次世代のリスクと P&L のためのデータ サイエンスの活用

Quantifi の分析ソリューション担当ディレクターである Alexei Tchernitser が、データ サイエンスが次世代のリスクと損益に与えた影響について説明します (損益計算書)

データサイエンスはどのように金融を変えましたか?

アレクセイ・チェルニツァー、クオンティフィ

過去数年間で、取引、リスク管理、投資の意思決定におけるデータとテクノロジーの役割に大きな変化がありました。 以前は新興または実験的と考えられていたデータ分析手法が主流になりつつあります。 企業は、データ サイエンス ツールを導入して、リスク評価とビジネス対応戦略を改善し、業務をより厳密なものにしています。 高性能データ ストアとインメモリ アーキテクチャを備えたクラウド経由で重要な計算リソースにオンデマンドでアクセスできるため、企業はより多くのことを実行できます。 このために 分析、テスト、検証。 これは、最も詳細なレベルのデータを使用して実行され、データを事前に集計または事前にフォーマットする必要はありません。 しかし、企業は、「公式」リスクにアクセスして調整できる人に対するセキュリティや制限を損なうことなく、クオンツやデータ サイエンティストが高価値の仕事を生み出せるようにする方法という課題に直面しています。 損益計算書 数字。

歴史的に、リスク管理者は公式プラットフォームを「ロックダウン」する必要がありました。 これにより、高度な分析を妨げる 2 つの主な問題が生じました。

1 つ目は、作業の重複です。会社の実際の取引や市場データを使用して高度な分析を実行するために、クオンツは、会社の公式の一部として実装された価格設定モデルを再開発するために必要になる場合がありました。 損益計算書 プラットフォーム。 これは、特にデリバティブ商品の場合や、すべての取引の詳細を正確に表す必要がある場合に、時間がかかり複雑です。

2 つ目は矛盾です。必然的に、クオンツ/ストラテジスト/データ サイエンティストによって個別に実装されたモデルは公式のものとは異なり、製品がより複雑になるにつれて相違が大きくなります。 これは、テクノロジー プロバイダーが価格モデルを 損益計算書 プラットホーム。

最新世代のMark-to-Market (MtM) プラットフォームに統合された最新のデータ サイエンス ツールは、両方の問題を解決します。

データ サイエンス ツールを既存のプロセスに統合する

オープンソースのデータ サイエンス ツールは、さまざまな機械学習モデルを構築し、膨大な量のデータを分析するための多くの可能性を提供します。 ただし、実際のアプリケーションで役立つようにするには、分析の基礎となるデータをソース システムから取得する必要があります。 債券などの単純な商品をモデル化する場合でも、通常は、金利曲線、参照データ、正確な商品定義、金利や債券の市場相場など、比較的複雑なビルディング ブロックが必要です。 このデータの収集、表現、および正規化は複雑で退屈な作業であり、これらのコンポーネントのモデリングが不正確であると、さらなる分析に影響を与えたり、無効にすることさえあります。

アプリケーション プログラミング インターフェイスの新しいセット (API)ツールが登場しました。 これらのツールは、オープンソースのデータ サイエンス パッケージとプログラミング環境を、Quantifi などの従来の MtM リスク プラットフォームとシームレスに統合するように設計されています。 これらの新しい APIクオンツやトレーダーがデスクトップで簡単に使用できる、スタンドアロンのリスク プラットフォームとプログラミング環境との間の革新的な統合を可能にします。

このフレームワークは、完全に調整された複雑なオブジェクト (曲線、ボラティリティ サーフェス、製品または取引の表現など) をリスク エコシステムのさまざまな部分に転送できるようにすることで、次のレベルの相互運用性を提供します。 これらを使用して APIs、クオンツ、クオンツ トレーダーは、リスク プラットフォームから既存の取引ポートフォリオを取得し、バックテスト、カスタム バリュー アット リスク計算、 このために 主要なリスク プラットフォームから独立したシナリオまたは感度分析。 または、ユーザーは曲線、クオート、参照データなどの必要なデータ オブジェクトを簡単に抽出し、新しい取引戦略を構築することもできます。 また、これらのオブジェクトを適用して、金融機関が扱っていないオーダーメイドのデリバティブの価格を設定することもできます。 損益計算書 プラットホーム。

この新しいテクノロジーのもう 1 つの利点は、ユーザーが好みのプログラミング環境で作業できることです。たとえば、Jupyter Notebook の Python やその他の一般的なプログラミング言語や統合開発環境などです。 ユーザーは、 APIローカルマシン上にあります。 同時に、プライマリー 損益計算書 プラットフォームは、クラウド コンピューティング プラットフォームでホストされていても、他の場所で運用できます。

「ローコード」設定で一貫性を実現する

上記のフレームワークを使用すると、ユーザーは公式の MtM プラットフォームとローカル開発環境での価格設定取引の一貫性を確保できます。 これは、計算に必要なすべてのビジネス オブジェクトがプラットフォームから直接渡され、事前定義された公式の価格設定ルールとパラメーターのセットを使用して作成されているためです。

さらに、ユーザーは、リスク プラットフォームが複雑な取引価格設定ロジックの設定を処理する、真にローコードな環境の恩恵を受けます。 したがって、ユーザーは、ポートフォリオのバックテスト、カスタム シナリオやリスク測定の計算、ポートフォリオの最適化などの高レベルのタスクを実装することで、付加価値に集中できます。 これらすべては、潜在的なリスク要因、セキュリティ、または取引の詳細の設定に時間を費やすことなく達成できます。

さらに、このフレームワークは、どんなに複雑であっても、MtM プラットフォームでサポートされているあらゆる取引タイプを表すオブジェクトの転送を容易にします。 その結果、ユーザーは混合取引とヘッジ、バニラとデリバティブで構成されるポートフォリオの分析を実行できます。 高レベル コードを使用することで、ユーザーは低レベル コードに固有の余分な複雑なレイヤーを回避できます。 さらに、プロセスは中央の MtM プラットフォームからスタンドアロンで実行されるため、ユーザーはプライマリ プラットフォームのパフォーマンスやデータの整合性に悪影響を及ぼさないと確信できます。 このフレームワークは、主要な MtM プラットフォームのパフォーマンスに影響を与えることなく、多くの場合、コンピューティング能力の広範な使用を必要とする一般的な機械学習ライブラリとの統合も可能にします。 2 つの間の整合性も維持されます。

さらに、MtM プラットフォームは、価格取引に必要なデータの依存関係 (市場や参照データなど) を処理します。 このプロセスには、取引および市場データ フィードの自動化と、複数のソースからのデータの関係と階層の保持が含まれます。 したがって、ユーザーはデータの「クリーニング」ではなく、新しい機能の実装に集中できます。

データ サイエンスを活用した統合リスク プラットフォーム

高度な機械学習モデルは、正確な取引と製品の表現、および一貫した市場データと価格設定ルールを使用して設定できます。 これにより、モデリング プロセス全体で一貫性を確保しながら、新しいレベルの柔軟性と堅牢性が追加されます。

Quantifi のデータ サイエンス対応プラットフォームにより、複数の金融機関のクオンツとトレーダーは、手動でデータを収集して処理するタスクを自動化し、外部委託することができます。 ユーザーは、必要なカスタム ビジネス ロジックの実装に集中して、プラットフォームの機能を補完し、納期を大幅に短縮できます。 この新しいデータ サイエンス プラットフォームは、Python、Jupyter Notebook、およびその他の一般的なデータ サイエンス ツールを使用して、複雑なデータ分析と柔軟なレポートを実行する機能をクライアントに提供します。 Quantifi の高度なモデル ライブラリと統合されているため、クライアントは複雑なデータ駆動型分析、戦略のバックテスト、および このために すべてがさまざまなソースからの混合データセットを使用して、ポートフォリオの what-if シナリオ。

Quantifi の統合された取引前および取引後のソリューションにより、市場参加者はエクスポージャーの評価、取引、およびリスク管理を改善し、変化する市場状況により効果的に対応することができます。 Quantifi の最新テクノロジーへの投資 – データ サイエンス、機械学習、 APIs – 新しいレベルの使いやすさ、柔軟性、および統合を顧客に提供します。

Quantifi のデータ サイエンス対応プラットフォームの詳細をご覧ください。

.

Leave a Comment

Your email address will not be published. Required fields are marked *