Detta projekt fokuserar på att reducera kostnader och risk inom algoritmisk handel med bibehållen lönsamhet genom tillämpning av maskininlärning.
Sedan introduktionen av den elektroniska börshandeln i slutet av 1900-talet, har antalet algoritmer inom den algoritmiska handeln ökat. Framförallt inom högfrekvenshandeln. År 2008, redovisade 300 högfrekvenshandelsbolag en nettolönsamhet på $21 biljoner (TABB Group) och 2009, stod högfrekvenshandeln för 60-73% av all volym i den Amerikansk aktiehandel (Aite Group).
Algoritmisk handel idag
Den algoritmiska handeln håller på att ersätta den traditionella handeln som utförs av människor. Detta, tillsammans med alltmer globala marknader, motiverar forskningen inom den algoritmiska handeln för att bättre förstå dess påverkan på finansiella marknader och associerade risker, såsom "The Flash Crash" som inträffade den 6 maj 2010 (SEC).
Fondförvaltare önskar transparenta och tolkningsbara modeller
Istället för att basera beteendet av marknader på subjektiva bedömningar, kan maskininlärning hjälpa till med analysen av mönster i finansiella tidsserier. En önskvärd egenskap, är att skapa transparenta och tolkningsbara modeller. Detta är en speciellt önskvärt egenskap för fondförvaltare. Många högfrekvenshandelsalgoritmer är även beroende på "high performance computing" (HPC), vilket kräver utvecklingen av parallella och distribuerade maskininlärningstekniker.
Den algoritmiska handeln inkluderar tekniker för datainsamling, preprocessering, generering av trade signaler och exekveringen av trades. Algoritmer för exekvering av trades inbegriper styckning och skedulering av stora order, samt att hitta likviditet i olika börser. Dessutom är maskinläsbara nyheter och sentiment-baserad data viktiga forskningsområden inom den algoritmiska handeln.
Utforska maskininlärningsmetoder
Målet med Patrik Gabrielssons forskning är att utforska olika maskininlärningsmetoder och att jämföra deras prestanda i olika scenarion inom den algoritmiska handeln.