KR20210058907A - 거래 스케줄 관리 시스템 - Google Patents
거래 스케줄 관리 시스템 Download PDFInfo
- Publication number
- KR20210058907A KR20210058907A KR1020217010978A KR20217010978A KR20210058907A KR 20210058907 A KR20210058907 A KR 20210058907A KR 1020217010978 A KR1020217010978 A KR 1020217010978A KR 20217010978 A KR20217010978 A KR 20217010978A KR 20210058907 A KR20210058907 A KR 20210058907A
- Authority
- KR
- South Korea
- Prior art keywords
- schedule
- portfolio
- asset
- module
- market
- Prior art date
Links
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 230000006399 behavior Effects 0.000 claims description 10
- 230000003278 mimic effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 claims 1
- 230000008447 perception Effects 0.000 claims 1
- 238000005309 stochastic process Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 8
- 230000004044 response Effects 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/067—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using optical means
- G06N3/0675—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using optical means using electro-optical, acousto-optical or opto-electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Neurology (AREA)
Abstract
자산 포트폴리오를 관리하기 위한 시스템 및 방법. 시스템은 현재 포트폴리오를 원하는 포트폴리오로 변환하는 상세한 거래 스케줄을 생성한다. 스케줄은 기계 학습을 사용하여 생성되고, 현재 포트폴리오, 원하는 포트폴리오, 실행 타임라인 뿐만 아니라, 사용자 공급된 제약을 포함하는 다수의 입력을 기초로 한다. 생성되면, 시스템은 하나 이상의 모델을 기초로 스케줄이 실현 가능한 주어진 시장 반응일지를 결정하기 위해, 하나 이상의 시장 모델을 사용하여 스케줄을 평가한다. 시스템은 가능한 최선의 스케줄에 도달할 때까지 생성/평가 루프를 반복한다. 덧붙여, 시스템은 거래를 실행할 때 사용될 중개인뿐만 아니라, 스케줄을 구현할 때 중개인이 사용할 수 있는 거래 알고리즘에 대한 권장사항을 제공할 수 있다.
Description
본 발명은 금융 자산의 관리에 관한 것이다. 더 구체적으로, 본 발명은 기계 학습의 도움으로 금융 자산 거래를 스케줄링, 관리 및 실행하기 위한 시스템 및 방법에 관한 것이다.
국부 펀드(sovereign wealth funds), 연금 펀드, 헤지 펀드(hedge funds) 등과 같은 구매측 자산 관리자는 투자자에게 직접적으로 투자 서비스를 제공한다. 투자자는 자산 관리자에게 퇴직 소득과 같은 높은 수준의 목표, 및 손실 허용 범위 및 자산 클래스 할당과 같은 제약을 제공한다. 그 후, 자산 관리자는 고객의 자산을 투자할 어느 특정한 증권(securities)을 결정한다. 구매측 기업은 투자자로부터 들어오는 새로운 현금을 투자하고, 투자자에 의해 제공된 투자 권한(investment mandates) 내에 있도록 정기적으로 그의 포트폴리오(portfolios)를 재조정해야 한다. 자산 관리자가 무엇을 거래할지를 결정하면, 이는 판매측 주식 중개인 회사(sell side stock broker firms)에 거래 지침(trading instructions)을 제공한다. 거래 지침은 통상적으로, "5일에 걸쳐 애플(Apple)의 주식(shares) 100,000주를 구매"와 같이 상대적으로 높은 수준이다. 자산 관리자는 보통, 주문이 전달되는 주식 중개인(stock brokers)을 선택한다. 각 주식 중개인은 하나 이상의 거래소에서 그의 각각의 주문을 실행한다.
상상될 수 있는 바와 같이, 자산 관리자, 투자자 및 대형 금융 기관은 자산 거래의 재조정, 관리 및 실행에 수반되는 프로세스를 최적화하기를 원한다. 문제를 고려할 때, 보통 상당히 많은 사정이 고려된다. 투자자 및 관리자에 의해 부과되는 제약이 해결되어야 할 뿐만 아니라, 어느 중개인을 사용할지에 대한 질문도 해결되어야 한다. 덧붙여, 타이밍, 자산의 수량 및 이러한 자산에 대한 구매/판매 가격도, 어느 전략이 사용되든지 고려되어야 한다.
지난 10년에 걸친 알고리즘 거래 전략의 개발은 판매측 특히, 대규모 투자 은행에 불균형적으로 집중되었다. 투자 은행은 알고리즘에 의해 제공되는 효율성 절감을 활용하기 위한 리소스 및 직접적인 인센티브를 갖는다. 결국, 구매측 기업은 거래의 전체 비용에 대해 상대적으로 모호하게(dark) 유지되고 있다. 이는 주로, 이 비용을 투자자에게 다시 매우 상세하게 보고하지 않아도 되었기 때문이다. 따라서, 자산 관리측 뿐만 아니라, 구매측의 요구를 해결하는 시스템 및 방법에 대한 요구가 있다.
본 발명은 자산 포트폴리오를 관리하기 위한 및 방법을 제공한다. 시스템은 현재 포트폴리오를 원하는 포트폴리오로 변환하는 상세한 거래 스케줄을 생성한다. 스케줄은 기계 학습을 사용하여 생성되고, 현재 포트폴리오, 원하는 포트폴리오, 실행 타임라인(execution timeline) 뿐만 아니라, 사용자 공급된 제약을 포함하는 다수의 입력을 기초로 한다. 생성되면, 시스템은 하나 이상의 모델을 기초로 스케줄이 실현 가능한 주어진 시장 반응일지를 결정하기 위해, 하나 이상의 시장 모델을 사용하여 스케줄을 평가한다. 시스템은 가능한 최선의 스케줄에 도달할 때까지 생성/평가 루프를 반복한다. 덧붙여, 시스템은 거래를 실행할 때 사용될 중개인뿐만 아니라, 스케줄을 구현할 때 중개인이 사용할 수 있는 거래 알고리즘에 대한 권장사항을 제공할 수 있다.
제1 양상에서, 본 발명은 금융 자산의 포트폴리오를 관리하는 데 사용하기 위한 시스템을 제공하고, 시스템은:
- 입력 데이터를 수신하기 위한 입력 모듈 - 상기 입력 데이터는:
- 현재 포트폴리오의 자산에 대한 세부사항을 포함하는 현재 포트폴리오 데이터;
- 원하는 포트폴리오의 자산에 대한 세부사항을 포함하는 원하는 포트폴리오 데이터;
- 상기 현재 포트폴리오가 상기 원하는 포트폴리오로 변환되는 적어도 실행 시간 윈도우에 대한 세부사항을 포함하는 실행 시간 데이터;
- 상기 현재 포트폴리오를 상기 원하는 포트폴리오로 변환할 때 따라야 하는 제약을 상세히 설명하는(details) 포트폴리오 관리 제약을 포함함 -;
- 상기 입력 데이터를 수신하는 관리 스케줄러 모듈 - 상기 스케줄러 모듈은 자산 관리 스케줄을 생성하기 위한 것이고, 상기 자산 관리 스케줄은 상기 현재 포트폴리오 및 상기 원하는 포트폴리오에서 상기 자산을 구매하고 판매하기 위한 제한을 포함함 -;
- 하나 이상의 특정 작업의 실행을 위한 상기 자산 관리 스케줄의 적합성에 기초하여 상기 자산 관리 스케줄을 평가하기 위한 평가기 모듈을 포함하고;
여기서
- 상기 하나 이상의 특정 작업은 상기 현재 포트폴리오의 상기 자산과 상기 원하는 포트폴리오의 상기 자산 사이의 자산 가치 차이의 증가의 최적화를 포함하고;
- 상기 스케줄은 상기 실행 시간 윈도우를 특정 시간 단위로 세분화하고, 상기 스케줄은 특정 시간 단위 내에 구매되거나 또는 판매될 하나 이상의 자산을 상세히 설명한다.
제2 양상에서, 본 발명은 금융 자산 포트폴리오를 관리하기 위한 방법을 제공하며, 방법은:
- 적어도 하나의 자산 타입, 대응하는 포트폴리오 가중치 엔벨로프(portfolio weight envelope) 및 대응하는 실행 타임라인을 포함하는 거래 주문을 수신하는 것;
- 적어도 하나의 자산 타입에 대한 포트폴리오 가중치 엔벨로프를 원하는 자산 수량 엔벨로프로 변환하는 것;
- 타임라인을 적어도 하나의 특정 시장에 대한 복수의 예상된 거래 세션으로 나누는 것;
- 원하는 자산 수량 엔벨로프를 다수의 예상된 거래 세션 간에 분산시키는 것; 및
- 적어도 하나의 중개인에게 적어도 하나의 지침을 발행하는 것 - 상기 적어도 하나의 지침은 복수의 거래 기간 중 적어도 하나 동안 거래될 적어도 하나의 분산된 수량을 나타냄 -을 포함한다.
본 발명은 이제, 다음 도면을 참조로 설명될 것이며, 여기서 동일한 참조번호는 동일한 요소를 나타낸다:
도 1은 본 발명의 일 양상에 따른 시스템의 블록도이다;
도 2는 도 1에 도시된 것과 유사한 시스템의 다른 블록도이다; 및
도 3은 본 발명의 다른 양상에 따른 방법의 단계를 상세히 설명하는 흐름도이다.
도 1은 본 발명의 일 양상에 따른 시스템의 블록도이다;
도 2는 도 1에 도시된 것과 유사한 시스템의 다른 블록도이다; 및
도 3은 본 발명의 다른 양상에 따른 방법의 단계를 상세히 설명하는 흐름도이다.
일 양상에서, 본 발명은 금융 자산을 관리하기 위한 시스템 및 방법을 제공한다. 일 구현에서, 시스템은 사용자로부터 현재 자산 포트폴리오, 원하는 자산 포트폴리오, 현재 자산 포트폴리오로부터 원하는 자산 포트폴리오를 변환하거나 생성하는데 필요한 거래에 관한 제약, 및 이를 달성하기 위한 시간 윈도우에 대한 입력을 수신함으로써 자산 포트폴리오를 재조정(rebalancing)하는 데 사용된다. 시스템은 시간 윈도우를 더 작은 시간 단위로 나누는 상세한 스케줄, 시간 윈도우 내의 어느 시간 단위에서 어느 자산을 판매할지, 시간 윈도우 내의 어느 시간 단위에서 어느 자산을 구매할지, 자산을 구매 또는 판매할 때 어느 자산 거래소를 사용할지의 세부사항, 및 구매/판매 지침이 실행될 가격 제한을 생성할 수 있다. 스케줄은 또한, 어느 거래소가 자산 구매/판매 트랜잭션(transactions)에 사용될지를 포함할 수 있다. 일 대안에서, 스케줄은 또한, 어느 중개인이 및 어느 거래 알고리즘이 어느 트랜잭션에 대해 사용될지를 상세하게 설명할 수 있다. 결과적인 스케줄은 승인을 위해 사용자에게 전송된다. 승인되면, 스케줄의 관련 부분이 실행을 위해 관련된 중개인에게 전송된다.
스케줄이 생성되면, 이 생성된 스케줄은 전체 컨텍스트(context), 자산의 가격 및 예상된 자산 구매량/판매량을 기초로 평가된다는 점이 유의되어야 한다. 스케줄이 원하는 최종 결과, 적합한 가치 자산을 갖는 적합한 원하는 포트폴리오를 생성하는지 결정하기 위해 평가가 수행된다. 이 평가는 생성된 스케줄로 거래될 때 시장 또는 거래소 행동을 모방하거나 또는 복제하려는 하나 이상의 모델을 기초로 할 수 있다. 평가가 올바른 기준에서 수행됨을 보장하기 위해, 현재 및 원하는 포트폴리오 및 위에서 언급된 제약을 포함하여 사용자에 의해 입력된 입력 데이터가 이 평가에 사용될 수 있다. 평가가 생성된 스케줄이 불충분하거나 또는 원하는 요건을 충족하지 않는 것으로 입증하면, 피드백 루프는 수정된 스케줄이 생성되게 한다. 입력 데이터 및 상기 데이터의 컨텍스트를 기초로 가능한 최선의 스케줄을 생성하기 위해, 평가기로부터의 피드백을 사용하여 새롭거나 또는 수정된 스케줄이 반복적으로 생성된다. 구현에 의존하여, 평가는 또한 아래에 상세히 설명되는 바와 같이 적어도 하나 이상의 시장 조건 입력을 기초로 수행될 수 있다.
스케줄의 생성을 보조하기 위해, 시스템은 하나 이상의 자산 거래 시장 또는 거래소의 조건을 상세히 설명하는 시장 조건 입력을 수신할 수 있다. 따라서, 이들 조건은 스케줄을 생성하거나 또는 생성된 스케줄을 평가할 때 사용될 수 있다. 시장 조건 입력은 모니터링되는 실제 시장(들) 또는 거래소(들)로부터의 실시간 입력이거나 또는 거의 실시간 입력일 수 있다. 대안적으로, 시장 조건은 이러한 시장 또는 거래소의 시뮬레이션의 결과일 수 있다. 따라서, 적합한 시장/거래소 시뮬레이터는 시스템에 시장 상황에 대해 필요한 입력을 제공하는데 필요한 데이터를 제공할 수 있다. 시장 조건 입력이 단일 시장/거래소로 제한될 수 있거나, 또는 다수의 시장 또는 거래소에 대한 조건을 상세히 설명할 수 있음이 명백해야 한다.
위에서 언급된 바와 같이, 거래를 실행할 때 사용할 중개인 또는 중개인들의 선택이 중요할 수 있다. 중개인의 수수료의 비용 인자는 재조정 전략의 실행의 효율에 영향을 미칠 뿐만 아니라, 이전의 거래 또는 트랜잭션에서 중개인의 과거 성과도 스케줄 내에서 거래를 성공적으로 실행하는 가능성의 지표로서 사용될 수 있다. 따라서, 생성된 스케줄에 따라 자산의 판매/구매를 실행하도록 중개인 또는 중개인들을 권장하는데 도움을 주기 위한 중개인 선택 모듈이 시스템에 존재할 수 있다. 사용할 하나 이상의 중개인을 추천하는 것에 부가하여, 시스템은 어느 중개인의 거래 알고리즘이 다양한 거래를 실행할 때 가장 유리할 수 있는지에 대한 권장사항을 제공할 수 있다. 권장사항을 지원하기 위해, 중개인 선택 모듈은 다수의 중개인, 그들의 과거 트랜잭션, 이들 트랜잭션의 결과, 특정 중개인을 통한 자산 판매 비용 및 자산 구매 비용에 관한 세부사항 및 데이터 뿐만 아니라, 이들 중개인에 의해 사용되는 거래 알고리즘에 대한 데이터를 포함하는 데이터베이스에 결합될 수 있다. 이 거래 알고리즘의 상세한 히스토리 뿐만 아니라, 이 알고리즘의 성과도 데이터베이스에 저장될 수 있다. 시스템은 아마도 중개인 선택 모듈을 통해, 데이터베이스의 데이터에 액세스할 수 있으며, 각 중개인의 히스토리, 비용 및 성과뿐만 아니라 그의 거래 알고리즘을 분석함으로써, 어느 중개인 또는 중개인들을 사용할지에 대한 권고사항을 제공할 수 있다. 또한, 시스템은 각 중개인에 대해 어느 알고리즘을 사용할지를 권장할 수 있다.
상세한 스케줄이 생성되고 적합한 것으로 평가되면, 스케줄은 적합한 GUI(그래픽 사용자 인터페이스) 또는 API(응용 프로그래밍 인터페이스)를 통해 사용자에게 송신된다. 그 후, 사용자는 스케줄을 수락하거나 거부할 수 있다. 사용자가 스케줄을 수락하면, 스케줄은 실행을 위해 선택된 중개인에게 전송될 수 있다. 물론, 스케줄이 거부되면, 사용자는 스케줄을 수정/조정하고, 추가적인 작업을 위해 스케줄을 시스템에 다시 전송할 수 있다.
도 1을 참조하면, 본 발명의 일 양상에 따른 베이스 시스템의 블록도가 도시된다. 도 1에서 관찰될 수 있는 바와 같이, 시스템(10)은 현재 포트폴리오 데이터(30), 원하는 포트폴리오 데이터(40), 실행 시간 데이터(50) 및 제약(60)을 포함하는 입력 데이터를 수신하는 입력 모듈(20)을 포함한다. 현재 포트폴리오 데이터(30)는 적어도 이들 자산의 신원 및 아마도 이러한 자산의 가격을 포함하는, 현재 포트폴리오의 자산에 대한 세부사항을 제공한다. 유사하게, 원하는 포트폴리오 데이터(40)는 원하는 포트폴리오의 자산에 관한 세부사항을 제공한다. 실행 시간 데이터는 현재 포트폴리오가 원하는 포트폴리오로 변환/조정되는 시간 프레임을 제공한다. 실행 시간 데이터는 최소한 변환이 달성될 기한, 또는 실행 시간 윈도우가 나누어질 타임라인 또는 시간 단위들(예를 들어, 며칠, 어느 시간 단위로의 분할, 큰 시간 단위 당 얼마나 많은 작은 단위 등)을 제공할 수 있다. 따라서, 예시로서, 실행 시간 데이터는 10일의 근무일 또는 거래일의 시간 윈도우가 100개의 시간 단위로 나누어질 것이고, 가령, 다수의 거래/판매/구매가 시간 단위마다 수행되어야 함을 상세히 설명할 수 있다.
또한, 입력 데이터에는 현재 포트폴리오를 원하는 포트폴리오로 변환하는 데 필요한 거래를 실행할 때 고수되어야 하는 제약이 포함된다. 임의의 수의 제약이 입력될 수 있으며, 이 제약은 현재 포트폴리오의 원하는 포트폴리오로의 변환의 임의의 양상에 관련될 수 있다. 제약은 위험 수준, 입찰-요청 스프레드(bid-ask spread), 판매/구매될 자산의 양 및 자산 랏 크기(asset lot size)에 관련될 수 있다. 추가적인 예시로서, 제약은 상기 원하는 포트폴리오에서의 적어도 하나의 특정 자산에 대한 최대 구매 가격, 상기 현재 포트폴리오에서의 적어도 하나의 특정 자산에 대한 최소 판매 가격, 트랜잭션 당 구매될 자산의 최대 수, 트랜잭션 당 판매될 자산의 최소 수, 트랜잭션 당 판매될 자산의 최대 수 및 트랜잭션 당 구매될 자산의 최소 수를 포함할 수 있다. 다른 제약은 시장에서 이용 가능한 자산량 당 참여율 및 상대적인 거래량과 관련될 수 있다. 유사하게, 제약은 시간 단위 당 또는 하루 당 또는 거래 기간 당 판매/구매될 자산의 수량에 관련될 수 있다. 유사하게, 구현이 중개인 선택 모듈을 포함하는 경우, 제약은 중개인에 의해 청구된 트랜잭션 당 가격, 선택될 중개인에 요구되는 최소 성과 수준, 선택될 거래 알고리즘의 최소 성과 수준 뿐만 아니라, 포트폴리오 변환을 위한 중개인의 수수료의 최대 비용에 대한 제한을 포함할 수 있다.
입력 데이터가 입력 모듈(20)에 입력되고, 입력 데이터가 시스템에 의해 사용하기에 적합하도록 적절하게 포맷되고 처리되면, 입력 데이터는 거래 스케줄러 모듈(70)로 전송된다. 그 후, 거래 스케줄러 모듈(70)은 입력 데이터를 취하고, 그 데이터를 분석하고, 스케줄을 생성한다. 거래 스케줄러 모듈(70)은 스케줄을 생성하기 위해 신경망, 동적 프로그래밍, 제한 최적화 방법, 시계열 예측, 전송 학습, 베이지안 추론(Bayesian inference) 및/또는 강화형 학습(reinforcement learning)의 조합에 기초한 알고리즘/방법을 사용할 수 있다. 모듈(70)은 거래 실행 시간 윈도우 내에 각 거래 세션에 대한 자산을 최적으로 구매하거나 판매하기 위한 스케줄을 생성하기 위한 다양한 방법 및 수단을 사용할 수 있다. 따라서, 예시로서, 시간 윈도우가 5일이면, 모듈은 자산의 모든 필요한 판매 및 구매가 5일의 시간 윈도우 내에 완료될 때까지, 주식 x 1 의 x 주가 1일차에 판매되게 하고, y 1 의 y 주가 2일차에 구매되게 하는 등임을 결정할 수 있다. 상상할 수 있는 바와 같이, 거래 스케줄러 모듈(70)은 자산 거래의 어느 것 또는 전체의 시장 영향을 평가하는 적합한 시장 영향 모델을 고려할 수 있다. 이러한 모델은 또한, 포트폴리오의 가치의 최적의 변경이 달성됨(즉, 현재 포트폴리오의 자산과 원하는 포트폴리오의 자산 간의 가치 증가가 최대화됨)을 보장하도록 스케줄을 조정하는 데 사용할 수 있다. 덧붙여, 거래 스케줄러 모듈(70)은 거래의 각각이 야기하는 위험을 모방하거나 또는 예측하는 하나 이상의 적합한 위험 모델을 고려할 수 있다. 원하는 위험 프로필에 의존하여, 위험이 최소화되거나, 또는 이는 필요한 경우 위험 모델을 기초로 조정될 수 있다.
거래 스케줄러 모듈(70)의 기능의 일부로서 입력 데이터가 일관성을 위해 검사될 수 있다는 것이 명백해야 한다. 가령, 제약은 제약이 서로 모순되지 않음을 보장하기 위해 거래 스케줄러 모듈(70)에 의해 검사될 수 있다. 뿐만 아니라, 거래 스케줄러 모듈(70)은 또한, 스케줄이 입력된 다양한 제약을 고수하는지를 보장하기 위해 생성된 스케줄을 검사하는데 사용될 수 있다.
스케줄이 생성되면, 이 스케줄은 다수의 시장/거래소 모델의 도움으로 다수의 기준을 사용하여 스케줄을 평가하는 평가기 모듈(80)에 의해 평가된다. 평가기 모듈(80)은 생성된 스케줄이 (가능한 경우) 다양한 제약에 적합한지를 결정한다. 또한, 평가기 모듈은 시장 조건, 의도된 사용에 대한 적합성(예를 들어, 스케줄이 짧은 시간에 너무 많은 양의 특정 자산에서의 거래를 상세히 설명하면, 이는 상기 자산의 상기 가격에 부정적인 영향을 미칠 수 있음), 및 최종적으로 원하는 포트폴리오를 생성하는지와 같은 전체 컨텍스트를 고려하여 스케줄을 평가한다. 위에서 언급된 바와 같이, 평가기 모듈은 거래소/시장 행동에 대한 하나 이상의 모델을 기초로 생성된 스케줄을 평가할 것이다.
생성된 스케줄이 평가기 모듈(80)에 의해 어떤 식으로든 불충분하거나 또는 부족한 것으로 평가되면, 평가기 모듈(80)로부터의 피드백은 거래 스케줄러 모듈로 다시 전송되고, 이전 스케줄은 폐기되거나 또는 스케줄러 모듈로 다시 전송된다. 그 후, 거래 스케줄러 모듈(80)은 피드백에 기초하여 업데이트되는, 업데이트된 스케줄을 생성하기 위해, 피드백(또는 이전에 생성된 스케줄)을 사용한다. 이 반복적인 프로세스는 평가기 모듈이 반복된 스케줄이 만족스러운 것으로 평가할 때까지 계속된다(즉, 스케줄은 스케줄러가 스케줄을 개선할 수 없을 때 입력 데이터, 제약, 컨텍스트 및 시장 조건을 고려한 가능한 최선의 스케줄이다). 구현에 의존하여, 생성된 스케줄이 제약을 준수하는지에 대한 평가는 평가기 모듈 또는 거래 스케줄러 모듈에서 발생할 수 있다.
스케줄이 평가되고 수용 가능한 것으로 간주되면(아마도 거래 스케줄러 모듈과 평가기 모듈 사이의 다수의 반복 이후), 생성된 스케줄은 GUI 또는 API(90)를 통해 사용자에게 전달된다. 그 후, 사용자는 생성된 스케줄의 그 또는 그녀 자신의 평가를 수행한다. 승인(100)시, 스케줄은 하나 이상의 중개인(110)에게 전송되고, 중개인 또는 중개인들은 스케줄에 따라 실행한다. 스케줄이 수정을 필요로 하는 경우, 사용자는 스케줄을 수정하고 이전 버전의 스케줄(120)을 거부한다. 그 후, 사용자 수정된 스케줄은 추가적인 수정을 위해 거래 스케줄러 모듈(70)로 다시 반환되고, 새로운 스케줄이 생성된다.
도 2를 참조하면, 더욱 강력한 버전의 시스템이 예시된다. 이 버전에서, 현재 시장 조건 입력이 거래 스케줄러 모듈(70)에 의해 수신되고 사용됨에 따라, 더욱 정확한 스케줄이 생성된다. 또한, 이 버전의 시스템은 그 중개인을 통해 어느 거래 알고리즘을 사용할지와 함께, 어느 중개인 또는 중개인들을 사용할지에 대한 권장사항을 생성한다.
도 2에서, 거래 스케줄러 모듈(70)은 시장 상황 모듈(130)로부터 시장 조건 입력을 수신한다. 시장 상황 모듈(130)은 시장 행동 또는 거래 행동을 모방하거나 복제하도록 설계된 다양한 모델을 사용하여 시장 조건을 나타내는 입력을 생성하는 데 사용될 수 있다. 따라서, 시장 행동을 모방하기 위해 어느 모델을 사용하기를 원하는지에 의존하여, 시장 상황 모듈(130)은 거래 스케줄러 모듈(70)에 대한 시장 조건 입력으로서 사용될 수 있는 적합한 데이터를 생성할 수 있다. 대안적으로, 시장 상황 모듈(130)은 시장 조건 입력으로 사용될 수 있는 데이터를 생성/포맷하는데 도움을 주는 데이터를 수신할 수 있다. 이를 위해, 모듈(140)은 시장 조건 입력으로 전환될 수 있는 이러한 데이터를 생성한다. 이 모듈(140)은 기존의 시장 및/또는 거래소로부터 데이터를 수신하도록 실시간 데이터 기반이거나 또는 거의 실시간 데이터 기반일 수 있다. (가능하면 특정 자산의 가격, Dow Jones Industrial Average, NASDAQ 종합 지수 또는 FTSE 100 지수와 같은 특정 지수의 가치를 포함하는) 이 데이터는 모듈(140)에 의해 수신되고, 그 후 패키징되고, 시장 상황 모듈(130)로 전송되도록 포맷된다. 그 후, 시장 상황 모듈(130)은 시장 조건 입력으로서 사용되는, 모듈(140)로부터 수신된 데이터를 기초로, 데이터 세트를 생성한다.
다른 대안에서, 다양한 실세계 거래소 및/또는 시장으로부터 실세계 데이터를 수신하는 것 대신에, 모듈(140)은 이러한 시장/거래소 데이터를 그 자신이 생성할 수 있다. 이는 다른 방식으로 다양한 거래소/시장에 대해 수신될 데이터를 생성하는 시뮬레이터와 모듈(140) 내에 시뮬레이터 서브 모듈을 가짐으로써 행해질 수 있다. 시뮬레이터에 의해 생성되거나 모듈(140)에 의해 수신된 데이터가 평가기 모듈(80)이 생성된 스케줄을 평가하는 컨텍스트의 일부를 형성한다는 것이 명백해야 한다. 이는 생성된 스케줄이 우선 이를 생성하는데 사용된 데이터/조건과 내부적으로 일치한다는 것을 보장할 것이다.
또한, 도 2에서 시스템은 스케줄에서 자산 거래/판매/구매를 실행할 때 사용될 특정 중개인에 대한 권장사항을 생성한다는 점이 명백해야 한다. 평가기 모듈(80)이 생성된 스케줄을 승인하면, 이 스케줄은 GUI/API(90)를 통해 사용자에게 전송된다. 별도로 하지만 병렬로, 평가기 모듈(80)은 승인된 스케줄을 중개인 선택 모듈(150)로 전송한다. 그 후, 중개인 선택 모듈(150)은 승인된 스케줄을 수신하고, 스케줄의 데이터를 기초로 스케줄에 나열된 자산 거래를 실행하기에 가장 적합한 중개인 또는 중개인들에 대한 권장사항을 생성한다. 이는 다양한 중개인의 트랜잭션의 이전 기록, 스케줄에 나열된 특정 타입의 거래, 스케줄에서의 거래량, 스케줄에서의 거래의 타임라인, 특정 중개인을 사용하는 것과 연관된 비용(예를 들어, 특정 중개인에 대한 거래 당 비용 또는 각 중개인에 의해 청구되는 수수료) 및 각 중개인이 스케줄에서의 거래에 사용할 수 있는 알고리즘 중 적어도 하나를 평가함으로써 행해질 수 있다. 그 후, 하나 이상의 중개인을 선택하기 위한 분석 및 기준을 기초로(예를 들어, 중개인의 수수료를 최소화하는 것, 시간 단위 당 거래를 최대화하는 것, 중개인에 의해 사용되는 알고리즘의 적합성, 하나 이상의 관련된 거래소에서 거래의 적합한 과거 히스토리 등), 중개인 선택 모듈(150)은 생성된 스케줄에서 거래를 실행하도록 권장되는 하나 이상의 중개인을 출력한다. 덧붙여, 중개인 선택 모듈(150)은 또한, 생성된 스케줄에 상세히 설명된 바와 같이 거래/재조정 전략의 실행을 위해 어느 중개인에 의해 어느 알고리즘이 사용되는지를 출력할 수 있다.
위로부터, 중개인과 그의 거래 알고리즘에 대한 권고사항을 생성하기 위해, 중개인 선택 모듈(150)은 각 중개인의 거래 히스토리 뿐만 아니라, 각 중개인에 의해 사용되는 알고리즘의 각각에 대한 히스토리의 데이터베이스에 액세스한다는 것이 명백해야 한다. 그 후, 모듈(150)은 그것의 권장사항을 중개인의 히스토리, 다양한 알고리즘의 히스토리 뿐만 아니라, 생성된 스케줄의 콘텐츠에 기초할 수 있다.
선택된 중개인의 목록이 GUI/API(90)로 송신되면, 사용자는 승인된 스케줄뿐만 아니라, 중개인에 대한 권장사항을 평가할 수 있다. 물론, 사용자는 이들 권장사항뿐만 아니라, 생성된 스케줄의 세부사항을 수락하거나 거부할 수 있다. 사용자는 GUI/API(90)를 통해 수신된 데이터의 일부 또는 전체를 거부 및/또는 수정할 수 있다는 점에 유의해야 한다. 사용자가 중개인/알고리즘 권장사항 및 생성된 스케줄 모두를 승인하면, 사용자는 이 자료를 승인하고 실행을 위해 선택된 중개인에게 이를 전달할 수 있다. 하지만, 사용자가 생성된 스케줄을 승인하지 않고 입력 데이터에서 설명된 파라미터를 수정하여 제약 중 하나 이상 및/또는 포트폴리오 데이터를 변경하면, 수정된 파라미터(및 가능하면 스케줄)가 다시 거래 스케줄러 모듈(70)로 전송된다. 거래 스케줄러 모듈(70)은 수정된 파라미터에 기초하여(즉, 수정된 입력 데이터의 세트에 기초하여) 새로운 스케줄을 생성한다. 하지만, 입력 데이터(즉, 제약 및 포트폴리오 데이터)가 크게 변경되지 않고 새로운 스케줄이 생성될 필요가 없도록, 사용자가 스케줄 및/또는 파라미터의 일부만을 수정하면, 수정된 스케줄은 실행을 위해 중개인에게 전달하도록 허용될 수 있다. 유사하게, 사용자가 생성된 스케줄을 승인하지만 중개인 및/또는 알고리즘 권장사항을 승인하지 않으면, 이 피드백은 새로운 중개인/알고리즘이 선택될 수 있도록 중개인 선택 모듈(150)로 전송된다. 하지만, 이미 승인된 스케줄은 거래 스케줄러 모듈로 다시 전송되지 않으며, 적합한 중개인/알고리즘이 권장될 때까지만 일시적으로 보류된 상태로 유지된다. 적합한 중개인/알고리즘이 선택되면, 승인된 스케줄은 실행을 위해 상기 선택된 중개인에게 송신될 수 있다. 구현에 의존하여, 거래 스케줄러 모듈(70)은 만족스러운/적합한 스케줄을 찾을 수 있는지를 결정할 수 있도록 제약을 충분히 인지하도록 구성될 수 있다. 이러한 구현을 위해, 평가기 모듈은 생성된 스케줄이 어떻게 수행될지에 대한 수치적인 추정을 제공하는데 사용된다.
또한, 입력 데이터가 필요한 중개인의 수뿐만 아니라, 이로부터 얼마나 많은 중개인을 선택할지를 상세히 설명할 수 있다는 것이 명백해야 한다. 또한, 이 입력 데이터는 트랜잭션 당 얼마나 많은 자산(즉, 랏 크기)이 거래/판매되는지, 현재 포트폴리오 및 원하는 포트폴리오 모두에서의 자산의 각각의 신원, 현재 및 원하는 포트폴리오 모두에서 각 자산의 크기 또는 수, 및 현재 포트폴리오 및 원하는 포트폴리오에서 참조되는 각 자산의 가격을 상세히 설명할 수 있다.
위의 것에 부가하여, 시스템은 시장 행동, 자산 가격 행동뿐만 아니라, 시스템에 의해 영향을 받는/사용되는 다양한 구성요소의 행동에 대해 다양한 모델을 사용할 수 있다.
모듈(140)과 사용될 수 있는 위에서 언급된 시뮬레이터는 스케줄에 나열된 다양한 트랜잭션의 시장 영향을 추정하기 위해 사용될 수 있다. (어느 경우) 트랜잭션의 영향을 결정하는 것에 부가하여, 시뮬레이터는 또한, 대규모 트랜잭션뿐만 아니라 다양한 크기의 트랜잭션 및 다양한 타이밍의 트랜잭션을 수반하는 가정의 시나리오(what-if scenarios)를 수행하는 데 사용될 수 있다.
평가기 모듈에 대해, 모듈은 생성된 스케줄을 평가하기 위해 다수의 모델을 사용할 수 있다. 평가기 모듈은 생성된 스케줄이 원하는 최종 결과를 초래하는지를 결정하기 위해 이들 모델 중 하나 이상을 사용한다. 이들 모델 또는 다른 모델은 생성된 스케줄이 자산 가격이 영향을 받는 시장/거래소에 영향을 미치는지를 평가하는데 사용될 것이며, 이로 인해 원하는 포트폴리오에서 자산의 가치를 잠재적으로 낮춘다. 다양한 시장 모델 중 하나 이상을 사용하여, 평가기 모듈은 스케줄의 적합성을 결정하고 이 적합성에 대한 적절한 피드백을 제공한다. 피드백은 원하는 포트폴리오에서 자산의 결과적인 가치가 현재 포트폴리오의 자산의 가치보다 적합하게 높도록 적합한 버전의 스케줄이 생성될 때까지 스케줄의 다음 반복의 기초가 된다(또는 일부 다른 기준을 사용한다). 이 점에서, 평가기 모듈은 그 후, 스케줄이 적합하고 거래 스케줄러 모듈이 그 버전의 스케줄을 더 이상 개선할 수 없다는 피드백을 전송할 수 있다. 평가기 모듈이 생성된 스케줄의 그의 평가를 생성하기 위해 시뮬레이터의 출력, 시장 조건 입력, 입력 모듈에 입력된 입력 데이터 및 시스템에 대해 이용 가능한 임의의 다른 데이터를 사용할 수 있음이 명백해야 한다.
본 발명의 일 양상에서, 자산 포트폴리오를 관리하기 위한 방법이 제공된다. 이 방법의 단계는 도 2에 상세히 설명된다. 방법은 입력 데이터를 수신하는 단계 200에서 시작한다. 위에서 언급된 바와 같이, 입력 데이터는 현재 포트폴리오 데이터, 원하는 포트폴리오 데이터, 실행 시간 데이터 및 자산 판매 및 구매에 대한 스케줄의 생성을 지배하는 제약을 포함하는 다수의 구성요소를 가질 수 있다. 그 후, 수신된 입력 데이터는 프로세스의 이후 단계에서 사용될 수 있도록 필요에 따라 처리되고 포맷된다(단계 210). 준비되면, 입력 데이터는 거래 스케줄러 모듈로 전송된다(단계 220). 동시에, 거래 스케줄러 모듈은 현재 또는 원하는 포트폴리오의 자산에 영향을 미칠 수 있는 하나 이상의 시장/거래소의 일반 조건을 상세히 설명하는 시장 조건 입력을 수신한다(단계 230). 위에서 언급된 바와 같이, 시장 조건 입력은 실세계 시장 조건, 계획된 시장 조건, 시뮬레이션된 시장 조건 또는 정적 시장 조건으로부터 유도될 수 있다. 그 후, 거래 스케줄러 모듈은 입력 데이터 및 시장 조건 입력의 나머지를 고려하여 제약에 적합한 스케줄을 생성한다(단계 240).
스케줄이 생성되면, 이 스케줄은 다른 트랜잭션에 대한 시장 또는 거래소의 행동을 예측하거나 또는 모방하려는 하나 이상의 모델을 기초로 스케줄을 평가하는 평가기 모듈로 전달된다(단계 250). 그 후, 결정(255) -- 생성된 스케줄이 평가기에 의해 다음 단계로 전달하기에 적합한지 --이 이루어진다. 이들 모델을 기초로, 스케줄이 개선될 수 없으면, 반복된 스케줄은 승인된 것으로 간주되고 시스템의 이후 단계로 전달된다. 반복된 스케줄이 여전히 결함이 있는 것으로 간주되거나 개선될 수 있는 경우, 업데이트된 스케줄이 생성됨에 따라 논리 흐름은 단계 240으로 다시 이동한다. 단계 240-255 사이의 이 루프는 수신된 입력 데이터, 수신된 시장 조건 입력 및 평가기 모듈로부터의 반복적인 피드백을 기초로 적합하게 수용 가능한 스케줄이 반복적으로 생성될 때까지 반복된다. 평가기 모듈이 생성된 스케줄이 왜 거부되는지에 대해 거래 스케줄러 모듈에 상세한 피드백을 제공한다는 것이 명백해야 한다. 그 후, 이 피드백은 다음 버전의 스케줄을 반복할 때 반복된 스케줄에 대한 편집 또는 수정에 대한 기초로서 사용된다. 따라서, 명확성을 위해 거래 스케줄러 모듈은 고려될 입력 데이터 및 다른 입력을 기초로 제1 버전의 스케줄을 생성할 수 있다. 이 제1 버전은 평가기에게 전달되고, (스케줄을 평가하기 위해 다수의 모델을 사용할 수 있는) 평가기의 내부 작업을 기초로, 평가기는 스케줄에 대한 피드백을 제공할 수 있다. 피드백이 이 제1 버전의 스케줄 버전에 문제가 있음을 나타내면, 피드백은 거래 스케줄러 모듈로 전송된다. 그 후, 거래 스케줄러 모듈은 수신된 피드백 및 이전에 수신된 다른 데이터를 기초로 하는 제2 버전의 스케줄을 생성하도록 스케줄을 수정한다. 그 후, 이 제2 버전이 평가되고, 이 버전이 여전히 불충분한 경우, 스케줄의 제n 버전이 적합하다고 평가될 때까지(즉, 제약과 모든 데이터 입력을 고려할 때 가능한 최선의 스케줄) 프로세스가 계속 반복된다. 이 최선의 스케줄은 시스템의 추후 단계로 전달된다.
스케줄이 적합하다고 평가된 이후에, 스케줄은 사용자에게 전송된다(단계 260). 동시에, 스케줄은 스케줄에 상세히 설명된 거래를 실행할, 적합한 중개인 또는 중개인들을 결정하는데 사용된다(단계 270). 위에서 언급된 바와 같이, 이 선택은 각 중개인과 연관된 비용과 함께 각 중개인의 거래 히스토리의 분석을 기초로 할 수 있다. 동시에, 각 중개인에 의해 사용되는 특정한 거래 알고리즘이 또한 분석되고, 어떤 알고리즘을 사용할 지에 대한 권장이 또한 이루어진다(단계 280). 이들 거래 알고리즘은 POV, TWAP, VWAP 등을 포함할 수 있다.
하나 이상의 중개인이 선택되고 그의 거래 알고리즘이 또한 선택된 이후에, 이들은 사용자에게 전달된다(단계 290). 그 후, 사용자는 중개인 선택 및 알고리즘 선택과 함께 평가기-승인된 스케줄을 평가하고, 스케줄 및 선택이 승인되었는지 여부를 결정한다(결정(300)). 사용자가 선택 또는 생성된 스케줄을 승인하지 않으면, 사용자는 스케줄을 편집/수정할 수 있으며(단계 310), 수정된/편집된 스케줄을 거래 스케줄 모듈로 다시 전송한다(단계 320). 단계 320의 일부로서, 수정된 스케줄의 성과는 수정된 스케줄에 대한 적합한 성과 메트릭을 제공하는 평가기와 함께 평가기에 의해 평가될 수 있다. 사용자가 생성된 스케줄을 승인하면, 실행을 위한 스케줄이 선택된 중개인/중개인에게 전송된다. 위에서 언급된 바와 같이, 사용자가 스케줄에서 또는 스케줄을 생성한 입력 데이터에서 어떤 것을 수정하였는지에 의존하여, 새로운 스케줄이 생성되어야 할 수 있다. 또한, 사용자가 스케줄은 승인하였지만 권장 중개인/알고리즘은 승인하지 않은 경우, 새로운 스케줄을 생성하지 않으면서, 새로운 중개인/알고리즘이 선택되어야 할 수 있다.
본 발명의 방법은 중개인/알고리즘을 선택하지 않으면서 실시될 수 있음이 명백해야 한다. 가령, 단계 270-280은 방법의 전체 구조를 변경하지 않으면서 스킵될 수 있다. 단계 270-280이 스킵되는 경우, 스케줄은 사용자에 의해 승인되면, 실행을 위해 특정한 중개인에게 전송될 수 있다. 이는 행해지면, 중개인은 스케줄의 거래가 실행될 하나 이상의 알고리즘을 자유롭게 선택할 수 있다.
본 발명은 자산 포트폴리오를 재조정하는 것과 관련하여 설명되지만, 이는 다른 금융적인 목적으로도 사용될 수 있음이 명백해야 한다. 예시로서, 본 발명은 원하는 포트폴리오에서 특정 자산 혼합을 획득하고, 특정 자산의 위치를 이동시키고, 포트폴리오의 자산의 혼합을 조정하는데 사용될 수 있다. 본 시스템은 또한, 특정 자산 또는 포트폴리오에 대한 비상 계획을 준비하는데 사용될 수 있다. 예시로서, 특정한 이벤트 또는 상황이 발생하는 경우 예를 들어, 특정 자산의 가격이 크게 변하는 경우, 생성된 스케줄이 구현될 수 있다(예를 들어, "주식 A의 주가가 100까지 하락하는 경우, 시장에서 상당한 영향이 있는 자산 B로부터 자산 C까지 포트폴리오 혼합을 이동시키도록 생성된 스케줄을 실행”). 물론, 생성된 비상 스케줄은 특정한 시장/거래소가 특정한 이벤트에 어떻게 반응하는지를 예측/예상하기 위한 가정의 시나리오로서 생성될 수 있다.
본 발명의 다양한 양상이 전체 소프트웨어 시스템에서 소프트웨어 모듈로서 구현될 수 있음이 명백해야 한다. 가령, 본 발명은 실행될 때 미리 정의된 기능을 갖는 다양한 소프트웨어 모듈을 구현하는 컴퓨터 실행 가능 명령어의 형태를 취할 수 있다.
추가적으로, 달리 명시되지 않는 한, 본원에서 '이미지' 또는 '이미지들'에 대한 임의의 참조는 픽셀 또는 픽처 셀(picture cells)을 포함하는 디지털 이미지 또는 디지털 이미지들을 지칭한다는 것이 명백해야 한다. 마찬가지로, '오디오 파일' 또는 '오디오 파일들'에 대한 임의의 참조는 달리 지정되지 않는 한 디지털 오디오 파일을 지칭한다. '비디오', '비디오 파일', '데이터 객체', '데이터 파일' 및 모든 다른 이러한 용어는 달리 명시되지 않는 한 디지털 파일 및/또는 데이터 객체를 의미하는 것으로 간주되어야 한다.
본 발명의 실시예는 방법 단계의 방식으로 프로그래밍된 컴퓨터 프로세서 또는 유사한 디바이스에 의해 실행될 수 있거나, 또는 이들 단계를 실행하기 위한 수단이 제공된 전자 시스템에 의해 실행될 수 있다. 유사하게, 컴퓨터 디스켓, CD-ROM, 랜덤 액세스 메모리(Random Access Memory, RAM), 읽기 전용 메모리(Read Only Memory, ROM) 또는 통상의 기술자에게 알려진 유사한 컴퓨터 소프트웨어 저장 매체와 같은 전자 메모리 수단이 이러한 방법 단계를 실행하도록 프로그램될 수 있다. 또한, 이들 방법 단계를 나타내는 전자 신호는 통신 네트워크를 통해 송신될 수도 있다.
본 발명의 실시예는 임의의 종래의 컴퓨터 프로그래밍 언어로 구현될 수 있다. 예를 들어, 바람직한 실시예는 절차적인 프로그래밍 언어(예를 들어, "C" 또는 "Go") 또는 객체-지향 언어(예를 들어, "C++", "자바(java)", "PHP", "파이선(PYTHON)"또는 "C#")으로 구현될 수 있다. 본 발명의 대안적인 실시예는 미리-프로그램된 하드웨어 요소, 다른 관련된 구성요소 또는 하드웨어 및 소프트웨어 구성요소의 조합으로 구현될 수 있다.
실시예는 컴퓨터 시스템과 사용하기 위한 컴퓨터 프로그램 제품으로서 구현될 수 있다. 이러한 구현은 컴퓨터 판독가능 매체(예를 들어, 디스켓, CD-ROM, ROM 또는 고정 디스크)와 같은 유형의 매체에 고정되거나, 또는 매체를 통해 네트워크에 연결된 통신 어댑터와 같은 모뎀 또는 다른 인터페이스 디바이스를 통해 컴퓨터 시스템에 송신 가능할 수 있는 일련의 컴퓨터 명령어를 포함할 수 있다. 매체는 유형 매체(예를 들어, 광 또는 전기 통신 라인) 또는 무선 기술(예를 들어, 마이크로파, 적외선 또는 기타 송신 기술)로 구현된 매체일 수 있다. 일련의 컴퓨터 명령어는 본원에서 이전에 설명한 기능의 전부 또는 일부를 구현한다. 통상의 기술자는 이러한 컴퓨터 명령어가 다수의 컴퓨터 아키텍처 또는 운영 체제와 사용하기 위해 다수의 프로그래밍 언어로 기록될 수 있음을 인식해야 한다. 나아가, 이러한 명령어는 반도체, 자기, 광학 또는 다른 메모리 디바이스와 같은 임의의 메모리 디바이스에 저장될 수 있으며, 광학, 적외선, 마이크로파 또는 다른 송신 기술과 같은 임의의 통신 기술을 사용하여 송신될 수 있다. 이러한 컴퓨터 프로그램 제품은 동봉된 인쇄 또는 전자 문서(예를 들어, 슈링크-랩 소프트웨어(shrink-wrapped software))와 함께 이동식 매체로 배포되거나, (예를 들어, 시스템 ROM 또는 고정 디스크에서) 컴퓨터 시스템에 미리 로딩되거나, 또는 서버로부터 네트워크(예를 들어, 인터넷 또는 월드 와이드 웹(World Wide Web))를 통해 배포될 수 있다는 것이 예상된다. 물론, 본 발명의 일부 실시예는 소프트웨어(예를 들어, 컴퓨터 프로그램 제품)와 하드웨어 모두의 조합으로서 구현될 수 있다. 본 발명의 또 다른 실시예는 전체적으로 하드웨어 또는 전체적으로 소프트웨어(예를 들어, 컴퓨터 프로그램 제품)로서 구현될 수 있다.
본 발명을 이해하는 사람은 이제 다음의 청구범위에 정의된 바와 같이 본 발명의 범주 내에 속하도록 의도된 위의 모든 것의 대안적인 구조 및 실시예 또는 변형을 생각할 수 있다.
Claims (19)
- 금융 자산의 포트폴리오를 관리하는 데 사용하기 위한 시스템으로서, 상기 시스템은:
- 입력 데이터를 수신하기 위한 입력 모듈 - 상기 입력 데이터는:
- 현재 포트폴리오에서의 자산에 대한 세부사항을 포함하는 현재 포트폴리오 데이터;
- 원하는 포트폴리오에서의 자산에 대한 세부사항을 포함하는 원하는 포트폴리오 데이터;
- 상기 현재 포트폴리오가 상기 원하는 포트폴리오로 변환되는 적어도 실행 시간 윈도우에 대한 세부사항을 포함하는 실행 시간 데이터;
- 상기 현재 포트폴리오를 상기 원하는 포트폴리오로 변환할 때 따라야 하는 제약(constraints)을 상세히 설명하는 포트폴리오 관리 제약;
- 상기 입력 데이터를 수신하는 관리 스케줄러 모듈 - 상기 스케줄러 모듈은 자산 관리 스케줄을 생성하기 위한 것이고, 상기 자산 관리 스케줄은 상기 현재 포트폴리오 및 상기 원하는 포트폴리오에서 상기 자산의 구매 및 판매에 대한 제한(limits)을 포함함 -;
- 하나 이상의 특정 작업의 실행을 위한 상기 자산 관리 스케줄의 적합성을 기초로 상기 관리 스케줄러 모듈에 피드백을 제공하기 위해 상기 자산 관리 스케줄을 평가하기 위한 평가기 모듈을 포함하고,
여기서
- 상기 하나 이상의 특정 작업은 상기 현재 포트폴리오의 자산과 상기 원하는 포트폴리오의 자산 사이의 자산 가치 차이의 증가의 최적화를 포함하고;
- 상기 평가기 모듈 및 상기 관리 스케줄러 모듈은 적합한 버전이 상기 평가기에 의해 수용 가능한 것으로 간주될 때까지, 상이한 버전의 상기 자산 관리 모듈을 통해 반복되고;
- 상기 스케줄은 상기 실행 시간 윈도우를 특정 시간 단위로 세분화하고, 상기 스케줄은 특정 시간 단위 내에 구매되거나 또는 판매될 하나 이상의 자산을 상세히 설명하는, 시스템. - 제1항에 있어서, 상기 시스템은:
- 상기 원하는 포트폴리오에서 적어도 하나의 특정 자산에 대한 최대 구매 가격;
- 상기 현재 포트폴리오에서 적어도 하나의 특정 자산에 대한 최소 판매 가격;
- 트랜잭션(transaction) 당 구매될 자산의 최대 수;
- 트랜잭션 당 판매될 자산의 최소 수;
- 트랜잭션 당 판매될 자산의 최대 수;
- 트랜잭션 당 구매될 자산의 최소 수;
- 위험 제약;
- 예상된 양의 제약의 백분율; 및
- 입찰-요청 스프레드(bid-ask spread) 제약
중 적어도 하나를 포함하는 사용자 정의된 제약을 수락하는, 시스템. - 제1항에 있어서, 상기 스케줄러 모듈은 적어도 하나의 자산 거래 시장에서의 조건을 상세히 설명하는 시장 조건 입력을 수신하고, 상기 스케줄은 상기 시장 조건 입력에 적어도 기초하여 생성되는, 시스템.
- 제1항에 있어서, 상기 스케줄은 상기 자산이 구매되고 판매될 하나 이상의 거래소를 상세히 설명하는, 시스템.
- 제1항에 있어서, 상기 시스템은 중개인 선택 모듈을 포함하고, 상기 중개인 선택 모듈은 상기 스케줄을 기초로 상기 자산의 구매 및 판매를 실행하기 위한 하나 이상의 중개인을 선택하기 위한 것이고, 상기 하나 이상의 중개인은 상기 하나 이상의 중개인에 의한 이전의 성과의 기록에 적어도 기초하여 선택되는, 시스템.
- 제5항에 있어서, 상기 시스템은 상기 스케줄에 따라 자산 판매 및 구매를 실행할 때 사용될 상기 하나 이상의 중개인에 의해 사용되는 적어도 하나의 거래 방법을 선택하는, 시스템.
- 제1항에 있어서, 상기 시스템에 의해 생성된 상기 스케줄은 승인을 위해 사용자에게 전송되는, 시스템.
- 제7항에 있어서, 상기 스케줄은 상기 스케줄이 상기 평가기 모듈에 의해 평가된 이후에 상기 사용자에게 오직 전송되는, 시스템.
- 제1항에 있어서, 상기 평가기 모듈은:
- 상기 자산이 상기 스케줄에 따라 구매되고 판매될 자산 거래 시장에서의 조건 - 상기 조건은 시장 조건 입력으로부터 유도됨 -;
- 상기 현재 포트폴리오 데이터;
- 상기 원하는 포트폴리오 데이터;
- 상기 실행 시간 데이터;
- 상기 포트폴리오 관리 제약;
- 상기 현재 포트폴리오 데이터 및 상기 원하는 포트폴리오 데이터를 기초로 하는 가치 계산에 대한 잠재적인 반환(return);
- 상기 현재 포트폴리오 및 상기 원하는 포트폴리오에서의 자산의 가격;
- 상기 현재 포트폴리오 및 상기 원하는 포트폴리오 중 적어도 하나에서의 상기 자산의 양;
- 특정 특성을 갖는 트랜잭션이 수행된 이후에, 시장의 행동을 모방하거나 또는 예측하려고 하는 적어도 하나의 모델
중 적어도 하나를 기초로 상기 스케줄을 평가하는, 시스템. - 금융 자산 포트폴리오를 관리하기 위한 방법으로서, 상기 방법은:
- 적어도 하나의 자산 타입, 대응하는 포트폴리오 가중치 엔벨로프(portfolio weight envelope) 및 대응하는 실행 타임라인을 포함하는 거래 주문을 수신하는 단계;
- 상기 적어도 하나의 자산 타입에 대한 상기 포트폴리오 가중치 엔벨로프를 원하는 자산 수량 엔벨로프로 변환하는 단계;
- 상기 타임라인을 적어도 하나의 특정 시장에 대한 복수의 예상된 거래 세션으로 나누는 단계;
- 상기 원하는 자산 수량 엔벨로프를 다수의 예상된 거래 세션 간에 분산시키는 단계;
및
- 적어도 하나의 중개인에게 적어도 하나의 지침을 발행하는 단계 - 상기 적어도 하나의 지침은 복수의 거래 기간 중 적어도 하나 동안 거래될 적어도 하나의 분산된 수량을 나타냄 -를 포함하는, 방법. - 제10항에 있어서, 기계-학습을 기초로 적어도 하나의 중개인을 선택하는 단계를 더 포함하는, 방법.
- 제10항에 있어서, 기계-학습을 기초로 적어도 하나의 거래 알고리즘을 선택하는 단계를 더 포함하는, 방법.
- 제12항에 있어서, 상기 지침은 제12항에서 선택된 상기 적어도 하나의 거래 알고리즘을 사용하여 상기 복수의 거래 기간 중 상기 적어도 하나 동안 상기 적어도 하나의 분산된 수량을 거래하도록 상기 적어도 하나의 중개인에게 지시하는 것을 포함하는, 방법.
- 제10항에 있어서, 상기 단계들 중 적어도 하나는 기계-학습을 기초로 실행되는, 방법.
- 제10항에 있어서, 상기 원하는 자산 수량 엔벨로프를 분산시키는 단계는 스토캐스틱 프로세스(stochastic process) 또는 비-결정 적응형 프로세스를 기초로 하는, 방법.
- 제14항에 있어서, 상기 기계-학습은 강화형 학습(reinforcement learning)을 포함하는, 방법.
- 제10항에 있어서, 시장 데이터를 기초로 상기 적어도 하나의 특정 시장의 현재 상태를 시뮬레이션하는 단계를 더 포함하는, 방법.
- 제10항에 있어서, 잠재적인 거래 주문 배치를 기초로 상기 적어도 하나의 특정 시장의 결과적인 상태를 시뮬레이션하는 단계를 더 포함하는, 방법.
- 제10항에 있어서, 적어도 하나의 외부 인자의 기계-학습 인식을 기초로 상기 적어도 하나의 특정 시장의 결과적인 상태를 시뮬레이션하는 단계를 더 포함하는, 방법.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862731544P | 2018-09-14 | 2018-09-14 | |
| US62/731,544 | 2018-09-14 | ||
| PCT/CA2019/051300 WO2020051712A1 (en) | 2018-09-14 | 2019-09-13 | Trading schedule management system |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20210058907A true KR20210058907A (ko) | 2021-05-24 |
Family
ID=69777360
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020217010978A KR20210058907A (ko) | 2018-09-14 | 2019-09-13 | 거래 스케줄 관리 시스템 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US20220027990A1 (ko) |
| EP (1) | EP3850578A4 (ko) |
| JP (1) | JP7399967B2 (ko) |
| KR (1) | KR20210058907A (ko) |
| CN (1) | CN113302644B (ko) |
| CA (1) | CA3112484A1 (ko) |
| WO (1) | WO2020051712A1 (ko) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220237700A1 (en) * | 2021-01-25 | 2022-07-28 | Quantel AI, Inc. | Artificial intelligence investment platform |
| CN114820205B (zh) * | 2022-06-02 | 2022-09-16 | 深圳市泰铼科技有限公司 | 基于人工智能的时间线证券资产管理系统 |
| CN116228424B (zh) * | 2023-03-03 | 2024-06-04 | 深圳市深弈科技有限公司 | 基于迁移学习优化的模拟撮合方法 |
Family Cites Families (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5761442A (en) * | 1994-08-31 | 1998-06-02 | Advanced Investment Technology, Inc. | Predictive neural network means and method for selecting a portfolio of securities wherein each network has been trained using data relating to a corresponding security |
| WO2000038094A2 (en) * | 1998-12-22 | 2000-06-29 | Bios Group Lp | A system and method for the analysis and prediction of economic markets |
| US7249080B1 (en) * | 1999-10-25 | 2007-07-24 | Upstream Technologies Llc | Investment advice systems and methods |
| US7831494B2 (en) * | 1999-11-01 | 2010-11-09 | Accenture Global Services Gmbh | Automated financial portfolio coaching and risk management system |
| WO2003012594A2 (en) * | 2001-07-31 | 2003-02-13 | American Express Travel Related Services Company, Inc. | System and method for providing financial planning and advice |
| JP2006127155A (ja) | 2004-10-28 | 2006-05-18 | Fujitsu Ltd | サービサ連携システム、ポートフォリオ形成支援システム、ポートフォリオ形成支援方法、中継コンピュータ、及びコンピュータプログラム |
| US8140423B2 (en) | 2004-12-10 | 2012-03-20 | Nyfix, Inc. | Controlling an order slicer for trading a financial instrument |
| CA2689491A1 (en) * | 2007-06-05 | 2008-12-18 | Itg Software Solutions, Inc. | System, method and program for agency cost estimation |
| US20100217725A1 (en) | 2009-02-24 | 2010-08-26 | Clyne Miles A | Apparatus for automatic financial portfolio monitoring and associated methods |
| CN102063682A (zh) * | 2009-11-16 | 2011-05-18 | 精进财商顾问有限公司 | 财富管理方法 |
| US8688575B2 (en) * | 2010-04-19 | 2014-04-01 | Neal Robert Steiner | Customizable investment fund and investing education |
| US9038189B1 (en) * | 2011-02-24 | 2015-05-19 | Rexante, LLC | System and method for programming a trading system |
| US20140143121A1 (en) * | 2012-02-23 | 2014-05-22 | Rexante Systems, Inc. | System and Method for Programming a Trading System |
| SG10201406360TA (en) * | 2014-10-04 | 2016-05-30 | Six Capital Pte Ltd | Trading platform systems and methods |
| US20160217366A1 (en) * | 2015-01-23 | 2016-07-28 | Jianjun Li | Portfolio Optimization Using Neural Networks |
| US11113704B2 (en) * | 2015-12-07 | 2021-09-07 | Daniel J. Towriss | Systems and methods for interactive annuity product services using machine learning modeling |
| WO2017180671A1 (en) * | 2016-04-11 | 2017-10-19 | Openmatters, Inc. | Universal business model scoring, classification, and decision-making engine |
| CN106294694A (zh) * | 2016-08-08 | 2017-01-04 | 杭州麒谋网络科技有限公司 | 资产配置大数据分析控制系统 |
| CN108305174B (zh) * | 2018-02-02 | 2021-12-14 | 腾讯科技（深圳）有限公司 | 资源处理方法、装置、存储介质和计算机设备 |
| CN108364107A (zh) * | 2018-03-20 | 2018-08-03 | 张家林 | 一种投资数据处理方法及装置 |
-
2019
- 2019-09-13 US US17/275,813 patent/US20220027990A1/en not_active Abandoned
- 2019-09-13 CA CA3112484A patent/CA3112484A1/en active Pending
- 2019-09-13 CN CN201980071939.8A patent/CN113302644B/zh active Active
- 2019-09-13 KR KR1020217010978A patent/KR20210058907A/ko not_active Application Discontinuation
- 2019-09-13 EP EP19858766.9A patent/EP3850578A4/en not_active Withdrawn
- 2019-09-13 WO PCT/CA2019/051300 patent/WO2020051712A1/en unknown
- 2019-09-13 JP JP2021538871A patent/JP7399967B2/ja active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113302644B (zh) | 2023-12-22 |
| EP3850578A4 (en) | 2022-08-31 |
| EP3850578A1 (en) | 2021-07-21 |
| CA3112484A1 (en) | 2020-03-19 |
| WO2020051712A1 (en) | 2020-03-19 |
| JP2022500804A (ja) | 2022-01-04 |
| US20220027990A1 (en) | 2022-01-27 |
| CN113302644A (zh) | 2021-08-24 |
| JP7399967B2 (ja) | 2023-12-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111488975B (zh) | 用于针对金融市场中的大数据交易将资本分配到交易策略的系统及方法 | |
| RU2568289C2 (ru) | Сетевая вычислительная система и способ выполнения вычислительной задачи (варианты) | |
| US20070129981A1 (en) | Business solution management | |
| CN112651770B (zh) | 电力现货市场售电商负荷申报优化方法及系统 | |
| US20150134566A1 (en) | Computer-Implemented Systems and Methods for Hedging with Counterbalancing Capacity | |
| US8744880B2 (en) | System and method to provide for and communicate about safer and better returning asset-liability investment programs | |
| KR20210058907A (ko) | 거래 스케줄 관리 시스템 | |
| US11972485B2 (en) | Computer implemented method for compiling a portfolio of assets | |
| US20100100502A1 (en) | System and methods to provide for and communicate about safer and better returning asset-liability investment programs | |
| US11270302B1 (en) | Configurable robots for network based processes | |
| Valladão et al. | Time-consistent risk-constrained dynamic portfolio optimization with transactional costs and time-dependent returns | |
| Oleghe | System dynamics analysis of supply chain financial management during capacity expansion | |
| Lewandowska | OTC clearing arrangements for bank systemic risk regulation: A simulation approach | |
| Pinto et al. | Strategic participation in competitive electricity markets: Internal versus sectorial data analysis | |
| Escaith et al. | International trade and real transmission channels of financial shocks in globalized production networks | |
| WO2023114637A1 (en) | Computer-implemented system and method of facilitating artificial intelligence based lending strategies and business revenue management | |
| US20240104555A1 (en) | User-controlled currency conversion system and method | |
| US11687328B2 (en) | Method and system for software enhancement and management | |
| Enke et al. | A hybrid derivative trading system based on volatility and return forecasting | |
| US8458075B2 (en) | Method and apparatus for commodity sourcing management | |
| KR101930388B1 (ko) | 재무의사결정 지원 시스템 및 방법 | |
| Hamta et al. | An Optimization Model for Designing a Supply Chain Network with a Value-Based Management Approach | |
| CN117114891A (zh) | 一种交易策略收益预测方法、系统、电子设备、存储介质 | |
| CN117726453A (zh) | 金融资产的配置方法及其装置、电子设备及存储介质 | |
| Clementi et al. | Computational experiments of policy design on goods, labour and credit markets |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal |