用于针对金融市场中的大数据交易将资本分配到交易策略的系统及方法与流程

本申请案主张2014年3月7日申请的标题为“用于金融市场中的大数据交易的系统及方法(Systems and Methods for Big Data Trading in Financial Markets)”的序列号为61/949,938的美国临时申请案的权益及优先权，所述临时申请案特此以引用的方式并入本文中。

本申请案涉及与此同时申请的标题为“用于产生及选择用于金融市场中的大数据交易的交易算法的系统及方法(Systems and Methods for Generating and Selecting Trading Algorithms for Big Data Trading in Financial Markets)”的序列号为__/__,__的美国非临时申请案，所述非临时申请案特此以引用的方式并入本文中。

技术领域

本文所揭示的实施例涉及用于使用大数据分析金融市场中的交易的系统及方法。

背景技术：

技术实现要素：

本文所提供的是用于分配资本到交易策略的示范性系统及方法，其包含：由主虚拟机服务器针对历史服务器中的交易策略产生虚拟机；从所述历史服务器获得所述交易策略的历史绩效数据；由所述虚拟机将所述历史绩效数据变换成度量数据；由所述虚拟机将所述历史绩效数据及度量数据变换成神经网络可用数据集；由所述虚拟机创建神经网络库；以及由所述虚拟机形成神经网络。

示范性系统及方法可进一步包括：由所述虚拟机针对一或多个数据点训练神经网络；由所述虚拟机计算所述一或多个数据点的错误率直到所述错误率停止收敛或不能够收敛；由所述虚拟机保存所述神经网络；由所述虚拟机针对经更新的度量及历史数据测试所述经保存的神经网络；由所述虚拟机训练所述经保存的神经网络；由所述虚拟机将所述神经网络保存为二进制对象；由所述虚拟机将所述二进制对象发射到所述历史服务器；由融合服务器激活所述神经网络；由所述融合服务器获得历史度量及历史绩效数据；由所述融合服务器计算置信度值；由所述融合服务器确定是否执行交易；由所述融合服务器执行调查；由所述融合服务器确定发送到交易所的订单；由所述融合服务器将所述订单发送到所述交易所；以及由所述融合服务器来更新以反映所执行的订单。

一种用于将资本分配到交易策略的示范性系统可包含：用于针对历史服务器中的交易策略产生虚拟机的构件；用于从所述历史服务器获得所述交易策略的历史绩效数据的构件；用于将所述历史绩效数据变换成度量数据的构件；用于将所述历史绩效数据及度量数据变换成神经网络可用数据集的构件；用于创建神经网络库的构件；及用于形成神经网络的构件。根据另外示范性实施例，所述系统可包含用于由所述神经网络训练一或多个数据点的构件；用于计算所述一或多个数据点的错误率直到所述错误率停止收敛或不能够收敛的构件；用于保存所述神经网络的构件；用于针对经更新的度量及历史数据测试所述经保存的神经网络的构件；用于训练所述经保存的神经网络的构件；用于将所述神经网络保存为二进制对象的构件；用于将所述二进制对象发射到所述历史服务器的构件；用于激活所述神经网络的构件；用于获得历史度量及历史绩效数据的构件；用于计算置信度值的构件；用于确定是否执行交易的构件；用于执行调查的构件；用于确定发送到交易所的订单的构件；用于将所述订单发送到所述交易所的构件；及用于更新以反映所执行的订单的构件。

附图说明

图1A到1C是用于将资本分配到交易策略的示范性方法的流程图。

图2是用于实施本发明技术的实施例的示范性系统的图。

具体实施方式

图1A到1C是用于将资本分配到交易策略的示范性方法的流程图。

在步骤101处，由主虚拟机服务器针对历史服务器中的交易策略产生虚拟机。

根据各种示范性实施例，虚拟机可包括特定计算机系统的仿真。虚拟机基于真实或假想计算机的计算机架构及功能来操作，且其实施可涉及专门硬件、软件或两者的组合。

在某些示范性实施例中，主虚拟机服务器可包括负责产生所有或大多数本文所描述的虚拟机的单个服务器。

根据一些示范性实施例的历史服务器可包括满足如存储于数据库及/或数据仓库中的最低标准的交易算法、交易策略或“蠕虫”。

举例来说，云管理器可为管理交易策略或算法的定制应用程序。云管理器经配置到用于处理大量数据的云计算实例的集群。云管理器充当用户接口以处置虚拟计算实例的排序及取消。另外，云管理器可允许虚拟机的详细定制。举例来说，可针对每一虚拟机及/或所有虚拟机详述随机存取存储器(“RAM”)、处理器速度、处理器数目、网络细节、安全/加密及/或存储器。一旦云计算实例的集群经排序且运行，则云管理器“侦听”闲置机器且“指派”任一闲置机器交易策略以供分析。

基于云的计算环境是通常组合大处理器群组的计算能力及/或组合大计算机存储器或存储装置群组的存储容量的资源。举例来说，提供云资源的系统可由其拥有者专用；或此类系统可由外部用户访问，所述外部用户在计算基础结构内部署应用程序以获得大型计算或存储资源的益处。

举例来说，从第三方云服务提供商的角度，提交订单以基于具有所需规格的所存储的模板vm的图像创建虚拟机(vm)且将其命名为“VM1”。

在步骤102处，在步骤101处产生的每一虚拟机从历史服务器获得其相应策略的历史绩效数据。

历史绩效数据可包含任何市场或交易所中的可交易项目在任何先前时间点处的价格及成交量数据。

在步骤103处，每一虚拟机将历史绩效数据变换成度量数据。

度量数据包含一年的总利润、一段时间的盈利交易的百分比、在每一交易中收益或亏损多少、在熊市或牛市中的盈利交易的百分比、与其它指数的关联、弥补最大亏损的盈利交易的比率等等。例如，盈利交易的％(＝盈利交易/交易总数目)可用作度量数据。

在步骤104处，每一虚拟机将历史绩效数据及度量数据变换成神经网络可用数据集。

在一些示范性实施例中，神经网络可用数据集包括经组织成一或多个集合的数据点的聚合。

举例来说，对于特定时间周期，例如每一天(或每一分钟、小时、月、年、十年、牛市周期、熊市周期等等)，针对任何特定可交易项目(例如黄金)，历史数据及度量数据将被组合在一起作为数据集。因此，针对可交易项目黄金，在特定市场或交易所中，针对特定日历日，可具有神经网络可用数据集，其包括：下列历史数据：每盎司300美元、交易量、当日最高价及当日最低价、所述历史数据的逐笔变化；及下列度量数据：25％的年初至今性价比。

在步骤105处，每一虚拟机创建神经网络库。神经网络库连同在步骤104处创建的神经网络可用数据集形成神经网络。

根据一些示范性实施例，创建神经网络库包含处理输入数据的层且接着使用算法处理所述数据以将算法的输出与已知输出相比较。

神经网络库可包括用于逼近数据输入的算法的集合。这些算法能够将所测试值存储于其自身内且存储错误率。

神经网络可包括神经网络库及其基础算法，所述基础算法与神经网络可用数据集联合。神经网络可用数据集可充当用于神经网络库的数据馈送器以进行计算及/或以其它方式交互。

在各种示范性实施例中，可通过神经网络迭代地请求处理可用数据集中的下一个数据点来执行数据点的馈送。

根据许多示范性实施例，数据点可包含(但不限于)度量数据及历史数据，神经网络将所述度量数据及历史数据作为其可用数据集的部分进行存取。

在步骤106处，每一虚拟机针对一或多个数据点训练其相应神经网络(且神经网络学习)。

在一些示范性实施例中，神经网络库使用数据点系统地逼近内部算法的解且接着输出可用数据集的每一(新)数据点的错误率。

根据一些实施例，神经网络库包括各种算法，其经设计以与数据集交互以便确定在下一个交易周期期间是否应采用特定交易策略。举例来说，当采用特定交易策略时，神经网络库可确定针对特定可交易项目的逐步上升的价格模式。继续此实例，假设特定交易策略导致最近三个交易周期的黄金交易利润为300美元、325美元及350美元。神经网络库将确定存在上升利润模式且指示应针对下一个交易周期采用所述特定策略。

根据某些示范性实施例，训练包含：通过使用包含相对于先前习得解的小随机变化的“带噪声”数据提高神经网络一般化输出及响应的能力。应注意，过度训练的网络在匹配模式训练集与所要输出方面做得更好，但其在一般化方面可能做得较差。

由每一虚拟机进行的训练的实例：想象涉及比网络自身更聪明的教学者的策略。举例来说，面部识别。教学者向网络展示一堆面孔，且教学者已知与每一面孔相关联的名字。网络进行猜测，接着教学者向网络提供答案。网络接着可将其答案与已知“正确”答案相比较且根据其错误做出调整。

用于训练人工神经网络的大多数算法采用某种梯度下降的形式，使用反向传播来计算实际梯度。这通过取关于网络参数对成本函数进行求导且接着在梯度相关的方向上改变那些参数来实现。进化方法、基因表达式编程、模拟退火、期望最大化、非参数方法及粒子群优化是用于训练神经网络的方法。

举例来说，用于手写识别的神经网络由一组输入神经元界定，所述输入神经元可由输入图像的像素来激活。在由函数(由网络的设计者确定)加权及变换之后，这些神经元的激活接着被传递到其它神经元。重复此过程直到最终输出神经元被激活。这确定读取哪个字符。

类似于其它机器学习方法-从数据学习的系统-神经网络已用于解决使用一般基于规则的编程难以解决的广泛范围的任务，其包含计算机视觉及语音识别。

在本案例中，实时运行具有已知历史绩效的策略以确定过往绩效是否(及/或在何种条件下)将导致相同或更好的未来绩效。

步骤106的实例，参考步骤105(其中特定交易策略导致最近三个交易周期的黄金交易利润分别为300美元、325美元及350美元)，运行在虚拟机上的神经网络预测下一个交易周期的利润为$375。然而，在下一个交易周期中，实际利润却是360美元。因此，神经网络将向下调整(即，从虚拟机学习)实际利润是$360的那一天的后一天的预计利润。

在步骤107处，观察一或多个数据点的错误率直到错误率停止收敛或不能够收敛。

在一些示范性实施例中，错误率由神经网络库的逼近的接近程度来界定，其中0是正合逼近，且大于或等于1是不正确网络。其中错误率针对每一(新)数据点更新。

在先前错误率大于当前计算的错误率或错误率未改变的情况下，可观察到错误率的收敛停止或错误率不能够收敛。

步骤107的实例可包含提供神经网络的解，其中第一迭代产生0.01的错误率。第二迭代产生0.001的错误率。第三迭代产生0.0001的错误率。然而，第五迭代产生0.01的错误率—其大于先前计算的错误率。

步骤107的另一实例，参考步骤105及106，当使用特定交易策略交易黄金的利润产生300美元、325美元及350美元的利润且预测375美元的利润，而利润实际却是365美元时，($375-$365＝$10)/(预计利润＝$25)＝40％的错误率产生。继续此实例，将继续计算后续交易日的错误率直到错误率停止下降。

在步骤108处，如果所观察到的错误率不收敛，那么神经网络被丢弃并标记为对采用特定策略的可交易项目的一或多个历史数据及度量数据点“不可用”。

根据一些示范性实施例，丢弃神经网络且将其标记为不可用可包含处置神经网络及神经网络可用数据集，且向数据提供者报告神经网络已失败。

如果错误率确实收敛，那么神经网络被保存且被标记为“可用”。

在步骤109处，针对经更新的历史及度量数据集测试经保存的可用神经网络。根据一些实施例，经更新的历史及度量数据集包括自虚拟机在步骤105处创建神经网络时起所收集的历史及度量数据。

在步骤110处，针对经更新的历史及度量数据中的每一时间帧，重新训练神经网络直到其停止收敛。在各种示范性实施例中，重新训练可包含使用经更新的历史及度量数据作为到神经网络的新输入以使其创建经更新的学习模式。

举例来说，在上文的面部识别实例中，向神经网络给出一组新的面孔(即，数据点)将允许神经网络学习、分类且更新其关于面部特征的知识。

举例来说，参考步骤107，当通过将特定交易策略用于黄金所产生的实际交易日利润在一系列交易日内为300美元、325美元及350美元，且预测下一个交易日的交易日利润是$375，且当实际利润却是365美元时，可重新训练神经网络库以降低其未来期望。因此，将针对本文所论述的收敛模式观察经重新训练的神经网络的错误率。

在步骤111处，将神经网络与一或多个数据点一起保存为二进制对象。根据某些示范性实施例，二进制对象可被定义为以任何未指定格式存储的数字数据。

执行步骤111的实例可包括产生信息的输出且以数字形式将其存储为.jpg、.exe、.nc、.wav、.tar或其它已知数字格式。

在步骤112处，每一虚拟机将二进制对象发射到历史服务器。

在步骤113处，融合服务器激活如作为二进制对象存储于历史服务器中的神经网络。

在各种示范性实施例中，融合服务器可包括一组算法及/或数据库，其驻留于一个服务器机器上，所述服务器机器经设计以选择、存取且接着组合来自多个神经网络的信息的集合。

在某些示范性实施例中，激活神经网络包含针对例如其输入数据、测试值、存储的权重及其它所需数据项等的成分存取特定神经网络。

执行步骤113的实例可包括针对其内部存储的加权值存取神经网络。

在步骤114处，神经网络从历史服务器获得经更新的历史及/或度量数据。

在各种示范性实例中，经更新的历史及/或度量数据被定义为存在于历史服务器外部的数据或数据集。根据其它示范性实施例，经更新的历史及/或度量数据是在神经网络在步骤111处被保存为二进制对象之后所获得的历史数据及/或度量数据。

在步骤115处，神经网络基于经更新的历史及/或度量数据计算置信度值。

在某些示范性实施例中，置信度值可被定义为区间集[0,1]中的实数，其中0指示无置信度且1指示完全置信度。

根据一些示范性实施例，置信度值的计算由神经网络库执行。

执行步骤115的实例包含策略1，其接收指示交易置信度的置信度值1，因此，其将被视为将在下一个可用交易时段被分配交易资本的篮子中的成分。相反，策略2接收指示无交易置信度的置信度值0，因此其将不被视为将在下一个交易可用时段待被分配交易资本的篮子中的成分。

在步骤116处，融合服务器获得经计算的置信度值且确定是否执行交易。

根据各种示范性实施例，融合服务器通过激活神经网络来存取经计算的置信度值。

根据一些示范性实施例，确定是否执行交易通过由融合服务器执行的算法计算来执行。

执行步骤116的实例包含融合服务器在经激活的输出足够高的情况下将交易策略的风险从FLAT(平仓)改变到LONG(长仓)。

在步骤117处，融合服务器执行调查。

根据一些示范性实施例，调查包括选择可交易项目，基于可交易项目的每一持仓确定持仓净额，且基于所有持仓的总额确定持仓净额的百分比。

举例来说，假设可交易项目或市场为黄金。交易者具有他或她可投资于黄金市场中的最多10个合约(或可投资单位、股份等等，不限于期货合约)。目前，交易者具有在黄金市场中为长仓(买入)的30个合约及在黄金市场中为短仓(卖出)的70个合约。因此，交易者的当前持仓净额是从总共(30+70)100个合约短出的40个合约，其计算到40％短仓的调查。每一算法不限于表示1个合约。虽然加权针对每一社会经济(bot)可能不同，但篮子调查的净结果(长仓+短仓)仍是相同的。

在步骤118处，融合服务器比较调查与交易者可在可交易时间中投资的最大数目的合约来确定发送到交易所的订单。

举例来说，参考步骤118，调查是40％短仓，其中最多10个合约可投资于黄金市场。因此，将黄金中的当前账户持仓与黄金中的期望持仓(-4个)相比较。自动化订单管理系统(融合服务器)将订单发送到交易所，以使黄金中的账户持仓变为(短仓)-4个合约。举例来说，黄金中的账户持仓是长仓2个合约。黄金市场的价格突然下跌。此下跌引发一些算法将其信号从长仓切换到短仓，因此改变篮子的净结果。新的调查展现40％的空仓，且待在黄金中交易的最多合约是10个合约。账户必须经调整到40％短仓的当前调查，其为短仓4个或-4个。如果账户是长仓2且其现在应为短仓4个，那么融合服务器将发送订单到交易所以出售6个黄金合约(出售2个以使持仓从0个变为长仓4个，接着再出售4个以使黄金中账户持仓变为-4个)。

在步骤119处，更新实时交易服务器以反映发送到交易所的订单的执行。

举例来说，参考以上步骤117及118，在购买在黄金市场中为短仓的4个合约之后，实时交易服务器将经更新以反映所述购买及在黄金市场中为短仓的74个合约的新的总持仓。

图2是用于实施本发明技术的实施例的示范性系统200的图。

展示于图2中的是历史服务器201、主虚拟机服务器202、神经网络203、融合服务器204、历史数据库205、虚拟机206、市场交易所207、市场数据服务器208及交易服务器209。

根据各种示范性实施例，虚拟机206由主虚拟机服务器202针对历史服务器201中的交易策略产生。所产生的每一虚拟机206从历史服务器201获得其相应策略的历史绩效数据。每一虚拟机206将历史绩效数据变换成度量数据。每一虚拟机206将历史绩效数据及度量数据变换成神经网络可用数据集。每一虚拟机206创建神经网络库。神经网络库连同神经网络可用数据集一起形成神经网络203。每一虚拟机206针对一或多个数据点训练其相应神经网络203(且神经网络学习)。由每一虚拟机206确定且观察一或多个数据点的错误率直到错误率停止收敛或不能够收敛。如果所观察的错误率不收敛，那么神经网络203被丢弃并标记为对采用特定策略的可交易项目的一或多个历史数据及度量数据点“不可用”。如果所观察的错误率收敛，那么神经网络203被保存且标记“可用”。针对经更新的历史及度量数据集测试经保存的可用神经网络203。针对经更新的历史及度量数据中的每一时间帧，重新训练神经网络203直到其停止收敛。将神经网络203与一或多个数据点一起保存为二进制对象。每一虚拟机206将所述二进制对象发射到历史服务器201。融合服务器204激活如作为二进制对象存储于历史服务器201中的神经网络203。神经网络203从历史服务器201获得经更新的历史及/或度量数据。神经网络203基于经更新的历史及/或度量数据计算置信度值。融合服务器204获得经计算的置信度值且确定是否执行交易。融合服务器204执行调查。融合服务器204比较调查与交易者可在可交易时间投资的最大数目的合约来确定发送到交易所207的订单。实时交易服务器209经更新以反映发送订单到交易所207的执行。

本文所描述的示范性系统及方法可执行于包含防火墙及加密技术的使用的安全计算环境中。鉴于所产生的信息的潜在高价值，及所得投资决策的潜在规模，可采取措施来以安全方式执行本文中的一些或所有步骤，重点在于例如确定交易策略及执行的步骤上。举例来说，除最优策略之外，可有目的地将非最优策略添加在最优策略的同一字符串或数字数据环境中以迷惑截获此信息的任何不受欢迎的黑客。作为另一实例，除了待被执行的所要交易之外，可将非所要交易有目的地添加到所要交易的同一字符串或数字数据环境中以迷惑截获此信息的任何非不受欢迎的黑客。此外，所要交易可接收用于执行的资金，而非所要交易可能不接收用于执行的资金。

尽管上文已描述各种实施例，但应理解，其已仅以实例而非限制的形式呈现。不希望描述将技术范围限于本文所阐述的特定形式。因此，优选实施例的广度及范围不应受以上所描述的示范性实施例中的任何者限制。应理解，以上描述是说明性的且不是限制性的。与此相反，希望本描述涵盖如可包含于如由所附权利要求书且以其它方式由所属领域的一般技术人员了解的技术的精神及范围内的此类替代、修改及等效物。因此，不应参考上文描述来确定技术范围，而应参考所附权利要求书连同其全部范围的等效物来确定技术范围。