- 快捷搜索
- 全站搜索
6．自适应技术
由于数据流是动态变化的，处理数据流的算法必须能够根据数据分布的变化以及数据流流速的变化自动调节算法的处理策略。动态系统中的自适应技术根据系统的反馈自动调节系统参数。目前，在处理变化的数据流时，算法通常将分类器的分类精度作为反馈，在精度下降时重新建立分类模型。
三、流数据挖掘技术在金融领域的应用
算法交易是证券公司投资业务中的重要平台之一。证券公司实施算法交易的目标是减少对市场价格造成冲击，降低交易成本，帮助机构投资者快速增加交易量，以期获得更大的投资收益。要实现以上目标，可以借助数据挖掘等技术，充分利用市场行情、金融资讯等信息，发现潜在的、有用的规则和模式，建立金融模型，优化算法交易。
模型策略是程序化交易的核心，直接决定了最后投资收益率。为寻找优秀的策略模型需要进行大量的模拟、检验，对证券研究分析、交易与策略、损益分析与评估等技术系统提出了很高的要求。模型策略的研究需要一套整合的技术系统体系为算法交易的策略研究与实战进行服务。
算法交易策略研究分析系统是针对程序化、策略化交易特点，集行情及指标采集与发布、策略模型研究分析、跟踪模拟、策略交易、损益分析于一体的证券算法交易策略研究分析系统。系统采用多层体系结构设计，面向对象的开发技术和高容错负载均衡的运行方式，具有充分的扩展性、缩放性、稳定性和高效性。
流数据挖掘技术在算法交易中具有广泛的用途，具体如下。
1．加载行情资讯和交易信息
这一阶段主要是进行数据清理。首先，预处理后的数据被直线化分割，以消除行情数据的非线性，连续的无限空间转换为离散的数据点空间。定义时间序列模式，并将模式库存放于数据中心标准层，进行模式的相似性匹配、提取和股票的相关性计算。更新相关性矩阵，周期性地将相关性矩阵中的数据写回到数据中心标准层中。如果相关度不为零，则说明股票间存在依赖关系，则可对有依赖关系的股票进行模式依赖分析，从而创建模式依赖的条件规则。接着，根据条件规则库进行模式依赖的抽取和存储，采用滑动窗口技术及时地对时序模式进行实时更新。定义时序模式依赖条件规则的概要数据结构，将模式依赖分析结果以摘要数据结构存放到数据中心数据分析层中。最后，利用概要数据结构中的数据快速计算模式依赖的置信度和支持度，将数据的相关矩阵、模式的依赖概要信息、模式依赖的置信度和支持度写回数据中心数据分析层中。这样，算法交易的基础环境就建立起来了。
2．模型构建
在策略模型构建阶段，利用数据挖掘算法与技术，根据历史行情对交易策略模型进行模拟跟踪，检验模型的跟踪误差与准确性，从而对模型不断进行调整与优化，以找到最佳的交易策略模型。主要包括指数化投资策略、投资组合保险策略、龙头股投资组合策略、量化投资策略、ETF基金T+0投资策略、权证T+0投资策略、固定比例反弹策略、RSI反弹策略、双边自动报价策略、牛市双边报价策略以及熊市双边报价策略等。
3．模型评测
应用于分策略评估和投资交易两个阶段。在策略评估阶段通过对接的交易测试环境，使用测试环境提供的模拟撮合功能，模拟一些接近实际的市场状况，以检验策略的执行效果。投资交易阶段通过与交易生产环境的无缝对接，根据策略交易模型预先设置的条件，自动生成委托指令，完成程序化交易。
4．风险评估与管理
证券公司算法交易中风险管理的对象主要是与资产和负债有关的风险，需要在交易、成交数据的基础上，依照不同的区间，以数学模型分析和利率风险敏感性分析模拟计算资产和负债之间的缺口，了解证券公司在投资交易的不同期间资本比率、资产负债结构、资金情况和投资收益的变化。
（文章来源：《金融电子化》杂志）
商业银行发展互联网金融，其实对既有的技术体系规划和设计提出了新的要求。
商业银行发展互联网金融，其实对既有的技术体系规划和设计提出了新的要求。