Optimering of handel system och portföljer

Exempel på optimeringsproblem kan du visa mig exempel som liknar mitt problem Hämta 119 Exempel Modeller Nu Optimering är ett verktyg med applikationer inom många branscher och funktionella områden. Om du vill veta mer, anmäl dig för att visa valda exempel på nätet genom funktionellt område eller bransch. Här är en omfattande lista över exempel modeller som du kommer att ha tillgång till när du loggar in. Du kan köra alla dessa modeller med den grundläggande Excel Solver. När du hämtar och installerar en kostnadsfri test av våra förbättrade Solvers för skrivbordet Microsoft Excel kommer du att upptäcka att mer än nittio (90) små men fullt funktionella exemplar är tillgängliga för din användning - som omfattar konventionell optimering, simulering och riskanalys, beslutsanalys (med hjälp av beslutsträd), simuleringsoptimering, stokastisk optimering och robust optimering. Du kan göra det när som helst efter att du anmält dig. Exempel på Funktionsområde Corporate Finance Arbetskapitalhantering. Investera i 1-månaders, 3-månaders och 6-månaders CD-skivor för att maximera ränta samtidigt som du uppfyller kassakrav Capital Budgeting. Välj en kombination av kapitalprojekt för att maximera övergripande NPV (Net Present Value) Inventory Management. Jämför investeringsstockning och omarrangemangspolicy med EOQ (Economic Order Quantity) modell Cash Management. Bestäm var du ska lokalisera låsboxar för att minimera float eller ränta som förloras till följd av utsändningsfördröjningar Kapacitetsplanering. Bestäm vilka växter som ska öppnas eller stängas Investeringar Portföljoptimering - Markowitz Model. Tilldela medel till aktier för att minimera risken för en målränta - med kända eller beräknade avvikelser och covariances Stock Portfolio Management. Använder ett VBA-makro för att optimera flera scenarier för minimisrisk vid olika målsättningsräntor, och drar sedan ett diagram över den effektiva gränsen Portfolio Optimization - Sharpe Model (CAPM). Användningar Excels regressionsfunktioner för att beräkna alfas och betas för aktier i förhållande till ett marknadsindex och använder dem för att hitta en effektiv portfölj för hantering av obligationsportföljer. Tilldela medel till obligationer för att maximera avkastningen samtidigt som portföljens löptid är lika med investeringshorisonten för löptid - med kända eller beräknade varaktigheter Obligationsportfölj Exakt matchning. Tilldela medel till obligationer för att maximera portföljen, samtidigt som du säkerställer att periodiska skulder är uppfyllda - med eller utan reinvestering Produktionsblandning. Bestäm hur många produkter av varje typ som ska monteras från vissa delar för att maximera vinsterna medan de inte överstiger tillgängliga delar. Tilldela produktionen av en produkt till olika maskiner, med olika kapacitet, startkostnad och driftskostnad, för att möta produktionsmålet till minimikostnad Blandning. Bestäm vilka råvaror från olika källor som ska blandas för att producera ett ämne med vissa önskade egenskaper till lägsta kostnad. Processval - Bestäm vilken av flera processer (med olika hastigheter, kostnader etc.) för att göra en önskad mängd produkt i en viss tid, till lägsta kostnad Skärande lager. Bestäm hur man skär av större bitar av trä, stål etc. i mindre bitar av önskade storlekar, var och en som behövs i vissa kvantiteter, för att minimera avfallstransportmodellen. Bestäm hur många produkter som ska skickas från varje fabrik till varje lager, eller från varje fabrik till varje lager och direkt till varje slutkund, för att minimera fraktkostnaderna samtidigt som de uppfyller lagerkraven och inte överstiga fabriksförsörjningar Multi-Level, Multi-Commodity Transportation Model. Bestäm hur många produkter av flera olika typer som ska skickas från varje fabrik till varje lager och varje kund för att minimera total fraktkostnad när de uppfyller krav och inte överstiger kapacitet och tillbehör. Delvis lastning - Bestäm vilka storlekar eller typer av produkter som ska lastas in i ett fordon, med tanke på dess storleksgränser, för att bäst tillgodose efterfrågan eller för att minimera bortkastat utrymme Anläggningsplats. Bestäm vilka (om några) anläggningar ska stänga för att minimera totala kostnader, inklusive fasta driftskostnader och fraktkostnader mellan anläggningar Production Transportation Model. Bestäm hur många produkter som ska produceras i varje fabrik och skicka till lager och kunder för att minimera de totala kostnaderna samtidigt som de uppfyller krav, lagerförmåga och fabriksleveranser. Inköpskontraktspriser - Tilldelningskontrakt till leverantörer som har bjudit vissa priser för att leverera produkter till anläggningar i flera stater - tillåta bud som anger en minsta storlek för varje stat Inventory StockingReordering. Jämför lagerhållning och omarrangemang med EOQ (Economic Order Quantity) - modellen Medieplanering - Bestäm hur mycket reklam som ska köpas i olika media för att minimera total kostnad samtidigt som du uppnår en målnivå för räckvidd eller frekvens Inköpstransportmodell. Bestäm hur mycket du ska köpa från olika leverantörer till angivna priser, som ska skickas från sina platser till olika anläggningar, för att minimera totala kostnader inklusive inköp och fraktkostnader Personal Crew Scheduling. Tilldela besättningar till olika flygsegmentsegment för att minimera total kostnad samtidigt som man säkerställer att en besättningsrotation börjar och slutar i samma stadskontorsuppdrag. Tilldela anställda till lediga kontor för att maximera tillfredsställelsen av arbetstagarpreferenser. Schemalägg parkansatte för veckoskift (fem arbetsdagar plus två dagar i följd) för att minimera lönekostnaderna samtidigt som man möter varierande efterfrågan på varje dag i veckan, eventuellt med hänsyn till anställd anställning och preferenser Arbetskomposition. Bestäm hur många anställda som ska omskola, hyra och elda för att möta förändrade arbetskraftsammansättningskrav samtidigt som kostnaderna eller arbetstagarnas omsättning minimeras. Bestäm hur många trupper som ska flyttas från flera läger till flera andra baser, för att minimera rörelsetid eller total kostnad. Exempel av Industry Airlines och Trucking Crew Scheduling. Med tanke på ett flygschema, tilldelas flygplansuppdrag och begränsningar av tjänsteperioder, besättningen mest effektivt för att flyga rutten och tilldelningen av flottan. Bestäm vilken flygplan som ska flyga på varje rutt, och sekvensen av segment som flyger av varje flygplan Revenue Management. För olika klasser av biljetter, bestäm hur många platser att sälja eller hålla kvar som flygdatum närmar sig olja och bensinblandning. Från kolväten med specifika oktanklasser bestämmer ångtryck, volatilitet och kostnad hur mycket av varje blandas för att producera regelbunden, mellanklass och premium bensin Gas Contract Purchase. Med prognostiserad men osäker efterfrågan på gas, bestämma vilka kontrakt som ska köpas och hur mycket gas som ska lagras vid olika tidpunkter Pipeline Capacity Auction. Bestäm vilka bud, till olika priser, att tilldelas för att maximera försäljningsintäkterna, men inte överstiga det dagliga kapacitetsproblemet för behållare, papper och stål. Med tanke på stora träpappersplåt eller stålplattor och efterfrågan på enheter med mindre längdbredder bestämmer skärmönstret av stora till små bitar som möter efterfrågan samtidigt som avfall minimeras. Jordbruksgrödans planering: Med tanke på prognostiserade grödpriser och odlingsförhållanden, bestämma hur mycket av varje grödor för att plantera foderblandning. Med tanke på näringskraven för foderdjur och priset på tillgängliga matar, hitta blandningen av foderingredienser som minimerar den totala kostnaden för elkraftaggregatets åtagande. Med tanke på prognostiserad efterfrågan efter period och driftskostnad för varje generator, bestämma vilka generatorer som ska köras i varje tidsintervall Electricity Trading. Maximera värdet av elförsäljningen i en pågående auktionsmiljö, finansiella tjänster Effektiva portföljer. Med tanke på prognoser för aktie-, obligations - eller tillgångsklassens avkastning, avvikelser och covariances, anslå medel till investeringar för att minimera portföljrisken för en given avkastning Index Fund Management. Lös ett portföljoptimeringsproblem som minimerar spårningsfelet för en fond som speglar ett index som består av tusentals värdepapper AssetLiability Management. Tilldela medel till olika investeringar för att maximera portföljens avkastning samtidigt som du säkerställer att periodiska skulder är fullt finansierade. Din nedladdning kommer att inkludera: 119 Exempel Modeller Åtkomst till programstöd via Live Chat Telefonförstärkare E-postsupport En ny användare Snabbstartsguide Frontline Solvers Referenshandbok Frontline Solvers User Manual Analytical Solver Platform 15-dagars licens 15-dagars test av AnalyticSolver Visa och hämta exempelfiler (Alla fält är obligatoriska) Trading Floor Architecture Trading Floor Architecture Executive Översikt Ökad konkurrens, högre marknadsdatavolym och nya krav på reglering är några av drivkrafterna bakom industriförändringar. Företagen försöker behålla sin konkurrenskraft genom att ständigt byta sina handelsstrategier och öka handelshastigheten. En livskraftig arkitektur måste innehålla den senaste tekniken från både nätverks - och applikationsdomäner. Det måste vara modulärt för att ge en hanterbar väg att utveckla varje komponent med minimal störning av det övergripande systemet. Därför bygger den arkitektur som föreslås av detta papper ut på en serviceram. Vi undersöker tjänster som ultra-low latency messaging, latent övervakning, multicast, databehandling, lagring, data och applikationsvirtualisering, handelsförmåga, handelsmobilitet och tunn klient. Lösningen på de komplexa kraven på nästa generations handelsplattform måste byggas med en holistisk tankegång, som överstiger gränserna för traditionella silor som företag och teknik eller applikationer och nätverk. Det här dokumentets huvudsyfte är att tillhandahålla riktlinjer för att bygga en plattform för extremt låg latitudhandel samtidigt som man optimerar den råa genomströmningen och meddelandekvoten för både marknadsdata och FIX-handelsorder. För att uppnå detta, föreslår vi följande teknologier för latent minskning: Höghastighets inter-connectInfiniBand eller 10 Gbps-anslutning för handelsklustret Höghastighetsmeddelandebuss Programacceleration via RDMA utan att omprogrammera omkodning Realtids latent övervakning och omriktning av handelstrafik till vägen med minimal latens Branschutvecklingar och utmaningar Nästa generations handelsarkitekturer måste svara på ökade krav på hastighet, volym och effektivitet. Volymen av optionsmarknadsdata förväntas fördubblas efter introduktionen av optioner örehandel under 2007. Det finns också lagkrav på bästa möjliga utförande, vilket kräver uppdateringar av hanteringspris till priser som närmar sig 1M msgsec. för utbyten. De kräver också synlighet i dataens färskhet och bevis på att klienten har bäst möjliga utförande. På kort sikt är handels - och innovationshastigheten viktiga differentierare. Ett ökande antal affärer hanteras av algoritmiska handelsapplikationer placerade så nära som möjligt till handelsutföringsplatsen. En utmaning med dessa motorer med quotblack-boxquot är att de förstör volymökningen genom att utfärda order endast för att avbryta dem och skicka in dem igen. Orsaken till detta beteende är brist på synlighet till vilken plats som bäst utför. Den mänskliga näringsidkaren är nu en delfinansiell ingenjör, en kvotantkvot (kvantitativ analytiker) med programmeringsförmåga, som kan anpassa handelsmodeller på flyg. Företagen utvecklar nya finansiella instrument som väderderivat eller cross-asset-klasshandel och de måste distribuera de nya applikationerna snabbt och på skalbart sätt. På lång sikt bör konkurrensdifferentiering komma från analys, inte bara kunskap. Morgondagens stjärnhandlare tar risk, uppnår sann klientinsikt och konsekvent slår marknaden (källa IBM: www-935.ibmservicesusimcpdfge510-6270-trader. pdf). Affärsmotståndskraft har varit ett huvudsakligt bekymmer för handelsföretag sedan den 11 september 2001. Lösningar inom detta område sträcker sig från redundanta datacentraler som ligger i olika geografiska områden och är kopplade till flera handelsplatser till virtuella näringslösningar som erbjuder elhandlare det mesta av funktionaliteten hos ett handelsgolv på en avlägsen plats. Finansindustrin är en av de mest krävande när det gäller IT-krav. Branschen upplever en arkitektonisk förändring mot Service Oriented Architecture (SOA), webbtjänster och virtualisering av IT-resurser. SOA utnyttjar ökningen av nätverkshastigheten för att möjliggöra dynamisk bindning och virtualisering av programvarukomponenter. Detta möjliggör skapandet av nya applikationer utan att förlora investeringen i befintliga system och infrastruktur. Konceptet har potential att revolutionera hur integrationen är klar, vilket möjliggör betydande minskningar av komplexiteten och kostnaden för sådan integration (gigaspacesdownloadMerrilLynchGigaSpacesWP. pdf). En annan trend är konsolidering av servrar i datacenter-servergårdar, medan näringsidkare har endast KVM-tillägg och ultra-tunna klienter (t. ex. SunRay och HP-bladlösningar). High-speed Metro Area Networks möjliggör marknadsdata att vara multicast mellan olika platser, vilket möjliggör virtualisering av handelsgolvet. Högnivåarkitektur Figur 1 visar arkitekturen på en hög nivå i en handelsmiljö. Ticker-anläggningen och de algoritmiska handelsmotorerna är belägna i högpresterande handelskluster i företagets datacenter eller på utbytet. De mänskliga handlarna är belägna i användarområdet för slutanvändare. Funktionellt finns det två applikationskomponenter i företagets handelsmiljö, förlag och abonnenter. Meddelandebussen ger kommunikationsvägen mellan utgivare och abonnenter. Det finns två typer av trafik som är specifika för en handelsmiljö: Market DataCarries prissätter information för finansiella instrument, nyheter och annan mervärdesinformation, som analytics. Det är enriktad och mycket latent känslig, levereras vanligtvis över UDP multicast. Det mäts i updatessec. och i Mbps. Marknadsdata strömmar från en eller flera externa flöden, som kommer från leverantörer av marknadsdata som börser, dataaggregatörer och ECN. Varje leverantör har sitt eget marknadsdataformat. Uppgifterna mottas av foderhanterare, specialiserade applikationer som normaliserar och rengör data och skickar sedan till datakonsumenter, såsom prissättningsmotorer, algoritmiska handelsapplikationer eller mänskliga handlare. Säljesidens företag skickar också marknadsdata till sina kunder, inköpsföretag såsom fonder, hedgefonder och andra kapitalförvaltare. Vissa inköpsföretag kan välja att ta emot direktmatar från börser, vilket minskar latens. Figur 1 Handelsarkitektur för ett Köp SideSell sidfirman Det finns ingen branschstandard för marknadsdataformat. Varje utbyte har sitt proprietära format. Finansiella innehållsleverantörer som Reuters och Bloomberg sammanställer olika källor till marknadsdata, normaliserar den och lägger till nyheter eller analyser. Exempel på konsoliderade flöden är RDF (Reuters Data Feed), RWF (Reuters Wire Format) och Bloomberg Professional Services Data. För att leverera lägre latensmarknadsdata har båda leverantörerna släppt realtidsdata för marknadsdata som är mindre bearbetade och har mindre analyser: Bloomberg B-PipeWith B-Pipe, kopplar Bloomberg sina marknadsdata från deras distributionsplattform eftersom en Bloomberg terminal behövs inte för att få B-rör. Wombat och Reuters Feed Handlers har meddelat stöd för B-Pipe. Ett företag kan besluta att ta emot flöden direkt från ett utbyte för att minska latensen. Förhöjningarna i överföringshastigheten kan vara mellan 150 millisekunder och 500 millisekunder. Dessa flöden är mer komplexa och dyrare och företaget måste bygga och underhålla sin egen tickerplanta (financialetechfeaturedshowArticle. jhtmlarticleID60404306). Trading Orders Denna typ av trafik bär de faktiska handlarna. Det är dubbelriktat och mycket latent känsligt. Det mäts i messagessec. och Mbps. Ordererna härstammar från en köpsidan eller säljarsidan och skickas till handelsplatser som en Exchange eller ECN för utförande. Det vanligaste formatet för ordertransport är FIX (Financial Information eXchangefixprotocol. org). De applikationer som hanterar FIX-meddelanden kallas FIX-motorer och de kopplar samman med orderhanteringssystem (OMS). En optimering till FIX kallas FAST (Fix Adapted for Streaming), som använder ett komprimeringsschema för att minska meddelandlängden och i själva verket minska latensen. FAST riktar sig mer till leverans av marknadsdata och har potential att bli en standard. FAST kan också användas som komprimeringsschema för proprietära marknadsdataformat. För att minska latensen kan företagen välja att upprätta direktmarknadsåtkomst (DMA). DMA är den automatiserade processen att dirigera en värdepappersorder direkt till en exekutiv plats, vilket därför undviker ingripande från en tredje part (towergroupresearchcontentglossary. jsppage1ampglossaryId383). DMA kräver en direkt anslutning till exekveringsplatsen. Meddelandebussen är mellanprogramvara från leverantörer som Tibco, 29West, Reuters RMDS, eller en öppen källplattform som AMQP. Meddelandebussen använder en pålitlig mekanism för att leverera meddelanden. Transporten kan ske via TCPIP (TibcoEMS, 29West, RMDS och AMQP) eller UDPmulticast (TibcoRV, 29West och RMDS). Ett viktigt begrepp i meddelandedistribution är den quottopiska strömmen, som är en delmängd av marknadsdata definierad av kriterier som tickersymbol, industri eller en viss korg av finansiella instrument. Prenumeranterna går med i ämnesgrupper som är mappade till ett eller flera delämnen för att bara ta emot relevant information. Tidigare fick alla handlare alla marknadsdata. Vid nuvarande trafikvolymer skulle detta vara suboptimalt. Nätverket spelar en viktig roll i handelsmiljön. Marknadsdata överförs till handelsgolvet där de mänskliga handlarna är belägna via ett höghastighetsnätverk i Campus eller Metro Area. Hög tillgänglighet och låg latens samt hög genomströmning är de viktigaste mätvärdena. Högpresterande handelsmiljö har de flesta komponenterna i datacenterets gård. För att minimera latensen måste de algoritmiska handelsmotorerna lokaliseras i närheten av matningshanterare, FIX-motorer och orderhanteringssystem. En alternativ implementeringsmodell har de algoritmiska handelssystemen som finns i en utbyte eller en tjänsteleverantör med snabb anslutning till flera utbyten. Distributionsmodeller Det finns två implementeringsmodeller för en högpresterande handelsplattform. Företag kan välja att ha en blandning av de två: Datacentret för handelsföretaget (Figur 2) Det här är den traditionella modellen, där en fullutvecklad handelsplattform utvecklas och underhålls av företaget med kommunikationslänkar till alla handelsplatser. Latency varierar med hastigheten på länkarna och antalet humle mellan företaget och arenorna. Figur 2 Traditionell deployeringsmodell Samlokalisering på handelsplatsen (utbyte, finansiella tjänsteleverantörer) (Figur 3) Handelsföretaget utövar sin automatiserade handelsplattform så nära som möjligt för genomförandeplatserna för att minimera latens. Figur 3 Hosted Deployment Model Services-Oriented Trading Architecture Vi föreslår en serviceorienterad ram för att bygga nästa generations handelsarkitektur. Detta tillvägagångssätt ger en konceptuell ram och en implementeringsväg baserad på modularisering och minimering av interdependenser. Denna ram ger företagen en metod för att: Utvärdera deras nuvarande tillstånd när det gäller tjänster Prioritera tjänster baserat på deras värde för verksamheten Utveckla handelsplattformen till önskat tillstånd med ett modulärt tillvägagångssätt. Den högpresterande handelsarkitekturen bygger på följande tjänster, som definierad av tjänstearkitekturramen som representeras i Figur 4. Figur 4 Service Architecture Framework for High Performance Trading Ultra-Low Latency Messaging Service Den här tjänsten tillhandahålls av meddelandebussen, som är ett mjukvarusystem som löser problemet med att ansluta många-till - många applikationer. Systemet består av: En uppsättning av fördefinierade meddelandeskeman En uppsättning gemensamma kommandobesked En gemensam applikationsinfrastruktur för att skicka meddelanden till mottagare. Den delade infrastrukturen kan baseras på en budskapsmäklare eller på en publiceringsmodell. De viktigaste kraven för nästa generations meddelandebuss är (källa 29West): Lägsta möjliga latens (t. ex. mindre än 100 mikrosekunder) Stabilitet under tung belastning (t. ex. mer än 1,4 miljoner msgsec.) Kontroll och flexibilitet (frekvenskontroll och konfigurerbara transporter) Där är insatser inom branschen att standardisera meddelandebussen. Advanced Message Queuing Protocol (AMQP) är ett exempel på en öppen standard som är championed av J. P. Morgan Chase och stöds av en grupp leverantörer som Cisco, Envoy Technologies, Red Hat, TWIST Process Innovations, Iona, 29West och iMatix. Två av de viktigaste målen är att ge en enklare väg till interoperabilitet för applikationer skrivna på olika plattformar och modularitet så att middleware enkelt kan utvecklas. I mycket generella termer är en AMQP-server analog med en e-postserver med varje växel som fungerar som ett meddelandeöverföringsagent och varje meddelandekö som en brevlåda. Bindningarna definierar routingstabellerna i varje överföringsagent. Utgivare skickar meddelanden till enskilda överföringsagenter, som sedan leder meddelandena till brevlådor. Konsumenter tar meddelanden från brevlådor, vilket skapar en kraftfull och flexibel modell som är enkel (källa: amqp. orgtikiwikitiki-index. phppageOpenApproachWhyAMQP). Latency Monitoring Service De viktigaste kraven för den här tjänsten är: Måttlig mätning under millisekunder Sikt i närheten av realtid utan att lägga till latent handelstrafik Förmåga att differentiera applikationsfördröjningslängden från nätets transit latens Möjlighet att hantera höga meddelandegrader Ge ett programmatiskt gränssnitt för handelsapplikationer för att ta emot latentdata, vilket möjliggör för algoritmiska handelsmotorer att anpassa sig till förändrade förhållanden Korrelera nätverkshändelser med applikationshändelser för felsökningsändamål Latency kan definieras som tidsintervallet mellan när en handelsorder skickas och när samma order erkänns och ageras av den mottagande parten. Att adressera latensfrågan är ett komplext problem som kräver en helhetssyn som identifierar alla latentkällor och tillämpar olika teknologier på olika lager i systemet. Figur 5 visar hur många komponenter som kan introducera latens vid varje lager av OSI-stacken. Den kartlägger också varje latent källa med en möjlig lösning och en övervakningslösning. Denna lagrade strategi kan ge företagen ett mer strukturerat sätt att angripa latensfrågan, varigenom varje komponent kan betraktas som en tjänst och behandlas konsekvent över företaget. Att behålla en korrekt mätning av det dynamiska tillståndet för detta tidsintervall över alternativa rutter och destinationer kan vara till stor hjälp vid taktiska handelsbeslut. Möjligheten att identifiera den exakta platsen för förseningar, oavsett om det ligger i kundernas nätverksnätverk, centralhanteringsnavet eller transaktionsansökningsnivån, avgör väsentligen tjänsteleverantörernas förmåga att uppfylla sina avtal om handelstjänstenivå. För köpsidor och säljsidor, liksom för marknadsdata-syndikatorer, innebär snabb identifiering och borttagning av flaskhalsar direkt till ökade handelsmöjligheter och intäkter. Figur 5 Latency Management Architecture Cisco Lågtidsövervakningsverktyg Traditionella nätverksövervakningsverktyg fungerar med några minuter eller sekunder granularitet. Nästa generations handelsplattformar, särskilt de som stöder algoritmisk handel, kräver latenser mindre än 5 ms och extremt låga nivåer av paketförlust. På ett Gigabit LAN kan en 100 ms mikroburst orsaka att 10 000 transaktioner går förlorade eller för mycket försenade. Cisco erbjuder sina kunder ett antal verktyg för att mäta latens i en handelsmiljö: Bandwidth Quality Manager (BQM) (OEM från Corvil) Cisco AON-baserad FSMS Bandwidth Quality Manager Bandwidth Quality Manager (BQM) 4.0 är en nästa generations nätverksapplikations prestationshanteringsprodukt som gör det möjligt för kunder att övervaka och tillhandahålla sitt nätverk för kontrollerade nivåer av latens och förlustprestanda. Medan BQM inte uteslutande är inriktad på handelsnätverk, gör dess mikrosekundsiktighet i kombination med intelligenta bandbreddsbeställningsfunktioner den idealisk för dessa krävande miljöer. Cisco BQM 4.0 implementerar en bred uppsättning patenterade och patentsökta trafikmätningar och nätverksanalyssteknologier som ger användaren oöverträffad synlighet och förståelse för hur man optimerar nätverket för maximal applikationsprestanda. Cisco BQM stöds nu på produktfamiljen av Cisco Application Deployment Engine (ADE). Cisco ADE-produktfamiljen är den plattform som valts för Cisco-nätverkshanteringsprogram. BQM-fördelar Cisco BQM-mikrosynlighet är möjligheten att upptäcka, mäta och analysera latens-, jitter - och förlustinducerande trafikhändelser ner till mikrosekundnivåer av granularitet med per paketupplösning. Detta gör det möjligt för Cisco BQM att upptäcka och bestämma effekterna av trafikhändelser på nätverksfördröjning, jitter och förlust. Kritisk för handelsmiljöer är att BQM kan stödja latens-, förlust - och jittermätningar envägs för både TCP och UDP (multicast) - trafik. Det innebär att det rapporteras smidigt för både handelstrafik och marknadsdata. BQM tillåter användaren att ange en omfattande uppsättning trösklar (mot mikroburst aktivitet, latens, förlust, jitter, utnyttjande, etc.) på alla gränssnitt. BQM driver sedan en bakgrundsrullande paketinspelning. När en tröskelöverträdelse eller annan potentiell prestandaförstöring inträffar, utlöser den Cisco BQM för att lagra paketupptaget till disken för senare analys. Detta gör det möjligt för användaren att undersöka i detalj både applikationstrafiken som påverkades av prestandaförstöring (quotting victimsquot) och trafiken som orsakade prestandaförstörelsen (quotthe culpritsquot). Detta kan avsevärt minska tiden för att diagnostisera och lösa problem med nätverksprestanda. BQM kan också tillhandahålla detaljerad bandbredd och kvalitet av service (QoS) policyrådgivning, som användaren direkt kan tillämpa för att uppnå önskat nätverksprestanda. BQM Mätningar Illustrerad För att förstå skillnaden mellan några av de mer konventionella mätteknikerna och synligheten som BQM tillhandahåller kan vi titta på några jämförelsediagram. I den första uppsättningen grafer (Figur 6 och Figur 7) ser vi skillnaden mellan latensen mätt av BQMs Passive Network Quality Monitor (PNQM) och latensen mätt genom att injicera pingpaket var 1 sekund i trafikströmmen. I Figur 6. ser vi latensen rapporterad av 1-sekunders ICMP-pingpaket för verklig nätverkstrafik (den delas upp med 2 för att ge en uppskattning för envägsfördröjningen). Det visar förseningen bekvämt under ca 5 ms för nästan hela tiden. Figur 6 Latency Rapporterad av 1-sekunders ICMP Ping-paket för verklig nätverkstrafik I Figur 7 ser vi den latens som rapporteras av PNQM för samma trafik samtidigt. Här ser vi att vi får en radikalt annorlunda bild genom att mäta envägsfördröjningen för de faktiska applikationspaketen. Här ses latensen att sväva omkring 20 ms, med enstaka sprängor långt högre. Förklaringen är att eftersom ping bara skickar paket varje sekund misslyckas det hela tiden av applikationstrafiken. Faktum är att pingresultatet typiskt endast indikerar fördröjningsfördröjning för rundtur snarare än realistisk applikations latens över nätverket. Figur 7 Latency Rapporterad av PNQM för verklig nätverkstrafik I det andra exemplet (Figur 8) ser vi skillnaden i rapporterade länkbelastnings - eller mättnadsnivåer mellan en 5 minuters genomsnittlig vy och en 5 ms mikroburstvy (BQM kan rapportera om mikroburst ner till ungefär 10-100 nanosekunds noggrannhet). Den gröna linjen visar att det genomsnittliga utnyttjandet på 5-minutersmedelvärdet är lågt, kanske upp till 5 Mbitss. Den mörkblå plot visar 5ms mikroburstaktivitet som når mellan 75 Mbitss och 100 Mbitss, LAN-hastigheten effektivt. BQM visar denna nivå av granularitet för alla applikationer och det ger också tydliga regler för att göra det möjligt för användaren att kontrollera eller neutralisera dessa mikroburst. Figur 8 Skillnad i rapporterad länkbelastning mellan en 5-minuters genomsnittlig vy och en 5 ms Microburst View-BQM-distribution i handelsnätet Figur 9 visar en typisk BQM-utplacering i ett handelsnätverk. Figur 9 Typisk BQM-distribution i ett handelsnätverk BQM kan sedan användas för att svara på följande typer av frågor: Är någon av mina Gigabit LAN-kärnlänkar mättade i mer än X millisekunder. Är detta orsakat förlust Vilka länkar skulle mest dra nytta av en uppgradering till Etherchannel eller 10 Gigabit-hastigheter Vilken applikationstrafik orsakar mättnaden av mina 1 Gigabit-länkar. Har någon av marknadsdata upplevt end-to-end-förlust. Hur mycket ytterligare latens gör erfarenheten av failover data center. Är den här länken korrekt anpassad för att hantera mikroburst. Är mina handlare Få låga latensuppdateringar från marknadsdistributionsfördelningen Ska de se några förseningar som är större än X millisekunder Att kunna svara på dessa frågor sparar enkelt och effektivt tid och pengar när de kör handelsnätverket. BQM är ett viktigt verktyg för att öka synligheten i marknadsdata och handelsmiljöer. Det ger granulära end-to-end latencymätningar i komplexa infrastrukturer som upplever stor volymdatörrörelse. Effektivt detektering av mikroburst i nivåer under millisekunder och mottagande av expertanalys vid en viss händelse är ovärderlig för handelsgolvarkitekter. Rekommendationer om smarta bandbreddsbestämmelser, såsom dimensionering och vad-om-analys, ger ökad smidighet för att reagera på volatila marknadsförhållanden. Eftersom explosionen av algoritmisk handel och ökande meddelandekurser fortsätter, ger BQM, i kombination med sitt QoS-verktyg, möjligheten att implementera QoS-policyer som kan skydda kritiska handelsapplikationer. Cisco Financial Services Latency-övervakningslösning Cisco och Trading Metrics har samarbetat om latent övervakningslösningar för FIX-orderflöde och övervakning av marknadsdata. Cisco AON-tekniken är grunden för en ny klass av nätverksbaserade produkter och lösningar som hjälper till att slå samman intelligenta nätverk med applikationsinfrastruktur, baserad på antingen serviceorienterade eller traditionella arkitekturer. Trading Metrics är en ledande leverantör av analysprogramvara för nätverksinfrastruktur och övervakningsändamål för övervakning av program (tradingmetrics). Cisco AON Financial Services Latency Monitoring Solution (FSMS) korrelerade två typer av händelser vid observationspunkten: Nätverkshändelser korrelerade direkt med sammanhängande hantering av hantering av meddelanden Handelsorderflöde och matchande marknadsuppdateringshändelser Med hjälp av tidsstämplar hävdade vid infångningspunkten i network, real-time analysis of these correlated data streams permits precise identification of bottlenecks across the infrastructure while a trade is being executed or market data is being distributed. By monitoring and measuring latency early in the cycle, financial companies can make better decisions about which network serviceand which intermediary, market, or counterpartyto select for routing trade orders. Likewise, this knowledge allows more streamlined access to updated market data (stock quotes, economic news, etc.), which is an important basis for initiating, withdrawing from, or pursuing market opportunities. The components of the solution are: AON hardware in three form factors: AON Network Module for Cisco 2600280037003800 routers AON Blade for the Cisco Catalyst 6500 series AON 8340 Appliance Trading Metrics MampA 2.0 software, which provides the monitoring and alerting application, displays latency graphs on a dashboard, and issues alerts when slowdowns occur (tradingmetricsTMbrochure. pdf ). Figure 10 AON-Based FIX Latency Monitoring Cisco IP SLA Cisco IP SLA is an embedded network management tool in Cisco IOS which allows routers and switches to generate synthetic traffic streams which can be measured for latency, jitter, packet loss, and other criteria (ciscogoipsla ). Two key concepts are the source of the generated traffic and the target. Both of these run an IP SLA quotresponder, quot which has the responsibility to timestamp the control traffic before it is sourced and returned by the target (for a round trip measurement). Various traffic types can be sourced within IP SLA and they are aimed at different metrics and target different services and applications. The UDP jitter operation is used to measure one-way and round-trip delay and report variations. As the traffic is time stamped on both sending and target devices using the responder capability, the round trip delay is characterized as the delta between the two timestamps. A new feature was introduced in IOS 12.3(14)T, IP SLA Sub Millisecond Reporting, which allows for timestamps to be displayed with a resolution in microseconds, thus providing a level of granularity not previously available. This new feature has now made IP SLA relevant to campus networks where network latency is typically in the range of 300-800 microseconds and the ability to detect trends and spikes (brief trends) based on microsecond granularity counters is a requirement for customers engaged in time-sensitive electronic trading environments. As a result, IP SLA is now being considered by significant numbers of financial organizations as they are all faced with requirements to: Report baseline latency to their users Trend baseline latency over time Respond quickly to traffic bursts that cause changes in the reported latency Sub-millisecond reporting is necessary for these customers, since many campus and backbones are currently delivering under a second of latency across several switch hops. Electronic trading environments have generally worked to eliminate or minimize all areas of device and network latency to deliver rapid order fulfillment to the business. Reporting that network response times are quotjust under one millisecondquot is no longer sufficient the granularity of latency measurements reported across a network segment or backbone need to be closer to 300-800 micro-seconds with a degree of resolution of 100 igrave seconds. IP SLA recently added support for IP multicast test streams, which can measure market data latency. A typical network topology is shown in Figure 11 with the IP SLA shadow routers, sources, and responders. Figure 11 IP SLA Deployment Computing Services Computing services cover a wide range of technologies with the goal of eliminating memory and CPU bottlenecks created by the processing of network packets. Trading applications consume high volumes of market data and the servers have to dedicate resources to processing network traffic instead of application processing. Transport processingAt high speeds, network packet processing can consume a significant amount of server CPU cycles and memory. An established rule of thumb states that 1Gbps of network bandwidth requires 1 GHz of processor capacity (source Intel white paper on IO acceleration inteltechnologyioacceleration306517.pdf ). Intermediate buffer copyingIn a conventional network stack implementation, data needs to be copied by the CPU between network buffers and application buffers. This overhead is worsened by the fact that memory speeds have not kept up with increases in CPU speeds. For example, processors like the Intel Xeon are approaching 4 GHz, while RAM chips hover around 400MHz (for DDR 3200 memory) (source Intel inteltechnologyioacceleration306517.pdf ). Context switchingEvery time an individual packet needs to be processed, the CPU performs a context switch from application context to network traffic context. This overhead could be reduced if the switch would occur only when the whole application buffer is complete. Figure 12 Sources of Overhead in Data Center Servers TCP Offload Engine (TOE)Offloads transport processor cycles to the NIC. Moves TCPIP protocol stack buffer copies from system memory to NIC memory. Remote Direct Memory Access (RDMA)Enables a network adapter to transfer data directly from application to application without involving the operating system. Eliminates intermediate and application buffer copies (memory bandwidth consumption). Kernel bypass Direct user-level access to hardware. Dramatically reduces application context switches. Figure 13 RDMA and Kernel Bypass InfiniBand is a point-to-point (switched fabric) bidirectional serial communication link which implements RDMA, among other features. Cisco offers an InfiniBand switch, the Server Fabric Switch (SFS): ciscoapplicationpdfenusguestnetsolns500c643cdccont0900aecd804c35cb. pdf. Figure 14 Typical SFS Deployment Trading applications benefit from the reduction in latency and latency variability, as proved by a test performed with the Cisco SFS and Wombat Feed Handlers by Stac Research: Application Virtualization Service De-coupling the application from the underlying OS and server hardware enables them to run as network services. One application can be run in parallel on multiple servers, or multiple applications can be run on the same server, as the best resource allocation dictates. This decoupling enables better load balancing and disaster recovery for business continuance strategies. The process of re-allocating computing resources to an application is dynamic. Using an application virtualization system like Data Synapses GridServer, applications can migrate, using pre-configured policies, to under-utilized servers in a supply-matches-demand process (wwwworkworldsupp2005ndc1022105virtual. htmlpage2 ). There are many business advantages for financial firms who adopt application virtualization: Faster time to market for new products and services Faster integration of firms following merger and acquisition activity Increased application availability Better workload distribution, which creates more quothead roomquot for processing spikes in trading volume Operational efficiency and control Reduction in IT complexity Currently, application virtualization is not used in the trading front-office. One use-case is risk modeling, like Monte Carlo simulations. As the technology evolves, it is conceivable that some the trading platforms will adopt it. Data Virtualization Service To effectively share resources across distributed enterprise applications, firms must be able to leverage data across multiple sources in real-time while ensuring data integrity. With solutions from data virtualization software vendors such as Gemstone or Tangosol (now Oracle), financial firms can access heterogeneous sources of data as a single system image that enables connectivity between business processes and unrestrained application access to distributed caching. The net result is that all users have instant access to these data resources across a distributed network (gridtoday030210101061.html ). This is called a data grid and is the first step in the process of creating what Gartner calls Extreme Transaction Processing (XTP) (gartnerDisplayDocumentrefgsearchampid500947 ). Technologies such as data and applications virtualization enable financial firms to perform real-time complex analytics, event-driven applications, and dynamic resource allocation. One example of data virtualization in action is a global order book application. An order book is the repository of active orders that is published by the exchange or other market makers. A global order book aggregates orders from around the world from markets that operate independently. The biggest challenge for the application is scalability over WAN connectivity because it has to maintain state. Todays data grids are localized in data centers connected by Metro Area Networks (MAN). This is mainly because the applications themselves have limitsthey have been developed without the WAN in mind. Figure 15 GemStone GemFire Distributed Caching Before data virtualization, applications used database clustering for failover and scalability. This solution is limited by the performance of the underlying database. Failover is slower because the data is committed to disc. With data grids, the data which is part of the active state is cached in memory, which reduces drastically the failover time. Scaling the data grid means just adding more distributed resources, providing a more deterministic performance compared to a database cluster. Multicast Service Market data delivery is a perfect example of an application that needs to deliver the same data stream to hundreds and potentially thousands of end users. Market data services have been implemented with TCP or UDP broadcast as the network layer, but those implementations have limited scalability. Using TCP requires a separate socket and sliding window on the server for each recipient. UDP broadcast requires a separate copy of the stream for each destination subnet. Both of these methods exhaust the resources of the servers and the network. The server side must transmit and service each of the streams individually, which requires larger and larger server farms. On the network side, the required bandwidth for the application increases in a linear fashion. For example, to send a 1 Mbps stream to 1000recipients using TCP requires 1 Gbps of bandwidth. IP multicast is the only way to scale market data delivery. To deliver a 1 Mbps stream to 1000 recipients, IP multicast would require 1 Mbps. The stream can be delivered by as few as two serversone primary and one backup for redundancy. There are two main phases of market data delivery to the end user. In the first phase, the data stream must be brought from the exchange into the brokerages network. Typically the feeds are terminated in a data center on the customer premise. The feeds are then processed by a feed handler, which may normalize the data stream into a common format and then republish into the application messaging servers in the data center. The second phase involves injecting the data stream into the application messaging bus which feeds the core infrastructure of the trading applications. The large brokerage houses have thousands of applications that use the market data streams for various purposes, such as live trades, long term trending, arbitrage, etc. Many of these applications listen to the feeds and then republish their own analytical and derivative information. For example, a brokerage may compare the prices of CSCO to the option prices of CSCO on another exchange and then publish ratings which a different application may monitor to determine how much they are out of synchronization. Figure 16 Market Data Distribution Players The delivery of these data streams is typically over a reliable multicast transport protocol, traditionally Tibco Rendezvous. Tibco RV operates in a publish and subscribe environment. Each financial instrument is given a subject name, such as CSCO. last. Each application server can request the individual instruments of interest by their subject name and receive just a that subset of the information. This is called subject-based forwarding or filtering. Subject-based filtering is patented by Tibco. A distinction should be made between the first and second phases of market data delivery. The delivery of market data from the exchange to the brokerage is mostly a one-to-many application. The only exception to the unidirectional nature of market data may be retransmission requests, which are usually sent using unicast. The trading applications, however, are definitely many-to-many applications and may interact with the exchanges to place orders. Figure 17 Market Data Architecture Design Issues Number of GroupsChannels to Use Many application developers consider using thousand of multicast groups to give them the ability to divide up products or instruments into small buckets. Normally these applications send many small messages as part of their information bus. Usually several messages are sent in each packet that are received by many users. Sending fewer messages in each packet increases the overhead necessary for each message. In the extreme case, sending only one message in each packet quickly reaches the point of diminishing returnsthere is more overhead sent than actual data. Application developers must find a reasonable compromise between the number of groups and breaking up their products into logical buckets. Consider, for example, the Nasdaq Quotation Dissemination Service (NQDS). The instruments are broken up alphabetically: This approach allows for straight forward networkapplication management, but does not necessarily allow for optimized bandwidth utilization for most users. A user of NQDS that is interested in technology stocks, and would like to subscribe to just CSCO and INTL, would have to pull down all the data for the first two groups of NQDS. Understanding the way users pull down the data and then organize it into appropriate logical groups optimizes the bandwidth for each user. In many market data applications, optimizing the data organization would be of limited value. Typically customers bring in all data into a few machines and filter the instruments. Using more groups is just more overhead for the stack and does not help the customers conserve bandwidth. Another approach might be to keep the groups down to a minimum level and use UDP port numbers to further differentiate if necessary. The other extreme would be to use just one multicast group for the entire application and then have the end user filter the data. In some situations this may be sufficient. Intermittent Sources A common issue with market data applications are servers that send data to a multicast group and then go silent for more than 3.5 minutes. These intermittent sources may cause trashing of state on the network and can introduce packet loss during the window of time when soft state and then hardware shorts are being created. PIM-Bidir or PIM-SSM The first and best solution for intermittent sources is to use PIM-Bidir for many-to-many applications and PIM-SSM for one-to-many applications. Both of these optimizations of the PIM protocol do not have any data-driven events in creating forwarding state. That means that as long as the receivers are subscribed to the streams, the network has the forwarding state created in the hardware switching path. Intermittent sources are not an issue with PIM-Bidir and PIM-SSM. Null Packets In PIM-SM environments a common method to make sure forwarding state is created is to send a burst of null packets to the multicast group before the actual data stream. The application must efficiently ignore these null data packets to ensure it does not affect performance. The sources must only send the burst of packets if they have been silent for more than 3 minutes. A good practice is to send the burst if the source is silent for more than a minute. Many financials send out an initial burst of traffic in the morning and then all well-behaved sources do not have problems. Periodic Keepalives or Heartbeats An alternative approach for PIM-SM environments is for sources to send periodic heartbeat messages to the multicast groups. This is a similar approach to the null packets, but the packets can be sent on a regular timer so that the forwarding state never expires. S, G Expiry Timer Finally, Cisco has made a modification to the operation of the S, G expiry timer in IOS. There is now a CLI knob to allow the state for a S, G to stay alive for hours without any traffic being sent. The (S, G) expiry timer is configurable. This approach should be considered a workaround until PIM-Bidir or PIM-SSM is deployed or the application is fixed. RTCP Feedback A common issue with real time voice and video applications that use RTP is the use of RTCP feedback traffic. Unnecessary use of the feedback option can create excessive multicast state in the network. If the RTCP traffic is not required by the application it should be avoided. Fast Producers and Slow Consumers Today many servers providing market data are attached at Gigabit speeds, while the receivers are attached at different speeds, usually 100Mbps. This creates the potential for receivers to drop packets and request re-transmissions, which creates more traffic that the slowest consumers cannot handle, continuing the vicious circle. The solution needs to be some type of access control in the application that limits the amount of data that one host can request. QoS and other network functions can mitigate the problem, but ultimately the subscriptions need to be managed in the application. Tibco Heartbeats TibcoRV has had the ability to use IP multicast for the heartbeat between the TICs for many years. However, there are some brokerage houses that are still using very old versions of TibcoRV that use UDP broadcast support for the resiliency. This limitation is often cited as a reason to maintain a Layer 2 infrastructure between TICs located in different data centers. These older versions of TibcoRV should be phased out in favor of the IP multicast supported versions. Multicast Forwarding Options PIM Sparse Mode The standard IP multicast forwarding protocol used today for market data delivery is PIM Sparse Mode. It is supported on all Cisco routers and switches and is well understood. PIM-SM can be used in all the network components from the exchange, FSP, and brokerage. There are, however, some long-standing issues and unnecessary complexity associated with a PIM-SM deployment that could be avoided by using PIM-Bidir and PIM-SSM. These are covered in the next sections. The main components of the PIM-SM implementation are: PIM Sparse Mode v2 Shared Tree (spt-threshold infinity) A design option in the brokerage or in the exchange. Machine Learning Trading Systems The SPDR SampP 500 ETF (SPY) is one of the widely traded ETF products on the market, with around 200Bn in assets and average turnover of just under 200M shares daily. Så sannolikheten för att kunna utveckla ett penninghandelssystem med hjälp av allmänt tillgänglig information kan tyckas vara smal till ingen. Så, för att ge oss en stridschans, kommer vi att fokusera på ett försök att förutse den dagliga rörelsen i SPY, med hjälp av data från den föregående day8217s sessionen. Förutom openhighlow och nära priser för föregående dagssession har vi valt ett antal andra rimliga variabler för att bygga ut den vektor som vi ska använda i vår maskininlärningsmodell: Den dagliga volymen Tidigare dag8217s slutkurs 200 - dag, 50-dagars och 10-dagars glidande medelvärden av slutkursen. De 252 dagars höga och låga priserna på SPY-serien. Vi kommer att försöka bygga en modell som prognostiserar den dagliga avkastningen i ETF, dvs O (t1) - C (t) C (t) I denna övning använder vi dagliga data från början av SPY-serien fram till slutet av 2014 för att bygga modellen, som vi sedan kommer att testa på externa data som körs från jan 2015- Aug 2016. I ett högfrekvent sammanhang skulle en betydande tid spenderas utvärdering, rengöring och normalisering av data. Här står vi inför mycket färre problem av den sorten. Vanligtvis skulle man standardisera ingångsdata för att utjämna påverkan av variabler som kan mätas på vågar med mycket olika storleksordningar. Men i det här exemplet mäts alla inmatningsvariablerna, med undantag för volymen, i samma skala och så är standardisering sannolikt onödig. För det första laddas in-sample-data och används för att skapa en träningsuppsättning av regler som kartar funktionsvektorn till den intressanta variabeln, över natten: I Mathematica 10 introducerade Wolfram en serie maskininlärningsalgoritmer som inkluderar regression, närmaste granne , neurala nätverk och slumpmässiga skogar, tillsammans med funktionalitet för att utvärdera och välja den bästa tekniken för maskininlärning. Dessa anläggningar gör det väldigt enkelt att skapa en klassificerings - eller prediktionsmodell med hjälp av maskininlärningsalgoritmer, såsom det här handskriftsigenkänningsexemplet: Vi skapar en prediktiv modell på SPY-träningsetet, vilket gör att Mathematica kan välja den bästa maskininlärningsalgoritmen: Det finns ett antal alternativ för Predict-funktionen som kan användas för att styra funktionsvalet, algoritmtypen, prestandatypen och målet, i stället för att helt enkelt acceptera standardinställningarna, som vi har gjort här: Efter att ha byggt vår maskininlärningsmodell laddar vi ut-of - provdata från jan 2015 till aug 2016 och skapa ett testuppsättning: vi skapar sedan ett PredictionMeasurement-objekt med hjälp av närmaste grannmodell. som kan användas för vidare analys: Det finns inte mycket dispersion i modellprognoserna, som alla har positiva värden. En vanlig teknik i sådana fall är att subtrahera medelvärdet från var och en av prognoserna (och vi kan också standardisera dem genom att dividera med standardavvikelsen). Spridningsplotten av den faktiska vs prognosen över natten i SPY ser nu ut så här: There8217s är fortfarande en uppenbar brist på dispersion i prognosvärdena jämfört med den faktiska över natten avkastningen, som vi kunde rätta till genom standardisering. Under alla omständigheter förefaller det finnas ett litet, olinjärt förhållande mellan prognos och faktiska värden, vilket ger upphov till ett visst hopp om att modellen kan visa sig vara användbar. Från prognos till handel Det finns olika sätt att implementera en prognosmodell i samband med att skapa ett handelssystem. Den enklaste vägen, som vi kommer att ta här, är att tillämpa en tröskelport och konvertera de filtrerade prognoserna direkt till en handelssignal. Men andra tillvägagångssätt är möjliga, till exempel: Kombinera prognoserna från flera modeller för att skapa ett prediktssemble Använda prognoserna som ingångar till en genetisk programmeringsmodell Föra prognoserna i inmatningsskiktet i en neuralt nätverksmodell som är utformad speciellt för att generera handelssignaler, snarare än prognoser I det här exemplet kommer vi att skapa en handelsmodell genom att tillämpa ett enkelt filter på prognoserna och bara välja ut de värden som överskrider en angiven tröskelvärde. Detta är ett vanligt trick som används för att isolera signalen i modellen från bakgrundsbruset. Vi accepterar bara de positiva signalerna som överstiger tröskelnivån, vilket skapar ett långsiktigt handelssystem. dvs vi ignorerar prognoser som faller under tröskelnivån. Vi köper SPY på slutet när prognosen överstiger tröskelvärdet och avslutar någon lång position nästa dag8217s öppna. Denna strategi ger följande proforma resultat: Slutsats Systemet har några ganska attraktiva egenskaper, inklusive en vinnhastighet på över 66 och en CAGR på över 10 för perioden utanför provperioden. Självklart är detta en väldigt grundläggande illustration: vi vill vilja faktor i handelskommittéer, och den glidning som uppkommit i och avspända positioner i efter - och förhandsmarknadsperioderna, vilket naturligtvis kommer att påverka resultatet negativt. Å andra sidan har vi knappt börjat skrapa ytan i termer av de variabler som skulle kunna beaktas för att inkluderas i funktionvektorn, och som kan öka modellens förklarande kraft. Med andra ord är det i själva verket bara början på en långvarig och besvärlig forskningsprocess. Ändå bör detta enkla exempel vara tillräckligt för att ge läsaren en smak av what8217s som är involverade i att bygga en prediktiv handelsmodell med maskininlärningsalgoritmer.