淺談小額高頻交易風險預警建模及系統實現

朱風華

摘 要：互聯網技術的普及使得云網交易的安全性成為大眾熱點。同時，大數據技術也為云網交易的安全提供了必要的數據支持。通過針對小額高頻交易風險進行了預警建模方法分析，并基于Spring+SpringMVC+SpringJDBC框架實現了預警系統。

關鍵詞：小額高頻交易 ?交易風險 ?風險預警 ?預警系統

利用2018年1月至2019年1月354個交易日的數據集，研究了新興市場的算法交易（at）和高頻交易（HFT）水平。通過使用常見的代理，發現 at 的上升趨勢，通過檢測連接消息來衡量 HFT 的參與程度，以捕獲不同的 HFT 策略，選擇集成方法中的隨機森林算法和 Ada Boost 算法作為預警算法，最終實現了風險預警系統。

一、高頻交易及其風險

大多數金融市場文獻假設交易的兩個主要動機： 信息和流動性。一方面，傳統理論忽視 HFT 存在的觀點可能會遺漏部分真相。 因此，他們開發了一種新的測量有序流毒性的方法。由于高頻交易導致交易量增加，市場質量和價格效率都得到了提高。規則制定者對 HFT 活動的興趣與質疑日益增長。HFT 的優點和缺點在世界范圍內引起了激烈的爭論。在文獻資料中，at 通常與總訂單和 / 或取消訂單的數量有關。電子信息包括所有的訂單提交和取消。這個代理被稱為“算法傳輸”。

高頻交易（HFT）依賴于復雜的算法來密切監控證券價格的變化。高頻交易（HFT）是 at 的廣義子集。這種技術能夠在短短幾毫秒的時間內發送大量訂單。計算機化和自動化的系統比人類的反應速度快得多。 這為 HFT 算法提供了顯著的比較優勢。最近的觀察表明，金融市場參與高頻交易的情況急劇增加。具有合格技術基礎設施和大量參與的發達市場，經歷了高頻交易的早期和大量交易。

高頻交易導致存貨虧損，但買賣價差卻帶來利潤。夏普比率計算表明，業績對資本成本的假設非常敏感。 HFT 采用了跨市場策略，一半的交易轉移到現有市場，另一半轉移到高增長的小型市場。 其在這些市場的貿易參與率分別為8.1% 和64.4% 。

理論預測，這種技術優勢將通過傳遞基于信息的流動性沖擊，轉化為市場范圍內的流動性協同變化。 在整個證券市場，高頻交易者提供的流動性明顯少于傳統交易者，這一發現符合交叉資產學習假說。 流動性的過度協同變動，在一定程度上也可以用共同做市規則來解釋。 在市場壓力增加的時期，高頻交易、指定做市商和訂單規模是流動性共性的重要來源。

二、小額高頻交易風險預警建模

全球化導致的金融市場一體化產生了新的金融化范式。隨著高頻交易的出現，金融化扭曲了金融市場的關系。高頻交易是基于高度復雜的金融產品，例如與波動性相關的指數期權，以及它的風險預測。在引入波動性之后，藉由高階矩模型來模擬風險的行為，藉此提高市場意識。

投資者的獲利偏好取決于高頻交易競爭，在這種競爭中，高頻交易公司內生地獲得了速度和信息優勢。 在市場上有許多高頻交易公司的情況下，他們通過限價指令進行更多的競爭; 同時，在幾家高頻交易公司的情況下，他們通過市場指令進行更多的競爭，這些指令來自一大群慢交易者。在前者（后者）的情況下，額外的高頻交易競爭改善（損害）流動性。在這兩種情況下，HFT 競爭提高了信息效率，降低了微觀結構噪聲。 有鑒于此，基于一種狀態空間建模方法，該模型分析了 HFT 競爭下的潛在規則，將交易量分解為流動性驅動和信息驅動的組成部分。這種差異可以用高頻交易活動來解釋，這種活動消除了低延遲定價的低效率。

三、小額高頻交易風險預警系統

基于小額高頻交易風險預警的目的，綜合小額高頻交易風險預警模型，可以將最終建立的小額高頻交易風險預警系統的架構分作六個部分，分別是：提出業務請求的“表現層”;顯示結果的“控制層”;提供業務邏輯實現的“業務邏輯層”;提供數據訪問的“持久層”;提供封裝的“領域對象層”以及提供持久化的“數據庫”。除了分為以上六層架構外，基于B/S模式的風險預警系統還需要提供“客戶層”“服務層”以及“數據層”的相關服務。因此，最終生成的系統架構如圖1所示：

圖1小額高頻交易風險預警系統架構圖示

如圖1所示，小額高頻交易風險預警系統依據不同的服務對象和功能，可以拆分為三個子系統，分別是“數據采集子系統”“在線風險預警子系統”以及“運行管理子系統”，以此來對應“客戶層”“服務層”以及“數據層”的相關服務，完成預警模型的訓練、評估及風險預警，將對已有數據中的異常交易數據及風險預警子系統生成的預警信息進行管理。

系統完成后，以時間序列的方式進行檢驗，提交的信息總數，取消訂單的份額，以及執行率。隨著時間的推移，信息總量在增加，系統整體執行率為66.34%。與大多數研究不同的是，該系統是基于互相聯系的戰略信息。具體來說，如果相同大小和方向的信息在100毫秒內被觀測到，它們就會彼此相連。通過這種方式，在運行中可能至少有兩個單獨的訂單和三個消息（提交不可交易的限額訂單、取消該限額訂單和作為可交易的限額訂單再次提交該限額訂單并立即執行）。為了獲得更多自信的代表，作者選擇了一組更窄的10條或更多信息的測試。 接下來，通過以每次10分鐘的時間間隔加權每次運行的持續時間得到一個被召回的“運行過程”，在包含354個交易日的數據集中，發現了超過1.13億次運行。

四、結束語

綜上所述，基于小額高頻交易風險特點，將交易量分解為流動性驅動和信息驅動的組成部分。組照軟件開發規則和市場對小額高頻交易風險的需求，選取恰當的模型作為小額高頻交易風險預警系統的架構思路，并提供了預警模型的設計。依據預警模型的設計，最終提出了基于三個子系統的“小額高頻交易風險預警系統”。通過該系統，用戶可以在線運行預警系統，進而對已有小額高頻交易數據進行預警管理，監控預警信息，有效降低小額高頻交易風險。

參考文獻

[1]孫達昌，畢秀春.基于深度學習算法的高頻交易策略及其盈利能力[J].中國科學技術大學學報，2018，48（11）：923-932.