پرداختن به ارزیابی ریسک در زمان واقعی برای تجارت فارکس

ارزیابی ریسک در مورد تجارت ، سرمایه گذاری و سایر فعالیت های مالی از اهمیت بالایی برخوردار است ، زیرا نظارت بر ریسک ضعیف می تواند منجر به سرمایه گذاری های ناکارآمد ، از دست دادن سرمایه و مجازات ها توسط مقامات نظارتی شود. بنابراین ، مدل های ریسک قوی ، که قادر به دستیابی به نتایج در زمان واقعی هستند ، دارایی های ارزشمندی برای بانکداری سرمایه گذاری هستند. در این فصل یک ابزار مالی ارائه شده است که می تواند ارزیابی ریسک را در پرتفوی فارکس در (نزدیک) در زمان واقعی و تجزیه و تحلیل قبل از دوره در حالت استراحت ارائه دهد. ریسک مالی از نظر ارزش هر دو در معرض خطر و کمبود مورد انتظار اندازه گیری می شود ، با استفاده از مدل های مربوطه نه تنها از تکنیک های آماری بلکه همچنین یادگیری عمیق که به نتایج دقیق می رسند. علاوه بر این ، برنامه پیشنهادی ، بر اساس فن آوری های پیشرفته مدیریت داده ، ارزیابی ریسک در زمان واقعی را با استفاده از آخرین داده های بازار ارائه می دهد. این ویژگی ها به همراه تجزیه و تحلیل قبل از دوره ارائه شده ، این راه حل را به ابزاری ارزشمند برای پزشکان در تجارت فرکانس بالا (HFT) و بانکداری سرمایه گذاری به طور کلی تبدیل می کند.

کلید واژه ها

• ارزیابی خطر
• به موقع
• فارکس
• تجارت
• در معرض خطر
• کمبود مورد انتظار

1. معرفی

ارزیابی ریسک به فرآیندهای مورد نیاز برای تعیین کمیت احتمال و مقیاس ضرر در دارایی ، وام یا سرمایه گذاری اشاره دارد. در بانکداری سرمایه گذاری ، برآورد ریسک و نظارت از اهمیت زیادی برخوردار است زیرا مدل ها و فرضیات نامعتبر می توانند باعث ضرر قابل توجهی در سرمایه شوند. این مورد برای چندین موسسه مالی در بحران مالی 2008 و همه گیر Covid-19 نیز اتفاق افتاد.

با وجود اعتیاد به مواد مخدره اخیر برای دیجیتالی شدن در صنعت مالی ، بسیاری از شرکت ها فاقد قابلیت ارزیابی دقیق ریسک در زمان واقعی هستند. این امر به دلیل عمل فعلی به روزرسانی برآورد ریسک اوراق بهادار فقط یک بار در روز ، معمولاً یک شبه در حالت دسته ای است که برای تجارت در بازارهای فرکانس بالاتر مانند فارکس (FX) کافی نیست [1]. با کمال تعجب ، این هنوز یک چالش باز برای بانک های مختلف و شرکت های مدیریت دارایی است ، جایی که ارزیابی ریسک به شرکت های مشاوره شخص ثالث ، که مسئول نظارت بر ریسک و رعایت نظارتی برای یک استراتژی سرمایه گذاری توافق شده هستند ، برون سپاری می شود. علاوه بر این ، در مواردی که ممکن است یک نمای کلی از موقعیت های معاملاتی ارائه شود ، داده های مورد نیاز برای محاسبه اقدامات ریسک و سایر شاخص های مربوطه فقط یک بار در روز به روز می شوند. در نتیجه ، قرار گرفتن در معرض ریسک از نوسانات قیمت داخل روز به درستی کنترل نمی شود ، که ممکن است منجر به تجارت و ناکارآمدی سرمایه گذاری شود [2].

وقتی صحبت از HFT می شود ، سرعت محاسبات ریسک مالی (حاصل از پیچیدگی الگوریتم) مانع اصلی برای نظارت بر ریسک در زمان واقعی است [3]. به طور سنتی ، بین سرعت و صحت محاسبات ریسک مالی معامله ای وجود دارد ، زیرا مدل های ریسک کمتری از نظر محاسباتی ، که ممکن است بتوانند ارزیابی های خود را تقریباً سریع انجام دهند ، در حوزه مالی به اندازه کافی قابل اعتماد نیستند [4]بشرعلاوه بر این ، نظارت بر ریسک در زمان واقعی نیز یک الزام نظارتی است [5] که در صورت بروزرسانی به موقع اطلاعات خطر می تواند برآورده شود.

در این فصل یک ابزار جدید با نام Ai-Risk-Assessment معرفی شده است که نشان دهنده یک کلید اصلی بالقوه در این فضا است. به طور خاص تر ، چالش تخمین ریسک در زمان واقعی برای تجارت فارکس ، در محدوده پروژه بودجه Infinitech اتحادیه اروپا ، طبق توافق نامه اعطای شماره 856632 را برطرف می کند. ارزش افزوده اصلی ارائه شده توسط این ابزار می تواند به سه ستون تقسیم شود (مؤلفه ها): (1) مدل های خطر ؛(2) مدیریت زمان واقعی ؛و (3) تجزیه و تحلیل قبل از دوره ، که هر یک در بخش های بعدی به همراه معماری اصلی ابزار توضیح داده شده است که امکان تعامل بدون درز بین این مؤلفه ها را فراهم می کند. ابزار پیشنهادی از یک طراحی میکرو سرویس کانتینر شده ، متشکل از مؤلفه های مختلفی که با یکدیگر به صورت ناهمزمان ارتباط برقرار می کنند ، پیروی می کند و یک خط لوله پردازش داده در زمان واقعی را تشکیل می دهد ، که در شکل 9. 1 نشان داده شده است.

2 ریسک نمونه کارها

ریسک نمونه کارها این احتمال وجود دارد که ترکیب دارایی هایی که یک نمونه کارها را به خطر می اندازد ، نتواند اهداف مالی را برآورده کند. هر سرمایه گذاری در یک نمونه کارها ریسک خاص خود را به همراه دارد و بازده بالقوه بالاتری به طور معمول به معنای ریسک بالاتر است. به سمت کمیت این خطر ، عملکرد آینده هر دارایی (یعنی بازده) باید پیش بینی شود. برای این منظور ، مدل ها و نظریه های مختلفی در مورد ماهیت سری زمانی مالی ارائه شده است. بسیاری از این مدل ها فرض می کنند که بازده دارایی های اساسی از توزیع شناخته شده (به عنوان مثال ، توزیع گاوسی) پیروی می کند و سعی می کند پارامترهای آن (به عنوان مثال ، میانگین و واریانس بازده دارایی) را بر اساس عملکرد تاریخی آنها تخمین بزند. علاوه بر این ، خطر نمونه کارها به ترکیب وزنی دارایی های تشکیل دهنده و همبستگی آنها نیز بستگی دارد. به عنوان مثال ، طبق نظریه مدرن نمونه کارها (MPT) [6] ، که فرض توزیع عادی برای بازده مالی است ، می توان عملکرد ریسک یک نمونه کارها را تحت یک ریسک پرتفوی احتمال شناخته شده محاسبه کرد که پارامترهای توزیع را محاسبه می کند ( ( mu _p ، sigma_p^2 )) از Eqs. 9. 1 و 9. 2.

$$displaystyle x08egin mu_p = E(R_

) = sum_w_e (r_)<> end $$

جایی که r_پبازده نمونه کارها ، r است_منبازگشت دارایی I و W است_منوزن دارایی مؤلفه I (یعنی نسبت دارایی "I" در نمونه کارها) است.

$$displaystyle x08egin sigma_p^2 = sum_i w_i^2sigma_i^2 + sum_isum_w_iw_jsigma_isigma_j ho_ <> end $$

جایی که σ انحراف استاندارد (نمونه) بازده دوره ای بر روی دارایی و ρ است_IJضریب همبستگی بین بازده دارایی های I و J است.

علاوه بر این ، فرضیه کارآمد بازار حاکی از آن است که در بازارهای بسیار کارآمد ، مانند بازار ارز [7] ، ارزش یک ابزار مالی تمام اطلاعات موجود در مورد آن ابزار را نشان می دهد [8]. در نتیجه ، مدل های ریسک استفاده شده باید با آخرین داده های بازار تغذیه شوند تا تخمین های معتبر ریسک نمونه کارها ارائه شود. نیاز به به روزرسانی های مداوم در برآورد ریسک در HFT مشهود است که در آن معامله گران معمولاً تعداد زیادی پرتفوی را با استراتژی های مختلف مدیریت می کنند (یعنی دوره های برگزاری ، ترکیب ، مشخصات ریسک و حجم) که عمدتا مبتنی بر تجارت الگوریتمی هستند [9]. بنابراین ، نیاز به یک ابزار ارزیابی ریسک وجود دارد که حجم زیادی از داده های بازار و تجارت را کنترل و پردازش می کند و بر اساس آنها برای ارائه تخمین ریسک. دومی باید در (نزدیک) در زمان واقعی ضبط نوسانات داخل روز در بازارهای مالی به روز شود که هم می تواند باعث از بین رفتن نقدینگی و سرمایه شود.

3 مدل خطر

برنامه پیشنهادی دو معیار ریسک استاندارد را به دست می آورد که نه تنها در مدیریت ریسک بلکه در کنترل مالی ، گزارشگری مالی و محاسبه سرمایه نظارتی مؤسسات مالی نیز به طور گسترده تصویب می شوند ، یعنی: ارزش در ریسک (VAR). و کمبود مورد انتظار (ES) ، که در مورد جزئیات بیشتر در زیر بحث می کنیم.

3. 1 ارزش در معرض خطر

اولین متریک ریسک اساسی ، ارزش در معرض خطر (VAR) است که حداکثر از دست دادن بالقوه یک سرمایه گذاری را تحت یک احتمال اطمینان در یک دوره زمانی خاص (به طور معمول یک روز) اندازه گیری می کند. سه روش اساساً متفاوت برای محاسبه VAR وجود دارد. پارامتری ، غیر پارامتری و نیمه پارامتری [10]. ارزیابی AI-Risk- چهار مدل VAR را بر اساس این روش ها برای افزایش روند نظارت بر ریسک ارائه می دهد.

پارامتری

محبوب ترین روش VAR پارامتری (و آنچه در ابزار اجرا می شود) بر اساس رویکرد واریانس-کواریانس (VC) است [10]. فرض اصلی در اینجا این است که بازده نمونه کارها از توزیع عادی پیروی می کنند ، از این رو واریانس داده های بازار شناخته شده است. همچنین ، یک پنجره تاریخ مناسب (به عنوان مثال ، 250 نمونه) باید تعریف شود ، و ماتریس واریانس کواریانس بازده باید محاسبه شود. VAR سپس توسط Eq بدست می آید. 9. 3

جایی که Z ، α ، W ، σ نمره استاندارد ، احتمال اطمینان از پیش بینی VAR ، وزن دارایی های نمونه کارها و ماتریس کواریانس دارایی های نمونه کارها است.

غیرنداری

از دسته غیر پارامتری ، روش شبیه سازی شناخته شده تاریخی (HS) VAR [11] انتخاب شد. در این رویکرد ، بازده نمونه کارها تاریخی در محاسبه VAR به همراه سطح اطمینان انتخاب شده در نظر گرفته می شود. براساس رویکرد شبیه سازی تاریخی ، اولین قدم مرتب سازی بازده نمونه کارها تاریخی برای یک پنجره زمانی معین است. سپس VAR را می توان با انتخاب عملکرد نمونه کارها N-WORST که مربوط به احتمال اطمینان مورد نیاز ((100-N) ٪) از تخمین VAR است ، بدست آورد. به عنوان مثال ، برای محاسبه 1 روز 95 ٪ VAR برای یک نمونه کارها با استفاده از 100 روز داده ، VAR 95 ٪ با بهترین عملکرد بدترین 5 ٪ بازده نمونه کارها مطابقت دارد. در نتیجه ، HS یک مدل ریسک محاسباتی مؤثر با بازده قابل قبول در هنگام در نظر گرفتن پنجره های بزرگ تاریخی است. با این حال ، دومی منجر به برآوردهای بالای VAR می شود که استراتژی های سرمایه گذاری پذیرفته شده را محدود می کند.

نیمه پارامتری

در مورد روش VAR نیمه پارامتری ، یک مدل مونت کارلو (MC) [12] تهیه شد. در زمینه راه حل پیشنهادی ، میانگین و انحراف استاندارد بازده از داده های تاریخی موجود محاسبه می شود و سپس از این مقادیر برای تولید نمونه های تصادفی MC از توزیع گاوسی استفاده می شود. برای محاسبه VAR ، این فرآیند توزیع بازده نمونه کارها را برای مرحله دفعه بعدی ترسیم می کند (به معادله 9. 4 مراجعه کنید).

جایی که q_αصدک α-th از بازده مداوم مرکب است.

نیمه پارامتری با RNN

علاوه بر این ، این ابزار یک مدل VAR نیمه پارامتری جدید [13] را با ترکیب شبکه های عصبی عمیق با شبیه سازی MC معرفی می کند. در این روش ، پارامترهای توزیع بازده در ابتدا توسط یک شبکه عصبی مکرر (RNN) [14] مبتنی بر مدل تخمین زده می شود ، با استفاده از خروجی شبکه برای پیش بینی تمام بازده های احتمالی آینده به صورت MC استفاده می شود. VAR بر اساس سری زمانی ورودی را می توان با استفاده از (معادله 9. 4) بدست آورد. مدل RNN مورد نظر ، با نام Deepar ، از روش ارائه شده توسط سالیناس و همکاران پیروی می کند.[15] و توسط پاورقی کتابخانه Python Gluonts برای مدل سازی سری زمانی مبتنی بر یادگیری عمیق ارائه شده است [16]. این مدل قادر به ضبط وابستگی های غیرخطی از سری زمانی ورودی مانند فصلی است و در نتیجه تخمین های کمی ثابت است. علاوه بر این ، Deepar را می توان با چندین سری زمانی ورودی به طور همزمان تغذیه کرد و امکان یادگیری متقابل را از رفتار تاریخی خود به طور مشترک فراهم می آورد. در نتیجه ، تغییر در پویایی یک سری یک زمان ممکن است بر توزیع های پیش بینی شده سری دیگر تأثیر بگذارد.

3. 2 کمبود مورد انتظار

از طرف دیگر ، ارزیابی ریسک نیز می تواند از طریق کمبود مورد انتظار (ES) انجام شود ، همچنین به عنوان ارزش مشروط در ریسک (C-VAR) شناخته می شود [17] ، که یک اندازه گیری ریسک محافظه کارانه است که از دست دادن نمونه کارها محاسبه می شود با این فرض که این ضرر بالاتر از آن استVAR همانطور که در شکل 9. 2 نشان داده شده است. ES در ابتدا به عنوان یک جایگزین عملی و سالم برای VAR پیشنهاد شده است ، که دارای خواص مفید مختلفی از جمله فرعی بودن است که از VAR وجود ندارد [18]. این امر باعث شده است كه بسیاری از موسسات مالی از آن به عنوان یك ریسك در داخل استفاده كنند [19]. کمبود مورد انتظار را می توان از طریق یک معادله پارامتری نشان داده شده در زیر محاسبه کرد (به معادله 9. 5 مراجعه کنید) [20].

مقایسه بین ارزش در معرض خطر و کمبود مورد انتظار

where (phi left (x ight ) =frac >e^>) ، ( phi سمت چپ (x راست) ) استاندارد معمولی c. d. f. است ، بنابراین ( phi ^ سمت چپ (A راست) ) استاندارد معمولی است ، و μ_پ، σ_پمیانگین و انحراف استاندارد بازده نمونه کارها به ترتیب.

رابط کاربری برنامه ، صفحه ای را برای تجزیه و تحلیل و آزمایش مجدد ارزیابی های ریسک ارائه شده ارائه می دهد (شکل 9. 3). در این روش کاربر قادر به مقایسه عملکرد واقعی مدل های مختلف VAR/ES در سطح اطمینان 95 و 99 ٪ است.

صفحه برنامه تجزیه و تحلیل و آزمایش برگشت: خط سبز بازده نمونه کارها واقعی است. خطوط متراکم برای احتمال اطمینان 95 ٪ است ، در حالی که خطوط خط برای 99 ٪

4 مدیریت زمان واقعی

ارائه ارزیابی ریسک فوق الذکر در حالی که از آخرین داده های موجود استفاده می کند یک کار چالش برانگیز است ، زیرا قیمت بازار FX در فواصل زمانی فرکانس بالا متناقض (به عنوان مثال ، 1-8 ثانیه) به روز می شود. علاوه بر این ، حتی نوسانات قیمت کوچک می تواند تأثیر قابل توجهی بر ارزش اوراق بهادار داشته باشد ، به ویژه در مواردی که از استراتژی سرمایه گذاری پرخطر/بازده استفاده می شود. بنابراین ، فن آوری های اضافی لازم است که می توانند مدیریت داده های یکپارچه را با قابلیت های پردازش تحلیلی آنلاین فراهم کنند.

در Infinitech ، این کار از طریق یک پلت فرم مدیریت داده جدید که به آن Infinistore گفته می شود ، انجام می شود. Infinistore یک پاورقی پلت فرم پلتفرم 2 پایگاه داده پیشرفته 2 را گسترش می دهد و شامل دو نوآوری مهم است که پردازش تحلیلی در زمان واقعی را از طریق داده های عملیاتی امکان پذیر می کند. در مرحله اول ، موتور پردازش معامله ای و تحلیلی ترکیبی آن اجازه می دهد تا داده ها را با نرخ بسیار بالایی مصرف کرده و تجزیه و تحلیل را در همان مجموعه داده ها به طور موازی انجام دهند ، بدون آنکه داده های تاریخی را به یک انبار موقت داده انتقال دهند (که هم کند و هم از نظر طبیعت آن است)بشرثانیا ، عملکرد سنگدانه های آنلاین آن امکان اجرای کارآمد عملیات کل را فراهم می کند ، که باعث می شود زمان پاسخگویی برای پرس و جو با ترتیب بزرگی بهبود یابد. جزئیات اضافی را می توان در Chap یافت. 2

ارزیابی در معرض خطر AI ، به DataStore نیاز دارد تا ابتدا داده های Ticker ورودی خام را به همراه برآورد خطر ذخیره کند و ثانیاً برای فعال کردن جمع آوری داده های آنلاین و پردازش پرس و جو یکپارچه برای داده های پرواز و در حالت استراحت. این الزامات توسط Infinistore و زیربنای پایگاه داده LeanxCale از طریق رابط کاربری دوگانه آن فعال می شود و به آن اجازه می دهد تا داده های عملیاتی را به هر سرعت انجام دهد و همچنین پردازش پرس و جو تحلیلی را بر روی داده های زنده که به طور موازی اضافه شده اند ، انجام دهد.

به منظور دستیابی به هدف اصلی خود برای اندازه گیری ریسک داخل روز به موقع (به عنوان مثال ، به روزرسانی var/es تقریباً در هر 15 دقیقه) ، داده های کنه ورودی (با نرخ 1-8 ثانیه در هر ابزار) باید باشدمجدداً برای فرکانس مورد نیاز مجدداً استفاده شد. Leanxcale مصالح آنلاین را ارائه می دهد که تجزیه و تحلیل داده های زمان واقعی را به روشی اعلامیه با بیانیه های استاندارد SQL امکان پذیر می کند. به این ترتیب ، فقط تعریف عملیات کل مورد نیاز ، مانند میانگین قیمت در هر ابزار FX در هر سه ساعت ، لازم است و نتیجه اجرای از قبل محاسبه شده در پرواز است و از معناشناسی معاملاتی مداوم اطمینان حاصل می کند. در نتیجه ، پرس و جو معمولاً ماندگار می تواند به یک عمل بسیار سبک تبدیل شود که نیاز به دسترسی به خواندن را به یک مقدار واحد نیاز دارد ، بنابراین نیاز به اسکن کل مجموعه داده را حذف می کند.

علاوه بر این ، رابط بین ارائه دهنده داده (به عنوان مثال ، API داده بانک) و DataStore برای رسیدگی به جریان داده های زمان واقعی که مصرف شده است ، لازم است. از آنجا که این ریزگردها نیاز به برقراری ارتباط ناهمزمان و اطمینان از در دسترس بودن و تحمل گسل دارند ، محبوب ترین واسطه استفاده از صف داده ها است [21]. Apache Kafka [22] غالب ترین راه حل ها در هنگام صف های داده است [23]. با استفاده از Kafka ، اجزای خارجی می توانند با عضویت در یک موضوع خاص و سپس ارسال داده ها در یک قالب مشترک ، فیدهای داده را به یک صف مشخص ارسال کنند. Infinitech یک تصویر کانتینر از پیش ساخته را ارائه می دهد که حاوی یک صف داده Kafka است ، در حالی که Datastore دارای یک کانکتور داخلی Kafka است که اتصال بین Datastore Leanxcale و Kafka را امکان پذیر می کند. فرآیند تزریق داده ها به همراه تجمع داده های آنلاین در شکل 9. 4 نشان داده شده است.

تزریق داده ها و تجمع آنلاین

5 تجزیه و تحلیل قبل از دوره

علاوه بر نظارت بر ریسک ، بازرگانان ، دارایی ها و مدیران ریسک به دنبال ابزاری هستند که تجزیه و تحلیل قبل از دوره را امکان پذیر می کنند. چنین ابزاری می تواند به عنوان دوقلو دیجیتال یک معامله گر باشد و امکان فیلتر موقعیت های تجاری بالقوه را بر اساس ریسک آنها فراهم می کند. علاوه بر این ، این ویژگی اطلاعات مستقیمی را برای معامله گر در مورد تغییر در ریسک سبد سهام وی در صورت تأیید معامله گر موقعیت شبیه سازی شده ارائه می دهد.

ارزیابی در معرض خطر AI ، ویژگی مهم دیگری را شامل می شود که مبتنی بر آنچه که در صورت تجزیه و تحلیل با تمرکز بر ارزیابی ریسک قبل از دوره انجام می شود. به این ترتیب ، اگر یک معامله گر فرصتی برای تجارت داشته باشد ، ممکن است این تجارت را وارد برنامه ارائه شده (پلتفرم) کند و با این تجارت جدید که به نمونه کارها اضافه شده است ، محاسبه اقدامات ریسک را درخواست کند. تجزیه و تحلیل قبل از دوره ، ابزاری مفید برای معامله گران به منظور درک چگونگی تأثیر موقعیت تجاری جدید بالقوه بر روی نمونه کارها و ریسک آن شکل 9. 5 است.

صفحه برنامه تجزیه و تحلیل قبل از دوره: کاربر پارامترهای ریسک مطلوب (یعنی سطح اطمینان و افق زمانی) را به همراه موقعیت های موجود در ابزارهای مالی نمونه کارها وارد می کند. برنامه تخمین خطر خود (سمت راست) را در پرواز به روز می کند

با این حال ، به منظور فعال کردن این ویژگی ، مدل های ریسک توسعه یافته باید بهینه سازی شوند تا نتایج را فوراً با استفاده از آخرین داده های ورودی (یعنی قیمت دارایی) به دست آورند. برای این منظور ، برآورد ریسک نمونه کارها از یک روش دو مرحله ای پیروی می کند. در ابتدا ، هر دو VAR و ES برای هر ابزار نمونه کارها به طور جداگانه به عنوان یک سری زمانی تک متغیره بر اساس آخرین قیمت های بازار موجود از ابزارهای مدیریت زمان واقعی شرح داده شده در فرقه محاسبه می شوند. 4- خاطرنشان می شود که این محاسبات در زیر کاپوت انجام می شود و با در دسترس بودن داده های جدید به روز می شوند. مرحله دوم مربوط به ورودی های کاربر است. به عنوان مثال ، هنگامی که کاربر در حال آزمایش با موقعیت های معاملاتی جدید است ، وزن هر دارایی به دست می آید ، با ارزیابی ریسک یک متغیره برای محاسبه var/es نمونه کارها استفاده می شود. این روش می تواند خیلی سریع تکمیل شود زیرا فقط به جبر ماتریس ساده نیاز دارد ، همانطور که در Eq نشان داده شده است. 9. 6 [10].

جایی که V بردار تخمین های VAR در هر ابزار است ،

و R ماتریس همبستگی است ،

جایی که ρ_1,2برآورد همبستگی بین بازده 1 و 2 ابزارها است. این فرآیند ، که توسط الگوریتم 1 شرح داده شده است نیز در مورد محاسبه نمونه کارها اعمال می شود.

6 معماری

در این بخش به جزئیات فنی در مورد استقرار برنامه پیشنهادی در یک محیط تولید به دنبال معماری مرجع شرح داده شده در CHAP می پردازیم. 1. هر مؤلفه با استفاده از سیستم ارکستراسیون کانتینر Kubeetes به صورت خودکار به صورت خودکار مستقر می شود. به این ترتیب ، به تمام آثار باستانی نرم افزاری راه حل یکپارچه یک فضای نام مشترک داده می شود و می توانند با یکدیگر در فضای نام به عنوان یک جعبه ماسه ای تعامل داشته باشند. این روش استقرار امکان قابلیت حمل ماسهبازی را فراهم می کند ، زیرا می تواند در زیرساخت های مختلف مستقر شود.

نمای کلی سطح بالا از اجرای Infinitech در شکل 9. 6 نشان داده شده است. هر مؤلفه در داخل یک غلاف اجرا می شود که کوچکترین واحد محاسباتی در Kubeetes است. یک POD یک کانتینر (یا بیشتر) کانتینر ، دارای منابع ذخیره سازی خاص خود ، یک IP شبکه منحصر به فرد ، درگاه دسترسی و گزینه های مربوط به نحوه اجرای ظرف است. این راه اندازی با توجه به حجم درخواست های خارجی ، مقیاس خودکار خدمات زیربنایی را امکان پذیر می کند. به عنوان مثال ، در صورت هجوم مشتری (به عنوان مثال ، معامله گران) که نیاز به ارزیابی ریسک از اوراق بهادار خود دارند ، غلاف مربوطه (قرمز) مربوطه به طور خودکار در صورت لزوم مقیاس می شود.

طرح استقرار درخواست

همچنین خاطرنشان می شود که از آنجا که هر سرویس از طریق API REST قابل دسترسی است ، آنها قادر به برقراری ارتباط مطابق با درخواست مشتری هستند ، در حالی که ویژگی های اضافی (به عنوان مثال ، تجزیه و تحلیل احساسات اخبار مالی) می توانند به عنوان یک مؤلفه جداگانه اضافه شوند بدون اینکه نیاز به تغییر در موجود داشته باشند. خدمات.

الگوریتم 1 برآورد ریسک نمونه کارها

7 خلاصه

در این فصل به یکی از مهمترین چالش های بخش مالی که ارزیابی ریسک در زمان واقعی است ، می پردازد. به طور خاص ، این فصل مدل های ریسک را که در Infinitech اجرا شده اند و ادغام آنها با ابزار فناوری مرتبط برای فعال کردن پردازش مقادیر زیادی از داده های ورودی را در بر می گیرد. برنامه Infinitech ارائه شده علاوه بر معرفی یک مورد جدید بر اساس تکنیک های یادگیری عمیق ، چندین مدل ریسک به خوبی تثبیت شده را نیز اعمال می کند. این ارزیابی ها را می توان در زمان واقعی (نزدیک) با استفاده از داده های مالی جریان به روز کرد و برای هدایت تجزیه و تحلیل What-IF برای اصلاح نمونه کارها استفاده شد. راه حل Infinitech می تواند یک دارایی ارزشمند برای پزشکان در تجارت با فرکانس بالا باشد که در آن ارزیابی ریسک مداوم در زمان واقعی مورد نیاز است. لازم به ذکر است که معماری اساسی نیز می تواند با مدلهای مختلف ریسک مورد استفاده قرار گیرد ، برای انواع مختلف اوراق بهادار مالی بهینه سازی شده است ، در حالی که ویژگی های اضافی می توانند به عنوان میکروسرویس به دنبال معماری مرجع Infinitech یکپارچه شوند.

یادداشت

منابع

Andersen ، T. G. ، Bollerslev ، T. ، Diebold ، F. X. ، & Vega ، C. (2007). مجله اقتصاد بین المللی ، 73 (2) ، 251.

Mengle ، D. L. ، Humphrey ، D. B. ، & Summers ، B. J. (1987). بررسی اقتصادی 73 ، 3.

Keas ، M. ، & Nevmyvaka ، Y. (2013). معاملات فرکانس بالا: واقعیت های جدید برای معامله گران ، بازارها و تنظیم کننده ها.

Bredin ، D. ، & Hyde ، S. (2004). مجله مالی و حسابداری تجارت ، 31 (9-10) ، 1389.

Préfontaine ، J. ، Desrochers ، J. ، & Godbout ، L. (2010). تجزیه و تحلیل نظرات دریافت شده توسط BIS در مورد اصول مدیریت و نظارت بر ریسک نقدینگی صحیح. مجله تحقیقات بین المللی تجارت و اقتصاد (IBER) ، 9 (7). https://doi. org/10. 19030/iber. v9i7. 598

Markowitz ، H. (1955). بهینه سازی یک تابع درجه دوم در معرض محدودیت های خطی. گزارش تکنکال. Rand Corp Santa Monica CA.

نگوین ، جی. (2004). فرضیه بازار کارآمد: آیا برای بازار ارز قابل اجرا است؟گروه اقتصاد ، دانشگاه وولونگونگ. https://ro. uow. edu. au/commwkpapers/104

FAMA ، E. F. (2021). بازارهای سرمایه کارآمد II. دانشگاه شیکاگو پرس.

Gomber ، P. ، & Haferko ، M. (2015). دائر ycl المعارف علوم و فناوری اطلاعات (چاپ سوم ، صص 1-9). IGI Global.

Longerstaey ، J. ، & Spencer ، M. (1996). شرکت تضمین مورگان از نیویورک ، 51 ، 54.

Chang ، Y. P. ، Hung ، M. C. ، & Wu ، Y. F. (2003). ارتباطات در آمار-شبیه سازی و محاسبه ، 32 (4) ، 1041.

Hong ، L. J. ، Hu ، Z. ، & Liu ، G. (2014). معاملات ACM در مدل سازی و شبیه سازی رایانه (TOMACS) ، 24 (4) ، 1.

Bingham ، N. H. ، & Kiesel ، R. (2002). امور مالی کمی ، 2 (4) ، 241.

Gers ، F. A. ، Schmidhuber ، J. ، & Cummins ، F. (2000). محاسبات عصبی ، 12 (10) ، 2451.

Salinas ، D. ، Flunkert ، V. ، Gasthaus ، J. ، & Januschowski ، T. (2020). مجله بین المللی پیش بینی ، 36 (3) ، 1181.

Alexandrov ، A. ، Benidis ، K. ، Bohlke-Schneider ، M. ، Flunkert ، V. ، Gasthaus ، J. ، Januschowski ، T. ، Maddix ، D. C. ، Rangapuram ، S. ، Salinas ، D. ، Schulz ، J.، Stella ، L. ، Türkmen ، A. C. ، & Wang ، Y. (2019). preprint arxiv: 1906. 05264.

Rockafellar ، R. T. ، & Uryasev ، S. (2000). بهینه سازی ارزش مشروط در معرض خطر. مجله ریسک ، 2 ، 21-42.

Tasche ، D. (2002). مجله بانکی و دارایی ، 26 (7) ، 1519.

Sarykalin ، S. ، Serraino ، G. ، & Uryasev ، S. (2008). ابزارهای پیشرفته تصمیم گیری در سن اطلاعات فشرده (صص 270-294). اطلاع می دهد

Khokhlov ، V. (2016). Evropskỳ časopis ekonomiky a managementu ، 2 (6) ، 70.

Dinh-Tuan ، H. ، Beierle ، F. ، & Garzon ، S. R. (2019). 2019 کنفرانس بین المللی IEEE در مورد سیستم های فیزیکی سایبر صنعتی (ICPS) (صص 23-30). IEEE

Kreps ، J. ، Narkhede ، N. ، & Rao ، J. (2011). کافکا: یک سیستم پیام رسانی توزیع شده برای پردازش ورود به سیستم. در مجموعه مقالات NetDB (جلد 11).

John ، V. ، & Liu ، X. (2017) Preprint Arxiv: 1704. 00411.

سپاسگزاریها

تحقیقات منتهی به نتایج ارائه شده در این فصل ، از پروژه تأمین شده اتحادیه اروپا Infinitech تحت توافق نامه کمک مالی شماره 856632 بودجه دریافت کرده است.

اطلاعات نویسنده

نویسندگان و وابستگی ها

Iov-Acts Limited ، نیکوزیا ، قبرس

دانشگاه پیرائوس ، پیرائوس ، یونان

Iov-Acts Limited ، نیکوزیا ، قبرس

دانشگاه گلاسکو ، گلاسکو ، انگلیس

مشاوره و تحقیقات مدیریت سرمایه JRC GmbH ، برلین ، آلمان

GFT Technologies ، Genova ، Liguria ، ایتالیا

1. جورجیوس فاتوروس

همچنین می توانید این نویسنده را در PubMed Google Scholar جستجو کنید

همچنین می توانید این نویسنده را در PubMed Google Scholar جستجو کنید

همچنین می توانید این نویسنده را در PubMed Google Scholar جستجو کنید

همچنین می توانید این نویسنده را در PubMed Google Scholar جستجو کنید

همچنین می توانید این نویسنده را در PubMed Google Scholar جستجو کنید

نویسنده متناظر

اطلاعات ویراستار

ویراستاران و وابستگی ها

Iov-Acts Limited ، نیکوزیا ، قبرس

پروفسور جان Soldatos

دانشگاه پیرائوس ، پیرائوس ، یونان

دکتر دیموستنیس کیریازیس

حقوق و مجوزها

دسترسی آزاد این فصل تحت شرایط Creative Commons Attribution 4. 0 مجوز بین المللی (http://creativeecommons. org/licenses/by/4. 0/) مجوز دارد ، که امکان استفاده ، اشتراک ، سازگاری ، توزیع و تولید مثل را در هر متوسط یا فرمت فراهم می کند، تا زمانی که اعتبار مناسبی را به نویسنده (های) اصلی و منبع بدهید ، پیوندی به مجوز Creative Commons ارائه دهید و نشان دهید که آیا تغییرات ایجاد شده است.

تصاویر یا سایر مطالب شخص ثالث در این فصل در مجوز Creative Commons فصل گنجانده شده است ، مگر اینکه در یک خط اعتباری به مطالب مشخص شود. اگر مطالب در مجوز Creative Commons فصل گنجانده نشده باشد و استفاده در نظر گرفته شده شما توسط مقررات قانونی مجاز نیست یا از استفاده مجاز فراتر می رود ، باید مستقیماً از مجوز از دارنده حق چاپ استفاده کنید.< SPAN> دسترسی آزاد این فصل تحت شرایط Creative Commons Attribution 4. 0 مجوز بین المللی (http://creativeecommons. org/licenses/by/4. 0/) مجاز است ، که امکان استفاده ، به اشتراک گذاری ، سازگاری ، توزیع و تولید مثل را در هر صورت فراهم می کند. متوسط یا فرمت ، تا زمانی که اعتبار مناسبی را به نویسنده اصلی (ها) و منبع ارائه دهید ، پیوندی به مجوز Creative Commons ارائه می دهد و نشان می دهد که آیا تغییرات ایجاد شده است.