← #50 MsBIP møde nr. 50, 19. april 2018
Algoritmisk trading med Machine Learning (Python og Azure)
Anders Haaning (Danske Commodities)
Kvantitative analyser af vejr- og markedsdata har i en årrække været en hjørnesten i Danske Commodities (dc) succes på de europæiske energimarkeder. I bestræbelserne på at styrke indsatser og kompetencer på egentlig (semi-)automatiseret handel oprettede dc i efteråret ’17 en afdeling kaldet ”Automated Trading”. Afdelingen skal understøtte og udvikle værktøjer på tværs af de tre primære handelsområder Power, Intraday Power og Gas. Råstofferne i udvikling af handelsalgoritmer er data, analyse værktøjer og ideer. For at algo’erne i sidste ende skal være profitable skal alle tre ingredienser være af høj kvalitet og spille godt sammen.
Indlægget vil starte med en kort præsentation af afdelingen og hvordan data bruges i dag. Ud fra tanker om hvordan vi ønsker at kunne udvikle fremadrettet, vil jeg herefter skitsere, hvordan vi forestiller os at vores tekniske platform skal se ud. Målet er, at vi effektivt og intuitivt kan analyse hastigt voksende datamængder fra adskillige kilder i Python. Efter grundige test af de udviklede handelsalgoritmer skal de på robust vis kunne idriftsættes og interagere med de 3. parts handelsplatforme som dc anvender.
Herefter vil jeg lægge op til, at vi kan få en snak om de udfordringer vi ser ind i. Fra min fortid i de finansielle markeder ved jeg, at man i mange år primært har håndteret de voldsomme datamængder med ikke Microsoft værktøjer ;-) De steder jeg kender til har valgt en af følgende: Specialiserede databaseløsninger som KDB+, OneTick, m.fl., mere generelle NoSQL implementeringer af Cassandra, MongoDB m.fl. eller egne løsninger baseret på binære filer, proprietære eller HDF5. Selvom relationelle database løsninger, for en ikke specialist, ikke virker som det oplagte valg til store tidsserier, hører jeg, at de nyeste SQL Server versioner måske alligevel kan løse vores behov – det håber jeg, vi kan blive lidt klogere på.