنیم تا به طور فعال کاربرد فن آوری های جدید را که می تواند به عنوان کاتالیزور برای اتوماسیون تجاری و بهبود مدیریت ریسک ، جریان تجارت ، پیش دنباله و تجزیه و تحلیل پس از تجارت باشد ، کشف کنیم. این فن آوری ها دارای مزایای تجاری مستقیم هستند.

ملاحظات اجرای

درباره بیش از حد

Overbond یک توسعه دهنده فرآیند تعریف ، داده های AI و تجزیه و تحلیل و راه حل های اتوماسیون تجاری برای بازارهای جهانی درآمد ثابت است. Overbond نظارت بر بازار ، جمع آوری داده ها و عادی سازی و مشاهده کمی عمیق هوش مصنوعی در بیش از 100000 اوراق بهادار شرکت و ETF های درآمد ثابت را انجام می دهد. استفاده از هوش مصنوعی اختصاصی برای قیمت گذاری ، تجسم منحنی ، نقدینگی بازار ، تمایل به انتشار ، انتشار جدید انتشار ، ریسک پیش فرض و گزارشگری خودکار ، Overbond امکان اتوماسیون تجارت را فراهم می کند و عملکرد تجارت و بازده نمونه کارها را افزایش می دهد. مشتریان Overbond مستقر در تورنتو شامل بانک های سرمایه گذاری جهانی ، فروشندگان کارگزار ، سرمایه گذاران نهادی ، شرکت ها و دولت ها در سراسر قاره آمریکا ، اروپا و آسیا هستند.

تماس با: Vuk Magdelinic |مدیرعامل +1 (416) 559-7101 vuk. [email protected]

اندرو زیپان |مدیر جهانی فروش +1 (647) 405-0895 andrew. [email protected]