Nutzung von Data Science für Risiken und P&L der nächsten Generation

Alexei Tchernitser, Director of Analytical Solutions bei Quantifi, erörtert die Auswirkungen der Datenwissenschaft auf das Risiko der nächsten Generation sowie auf Gewinn und Verlust (PL)

Wie hat Data Science das Finanzwesen verändert?

In den letzten Jahren hat sich die Rolle von Daten und Technologie beim Handel, Risikomanagement und bei Investitionsentscheidungen dramatisch verändert. Datenanalysetechniken, die früher als aufkommend oder experimentell galten, werden zum Mainstream. Unternehmen setzen Data-Science-Tools ein, um die Risikobewertung und Geschäftsreaktionsstrategien zu verbessern und ihre Betriebsabläufe strenger zu gestalten. On-Demand-Zugriff auf riesige Rechenressourcen über die Cloud mit leistungsstarken Datenspeichern und In-Memory-Architekturen ermöglicht es Unternehmen, mehr Leistung zu erbringen ad hoc Analyse, Prüfung und Validierung. Dies erfolgt unter Verwendung der granularsten Datenebenen und ohne dass die Daten vorab aggregiert oder vorformatiert werden müssen. Unternehmen stehen jedoch vor der Herausforderung, wie sie ihre Quants und Data Scientists in die Lage versetzen können, hochwertige Arbeit zu leisten, ohne die Sicherheit und Einschränkungen für den Zugriff und die Risikoanpassung zu gefährden PL Zahlen.

In der Vergangenheit mussten Risikomanager offizielle Plattformen „sperren“. Dies führte zu zwei Hauptproblemen, die eine erweiterte Analyse behinderten.

Die erste ist Doppelarbeit: Um anspruchsvolle Analysen unter Verwendung der tatsächlichen Geschäfts- und/oder Marktdaten des Unternehmens durchzuführen, müssen Quants manchmal die Preismodelle neu entwickeln, die als Teil der formellen Unternehmensstrategie implementiert sind. PL Plattformen. Dies ist zeitaufwändig und komplex, insbesondere bei Derivaten oder wenn eine genaue Darstellung aller Transaktionsdetails erforderlich ist.

Die zweite ist die Inkonsistenz: Modelle, die unabhängig von Quants/Strategen/Datenwissenschaftlern implementiert werden, unterscheiden sich zwangsläufig von offiziellen Modellen, und die Abweichung nimmt normalerweise zu, wenn die Produkte komplexer werden. Dies gilt insbesondere dann, wenn ein Technologieanbieter Preismodelle in die integriert PL Plattform.

Moderne Data-Science-Tools, eingebettet in die neueste Generation von Mark-to-Market (MtM)-Plattformen, lösen beide Probleme.

Integrieren Sie Data-Science-Tools in bestehende Prozesse

Open-Source-Data-Science-Tools bieten viele Möglichkeiten, um verschiedene Machine-Learning-Modelle zu erstellen und große Datenmengen zu analysieren. Um jedoch in realen Anwendungen nützlich zu sein, müssen die jeder Analyse zugrunde liegenden Daten aus einem Quellsystem stammen. Die Modellierung selbst einfacher Produkte wie Anleihen erfordert typischerweise relativ komplexe Bausteine ​​wie Zinskurven, Benchmark-Daten, exakte Produktdefinitionen und Marktnotierungen für die Produkte Zinsen und Anleihen. Das Sammeln, Darstellen und Normalisieren dieser Daten ist eine komplizierte und zeitaufwändige Aufgabe, und Ungenauigkeiten bei der Modellierung dieser Komponenten können die weitere Analyse beeinträchtigen oder sogar ungültig machen.

Ein neuer Satz von Anwendungsprogrammierschnittstellen (APIs) Tools entsteht. Diese Tools wurden entwickelt, um Open-Source-Data-Science-Pakete und Programmierumgebungen nahtlos in traditionellere MtM-Risikoplattformen wie Quantifi zu integrieren. Diese neuen APIss ermöglichen eine innovative Integration zwischen einer eigenständigen Risikoplattform und Programmierumgebungen, die Quants und Händler problemlos auf ihren Desktop-Computern verwenden können.

Dieses Framework bietet die nächste Stufe der Interoperabilität, indem es die Übertragung vollständig kalibrierter komplexer Objekte (wie Kurven, Volatilitätsoberflächen, Produkt- oder Handelsdarstellungen) auf verschiedene Teile des Risikoökosystems ermöglicht. Indem Sie diese verwenden APIss, Quants und Quant-Händler können ein bestehendes Handelsportfolio von der Risikoplattform nehmen und Backtesting, benutzerdefinierte Value-at-Risk-Berechnungen durchführen, ad hoc Szenarien oder Sensitivitätsanalysen unabhängig von der primären Risikoplattform. Alternativ können Benutzer einfach benötigte Datenobjekte wie Kurven, Kurse und Referenzdaten extrahieren und neue Handelsstrategien entwickeln. Sie können diese Objekte auch auf den Preis von maßgeschneiderten Derivaten anwenden, die nicht von der verwaltet werden PL Plattform.

Ein weiterer Vorteil dieser neuen Technologie besteht darin, dass Benutzer in ihrer bevorzugten Programmierumgebung arbeiten können, beispielsweise Python in Jupyter Notebooks oder anderen gängigen Programmiersprachen und integrierten Entwicklungsumgebungen. Benutzer können auch ihre Analysen durchführen und/oder fortgeschrittene Modelle mit dem erstellen APIss auf ihren lokalen Rechnern. Gleichzeitig die primäre PL Die Plattform kann an anderer Stelle betrieben und sogar auf Cloud-Computing-Plattformen gehostet werden.

Erzielen Sie Konsistenz in einer „Low-Code“-Umgebung

Mit dem oben beschriebenen Framework können Benutzer die Konsistenz zwischen Preisbörsen auf einer offiziellen MtM-Plattform und ihrer lokalen Entwicklungsumgebung sicherstellen. Tatsächlich werden alle für die Berechnungen erforderlichen Geschäftsobjekte direkt von der Plattform übergeben, wo sie unter Verwendung des offiziellen vordefinierten Satzes von Preisregeln und -parametern erstellt wurden.

Darüber hinaus profitieren Benutzer von einer echten Low-Code-Umgebung, in der die Risikoplattform die Konfiguration der komplexen Handelspreislogik verwaltet. Benutzer können sich daher auf die Wertschöpfung konzentrieren, indem sie übergeordnete Aufgaben wie Portfolio-Backtesting, benutzerdefinierte Szenarien oder Berechnungen von Risikometriken oder Portfoliooptimierung implementieren. All dies kann erreicht werden, ohne Zeit mit der Konfiguration zugrunde liegender Risikofaktoren, Sicherheit oder Geschäftsdetails zu verschwenden.

Darüber hinaus kann dieses Framework die Übertragung von Objekten erleichtern, die jede Art von Handel darstellen, die von der MtM-Plattform unterstützt wird, unabhängig von ihrer Komplexität. Infolgedessen können Benutzer Analysen zu Portfolios durchführen, die aus gemischten Trades und Hedges, Vanilla und Derivaten bestehen. Durch die Verwendung von High-Level-Code vermeiden Benutzer die zusätzlichen Komplexitätsebenen, die Low-Level-Code inhärent sind. Da der Prozess außerdem autonom von der zentralen MtM-Plattform läuft, können sich die Benutzer darauf verlassen, dass die Leistung oder Datenintegrität der Kernplattform nicht beeinträchtigt wird. Das Framework ermöglicht auch die Integration mit gängigen Bibliotheken für maschinelles Lernen, die oft rechenintensiv sind, ohne die Leistung der MtM-Kernplattform zu beeinträchtigen. Die Konsistenz zwischen den beiden wird ebenfalls aufrechterhalten.

Darüber hinaus unterstützt die MtM-Plattform Datenabhängigkeiten (wie Markt- und Benchmark-Daten), die zur Bewertung von Trades benötigt werden. Der Prozess umfasst die Automatisierung von Geschäfts- und Marktdatenflüssen und die Erhaltung von Datenbeziehungen und -hierarchien aus mehreren Quellen. Dadurch können sich Benutzer auf die Implementierung neuer Funktionen konzentrieren, anstatt Daten zu „bereinigen“.

Integrierte Risikoplattform, unterstützt durch Data Science

Fortgeschrittene Modelle für maschinelles Lernen können mit einer genauen Darstellung von Börsen und Produkten sowie konsistenten Marktdaten und Preisregeln konfiguriert werden. Dies fügt ein neues Maß an Flexibilität und Robustheit hinzu und gewährleistet gleichzeitig die Konsistenz während des gesamten Modellierungsprozesses.

Die auf Data Science basierende Plattform von Quantifi ermöglicht es Quantifikatoren und Händlern mehrerer Finanzinstitute, die Aufgabe der manuellen Datenerfassung und -verarbeitung zu automatisieren und auszulagern. Benutzer können sich auf die Implementierung der erforderlichen benutzerdefinierten Geschäftslogik konzentrieren, die die Plattformfunktionalität ergänzt, und die Lieferzeiten drastisch verkürzen. Diese neue Data-Science-Plattform bietet Kunden die Möglichkeit, komplexe Datenanalysen und flexible Berichte mit Python, Jupyter Notebook und anderen beliebten Data-Science-Tools durchzuführen. Integriert in die Bibliothek fortschrittlicher Modelle von Quantifi profitieren Kunden von komplexen datengesteuerten Analysen, strategischen Backtests und ad hoc hypothetische Portfolioszenarien, die alle gemischte Datensätze aus verschiedenen Quellen verwenden.