-
Die
vorliegende Erfindung bezieht sich auf ein Verfahren und ein System
zum Überwachen
von Transaktionen, die bei einem Handelssystem ausgeführt werden.
Die vorliegende Erfindung bezieht sich ebenfalls auf ein Verfahren
und ein System zum Erzeugen von Handelsverhalten.
-
Finanzhandelssysteme,
wie beispielsweise diejenigen, die beim Aktienmarkt, Geldmarkt und
Derivatenmarkt verwendet werden, machen extensiven Gebrauch von
Computersystemen, um Information über die Märkte und die durchgeführten Geschäfte zu erfassen
und zu manipulieren. Aufgrund der Komplexität von Märkten und Produkten und den
enormen Volumina von Daten, werden raffinierte Computersysteme verwendet,
um die beteiligten Risiken zu bewerten und zu managen. Ein Beispiel
eines derartigen Systems ist das OBERON-System, das es Händlern und
ihren Managern ermöglicht,
ihre Exponierung zu verschiedenen Formen von Finanzrisiko zu bewerten,
und das OBERISK-System, das Information von verschiedenen Finanzhandelssystemen
konsolidiert, um Information über
Kapitaladäquanz
und Risikopotential bereitzustellen. Mit einem vorgegebenen Satz
von Einhaltungsregeln, die in computerisierbarer Form ausgedrückt werden
können,
ist es relativ unkompliziert, ein Computersystem aufzubauen, das
die verfügbaren
Daten abtastet und nach offensichtlichen Verletzungen dieser Regeln
sucht, wie beispielsweise bei dem BT CREDIT CARD FRAUD MONITORING
SYSTEM. Aufgrund der Komplexität
derartiger Märkte
und der beteiligten großen
Geldsummen erleiden jedoch von Zeit zu Zeit Banken und andere Organisationen
beträchtliche
Verluste, wenn eine oder mehrere einfallsreiche Personen Schlupflöcher in
den Regeln ausnutzen, um Geschäfte
durchzuführen, die
offensichtlich erfolgreich und konform sind, die sich jedoch als
katastrophal herausstellen (Barings, Sumitomo, GE, NatWest etc.).
Sobald diese Schlupflöcher
die Aufmerksamkeit der Firmen erlangt haben, werden sie gewöhnlicherweise
blockiert, wobei es jedoch zu dieser Zeit zu spät ist.
-
In Übereinstimmung
mit einem ersten Aspekt der vorliegenden Erfindung wird ein System
zum Erzeugen von Einhaltungsregeln bereitgestellt, wobei das System
umfasst:
einen Einhaltungsregelspeicher zum Speichern von Einhaltungsregeln;
ein
Erzeugungsmittel zum automatischen Erzeugen von virtuellen Handelshistorien,
virtuellen Handelsverhalten und/oder virtuellen Einhaltungsregeln;
ein
Auswahlmittel zum automatischen Auswählen von virtuellen Handelshistorien,
virtuellen Handelsverhalten und/oder virtuellen Einhaltungsregeln;
und
ein Aktualisierungsmittel zum Speichern virtueller Einhaltungsregeln
in dem Einhaltungsregelspeicher, wobei die virtuellen Einhaltungsregeln
mit Bezug auf die ausgewählten
virtuellen Handelshistorien, virtuellen Handelsverhalten und/oder
virtuellen Einhaltungsregeln entwickelt wurden.
-
In Übereinstimmung
mit einem zweiten Aspekt der vorliegenden Erfindung wird ein Verfahren
zum Erzeugen von Einhaltungsregeln bereitgestellt, wobei das Verfahren
umfasst:
automatisches Erzeugen virtueller Handelshistorien,
virtueller Handelsverhalten und/oder virtueller Einhaltungsregeln;
automatisches
Auswählen
virtueller Handelshistorien, virtueller Handelsverhalten und/oder
virtueller Einhaltungsregeln; und
Speichern virtueller Einhaltungsregeln
in einem Einhaltungsregelspeicher mit Bezug auf die ausgewählten virtuellen
Einhaltungsregeln, virtuellen Handelsgeschichten und virtuellen
Handelsverhalten.
-
Das
Einhaltungssystem erzeugt virtuelle Handelshistorien oder Verhalten
und wählt
diese aus, die jedoch noch nicht in dem realen Handelssystem beobachtet
werden konnten und die einen erkennbaren Grad offensichtlicher Unregelmäßigkeit
aufweisen, z. B. können
sie auf eine Art ungewöhnlich
oder nicht herkömmlich
sein (was angibt, dass sie betrügerisch
sein können),
oder die einen unannehmbaren Risikograd mit sich führen können. Alternativ
erzeugt das Einhaltungssystem virtuelle Einhaltungsregeln und wählt diese
aus.
-
Die
vorliegende Erfindung stellt ein System bereit, das unregelmäßige Handelshistorien
erfassen kann, bevor oder bald nachdem sie in dem realen Handelssystem
durchgeführt
werden. Dies wird durch Erzeugen und Auswählen von unregelmäßigen Handelshistorien
oder Verhalten in einer virtuellen Handelsumgebung erreicht. Die
ausgewählten
unregelmäßigen Handelshistorien
oder Verhalten können
dann von einem menschlichen Einhaltungsbeamten (Compliance Officer)
geprüft
werden, der geeignete neue virtuelle Einhaltungsregeln formulieren
kann.
-
Die
vorliegende Erfindung stellt wirksam ein virtuelles Handelssystem
bereit – d.
h. der Einhaltungsregelspeicher wird kontinuierlich mit Bezug auf
die Leistung der virtuellen Historien, Verhalten oder Regeln in
einem virtuellen Handelssystem aktualisiert.
-
Das
virtuelle Handelssystem kann entweder zeitlich oder physisch von
dem realen Handelssystem getrennt sein, wie es nachstehend erläutert ist.
-
D.
h., dass bei einem Beispiel die gleichen Computer verwendet werden,
um Transaktionen in dem realen Handelsystem zu verarbeiten und die
virtuellen Einhaltungsregeln zu erzeugen. In diesem Fall werden diese
beiden Funktionen typischerweise zu unterschiedlichen Zeiten durchgeführt, d.
h. die Funktionen des virtuellen Handelssystems werden durchgeführt, wenn
das reale Handelssystem (oder ein besonderer Handelscomputer, der
das Handelssystem bildet) gegenwärtig
nicht zum Handeln verwendet wird. In diesem Fall wird das virtuelle
Handelssystem wirksam zeitlich von dem realen Handelssystem getrennt.
Dies maximiert die Verwendung der Verarbeitungsleistung des realen
Handelssystems und gewährleistet
zur gleichen Zeit, dass die Leistung des realen Handelssystems nicht
verschlechtert wird. Alternativ können die beiden Funktionen
gleichzeitig, jedoch mit der virtuellen Einhaltungsregelfunktion
bei einer niedrigen Priorität,
ablaufen.
-
Bei
einem zweiten Beispiel kann das Einhaltungssystem physisch erzeugt
werden, das physisch in einem getrennten Computer angeordnet ist.
In diesem Fall ist das virtuelle Handelssystem wirksam physisch
von dem realen Handelssystem getrennt. Das Einhaltungssystem aktualisiert
kontinuierlich den Einhaltungsregelspeicher mit Bezug auf das Verhalten
eines virtuellen Handelssystems, bei dem virtuelle Handelshistorien
oder Verhalten von dem Kultivierungsmittel kultiviert werden. Dies
gewährleistet,
dass die Leistung des realen Verhaltenssystems nicht verschlechtert
wird.
-
Typischerweise
umfassen die virtuellen Handelshistorien jeweils eine Sequenz von
Transaktionen, und die virtuellen Handelsverhalten umfassen jeweils
einen Satz von Regeln, die sich auf die Handelsstrategie beziehen
(ein Beispiel davon wird durch die in 5 dargestellten „Tiger" angegeben). Die
virtuellen Einhaltungsregeln umfassen Regeln, die bestimmen, ob
eine Transaktion oder Sequenz von Transaktionen konform ist.
-
Bei
einem Beispiel erzeugt das Erzeugungsmittel unabhängig virtuelle
Historien, Verhalten oder Regeln ohne jeden Bezug auf das reale
Handelssystem. Beispielsweise können
die virtuellen Handelshistorien zufällige Sequenzen von Transaktionen
umfassen. Bei einem bevorzugten Beispiel umfasst das System jedoch
ferner Extraktionsmittel zum Extrahieren von realen Handelshistorien,
realen Handelsverhalten und/oder realen Einhaltungsregeln von dem
realen Handelssystem und zum Eingeben dieser in das Erzeugungsmittel. Das
bevorzugte Beispiel weist den Vorteil auf, dass dann, wenn ein Schlupfloch
bereits von einem Schurkenhändler
ausgenutzt wird, der Transaktionen in dem realen Handelssystem ausführt, die
Handelshistorien oder Verhalten des Schurkenhändlers in das Erzeugungsmittel
eingegeben werden. Dies macht es wahrscheinlicher, dass das Einhaltungssystem
eine virtuelle Einhaltungsregel erzeugen wird, die das Schlupfloch
schließt und
den Schurkenhändler
identifiziert und außerdem
gewährleistet,
dass die Historien für
das reale Handelsverhalten repräsentativer
sind.
-
Vorzugsweise
erzeugt das Erzeugungsmittel die virtuellen Historien, Verhalten
oder Regeln durch Modifizieren von anfänglichen Historien, Verhalten
oder Regeln in Übereinstimmung
mit einem genetischen Algorithmus. Geeignete genetische Algorithmen
und Evolutions-Programmiertechniken werden in dem Nachschlagwerk „Michaelewicz,
Zbigniew; Genetic Algorithms + Data Structures = Evolution Programs;
dritte Auflage, Springer, 1996" (hier
nachstehend Michaelewicz) erläutert.
In diesem Fall verwenden die genetischen Algorithmen „genetisches
Material" (wie beispielsweise
reale Handelshistorien von dem realen Handelssystem und/oder zuvor
erzeugte virtuelle Handelshistorien), um virtuelle Historien, Verhalten
oder Regeln zu „züchten". Beispielsweise
kann der genetische Algorithmus ein Auswählen eines Paars von anfänglichen
Historien, Verhalten oder Regeln umfassen und ein „Paaren" dieser durch Extrahieren
eines Teils jeder anfänglichen
Historie, Verhalten oder Regel und Kombinieren der extrahierten
Teile umfassen. Das Paar von anfänglichen
Historien, Verhalten oder Regeln kann zufällig aus einem Pool von anfänglichen
Historien, Verhalten oder Regeln ausgewählt werden. Alternativ kann
jede anfängliche
Handelshistorie, Verhalten oder Regel einen zugeordneten „geographischen" Faktor aufweisen,
und das Paar von anfänglichen
Historien, Verhalten oder Regeln wird durch einen „Courtship"-Prozess in Übereinstimmung
mit ihren jeweiligen „geographischen" Faktoren ausgewählt.
-
Bei
einem Beispiel können
die virtuellen Einhaltungsregeln durch einen menschlichen Einhaltungsbeamten
bestimmt werden – d.
h. das Identifikationsmittel zeigt die ausgewählten virtuellen Handelshistorien
oder Verhalten an, und der menschliche Einhaltungsbeamte formuliert
eine geeignete virtuelle Einhaltungsregel oder Regeln. Bei einem
alternativen Beispiel werden die virtuellen Einhaltungsregeln automatisch
bestimmt – d.
h. das System umfasst ferner ein Regelungsmittel zum Bestimmen der
virtuellen Einhaltungsregeln aus den ausgewählten virtuellen Handelshistorien
oder Verhalten (optional mit geeigneter menschlicher Überwachung).
-
Bei
einer Ausführungsform
erzeugt das Regelungsmittel anfängliche
virtuelle Einhaltungsregeln aus den virtuellen Handelshistorien
oder Verhalten und modifiziert die anfänglichen virtuellen Einhaltungsregeln
in Übereinstimmung
mit einem genetischen Algorithmus. Geeignete genetische Algorithmen
und Evolutions-Programmiertechniken werden bei Michaelewicz erläutert.
-
Die
Historien, Regeln oder Verhalten werden im Allgemeinen auf der Grundlage
eines vorbestimmten oder adaptiven Algorithmus (z. B. Algorithmus
eines neuralen Netzwerks) ausgewählt.
Bei einer bevorzugten Ausführungsform
umfasst das Auswahlmittel ein Auswertmittel zum Bestimmen eines
scheinbaren Unregelmäßigkeitsgrads
der virtuellen Handelshistorien; und ein Identifikationsmittel zum
Auswählen
virtueller Handelshistorien, die einen vorbestimmten scheinbaren
Unregelmäßigkeitsgrad überschreiten.
-
Der
scheinbare Unregelmäßigkeitsgrad
der virtuellen Handelshistorien kann auf jede geeignete Art und
Weise bestimmt werden.
-
Typischerweise
umfassen die virtuellen Handelshistorien jeweils eine Sequenz von
virtuellen Transaktionen, und das Auswertmittel weist einen individuellen
scheinbaren Unregelmäßigkeitsgrad
jeder virtuellen Transaktion zu, weist einen Bekräftigungsgrad
einigen der virtuellen Transaktionen zu und bestimmt den scheinbaren
Unregelmäßigkeitsgrad
der virtuellen Handelshistorie in Übereinstimmung mit den individuellen scheinbaren
Unregelmäßigkeitsgraden
und den Bekräftigungsgraden.
-
Typischerweise
weist das Auswertmittel einen individuellen Unregelmäßigkeitsgrad
jeder virtuellen Transaktion durch Bezug auf statistische Kriterien
zu, die auf den auf dem realen Handelssystem ausgeführten realen
Handelshistorien basieren.
-
Das
Erzeugungsmittel kann virtuelle Verhaltenshistorien erzeugen, die
nicht mit den gegenwärtigen Einhaltungsregeln übereinstimmen.
Bei einer bevorzugten Ausführungsform
erzeugt jedoch das Erzeugungsmittel nur virtuelle Handelshistorien,
die mit den in dem Einhaltungsregelspeicher gespeicherten gegenwärtigen Einhaltungsregeln übereinstimmen.
-
Die
virtuellen Handelshistorien können
gegen jeweils eine der gegenwärtigen
Einhaltungsregeln geprüft
werden. Wenn dies jedoch berechnungsmäßig unangemessen hoch ist,
dann könnten
die virtuellen Verhaltenshistorien gegen eine oder mehrere ausgewählte gegenwärtige Einhaltungsregeln
geprüft
werden. Bei einer Ausführungsform
werden die virtuellen Handelshistorien zuerst gegen die gegenwärtige Einhaltungsregel
oder Regeln geprüft,
für die
es am wahrscheinlichsten sind, dass sie gebrochen, und zweitens
gegen eine oder mehrere gegenwärtige
Einhaltungsregeln, die stochastisch ausgewählt werden.
-
Bei
einer bevorzugten Ausführungsform
umfasst das reale Handelssystem eine Mehrzahl von mit einem gemeinsamen
Netzwerk verbundener Handelscomputern, und das Einhaltungsüberwachungssystem wird
durch einen oder mehrere der Mehrzahl von Handelscomputern implementiert,
die typischerweise von einem oder mehreren fest zugeordneten Einhaltungscomputern
unterstützt
werden. Dies gewährleistet,
dass die dem Einhaltungsüberwachungssystem
verfügbare
Berechnungsleistung linear mit der dem realen Handelssystem verfügbaren Berechnungsleistung
ansteigt.
-
Bei
der vorliegenden Erfindung werden die Einhaltungsregeln, die verwendet
werden, um die reale Handelsumgebung abzutasten, ebenfalls kontinuierlich
durch Bezug auf das Verhalten einer simulierten virtuellen Handelsumgebung
(die wir das Grünhaus
nennen) aktualisiert, bei der Evolutions-Programmiertechniken nach
den Prinzipien von denjenigen, die bei Michaelewicz beschrieben
sind, verwendet werden, um Handelsverhalten zu kultivieren, die
Unregelmäßigkeiten
enthalten können
und die nicht von den Einhaltungsregeln abgedeckt werden, wodurch
es möglich
ist, dass neue Regeln entwickelt und hinzugefügt werden, um Schlupflöcher zu
blockieren. 'Genetisches
Material' von der
realen ('wilden') Handelsumgebung
wird kontinuierlich zum Züchten
von 'kultiviertem' Handelsverhalten
in dem Grünhaus
verwendet. Dies bedeutet insbesondere, dass dann, wenn ein Schlupfloch
bereits von einem Händler
ausgenutzt wird, die Wahrscheinlichkeit von in dem Grünhaus kultivierten
Verhalten, die dieses Schlupfloch ausnutzen, erheblich erhöht wird.
-
Die
Einhaltungsregeln in dem Einhaltungsregelspeicher können auf
zwei Arten verwendet werden. Bei einem Beispiel werden die Regeln
einfach von einem menschlichen Einhaltungsbeamten konsultiert, um
es ihm zu ermöglichen,
eine Entscheidung zu treffen, ob eine Reihe von Transaktionen konform
ist. Bei einem zweiten Beispiel umfasst das System ferner einen
Einhaltungsmonitor, der auf einem realen Handelssystem durchgeführte Transaktionen
mit Bezug auf die in dem Einhaltungsregelspeicher gespeicherten
Einhaltungsregeln überwacht.
-
In Übereinstimmung
mit einem dritten Aspekt der vorliegenden Erfindung wird ein System
zum Erzeugen von Handelsverhalten bereitgestellt, wobei das System
umfasst:
einen Handelsverhaltensspeicher zum Speichern von
Handelsverhalten;
ein Züchtungsmittel
zum automatischen Erzeugen virtueller Handelsverhalten;
ein
Wachstumsregelungsmittel zum automatischen Vergleichen der virtuellen
Handelsverhalten mit den Aktionen eines realen Händlers und zum automatischen
Auswählen
virtueller Handelsverhalten, die den Aktionen des realen Händlers entsprechen;
und
ein Aktualisierungsmittel zum Speichern der ausgewählten virtuellen
Handelsverhalten in dem Handelsverhaltenspeicher.
-
In Übereinstimmung
mit einem vierten Aspekt der vorliegenden Erfindung wird ein Verfahren
zum Erzeugen von Handelsverhalten bereitgestellt, wobei das Verfahren
umfasst:
automatisches Erzeugen virtueller Handelsverhalten;
automatisches
Vergleichen der virtuellen Handelsverhalten mit den Aktionen eines
realen Händlers;
automatisches Auswählen
virtueller Handelsverhalten, die den Aktionen realer Händler entsprechen;
und Speichern der ausgewählten
virtuellen Handelsverhalten in einem Handelsverhaltensspeicher.
-
Die
dritten und vierten Aspekte der Erfindung erzeugen Handelsverhalten
(d. h. einen Satz von Regeln, die sich auf die Handelstrategie beziehen),
die die Aktionen eines realen Händlers
korrekt vorhersagen.
-
Ein
Beispiel der Erfindung wird nun mit Bezug auf die begleitenden Zeichnungen
beschrieben, in denen zeigen:
-
1 das Gesamtfunktionsblockdiagram
des Handelsunregelmäßigkeits-Detektionssystems;
-
2 ein Beispiel, wie diese
Funktionen zwischen einer Anzahl unterschiedlicher Computer in einem verteilten
System verteilt werden können;
-
3 ein schematisches Ablaufdiagramm,
das die in Tabelle 2 dargelegten Funktionen veranschaulicht;
-
3A ein schematisches Ablaufdiagramm,
das eine erste Alternative zu 3 veranschaulicht;
-
3B ein schematisches Ablaufdiagramm,
das eine zweite Alternative zur 3 veranschaulicht;
-
4 ein Funktionsblockdiagramm
eines alternativen Handelsunregelmäßigkeits-Detektionssystems, bei dem genetische
Mittel verwendet werden, um neue Einhaltungsregeln zu entwickeln;
-
5 ein schematisches Diagramm
eines Systems zum Erzeugen von Handelsstrategien;
-
6 ein Diagramm, das eine Überkreuzungsfunktion
veranschaulicht;
-
7 ein Diagramm, das eine
Züchtungsfunktion
veranschaulicht; und
-
8 ein Diagramm, das ein
Beispiel einer Überkreuzungsfunktion
ausführlicher
veranschaulicht;
-
9 ein Ablaufdiagramm, das
die Wachstumsregulierung einer virtuellen Einhaltungsregel veranschaulicht;
-
10 ein Ablaufdiagramm, das
die Wachstumsregelung eines virtuellen Handelsverhaltens veranschaulicht;
-
11 ein Ablaufdiagramm, das
die Wachstumsregulierung eines virtuellen „pet"-Handelsverhaltens veranschaulicht;
und
-
13 ein Ablaufdiagramm, das die Wachstumsregulierung
eines virtuellen „pet"-Einhaltungsregel veranschaulicht.
-
Beispiel
-
Mit
ausführlichem
Bezug nun auf die Zeichnungen und anfänglich auf 1 derselben wird schematisch ein Handelsunregelmäßigkeits-Detektionssystem
gezeigt, bei dem ein reales Handelssystem 20 einen realen
Handelsteil (RTP = Real Trading Part) 21 und einen realen
Einhaltungsteil (RCP = Real Compliance Part) 22 umfasst.
Der RTP und der RCP können
beide in der Praxis eine große
Anzahl von Computern, Programmen und Datenbanken umfassen. Der reale
Einhaltungsteil 22 überwacht
Transaktionen, wenn sie in dem realen Handelsteil 21 durchgeführt werden,
mit Bezug auf einen Satz von in der Datenbank 19 gespeicherten
Einhaltungsregeln.
-
Ein
menschlicher Einhaltungsbeamter (nicht gezeigt) überwacht ebenfalls selektiv
Transaktionen, die in dem RTP ausgeführt werden, und versucht neue
Einhaltungsregeln zu formulieren. Wenn der Einhaltungsbeamte eine
neue Regel formuliert, wird die Regel zuerst in der Datenbank 19 als
eine weiche Einhaltungsregel gespeichert. Wenn die weiche Einhaltungsregel
von einem Händler
gebrochen wird, dann wird der Einhaltungsbeamte informiert. Der
Einhaltungsbeamte kann dann mit den beteiligten Händler reden.
Wenn eine weiche Einhaltungsregel formal von dem Management der
Bank genehmigt wird, dann wird sie in der Datenbank 19 in
eine harte Einhaltungsregel umgewandelt. Somit umfasst die Datenbank 19 eine
Mischung von weichen Einhaltungsregeln (die lediglich verwendet
werden, um den Einhaltungsbeamten über möglicherweise nicht konforme
Transaktionen zu informieren) und harte Einhaltungsregeln, die verwendet
werden, zu verhindern, dass eine Transaktion abgeschlossen wird.
-
Das
reale Handelssystem 20 ist logisch mit einem Grünhaus 23 verknüpft, das
einen virtuellen Handelsteil 24 und einen virtuellen Einhaltungsteil 25 enthält. Virtuelle
Handelshistorien werden mit einem Kultivierungsmittel 26 kultiviert,
das auf Aspekte realer Handelshistorien von dem RTP 21 aufbaut,
die von einem Beobachtungsmittel 27 beobachtet und extrahiert
wurden. Virtuelle Handelshistorien, die eine beträchtliche scheinbare
Wahrscheinlichkeit von Unregelmäßigkeit
geben, werden von einem Identifikationsmittel 28 identifiziert,
und dann werden die virtuellen Einhaltungsregeln, die dies abdecken,
von einem Regelungsmittel 29 entwickelt und von einem Aktualisierungsmittel 30 dem
virtuellen Einhaltungsteil 25 hinzugefügt. Vorzugsweise wird der reale
Einhaltungsteil 22 ebenfalls mit diesen neuen Regeln durch
ein Aktualisierungsmittel 31 aktualisiert. Es kann zweckmäßig sein,
zwei Stufen der Aktualisierung zu ermöglichen, d. h. eine 'Abtast'-Stufe, bei der existierende
reale Handelshistorien durch Bezug auf eine neue Regel abgetastet
werden, die gerade in das Grünhaus 23 eingeführt wurde,
und einer 'vollen
Aktualisierungs'-Stufe,
bei der die neue Regel, die gründlicher
erprobt und geprüft
wurde, zu der dem realen Einhaltungsteil 22 zugeordneten
Datenbank 19 hinzugefügt
wird. Zu diesem Zeitpunkt kann die neue Regel verallgemeinert und
mit anderen Regeln in einem zweckmäßigeren Ganzen zusammengeführt worden
sein. Natürlich
ist dies eine logisch vereinfachtes Schema, und in der Praxis können die
hier beschriebenen Funktionen auf einer großen Anzahl von Computersystemen
implementiert sein, die alle geeignet verbunden sind, und insbesondere
können
unterschiedliche Aspekte des Systems, die schematisch als getrennte
Komponente identifiziert werden, als einen Satz von logischen Funktionen
auf verschiedenen Computern, die möglicherweise logisch mit anderen
hier getrennt gezeigten Funktionen integriert sind, implementiert
sein.
-
2 gibt eine Angabe einer
möglichen
derartigen Anordnung von Funktionen zwischen Computern. Ein Handelscomputer 32 implementiert
in sich selbst Teile des realen Handelssystems 21a und 22a,
die Untermengen des realen Handelsteils 21 bzw. des realen
Einhaltungsteils 22 durchführen, sowie auch Teile des Grünhauses
(24a, 25a, 26a, 27a, 28a, 29a, 31a),
die Untermengen der Funktionen 24–31 von 1 durchführen. Weitere Handelscomputer 33f, 33g .. 33n weisen
eine ähnliche
interne Organisation auf. Sie werden durch ein Netzwerk 34 miteinander
für normale
Handelszwecke und mit einem Grünhaus-Computer 35 (der
zweckmäßigerweise
ein massiver paralleler Supercomputer sein kann) verbunden, der
Funktionen 24b–31b enthält, die
weitere Untermengen der Funktionen 24–31 von 1 durchführen. Ein Einhaltungscomputer 36 implementiert
dann die hauptsächlichen
Teile des realen Einhaltungsteils 22b zusammen mit den
Einhaltungs-Aktualisierungsfunktionen 31c und 31d.
Es lohnt sich anzumerken, dass die Grünhaus-Funktionen der Handelscomputer 32 und 33f–n konfiguriert
werden können,
so dass sie nur beträchtliche
Mengen von Computerleistung konsumieren, wenn die Händler von
ihren Maschinen abwesend sind. Dies ermöglicht eine produktive Verwendung
der Geräte
ohne Verschlechtern der Leistung, während die Händler sie verwenden. Noch bedeutsamer
gewährleistet
es, dass die den Einhaltungs- und Grünhaus-Funktionen verfügbare Computerleistung im Wesentlichen
gleich der Summe der den Händlern
verfügbaren
Computerleistung plus der Unterstützung eines Supercomputers
ist. Der psychologische Wert, dass ein möglicher Betrüger realisiert,
dass er gegen seinen Handelscomputer plus der kombinierten Leistung
derjenigen aller seiner Kollegen und einem zentralen Supercomputer
konkurriert, ist beträchtlich.
Offensichtlich sind andere Organisationen der Verteilung der Funktionen
zwischen Computern möglich.
-
In
Tabelle 1 (siehe Anhang) geben wir ein vereinfachtes veranschaulichendes
Beispiel eines Handelssystems an, das verwendet wird, um anzugeben,
wie die Komponenten des Grünhauses
implementiert werden könnten.
Es wird dort angenommen, dass es zwei primitive Operationen in dem
System gibt, 40a Handeln (trade) und 40b Abschließen (settle),
so dass beispielsweise, wenn ein (ziemlich inaktiver) Händler zwei
einfache Transaktionen ausführt
und sie abschließt,
die Sequenz von Primitiven wie bei dem Beispiel 41 aussehen
könnte.
Die Sequenz von Transaktionen 41a–d ist ein Beispiel
von dem, was hier als eine „Handelshistorie" bezeichnet wird.
Es gibt zwei Arten einer Zustandsvariable 42a und 42b,
die die Größe des 'Buches (book)' modellieren, das
ein Händler
hält, und
des Kredits, das jedem Vertragspartner gewährt oder von diesem genommen
wird. Die bei 43 angegebene Semantik erläutert, wie
die beiden Primitiven die Zustandsvariablen modifizieren, und die
bei 44 angegebenen anfänglichen
Einhaltungsbeschränkungen
begrenzen die Größe des Buches
und die Kreditexponierung zu jedem Vertragspartner. Bei diesem vereinfachten
veranschaulichenden Beispiel gibt es nur einen Händler und ein gehandeltes Instrument,
wobei das System jedoch offensichtlich auf einen beliebigen Satz
von Instrumenten oder Wertpapieren durch Hinzufügen eines zusätzlichen
Parameters zu dem 'Mengen
(amount)'-Feld,
um zu beschreiben, welches Wertpapier betrachtet wird, und auf einen
beliebigen Satz von Händlern
verallgemeinert werden kann, indem Grenzen für jeden Händler sowie auch globale Grenzen
vorhanden sind. Es ist bedeutsam anzumerken, dass die Algorithmen
für die
Auswahl von passenden Teilen und von Populationen einige „geographische" Faktoren benötigen, um
sicherzustellen, dass ein Vielfaltgrad und ein „ökologisches Gleichgewicht" beibehalten wird,
und dass genug Überkreuzungen
nicht steril sind. Die praktischen Fragen beim Verwalten eines derartigen
Satzes von Einschränkungen
in Echtzeit über
eine verteilte Datenbank sind nicht trivial, jedoch allen Einhaltungsüberwachungssystemen
gemeinsam und betreffen nicht die vorliegende Erfindung.
-
Tabelle
2 zeigt nun ein vereinfachtes Beispiel, wie die hauptsächlichen
Grünhausfunktionen
organisiert sein können. 3 ist ein Prozessablaufdiagramm,
das die Funktionen veranschaulicht, die in der Tabelle 2 in Pseudocode
ausgedrückt
sind. Die Funktionen werden in der Tabelle 2 und 3 mit gleichen Bezugsziffern angegeben.
Der bei 3 veranschaulichte
genetische Algorithmus erzeugt neue virtuelle Handelshistorien aus
einem Pool von anfänglichen
Handelshistorien. Der Pool von anfänglichen Handelshistorien umfasst
reale Handelshistorien 10, die von dem RTP 21 durch
das Beobachtungsmittel 27 extrahiert wurden, und zuvor
erzeugte virtuelle Handelshistorien 11 (d. h. kultivierte
Historien). Die folgende Prozedur wird wiederholt befolgt: bei 45 werden
die realen Historien 10 mit den kultivierten Historien 11 hybridisiert,
um einige Hybride zu erzeugen. Bei 46 werden zufällig ausgewählte Paare
der kultivierten Historien 'gepaart
(mated)', um 'Nachwuchs (oftspring)' zu erzeugen. Das
Paaren und die Hybridisierung werden beide durch Verwenden einer 'Überkreuzungs (crossover)'-Prozedur erreicht,
die Teile der beiden Historien auf eine zufällige Art und Weise kombiniert. Wie
es der Fall bei den meisten genetischen Algorithmen ist, weisen
die Einzelheiten der Überkreuzungsprozedur
einen bedeutenden Einfluss auf die Leistung des Systems jedoch nicht
auf die Prinzipien auf. Bei 47 werden einige zufällige Mutationen
auf die Population von kultivierten Historien angewendet: Die Einzelheiten
des Mutationsalgorithmus werden erneut später erläutert. Bei 48 werden
die Ergebnisse der Hybridisierung, des Paarens und der Mutation
in ein einziges Array NewPop kombiniert, bei dem sämtliche
Null-Elemente eliminiert werden, die entstanden sein könnten (aufgrund
von erfolglosen Versuchen die Heuristik zu reparieren, siehe 56 nachstehend) – dies wird
zwecks Klarheit bei der Beschreibung durchgeführt und würde nicht notwendigerweise
ein getrennter Algorithmusschritt sein. Bei 49 werden die
Ausnahmen (exceptions) in NewPop identifiziert, aus denen neue Regeln
verallgemeinert werden. Diese Ausnahmen werden mittels einer Auswertfunktion
Auswerten (score) 63 identifiziert. Die Auswertfunktion
ist ebenfalls das Mittel, wodurch der Auswahlschritt bei 52 stattfindet.
Bei 50 werden die Ausnahmen verwendet, um neue Regeln zu
erzeugen. Es ist für
diese veranschaulichenden Zwecke ausreichend, dass wir annehmen,
dass dieser Vorgang offline von dem menschlichen Einhaltungsbeamten
durchgeführt
wird. Es gibt eine Anzahl von Al-basierten Werkzeugen, die verwendet
werden können,
um ihn oder sie bei ihrer Aufgabe zu unterstützen, einschließlich einiger „genetischer" Vorgehensweisen,
die später
ausführlicher
erläutert
werden. Der anzumerkende springende Punkt ist, dass, obwohl zwecks
Einfachheit die Schritte 50 und 51 (bei denen
neue virtuelle Regeln von der Regelungsfunktion vorgeschlagen werden
und die virtuellen Regeln aktualisiert werden) als Teil der algorithmischen
Schleife gezeigt sind, können
sie 'offline' durchgeführt werden.
Es sei bemerkt, dass wir bei diesem einfachen Beispiel nichtsdestotrotz
Elemente der neuen Population, die als Ausnahmen identifiziert werden,
durch ein Flag kennzeichnen (durch Setzen eines Attributs WasException
auf Wahr bei 49a). Ausnahmen werden durch Zusammenführen (merge)
NNX bei Schritt 52 gelöscht,
bevor sie Kandidaten werden, um sich den kultivierten Historien
anzuschließen.
Andernfalls besteht eine Gefahr, dass die kultivierte Population
durch Ausnahmen einer bestimmten Art überschwemmt wird, insbesondere,
wenn die neue Regel Verallgemeinerung (generalisation) offline durchgeführt wird.
Die Tatsache, dass wir diese besondere Optimierung offenbart haben,
bedeutet natürlich
nicht, dass weitere in der Praxis verwendet werden würden: Viele
praktische Verbesserungen für
die hier präsentierten
vereinfachten Algorithmen werden ohne weiteres Fachleuten offensichtlich,
wobei eine Anzahl von diesen bei Michaelewicz erläutert sind.
Bei dem Auswahlschritt bei 52 werden Elemente der neuen kultivierten
Population durch zufälliges
Auswählen
aus einer Kandidatenliste gewählt
(Cands, hergestellt durch Kombinieren der bei 48 abgeleiteten
neuen Population mit der existierenden kultivierten Population abzüglich irgendwelcher
vorhergehender Ausnahmen) auf eine Art und Weise, die die Wahrscheinlichkeit
der Auswahl dem Auswerten (Score) proportional macht. Ein vereinfachtes Übersichtsverfahren
wird bei 52a angegeben, obwohl in der Praxis eine Form
einer Abtastung ohne Austausch verwendet werden könnte, und
dass ein „elitärer" Algorithmus ebenfalls
dazu neigen würde,
sicherzustellen, dass die am höchsten
wertende Einzelperson in jedem Fall ausgewählt wurde.
-
Es
ist natürlich
möglich,
den ausführlichen
Mechanismus zu betrachten, der oben als ein Beispiel einer allgemeineren
Prozedur erläutert
wurde, bei der neue Elemente der kultivierten Population durch Paarbildung und Überkreuzung
aus einem Pool der realen und kultivierten Historien erzeugt werden,
wobei man sich auf Zufall und der Wahrscheinlichkeitsverteilungen
des Auswahl-Algorithmus stützt,
um sicherzustellen, dass eine vernünftige Mischung des realen
und kultivierten Materials beibehalten wird. Diese allgemeinere
Prozedur wird in 3A dargestellt.
Bei diesem Beispiel wird ein Paar von anfänglichen Handelshistorien aus
einem Pool von anfänglichen
Handelshistorien ausgewählt
(durch die „Courtship"-Funktion 56),
d. h. aus den kultivierten Historien 11 und den realen
Historien 10. Jede anfängliche
Handelshistorie umfasst eine „Zustandsposition" im „Zustandsraum", die einer geographischen
Position in einer natürlichen
Züchtungsumgebung
analog ist. Beispielsweise wird eine einem japanischen Optionsscheinhändler zugeordnete
Handelshistorie eine unterschiedliche Zustandsposition aufweisen,
wenn sie mit einer einem deutschen Aktienhändler zugeordnete Handelshistorie
verglichen wird. Die Zustandsposition kann von einer Vielfalt von
Faktoren abhängig
sein, deren Wahl eine technische Angelegenheit ist. Beispielsweise
können
sie sich auf die vorherrschenden Marktpreise der Instrumente beziehen,
die gehandelt wurden. Die „Courtship"-Funktion 56 wählt Paare
von Historien x, y in Übereinstimmung
mit einer Wahrscheinlichkeitsverteilungsfunktion der bei 57 dargestellten
Art aus, bei der d(x, y) ein geeigneter Abstandsoperator oder Abstandsschätzung im
Zustandsraum ist. Dieser muss nicht die klassischen Eigenschaften
des Abstandsoperators aufweisen, obwohl es für analytische Zwecke wünschenswert
sein kann, dass er es tun sollte. P(x, y) ist die Wahrscheinlichkeit
des Auswählens
der beiden Historien x, y. Wie es ersichtlich ist, ist es weniger
wahrscheinlich (obwohl nicht unmöglich),
dass Historien mit sehr unterschiedlichen Zustandspositionen ausgewählt werden.
Die Wahrscheinlichkeitsverteilung kann ebenfalls davon abhängen, ob
die Historien x, y reale oder kultivierte Historien sind. 3B veranschaulicht ein alternatives System,
und die 'Züchtungs
(breed)'-Funktion
wird in 7 dargestellt.
-
In
Tabelle 2 zeigen wir einfache Beispiele von Überkreuzungs- und Mutationsfunktionen.
In der Tabelle 3 stellen wir ebenfalls dar, wie die scheinbare Wahrscheinlichkeit
von Unregelmäßigkeiten
einem einfachen System zu jeder Historie in dem Array von Historien
zugewiesen werden kann. Die Überkreuzungsfunktion
wird graphisch in 6 und 8 dargestellt. Bei 53 (Tabelle
2) in der Funktion XOver, die verwendet wird, um Überkreuzung
(crossover) zu implementieren, wählen
wir zufällige
Punkte 70, 72 von dem Ende aus (6), bei dem die männlichen und weiblichen Historien 74, 75 zu
schneiden sind, und die zufälligen
Längen
(71, 73) des Schnitts. Vorzugsweise wird eine
zufällige
Wahl, die etwas parteiisch zu dem Nehmen von neuen Historien ist, beispielsweise
indem die Wahrscheinlichkeit des Wählens des k-ten Elements proportional
zu 1/k gemacht wird, durchgeführt.
Wie immer können
andere Varianten auf diese Verteilung ohne Ändern der Prinzipien angewendet
werden. Bei 54 beschreiben wir dann die Überkreuzungsfunktion.
Die Überkreuzungsfunktion
erzeugt ein Kind 76 durch Extrahieren eines Anteils 77 der
männlichen
Historie 74 und durch Kombinieren derselben mit Anteilen 78, 79 der
weiblichen Historie 75. Das System wendet die XOver-Prozedur
an und prüft dann,
dass das resultierende Kind 76 die virtuellen Einhaltungsregeln
erfüllt.
Falls ja geben wir Kind zurück, falls
jedoch nein, versuchen wir Reparatur-Heuristiken. Wenn diese erfolglos
sind, d. h. ein Ergebnis der Länge > 0 erzeugen, dann geben
wir das Ergebnis zurück,
andernfalls versuchen wir es erneut. (Bei diesem vereinfachten Beispiel
sind wir zufrieden, einen 'gescheiterten' Nachkömmling der
Länge 0
aufzuweisen, wobei jedoch eine praktische Implementierung eine globale
Grenze für
einen erneuten Versuch verwenden könnte und darin arbeiten könnte, um
einen Nachkömmling
zu erhalten). Ein vereinfachtes Beispiel, wie MakeCompliant strukturiert
sein könnte,
wird bei 59 angegeben. Es wird angenommen, dass jede der
(virtuellen) Regeln zwei Verfahren aufweist, eine Einhaltungstestprüfung, die
Wahr, wenn eine Historie konform ist, und andernfalls Unwahr zurückgibt,
und RepairHeuristic, die entweder eine konforme Historie, unter
der Voraussetzung einer nicht konformen Historie, oder einer Historie
der Länge
0 zurückgibt.
Die Art der RepairHeuristic hängt
von der infrage kommenden Regel ab, wobei es jedoch häufig ausreicht,
Elemente der Historie zu löschen,
bis der Einhaltungstest erfüllt
ist. Beispielsweise werden Überblicke
der einfachen RepairHeuristics für
CC1 und CC2 bei 57a und 57b angegeben. Es gibt
verschiedene Faktoren, die Fachleuten auf dem Gebiet genetischer
Algorithmen in den Sinn kommen werden, die sich auf diese Beschränkungen
beziehen. Der praktische Wirkungsgrad eines Systems wird stark durch
die Art und Weise beeinflusst werden, in der diese gehandhabt werden.
Einerseits können
einige der Beschränkungen
den Aufbau von Mutationen vereinfachen, da es möglich sein kann, Mutationen
zu erzeugen, die die Beschränkungen
rasch erfüllen.
Andererseits kann es sehr kostenaufwändig sein, einige der Beschränkungen
berechnungsmäßig zu erkunden,
und es kann angemessen sein, stochastische Techniken zu verwenden,
um die Arbeit zu verringern und zu akzeptieren, dass es eine Wahrscheinlichkeit
gibt, dass einige der Einschränkungen
verletzt werden. Insbesondere ist es viel weniger bedeutsam, die Einhaltung
von Historien zu prüfen,
die bei der nächsten
Generation nicht ausgewählt
werden. Es sei bemerkt, dass, obwohl das allgemeine Problem eine
optimale RepairHeuristic durchzuführen, 'schwer' ist (im technischen Sinne), die Tatsache,
dass das männliche
und das weibliche Elternteil größtenteils
konform sind (die einzigen Einschränkungen, die sie verletzten
können,
sind virtuelle Regeln, die hinzugefügt wurden, nachdem sie geboren
wurden), sollte bedeuten, dass in der Praxis, vorausgesetzt, dass
geeignete „geographische" Vorkehrungen in
dem Fall von komplexen Systemen getroffen werden, es wahrscheinlich
ist, dass Repair-Heuristiken einigermaßen erfolgreich
sind. Bei 58 geben wir eine sehr einfache Mutationsfunktion
an, bei der wir einige Elemente einer Historie mittels der Überkreuzungsfunktion
bei sich selbst zufällig
mischen.
-
Tabelle
2 zeigt die verbleibenden Elemente, die für ein beispielhaftes Beispiel
benötigt
werden, d. h. eines Beispiels, wie das Auswerten (Scoring) durchgeführt werden
kann, und welche Form die Historien annehmen können. Das erste Konzept, das
einzuführen
ist, ist das Konzept von Pinq-ness. Dies ist grob als die Wahrscheinlichkeit
vorgesehen, dass ein Element nicht ganz korrekt ist (the Probability
that an Item is not Quite correct). Pinq-ness ist eine Schätzung der
Wahrscheinlichkeit, dass eine Handelshistorie eine gründliche
Aufmerksamkeit von einem Einhaltungsbeamten verdient. Jedes Element
der Historie umfasst eine individuelle 'intrinsische' Pinq-ness, die als ein Attribut gezeigt
ist (H[i]-Pinq). Bei 60 zeigen wir im Überblick, dass die Pinq-ness
einer Historie durch Summieren der Pinq-ness jedes Elements und
dann durch Abziehen irgendwelcher Bekräftigungen, die gefunden werden,
berechnet wird. Dieses Summieren ist eine Näherung zu der Berechnung, die
durchgeführt
werden würde,
wenn jedes Element statistisch unabhängig wäre, d. h. (1 – das Produkt
von (1 – jeder
einzelnen Pinq-ness)). Bei unserem vereinfachten Beispiel werden
wir annehmen, dass die Pinq-ness jeder einzelnen Transaktion 1%
ist. Es ist jedoch bedeutsam anzumerken, dass die Pinq-ness eine einzelne
Transaktion in der Praxis auf unterschiedliche Werte abhängig von
der Art der Transaktion, des Vertragspartners und des Händlers sowie
auch der obigen verbundenen Umgebungselemente eingestellt werden könnte. Beispiele
von Faktoren, die berücksichtigt
werden können,
wenn ein Pinq-ness-Wert einer Transaktion zugewiesen wird, sind:
- a) eine Transaktion mit (sagen wir) einer bekannten
Bank könnte
weniger als mit einer bis jetzt unbekannten Firma sein;
- b) einige Elemente von Pinq-ness könnten mittels einer statistischen
Analyse von Handelsmustern abgeleitet werden, so dass Geschäfte, die
ungewöhnlich
waren, oder die für
den Händler
ungewöhnlich
waren, einen höheren
Grad von intrinsischer Pinq-ness von denjenigen zugewiesen werden
könnte,
die diese Eigenschaften nicht aufweisen (siehe Tabelle 6); oder
- c) die Stimme eines Händlers
könnte
aufgezeichnet und hinsichtlich Zeichen von Stress analysiert werden – wenn der
Händler
Zeichen von Stress aufweist, dann legt dies nahe, dass der Transaktion
ein hoher Pinq-ness-Wert
zugewiesen werden sollte.
-
Es
ist bedeutsam anzumerken, dass keine Transaktionen mit Null Pinq-ness
berücksichtigt
werden sollten. Bei 61 zeigen wir, wie der Bekräftigungswert
einer Historie berechnet wird, indem nach einzelnen Elementen gesucht
wird, die andere Elemente bekräftigen.
Bei 62a zeigen wir, wie der Abstand im „Zustandsraum" verwendet werden
kann. Das Verfahren Attraktivität
berechnet die Attraktivität
basierend auf einer Funktion des Abstands zwischen sich selber und
dem Gatten (die bei 1 maximiert ist). Bei 63 geben wir
ein Beispiel einer derartigen Bekräftigungsfunktion an: Wo wir
das Empfangen eines Abschlusses von einem gegebenen Vertragspartner
einer Summe betrachten, die genau mit dem Wert eines Abschlusses
als eine starke Bekräftigung übereinstimmt.
Bei 62 geben wir an, dass wir die Auswertung gleich der
Pinq-ness bei diesem Beispiel nehmen werden, obwohl es Argumente
zum Gewichten der Pinq-ness mit einem Risikowert und zum Verwenden
einer (kontinuierlich ansteigenden) Funktion der Pinq-ness für die Auswertung
gibt, um den Evolutionsprozess geeignet vorzuspannen. Bei 64 zeigen
wir, das bei diesem veranschaulichenden Beispiel ein Historie-Element
(class HistElt) aus einem Eintrag, einer Pinq-ness, einem Bekräftigungsattribut
(corrob) (anfangs 0) und einem Gesamt-PC (Pinq-ness Beitrag)-Attribut
zusammengesetzt ist (das von der Pinq-ness und dem Corrob-Attribut abgeleitet
werden könnte,
das jedoch zwecks einfacher Darstellung getrennt angezeigt werden könnte), und
bei 65 geben wir ein Beispiel einer Historie, die aus einem
Array von Historie-Elementen zusammengesetzt ist, die von 41 kommt.
-
Obwohl
der Gedanke intrinsischer Pinq-ness bei diesem veranschaulichenden
Beispiel passend ist, muss die Gesamt-Pinq-ness nicht auf diese
Art und Weise berechnet werden. Andere Vorgehensweisen, um Pinq-ness
zu schätzen,
würden
welche basierend auf der statistischen Bewertung der Gesamtheit
der Historie, möglicherweise
durch Bezug auf seine Umgebung und möglicherweise durch Bezug auf
die Positionen der Historie im Phasenraum, umfassen. Alternativ
könnte
eine stochastische Vorgehensweise für das Zuweisen von Pinq-ness
genommen werden, wobei einfache Programme Pinq-ness an Historien „feuern", wenn sie dabei
sind, ungünstige
Merkmale erfassen. Viele weitere Verbesserungen werden sich Fachleuten
offenbaren.
-
Wie
es Fachleuten bekannt sein wird, wird die Wahl der Verfahren zum
Definieren und Berechnen von Pinq-ness sowohl für den praktischen Wirkungsgrad
des Systems als auch für
die Arten von betrügerischen oder
fragwürdigen
Verhaltens empfindlich sein, das es erfassen kann. Bei dem folgenden
einfachen Beispiel bieten wir ein relativ einfaches Schema, wobei
jedoch Aufgaben und Verbesserungen ohne weiteres hinzugefügt werden.
Beispielsweise können
statistische Vorgehensweisen, um Pinq-ness zu bewerten, raffinierter
ausgeführt
werden, und verschiedene Aspekte des Verhaltens des Einhaltungsbeamten
können
beobachtet und gelernt werden (entweder durch genetische Algorithmus-Mittel, wie nachstehend
erläutert,
oder durch andere bekannte Mittel, wie beispielsweise Expertensysteme
oder neurale Netzwerke). Um die Rechenarbeitsbelastung zum Berechnen
von Pinq-ness zu verringern, kann es ebenfalls für einige der Algorithmen zum
Einstellen von Pinq-ness angemessen sein, auf einer stochastischen
Grundlage angewendet zu werden, wobei periodisch ausgewählte Elemente
der Züchtungspopulation
geprüft
und die Pinq-ness-Schätzungen
nach oben oder nach unten eingestellt werden. Dies könnte durch
mehrere parallele Routinen durchgeführt werden, die, falls notwendig,
gemäß dem Ausmaß ausgewählt werden,
mit der das Anwenden dieser Routinen bedeutende Unterschiede zu
der geschätzten
Pinq-ness machte.
-
Abhängig von
dem Grad der verfügbaren
Rechenressourcen werden verschiedene Maßnahmen notwendig oder wünschenswert
sein, um den Betrag des von dem System erkundeten „Suchraums" zu begrenzen. Beispielsweise
gibt es nur ein begrenzter wirtschaftlicher Wert beim Erfassen und
Verhindern von betrügerischem
Verhalten, das fern von dem Verhalten ist, dem sich tatsächlich einige
Händler
oder andere Angestellte der infrage kommenden Bank hingeben. Somit
wird die praktische Schlüsselfrage:
Welche Schritte könnten
in den nächsten
n Tagen von einem Händler
unternommen werden, die die Bank einem Risiko aussetzen könnten? Folglich
würde es
wünschenswert
sein, die Art und Weise zu beschränken, bei der die Paarungs-
und Mutationsfunktionen angewendet werden, um die Berücksichtigung
kurzzeitiger Fortsetzungen existierender Handelshistorien zu begrenzen.
Derartige Grenzen können
stochastisch angewendet werden, so dass es keine absolute Gewährleistung
gibt, dass ein Betrug, der für
die Ausführung
n + 1 Tage erfordert, nicht erfasst werden würde.
-
Es
ist offensichtlich, dass die Pinq-ness einer Handelshistorie ebenfalls
von dem Marktkontext und den allgemeinen Handelsbedingungen abhängen könnte. Beispielsweise
sind relativ große
Unterschiede zwischen den Preisen, bei denen Wertpapiere gekauft
und verkauft werden, weniger verdächtig, wenn die Märkte beträchtlich
schwanken, als wenn sie größtenteils
stabil sind. Praktische Implementierungen können derartige Kontextinformation
in die „Handelshistorien" codieren. Eine Möglichkeit
besteht darin, dass relevante Information über Handelsbedingungen als „Vorträge (recitals)" anstatt der „WHEREAS"-Paragraphen in legalen Dokumenten zu
codieren. Das Unterscheiden der relevanten Hintergrundinformation
ist ein nicht triviales technisches Problem, obwohl es für jeden
besonderen Handel nur eine begrenzte Anzahl von Märkten gibt,
bei denen es wahrscheinlich ist, dass deren Bedingungen bedeutsam
sind. Eine Möglichkeit
besteht für
das System darin, aus dem Verhalten von erfahrenden Einhaltungsbeamten,
d. h. durch Beobachten der Prüfungen,
die sie durchführen,
zu lernen, was die relevanten Marktbedingungen sind.
-
Tabelle
3 zeigt nun ein veranschaulichendes Beispiel des Anwendens des beschriebenen
Algorithmus auf einige einfache Daten. Wir nehmen zwecks Einfachheit
an, dass es nur einen Händler
und so nur eine reale Historie gibt, die diejenige ist, die bei
65 gezeigt ist. Wir werden annehmen, dass es zwei kultivierte Historien gibt,
und wir werden sie durch zufällige Überkreuzungen
von der realen Historie initialisieren, was C1 und C2 ergibt, die
bei 81 und 82 dargestellt sind. Wir werden dann Schritt 45 anwenden
und R1 mit C2 hybridisieren (zufällig
ausgewählt).
C3 bei 83 wird erhalten, nachdem die Reparatur-Heuristik ein zusätzliches „Trade(Fred, 10L,
$100)" entfernt
hat, das CC2 verletzt haben würde
(bei 44b). Durch Anwenden des Schritts 46 paaren
wir die Überkreuzung
C1 und C2, um C4 bei 84 zu erhalten, und einer Mutation als Schritt 47,
um C5 bei 85 zu ergeben. Für
den Identifikations-Schritt 49 werden wir für veranschaulichende
Zwecke annehmen, dass die IdentifyThreshold bei 49a 4%
ist, wobei in diesem Fall C4 bei 84 eine Pinq-ness über der
Schwelle aufweist. Dies veranlasst, dass sein was Exception-Attribut
auf Wahr gesetzt wird, und es wird an den Einhaltungsbeamten weitergeleitet,
um zu bestimmen, dass eine neue virtuelle Regel hinzugefügt werden
sollte. Er/sie kann entscheiden, dass eine neue Regel hinzugefügt werden
sollte, mit der Auswirkung, dass Geschäfte innerhalb einer bestimmten
Anzahl von Tagen abgeschlossen werden müssen (in der Praxis würde ein
solche erneut Regel fast mit Gewissheit in Kraft sein, wobei der
Punkt dieses sehr einfachen Beispiels darin besteht, eine einfache
Darstellung der Prinzipien zu geben. Genetische Algorithmen sind
bekannt, im Stande zu sein, relativ anzusteigen und mit sehr komplexen
Situationen fertig zu werden). Für
veranschaulichende Zwecke werden wir annehmen, dass eine neue virtuelle
Regel bei 86 hinzugefügt
wird. Wie es bei der Erläuterung
von 1 angegeben ist,
könnte
diese neue Regel dann verwendet werden, um alle realen Geschäfte abzutasten,
um sicherzugehen, dass keine verdächtig waren, und irgendwelche
Verletzenden zur Kenntnis der Einhaltung gebracht werden würden. Es
sei bemerkt, dass dies bedeutet, dass ein anderer Händler, der
nicht bestätigte
Geschäfte
ausgeführt
haben könnte,
als Ergebnis des Analysierens seines/ihres perfekt schuldlosen Kollegen
erwischt werden könnte.
Schließlich
wird der Auswahlschritt 52 durchgeführt, wodurch zwei der fünf kultivierten Historien
C1, C2, C3, C4 und C5 zufällig
zum Überleben
mit einer Wahrscheinlichkeit ausgewählt werden, die proportional
zu der Auswertung (score) ist (möglicherweise
mit einigen elitären
Einstellungen). Wir nehmen an, dass C2 und C4 überleben.
-
Bei
87 geben wir die Auswirkung der nächsten Hybridisierung, Paarungs-
und Mutationsschritte mittels einer kondensierten Schreibweise an,
bei der beispielsweise Trade (Fred, 10, 100) zu T10F100 wird, und
wobei die Elemente unterstrichen werden, die eine Bekräftigung
ungleich Null aufweisen. R1, C2 und Ce werden bei dieser kondensierten
Schreibweise zum Vergleich angegeben. Alle Elemente in den kultivierten
Historien erscheinen bei R1, da sie alle genetisch davon abgeleitet
werden und bei diesem vereinfachten Beispiel keine der genetischen
Operatoren neue Elemente einführen.
Dies würde
bei einem realen System nicht notwendigerweise der Fall sein, das
verschiedene weitere genetische Operatoren aufweisen könnte.
-
Tabelle
4 veranschaulicht eine Art und Weise, bei der statistische Eigenschaften
des Verhaltens der Händler
verwendet werden könnte,
um unterschiedliche anfängliche
Pinq-ness unterschiedlichen Grundaktionen zuzuweisen. 91 zeigt eine
fortlaufende kumulative Zählung,
die für
jeden Händler,
für jedes
Team und für die
Gruppe als Ganzes der Wahrscheinlichkeit (basierend auf beobachteten
Verhalten) eines Geschäfts
mit jedem Vertragspartner und von den mittleren und Standardabweichungen
der Größen des
Geschäfts
unterhalten wird. Basierend auf dieser Information kann die Pinq-ness
einer Transaktion mittels geeigneter Heuristiken eingestellt werden:
Wie es beispielsweise bei 92 dargestellt ist, könnte die Pinq-ness das. Mittel
der Händler-Pinq-ness,
der Team-Pinq-ness und der Gruppen-Pinq-ness sein, und jede von
diesen könnte,
wie es bei 93 vorgeschlagen wird, durch Hinzufügen der intrinsischen Pinq-ness
des Händlers
(oder des Teams oder der Gruppe, die auf der Anzahl zuvor angetroffenen
Einhaltungstreffern basiert sein könnte – und vorzugsweise algorithmisch
sein würde,
um zu vermeiden, dass sich Leute über „subjektive" Beurteilungen aufregen)
und des Vertragspartners, und Teilen durch die Wahrscheinlichkeit,
dass der Händler
mit dem Vertragspartner handelt, und der Wahrscheinlichkeit eines
Geschäfts
dieser Größe, die
beispielsweise auf der beobachteten mittleren und Standardabweichung
von vorherigen Geschäften
mit diesem Vertragspartner basieren. Diese Pinq-nesses könnten ebenfalls
basierend auf statistisch abgeleiteten Kurven von typischem Händlerverhalten eingestellt
werden. Derartige Statistiken würden
für die
Erfüllung
in jedem Fall interessant sein.
-
4 zeigt eine natürliche Erweiterung
der evolutionären
Aspekte des Grünhauses,
bei dem die durch das Regelungsmittel 29 entwickelten Einhaltungsregeln
durch Elefanten dargestellt werden. Jeder Elefant 94a–94g ist eine
potentielle Einhaltungsregel, und neue Elefanten werden (durch geeignete Überkreuzung
und Mutation und anderen Spezialisten-Algorithmen entlang der oben
in 3, 3A und 3B beschriebenen
Prinzipien) zufällig
mittels eines Züchtungsmittels 95 und
eines Wachstumsregelungsmittels 96 gezüchtet, wobei sie durch bei
Schritt 49 identifizierte Pinq-kultivierte Historien (wobei
das „Nahrungsmittel" an die Elefanten
verteilt wird, die vorzugsweise die Historie identifizieren würden), und
zu einem geringeren Ausmaß durch
Reparatur-Heuristik „gefüttert" werden, wenn sie
angewendet werden. Das Wachstums-Regelungsmittel 96 umfasst vorzugsweise
ebenfalls eine Quelle von „Gift", so dass Elefanten
nicht gezüchtet
werden, die einfach gute Historien mampfen, und für diesen
Zweck können
die realen Historien verwendet werden, vorausgesetzt, dass niedrige
Dosen des Giftes nicht fatal sind (so dass, wenn ein Elefant eine
reale Historie gefüttert
wird, die zufällig
eine Unregelmäßigkeit
enthält,
dies für
den Elefanten nicht fatal sein wird), und dies wird durch die Verknüpfung bei 97 zwischen
der Funktion 27 und der Funktion 96 angegeben.
Eine allgemeine Vorgehensweise für
die Evolution und Züchtung
derartiger Elefanten wird bei Michaelewicz, Kapitel 12, erläutert und
ist ein in der Literatur gut untersuchtes Thema. Eine Möglichkeit
würde für das Entscheidungsverfahren
des Elefanten sein, wie appetitanregend eine Historie war, um als
ein dem Elefanten zugeordnetes Java-Verfahren codiert zu sein, und
um genetische Operationen entlang der Prinzipien, die in Michaelewicz
enthalten sind, auf den Java-Code des Verfahrens anzuwenden. Die „Füttern (feeding)"- und „Vergiften
(poisoning)"-Funktionen tragen
zu einem „Gewichtungs
(weight)"-Parameter
bei. Sobald ein Elefant einen „Gewichtungs"-Faktor über einer
bestimmten Schwelle aufweist, dann würde er von dem Einhaltungsbeamten
inspiziert werden und in das „Wilde" entlassen werden,
um die reale Handelsumgebung zu überwachen – d. h.
bei dem Beispiel von 4 würde die
größte Einhaltungsregel 94g bei
VCP 25 und bei RCP 22 als eine weiche Einhaltungsregel
gespeichert werden. Die Verwendung von genetisch entwickelten „Elefanten" ist eine elegante
Vorgehensweise zu dem Thema des Entwickelns von neuen Einhaltungsregeln,
wobei es jedoch keineswegs die einzige ist, die geeignet sein würde, und
in jedem Fall ist es wahrscheinlich, dass manuelle Überwachung
erforderlich sein würde.
Sorgfältige Beachtung
würde der
Ausgestaltung jedes praktischen automatisierten Systems gegeben werden,
um sicherzustellen, dass die neuen virtuellen Einhaltungsregeln
alle identifizierten Fälle
mit hohem Pinq mit Prüfungs-
und Sicherheitsmaßnahmen
abdecken, um sicherzustellen, dass ein Computer-gebildeter Schurkenhändler nicht
auf eine Art und Weise die Entwicklung von Regeln (durch welche
Mittel auch immer) blockieren würde,
die seine/ihre bevorzugte Unregelmäßigkeit erfassen würde.
-
Die
vorliegende Erfindung bezieht sich auf ein Einhaltungssystem. Die
Prinzipien der Erfindung könnten
jedoch ebenfalls bei anderen Systemen implementiert sein, bei denen
das Auswahlmittel virtuelle Handelshistorien auswählt, die
einige andere Kriterien erfüllen.
Beispielsweise kann das Auswahlmittel legale geldmachende virtuelle
Handelshistorien besser auswählen,
die dann untersucht werden können,
um neue Handelsstrategien zur Verwendung bei dem realen Handelssystem
zu bestimmen. Ein Beispiel davon wird nachstehend mit Bezug auf 5 erläutert.
-
Bei
der raffiniertesten Ausführungsform
der vorliegenden Erfindung entwickelt das Grünhaus sowohl Einhaltungsregeln 94a–94g (Elefanten)
als auch Handelsverhalten 97a–97f (Tiger). Ähnliche
genetische Operatoren können
für die Überkreuzung
und Mutation dieser „Programme" verwendet werden,
wobei jedoch die für
die Auswahl verwendeten Fitness-Kriterien unterschiedlich sind.
Mit Bezug auf 9 überprüfen die
virtuellen Einhaltungsregeln 94 (d. h. Elefanten) Handelshistorien
bei 100. Wenn die Historie gemäß der virtuellen Einhaltungsregel 94 konform
ist (Schritt 101), dann wird, falls die Handelshistorie
einen hohen Pinq-ness-Wert aufweist
(Schritt 102), der Elefant „gefüttert" (Schritt 103). Andernfalls
wird der Elefant „vergiftet" (Schritt 104). Wenn
die Historie nicht konform ist (Schritt 101), dann wird,
wenn die Handelshistorie einen hohen Pinq-ness-Wert aufweist (Schritt 105),
der Elefant „gefüttert" (Schritt 106).
Andernfalls wird der Elefant 94 „vergiftet" (Schritt 107). Die Vergiftung
ist langsam, so dass eine oder zwei Dosen schwächen, jedoch nicht töten.
-
Tigern
wird andererseits ermöglicht,
bei dem VTP 24 zu handeln, wobei jeder entweder miteinander oder
vorzugsweise mit Darstellungen von Vertragspartnern 100a–100d handelt
(veranschaulichend als Büffel dargestellt.
Diese könnten
als genetische Algorithmen oder durch andere Mittel abgeleitet werden).
Mit Bezug auf 10 führen die
virtuellen Handelsverhalten (d. h. Tiger 97) virtuelle
Transaktionen 110 auf dem VTP 24 durch. Wenn die
virtuelle Transaktion Geld macht (Schritt 111), dann wird
der Tiger bei 112 „gefüttert", andernfalls wird
er bei 113 „vergiftet". Wenn die virtuelle
Transaktion konform ist (Schritt 112), dann wird der Tiger
bei 112 „gefüttert", andernfalls wird
er bei 113 „vergiftet". Der Grad der Vergiftung
hängt von
der Gewichtung der Einhaltungsregel ab, die gebrochen wurde.
-
Die
Tiger 97 können
ebenfalls ausdrücklich
aus der Beobachtung der Aktionen der Händler lernen, wie es in 11 dargestellt ist. Ein
realer Händler
initiiert eine Transaktion bei 120. Einer der Tiger 97 vorhersagt dann
bei 121, wie der reale Händler die Transaktion abschließen wird.
Wenn der Tiger 97 die Aktion des Händlers korrekt vorhersagt (Schritt 122),
dann wird der Tiger 97 bei 123 „gefüttert", andernfalls wird
der Tiger 97 bei 124 „vergiftet". Der Tiger 97 kann ebenfalls „gefüttert" werden, indem versucht
wird, weitere Aktionen eines realen Händlers vorherzusagen. Bevor
eine Transaktion durchgeführt
wird, kann ein realer Händler
eine Anzahl von Prüfungen
ausführen.
Beispielsweise könnte
er vorherrschende Preise in anderen Märkten prüfen, er könnte die Kreditfähigkeit
der Firma prüfen,
mit der zu handeln ist, oder er könnte Nachrichtenberichte von
dem Land der Firma prüfen,
mit der zu handeln ist.
-
Auf
diese Art und Weise, d. h. durch Vergleichen des durch den „Pet-Tiger" verkörperten
Verhaltens mit den Aktionen eines realen Händlers, wird ein Satz von „Pet-Tigern" 97 erzeugt,
die im Wesentlichen genetische algorithmische Darstellungen des
Verhaltens des Händlers
sind. Die „Pet-Tiger" werden dann mit
den Tigern in dem Grünhaus
hybridisiert, um eine weitere genetische Eingabe zu erzeugen, wobei
die Grundstruktur der verwendeten Algorithmen natürlich denjenigen
in 3 ähnlich sind.
Tiger könnten
ebenfalls verwendet werden, um Pinq-Handelshistorien zur Berücksichtigung
beim Entwickeln neuer Einhaltungsregeln zu erzeugen.
-
Ein
einfacher „Tiger" könnte implementiert
sein, wie es bei 151 gezeigt ist.
-
Bei
diesem einfachen Beispiel umfasst ein Tiger ein „Verfahren": Angebot annehmen (accept offer). Ein
vereinfachtes Beispiel, wie das Annahmeangebot implementiert sein
könnte,
wird bei 152 angegeben.
-
Dieser
sehr einfache Tiger umfasst zwei Preisschwellen, Kaufen & Verkaufen, und
wird handeln, wenn er eine Menge angeboten bekommt, die er legal
an einem Preis unter der Schwelle halten kann, oder wenn er nach
einer Menge gefragt wird, einen Preis über seiner Verkaufsschwelle
aufweist.
-
In
der Praxis würden
Tiger natürlich
beträchtlich
komplizierter sein, und könnten
neurale Netzwerke oder andere fortgeschrittene Techniken beinhalten.
Unterschiedliche Spezien von Tiger können koexistieren, wobei es
die Courtship-Funktion
unwahrscheinlich macht, dass das System versuchen würde, einen
Neurales-Netz-Tiger mit einem Tiger einer einfachen Entscheidungsregel
zu paaren (wobei es jedoch nicht notwendigerweise unmöglich sein
müsste).
-
Büffel werden
auf eine ähnliche
Art und Weise gezüchtet,
vorzugsweise mit einem Haufen von Pet-Büffeln, die jedem Vertragspartner
zugewiesen sind (gefüttert,
wenn sie korrekt die Aktionen des Vertragspartners wiederspiegeln,
vergiftet, wenn sie es nicht tun) und wobei der kultivierte Büffel auf
die gleiche Art und Weise gezüchtet
und mit den kultivierten Tigern handelt. Im Prinzip könnten sie
den gleichen Einhaltungsregeln unterworfen sein (Elefanten), wie
die Tiger, obwohl es in der Praxis weiser sein könnte, dass der Büffel nur
von realen Elefanten getrampelt, wohingegen Tiger ebenfalls von
kultivierten Elefanten getrampelt werden könnten.
-
Es
wird Fachleuten offensichtlich sein, dass es für die Handelshistorien der
Tiger möglich
sein würde, ebenfalls
als eine Quelle kultivierter Historien verwendet zu werden. Es würde möglich sein,
obwohl es nicht wünschenswert
sein kann, für
die genetischen Aspekte des Grünhauses
beim Kultivieren von Historien durch zoologische Funktionen ersetzt
zu werden, so dass anstatt des ausdrücklichen Züchtens von Historien wir nur das
Verhalten der realen Händler
und der Pet- und kultivierten Tiger beobachteten, und diese Historien
alleine verwendeten, um Pinq-ness
zu finden.
-
Analog
zu dem in 11 dargestellten
Konzept von „Pet-Tigern" können die
Einhaltungsregeln 94 (d. h. Elefanten) gezüchtet werden,
um genetische algorithmische Darstellungen des Verhaltens des menschlichen
Einhaltungsbeamten zu erhalten. Bei Schritt 130 überprüft der Einhaltungsbeamte
einen Satz von bei dem RTP 21 durchgeführter Transaktionen. Die Einhaltungsregeln 94 vorhersagen
dann bei 131, welche besonderen Transaktionen von dem Einhaltungsbeamten
weiter überprüft werden.
Wenn die Vorhersage korrekt ist (Schritt 132), dann wird
der „Pet-Elefant" 94 bei 133 gefüttert – oder andernfalls
bei 134 „vergiftet".
-
Der „Pet-Elefant" 94 kann
ebenfalls bei 135 Transaktionen in dem RTP 21 überprüfen. Wenn
der „Pet-Elefant" 94 eine
Nicht-Erfüllung
findet, dann wird der Einhaltungsbeamte bei 136 benachrichtigt.
Wenn die Transaktionen von Interesse sind (Schritt 137),
dann veranlasst der Einhaltungsbeamte, dass der „Pet-Elefant" bei 133 „gefüttert" wird – oder andernfalls
bei 134 „vergiftet" wird.
-
Die
Wahl von Schwellen zum Melden von Verhalten mit hoher scheinbarer
Pinq-ness bringt
die normalen technischen Themen über
falsche Alarme und Fehler vom Typ-1 und Typ-2 zur Sprache. Eine
Möglichkeit,
sich damit zu befassen, besteht darin, dass die Pet-Elefanten oder
ein anderes „Expertensystem" oder „neurales
Netz" die Art und
Weise beobachten, mit der Einhaltungsbeamte sich mit den zur Sprache
gebrachten Alarmen befassen, und diese Information verwenden, um
bessere Beurteilungen darüber
zu machen, ob ein Verhalten einer gegebenen Schwellen-Pinq-ness
tatsächlich
ausreichend ernst ist, um eine Berichterstattung zu vertreten, oder
um derartige Systeme zu verwenden, um Alarme angemessen zu klassifizieren.
-
ANHANG
-
Tabelle 1 – Vereinfachtes veranschaulichendes
Handelssystem
- 40
- Primitive
- 40a
- Trade
(c:counter, q:quantity, p:price) durch den Händler eingegeben
- 40b
- Settle
(c:counterparty, v:price) vom Back Office eingegeben
- 41
- Beispiel
- 41a
- W1[1]
Trade(Fred, 10L, 100) kaufe 10 Handelseinheiten von Fred zu $100
- 41b
- W1[2]
Trade(Geoff, -9L, 101) verkaufe 9 Handelseinheiten an Geoff zu $101.
- 41c
- W1[3]
Settle(Fred, $1,000) zahle Fred 10 × $100
- 41d
- W1[1]
Settle(Geoff, -$909) hole $909 von Geoff.
- 42
- Zustandsvariablen
- 42a
- Book:
quantity – Die
Anzahl zu einer beliebigen Zeit gehaltener Handelseinheiten
- 42b
- Balance
(c: counterparty) – Von
c/an c geschuldeter Gesamtbetrag
- 43
- Semantik
- 43a
- Trade(c,
q, p) -> Balance(c):=
Balance(c) + q*p; Book:= Book + q
- 43b
- Settle(c,
v) -> Balance(c):=
Balance(c) – v
- 44
- Anfängliche
Einhaltungsbeschränkungen
- 44a
- CC1:
abs(Book) <= MaxBook
- 44b
- CC2:
abs(Balance(c)) <=
CounterpartyLimit – eine
weitere Konstante.
-
Zwecks
Einfachheit MaxBook = 20 und Counterparty Limit = $2000.
-
Tabelle
2 – Pseudocode
für Hauptgrünhaus-Funktion
-
-
-
-
-
-
-
-
-
-
-
-
65
Eine Beispiel-Historie (abgeleitet von 41)
-
-
Pinq(W1) = 4% – 2 × (2% – 0,01%) = 0,02%
-
Tabelle
3 – Einfaches
ausgearbeitetes veranschaulichendes Beispiel
80. „Reale" Historie einschließlich der
bei jedem Schritt hinzugefügten
neuen Elemente angenommen
-
81.
Beispiel kultivierter Historie C1
-
82.
Beispiel kultivierter Historie C2
-
83.
Beispiel kultivierter Historie C3, erhalten durch Hybridisierungs-Überkreuzung
(R1, C2)
-
84.
Beispiel kultivierter Nachkommenschaft von der Überkreuzung (C2, C1)
-
85.
Beispiel mutierter Nachkommenschaft C5 von der Überkreuzung (C1, C1)
-
86. Neue virtuelle Regel
als ein Ergebnis von Schritten 50 und 51 hinzugefügt
-
CC3:
Jedes Geschäft
muss innerhalb von 5 Schritten, nachdem es durchgeführt wurde,
abgeschlossen werden.
-
1. Wirkung der nächsten Runde
in kondensierter Schreibweise (mit R1, C2 & C4 zum Vergleich angegeben)
-
- 87a R1:T10f100, T-9g101, Sf1000,Sg-909, T4f102, Sf408
- 87b C2:T10f100, T-9g101, Sf1000, T10f100, T-9g101, Sf1000
- 87c C4:T10f100, T-9g101, Sf1000, Sf1000, T4f102, T-9g101
- 87d C6:T10f100, T-9g101, Sf10000, Sf1000, Tf10f100, T-9g101,
Sf100
- 87c C7:T10f100, T-9g101, T-9g101, T-9g101
- 87f C8:T10f100, T-9g101, Sf1000, Sf408, Sg-909, T4f102, Sf408
- 87g C9:T10f100, Sf1000, Sg-909, T4f102, Sf1000, T-9g101, T9g101,
Sf100, T-9g101
-
88 Neue virtuelle Einhaltungsregel
hinzugefügt
-
CC4
Es sind keine Vorauszahlungen erlaubt.
-
Tabelle
4 – Statistische
adaptive Zuweisung von Pinq-ness
91 Laufende kumulative Summe
von Vertragspartnern
-
Es
sei bemerkt, dass bei diesem veranschaulichenden Beispiel die Handelsmuster
von Fred sehr konsistent sind, wobei jedoch der Händler viele
zusätzliche
Transaktionen mit Imogen durchführen
muss, und sie sind wesentlich größer als
der von seinem Team oder der Gruppe getätigte Durchschnitt. Dies kann
vollständig in
Ordnung sein, wobei es jedoch verständlicherweise die Pinq-ness
derartiger Transaktionen anhebt.
-
92 Veranschaulichendes
Beispiel einer Pinq-ness-Formel
-
-
Pinq(T:Trader, C:Counterparty, V:Value)
=
(BPinq(T, C, V) + BPinq(Team(T), (C, V) + Bpinq(Group(T),
C, V)/3
-
93
BPinq (X, C, V) = wobei X ein Händler,
ein Team oder eine Gruppe ist
wobei
IntrinsicPinq
die X oder C zugeordnete intrinsische Pinq-ness ist
p(X, C)
ist die beobachtete Wahrscheinlichkeit, mit der X mit C handelt
Mean(X,
C) ist die „Mittelwert"-Spalte für X von
C
Std(X, C) ist die „Standardabweichung"-Spalte für X für C
NormalProb
(v, m, s) ist die Wahrscheinlichkeit, dass v von einer Normalverteilung
von mean s und std s hergeleitet wird.
