TW201923684A - 用於優化交易執行的系統及方法 - Google Patents

Abstract

用於優化交易執行的系統及方法，藉由對證券的近期交易運算市場反應；回應於運算的市場反應，及歷史市場資料及即時市場資料之至少一者，計算對證券的匹配參數；對下一個匹配計算交易時機；及在時機期間執行交易。

Description

用於優化交易執行的系統及方法

本揭露案關於用於優化交易執行的系統及方法。

公共市場的效率在證券的投資者上可具有龐大的影響。每股的單分的額外交易費用可以為大宗交易商，例如共同基金、養老基金及對沖基金，帶來每年數億元的成本。此等交易成本必然以「執行成本」轉嫁給消費者及客戶，並直接降低投資者的回報。在數十年的複合時期，即使是如此相對較小的低交易效率下，也會累積成為非常大的總額，從而衝擊到每個人在市場中從個人退休人員到整個經濟體的利益。

證券交流所在促進市場參與者之間的交易方面發揮關鍵作用。在簡單的機械概念上，交流所匹配投資者分別的買及賣的訂單，且報告已完成的交易。這些匹配流程遵循規定的規則設定，而確保哪些訂單有資格匹配以及何時匹配。特定證券中市場的效率取決於此等匹配規則的設計和實施的程度。

在使用限價訂單簿（LOB）方法的交流所中，市場參與者以特定價格以特定數量下訂單來買入或賣出證券。以等於或低於特定數量的指定值的價格來購買證券的訂單稱為「出價」。以等於或高於特定數量的指定值的價格來出售證券的訂單稱為「報價」。具有最高價格的出價稱為「最佳出價」，且具有最低價格的報價稱為「最佳報價」。在活躍市場中，可能存在各種不同價格的出價及報價。 在任何特定時間，所有出價及報價的價格的設定，以及在這些價格下的此等總量，都是LOB的狀態。

在活躍的交易日期期間，市場參與者將在不同時間對各個證券提出出價及報價，從而提供立即進入整個市場的證券的機會。此已知稱為流動性。希望通過接受此類出價及/或報價進行交易的市場參與者可下訂單，以立即以最佳可取得價格進行交易。此等已知稱為市場訂單。

在基於LOB的系統中，最佳出價的價格通常低於最佳報價的價格。若非如此，則此等訂單可被匹配，導致交易的進行。交易的大小將是可用於匹配的最大份額，即，最佳出價數量及最佳報價數量中的較小者。在交易完成後，最佳出價及最佳報價的數量因交易大小而有效減小。匹配一直持續到可匹配的最佳出價或最佳報價數量耗盡為止。在基於LOB的系統中可匹配的出價/報價耗盡之後，最佳出價價格與最佳報價價格之間存在差距。

在交易日期間出價及報價可匹配時便立即允許交易發生的LOB方法或系統被稱為連續限價訂單簿（CLOB）。在交易日期間限制特定時間發生匹配的LOB方法或系統稱為不連續限價訂單簿（DLOB）。

美國證券市場中最常見的規則設定實施CLOB，並且通常針對匹配的即時性及執行的速度進行優化。CLOB的一個優點為其可使市場參與者快速「定價」新資訊。此資訊的範例包括企業盈利更新、政府發佈的經濟數據、近期金融市場活動、突發新聞以及其他對證券價格產生重大衝擊的事件。CLOB通常也適用於小型（零售大小的）訂單，可以在微秒內匹配相對較小規模的出價及報價。

然而，基於CLOB的系統通常不適用於機構投資者，例如401（k）計劃管理者及共同基金，以及尋求交易相對大量證券的其他投資者。基於CLOB的系統的某些特徵使其能夠快速匹配訂單，也會產生不利的副作用：某些市場參與者可能能夠比其他市場參與者發展出資訊優勢，並對此資訊進行交易而損害其他市場參與者的利益。儘管基於此資訊優勢的額外出價及報價的存在可導致對特定證券提供額外流動性的交易，但此類型的交易也可能對尋求證券的大量交易的機構投資者施加重大成本。

對參與基於CLOB的系統的機構投資者特別有害的額外成本的範例為「逆向選擇」。已知俗稱為「被選中」，而當另一方（「不對稱對方」）在此證券的價格即將移動之前，例如，在發佈將推動市場有利於投資者的訊息之後，對投資者的證券限價訂單進行交易時，發生逆向選擇。此不對稱對方通常是利用準確的短期統計價格預測的短期交易者，例如，使用預測即將發生的價格變化的價格預測模型的高頻率交易者。例如，這種不對稱對方將比投資者可修改或取消其訂單更快速地發佈訂單以匹配投資者相對大的訂單，且接著複製投資者的原始訂單以在預測的價格變化發生時獲得利潤。通過這種方式，不對稱對方以犧牲投資者為代價而獲利。

逆向選擇可被量測，例如，透過交易發生之後的價格的平均變化。若交易者以$100/股買入股票且此股票的價格在購買後不久便降至$95，則交易者可能會假設$5的價格差異是逆向選擇，除非受到某些其他取代市場的力量。

替代性的市場設計實施基於DLOB的系統，其中訂單的匹配在交易日期間以預定的時間發生，而不是連續地發生。自1980年代以來，已嘗試過這種設計，但成效有限。將不連續性引入匹配過程，例如，在特定時間發生的輪次匹配可以減少短期逆向選擇，但通常會引入流動性問題：延遲到下一個匹配輪次的訂單在與延遲期間到期的訂單匹配時錯失。

傳統的DLOB通常週期性地匹配，例如，每100毫秒、5秒或其他時間間隔。一些現有的DLOB以每250到500毫秒的匹配而略微隨機化。然而，由於DLOB的匹配的時間間隔不依賴於交易動態，因此對某些證券通常不夠頻繁，或者對其他證券過於頻繁。匹配越頻繁，市場中此證券的流動性越大，但導致更多的逆向選擇。缺乏任何校準的情況下，尤其是每個證券的匹配頻率、波動性狀態、傳播率、一天中的時間等的動態校準，現有的DLOB在商業上已是不成功的。

機構投資者的市場低效率的另一範例為證券的價格回應於其訂單及交易而變化，且被稱為「市場衝擊」。因為機構投資者於交流所及替代交易系統（ATS）處下訂單且參與交易，一些市場參與者能夠通過檢測訂單設置中的模式和證券價格隨時間的變化來預測機構投資者訂單的方向（無論是出價或報價，或兩者的組合）。接著，這些參與者通常根據此等預測取消或調整他們自己的訂單，或甚至在預測的機構投資者的訂單之前進行交易。結果是機構投資者對其證券的訂單收到更差的匹配。那些市場參與者實際上以機構投資者為代價而獲利。

本發明的實施例使其能夠建立更有效率的證券市場，藉由機器學習的新的使用以校準且控制匹配引擎規則設定，對投資者減少逆向選擇及市場衝擊兩者，同時最大化流動性。根據本發明的實施例，在控制迴圈中使用機器學習，從市場及匹配引擎連續併入新的資料，以調整匹配時機來產生較佳匹配。取決於操作商的優先順序，機器學習引擎（MLE）能夠優化數個參數。

舉例而言，根據本發明的一個實施例，吾人能藉由使用機器學習來結合CLOB及DLOB的益處，以運算優化的預定匹配時間：使其對各個證券而言在時間上夠短以供應最大流動性，而在時間上仍夠長以進行導致對另一市場參與者具有相對大訂單未獲利的投資者系統性的實施的逆向選擇的交易。應有的淨效應是具有相對大訂單的投資者所經歷的逆向選擇的減少。或者，MLE可引導匹配引擎僅部分填入訂單以減少市場衝擊且最小化逆向選擇。

本發明的另一實施例可藉由對提供市場關於投資者的相對較大訂單較少資訊的各個匹配選擇大小及價格，若並非不可能地以使得該訂單的實際大小及價格的預測更加困難，來改善訂單簿的執行，且當該訂單匹配時減少市場衝擊。

根據本發明的進一步實施例，提供一種優化交易執行之方法，包括以下步驟：對證券的近期交易運算市場反應；回應於市場反應，及對該證券的歷史市場資料及對該證券的即時市場資料之至少一者，計算對證券的匹配參數；及根據匹配參數執行證券的交易。

仍根據本發明的另一實施例，一種用於優化證券交易執行之系統包括：處理器，用於對證券的近期交易運算市場反應；機器學習引擎，用於回應於市場反應，及歷史市場資料及即時市場資料之至少一者，計算對證券的匹配參數；及匹配引擎，用於根據匹配參數執行證券的交易。

茲揭露改善的訂單匹配系統及方法。為了促進說明，且並非限制之方式，本發明的實施例以用於匹配證券的系統及方法的方式說明，例如公司股票。本發明的實施例並非限於此證券的交易，但可有利地實施以交易債券（如公司、政府、特殊目的）、貨幣、期權、衍生品、其他金融工具（如貸款、租賃、抵押、票據、商業票據及類似者）、商品、房地產、其他實物資產、數字化資產、加密貨幣及類似者。

第1圖根據本發明的實施例顯示系統架構100 。在系統100中，電腦化交流所101 及客戶裝置105 透過網路102 連接。電腦化交流所101 亦透過網路102 或透過不同的網路（未顯示）連接至一或更多資料源103 ，各個資料源103 可選地具有應用程式界面（API）104 。較佳地，網路102 亦將資料源103 與客戶裝置105 連接，以允許此等裝置存取資料，此資料與從資料源103 藉由電腦交流所101 接收的資料相同、類似、或為其子集。

電腦化交流所101 較佳地包括一或更多處理或應用伺服器108 ，及可選的界面107 。伺服器108 執行交易且可配置成透過內部網路結構互相操作，或可具有分層結構，例如，呈現伺服器、資料庫伺服器、應用伺服器及其他相關的伺服器，而在一起配置成實施本發明的實施例的態樣。伺服器108 較佳地為主機電腦、雲端伺服器或分散式運算網路。

界面107 較佳地為應用程式界面（API），例如本端API、網絡API或程式API，且或者可為將電腦連接至電腦網路的網路界面控制器，或將電腦連接至虛擬私人網路的虛擬網路界面。或者，界面107 可為界面應用，而提供使用者與電腦化交流所101 互動的使用者介面，以便例如下訂單、監控交易、檢視市場資料及類似者。

網路102 較佳地為使用一或更多商業通訊協議的通訊網路，例如TCP/IP、FTP、UPnP、NFS或CIFS。網路102 可為無線的或有線的，包括局域網路（LAN）、廣域網路（WAN）、虛擬私人網路（VPN）、網際網路、內部網路、外部網路、公用切換電話網路（PSTN）、細胞型網路、衛星通訊網路、紅外網路、另一種類型的無線網路及類似者，或以上之組合。

資料源103 較佳地為市場、交流所及/或報告服務的市場，而提供歷史及即時價格及關於例如證券、債券、貨幣、衍生品或類似者的交易資料。API104 較佳地為本端API、網絡API或程式PAI，且或者可為將電腦連接至電腦網路的網路界面控制器，或將電腦連接至虛擬私人網路的虛擬網路界面。或者，API104 可為界面應用，而提供使用者與一或更多資料源103 互動的使用者介面，以便例如監控交易、檢視市場資料及類似者。

客戶裝置105 較佳地為傳統運算裝置，例如個人電腦、平板電腦、或運行或屬於傳統訂單管理系統（OMS）或傳統執行管理系統（EMS）的智慧型手機。客戶裝置105 較佳地為個別使用者提供使用者界面，以下訂單、監控交易、檢視市場資料、檢視賬戶狀態及類似者。客戶裝置105 可選地包括網際網路瀏覽器或手機應用程式，用於下訂單及接收關於訂單狀態的資訊。或者，客戶裝置105包括一或更多運行交易運算或類似者的電腦，用於交易例如證券、債券、貨幣、衍生品及/或類似者。

在較佳的操作中，使用者透過一或更多客戶裝置105 進入訂單。客戶裝置105 透過網路102 傳送訂單至電腦化交流所101 。可選地，使用者透過網路102 從資料源103 存取市場資料。電腦化交流所101 透過網路102 從資料源103 接收歷史及目前市場資料。藉由電腦化交流所101 接收的訂單遭受伺服器108 的匹配處理。在實行匹配且填入訂單之後，關於填入訂單的資訊透過網路102 傳送至資料源103 及/或至其他市場參與者或類似者（未顯示）。

第2圖根據本發明的實施例顯示系統或方法的功能性方塊圖。電腦化交流所101 的較佳實施例呈現為交易系統205 。交易系統205 包含機器學習引擎206 、市場回應模組207 及匹配引擎208 。較佳地，機器學習引擎206 接收即時市場資料201 、歷史訂單資料202 、歷史市場資料203 及市場回應資料207 ，且利用各者以運算提供至匹配引擎208 的訂單匹配參數。匹配引擎208 使用匹配參數以匹配即時訂單204 而最小化逆向選擇。

即時市場資料源201 提供即時市場資料的價格、大小、時機等等，例如證券、債券、貨幣、衍生品及類似者。此資料從股票交流所、替代交易平台，或從另一可靠市場資料源之任一者獲得。歷史訂單資料源202 提供歷史資料的價格、大小、時機等等，例如證券、債券、貨幣、衍生品及類似者的訂單。歷史市場資料源203 提供歷史市場資料的價格、大小、時機等等，例如證券、債券、貨幣、衍生品及類似者。提供至機器學習引擎206 的市場資料較佳地包括所有以往（歷史）的訂單及交易的購買價格及交易（即時）期間的串流、及從此市場資料運算的概括統計。此等統計可包括例如價格變率、擴散的改變、在可見市場上的買/賣訂單失衡、大小改變之間的時機、近期交易大小、交易大小對訂單簿大小的比率、及交易價格對交易時間點簿中價格的比率。

資料源201 、202 及203 較佳地為資料源103 。即時訂單204 可較佳地藉由客戶裝置105 提供。

市場回應模組207 決定近期填入的訂單如何衝擊交易的項目的市場價格；例如在交易完成之後特定時間點交易的證券。如一簡單範例，交易的項目在交易之後價格量的增加或減少，而沒有其他替代的市場力量下，考慮為交易的市場衝擊。在更進一步的市場回應實施方式中，可評估回應於多重交易的多重價格移動，以辨別市場回應的模式來決定市場衝擊。可選地，市場回應模組207 利用歷史訂單資料202 及/或歷史市場資料203 來決定交易的項目的市場價格上的過往訂單的市場衝擊。

較佳地，市場回應在特定事件之後藉由簿中的改變量測，特定事件例如呈送訂單至匹配引擎208 中或執行特定交易。簿在此等事件之前及之後之間的差異可以許多方式量測。舉例而言，簿差異可量測為出價的各個價格/等級/大小對報價的可比較價格/等級/大小的比率。另一範例量測為出價大小的加權總和對詢問大小的加權總和的比較。

為了在交易之後追蹤市場回應，市場回應模組207 在可取得場所上監控訂單價格及大小的改變，此可取得場所揭露其訂單簿的內容及有意交易之後的後續交易。較佳地藉由市場回應模組207 監控的資料的範例包括後續交易的時機、大小及/或價格。舉例而言，在股票市場中，市場回應模組207 較佳地追蹤新的最佳出價及新的最佳報價，而對立即買賣反映證券的下個近期最佳價格。

機器學習引擎206 及匹配引擎208 較佳地運行為一個邏輯系統。機器學習引擎206 較佳地通知匹配引擎208 其計算的優化匹配參數，例如關於何時匹配訂單、匹配多少訂單及在何者價格應發生匹配以執行交易或一連串交易。

「機器學習」一詞代表「訓練」電腦的處理，以對一組給定輸入產生所欲的輸出。訓練牽涉系統性呈現給電腦輸入及輸出的範例。當電腦整合所有範例成輸入及輸出之間關係的大模型，且獲得回應於一組新輸入預測正確輸出的增加準確性的能力時，發生「訓練」。機器學習引擎206 的輸出的準確性可例如藉由以新的輸入進行測試且量測預測的輸出值及「正確」輸出值之間的「誤差」來決定。

本領域中已知數種機器學習方法。此等方法可因電腦如何表示提供至電腦的範例中含有的資訊而變化，且可因系統利用以「學習」的訓練處理類型而變化。機器學習系統及方法的範例包括神經網路、回歸、貝葉斯（Bayesian）方法及深度學習方法。

在本發明的實施例中，機器學習引擎206 以來自呈送作為即時訂單204 的訂單的資料以及來自其他交流所及在即時市場資料201 中包括的交易場所的市場資料訓練。較佳地，機器學習引擎206 利用即時市場資料201 、歷史訂單資料202 、歷史市場資料203 及即時訂單204 之組合，以發展關於特定交易的項目的預測模型，例如證券。此資料可包括歷史及現場訂單，以及在執行交易之後觀察到的逆向選擇及市場回應。機器學習引擎206 的目標為發展預測模型，而將預測哪些匹配時間、訂單價格及訂單大小將最小化逆向選擇及市場回應。

在此上下文中，逆向選擇較佳地藉由證券的新的市場價格及在執行交易之後的一連串時間點的證券的實際交易價格之間的價格差異來量測。舉例而言，機器學習引擎206 可計算：
AdvSel_at_time_0=price_at_time_0-trade_price
AdvSel_at_time_1=price_at_time_1-trade_price
…
AdvSel_at_time_n=price_at_time_n-trade_price
其中n等於在交易之後時間的時間步階（例如，微秒）且trade_price為特定交易執行的價格。時間步階可替代地計數重要事件，例如引用改變或其他交易。

「price_at_time_n」可為實際全國最佳出價及報價（NBBO），或由目前及近期顯示的價格運算出的統計。一些替代統計方法包括近期成交量加權平均價格（VWAP）及加權的中間價格。根據近期VWAP方法學，「近期」以先前N次交易運算出，或在K時段上運算出，或V近期成交量運算出。根據加權的中間價格方法，價格從在交流所所有可取得及使得其訂單簿可取得的替代交易系統（ATS）的顯示價格運算出，其中各個價格對結果的貢獻藉由顯示的訂單大小加權。

由於機器學習引擎206 隨著交易天數處理更多資料，應可改善匹配參數的準確性。機器學習方式比任何統計規則設定更優越，因其自動適應改變的市場條件同時嘗試最小化逆向選擇及/或市場回應。舉例而言，機器學習引擎206 可學習在較高波動的天比較低波動的天更快速地匹配訂單，而統計規則設定不論此天的波動性的量將以相同的速率匹配訂單。

機器學習引擎206 可根據本發明的替代實施例利用傳統機器學習演算法實施。較佳的實施例使用強化學習及監督學習方法，用於對各個證券建立優化匹配模型。

使用強化學習方法學，訓練機器學習引擎206以藉由暴露至使用嘗試及錯誤連續地對其訓練的環境而做出具體決定。機器學習引擎206 從過往經驗學習且嘗試學習何種決定產生較佳結果。強化學習方法學的範例為遵循馬爾可夫決定處理的方法。

監督學習為從訓練資料推段函數的機器學習方法。訓練資料由一組訓練範例組成。機器學習引擎206較佳地實施監督學習，而各個訓練範例為輸入對象（通常為向量）及所欲輸出值（亦稱為「監督訊號」）組成的對。訓練處理持續直到機器學習引成206已調整其模型而足夠達成預測準確性的所欲等級。監督學習的範例包括但非限於回歸、決策樹、隨機森林、KNN及邏輯回歸。機器學習的其他通常方法揭露於https://en.wikipedia.org/wiki/Machine_learning（最後存取日期為2017年10月2日）中，且在此處併入作為參考。

可有益地在本發明的實施例中實施機器學習引擎206的其他機器學習方法包括各種深度學習方法。深度學習（亦已知稱為深結構學習或層次學習）是基於學習資料表示，而與任務專用演算法相反。深度學習方法可被監督、部分監督或不受監督。

在本發明的另一實施例中，機器學習引擎206接收以下作為輸入：歷史市場資料、即時市場資料、從市場資料運算的統計（近期波動性、近期收益率、近期交易、簿上壓力、交易員壓力）及市場回應（從匹配引擎在各個交易之後的各種時間點量測的簿改變，以及隨後的交易），且接收以下作為輸出：何時執行下次匹配的匹配時間範圍（最小、最大）、匹配多少訂單的匹配大小範圍（最小、最大）、對於未來訂單的各個訂單需要放置在簿上多久以參與匹配的匹配停留目標（最小、最大）、及對下次匹配訂單的大小分配。在本發明的進一步實施例中，機器學習引擎206將隨機匹配時間、大小及價格插入其指令中，以匹配引擎208來減少其他市場參與者預測其操作的能力。

在較佳的操作中，機器學習引擎206 在初始狀態或在隨機狀態任一者下，藉由手動藉由專家任一者建設而開始。機器學習引擎206 接著連接至歷史訂單資料202 及歷史市場資料203 及即時市場資料201 ，且開始產生匹配參數以由匹配引擎208 使用。在各個交易藉由匹配引擎208 完成之後，市場回應模組207 於交易之後的各個時間點運算市場衝擊，且提供市場衝擊資料至機器學習引擎206 ，而以新資訊，例如輸入/輸出配對，來更新其內部模型。

機器學習引擎206 重複學習處理直到找到局部優化，其中最小化逆向選擇及/或市場衝擊，且後續訓練並未顯著地改善結果。可選地，機器學習引擎206 可接著從新的狀態開始且繼續學習以尋找新的優化。各個不同的學習演算法可具有其不同的狀態表示以及其臨界，用於更新其學習。舉例而言，在神經網路中，學習處理的狀態編碼於神經之間的鏈結上、對各個神經的發射臨界及在臨界功能中的加權。

在進一步替代實施例中，機器學習引擎206 可發佈匹配參數至匹配引擎208 而有意地接合一或更多訂單的部分填入。

機器學習引擎206 可連續或在不同時間更新其內部模型，以提供匹配引擎208 最佳可能的匹配參數。較佳地，匹配引擎206 足夠頻繁地操作以快速適應新的市場條件以及反應市場參與者的活動。傳統匹配邏輯無法適應此等改變的情況。

匹配引擎208 為傳統ATS或交流所匹配引擎，而接收買及賣訂單且產生交易。舉例而言，「買」訂單可為「市場」（以立即可取得價格購買）或「限制」以低於或等於給定限制的價格購買。「賣」訂單可為「市場」（以立即可取得價格販賣）或「限制」以大於或等於給定限制的價格販賣。通常，匹配藉由匹配引擎208 產生，其中至少一個買訂單及一個賣訂單具有重疊的價格，且滿足價格保護的地方法規。在美國，NMS法規規定若其訂單的價格超出NBBO的某些「保護的」場所，例如在匹配時間的交流所，則場所不可進行匹配。

有資格匹配價格的訂單以特定的順序配對。通常匹配基於大小優先、時間優先或按比例分配而排序。舉例而言，訂單可能需要具有「停留」在訂單簿的某些時段以有資格用於匹配（例如，最小的微秒數）。因此，若訂單「太新」，則其無法有資格用於匹配。或者，訂單可能需要為某些最小大小以便有資格用於匹配。最小大小可藉由交流所的規則、藉由呈送訂單的實體或藉由匹配演算法指定。

第3圖根據本發明的實施例，為顯示優化匹配時間如何藉由機器學習引擎206 運算的流程圖。較佳地，優化匹配時間的計算基於呈送至匹配引擎208 的公開可取得資料及即時訂單而用於個別證券。

呈送至匹配引擎208 的公開資料及訂單資料於步驟301 處收集。此資料用以運算在交易天期間各種時間證券的歷史波動性（步驟302 ）。波動性為證券的價格的統計變數的量測，且通常在特定時間運算。對於交易天中的各個時間點，可在各種時段上運算波動性。波動性值藉由匹配引擎208 使用以藉由識別波動性低於臨界值的時段，對證券運算優化匹配時間（步驟303 ）。

第4圖為根據本發明的實施例的流程圖。在第4圖中所顯示的步驟較佳地藉由機器學習引擎206 及/或匹配引擎208 執行。首先，計算特定證券對最後交易的市場反應，且較佳地，決定任何逆向選擇的程度（步驟401 ）。在步驟402 處，使用市場反應、歷史市場資料、歷史訂單資料、即時訂單資料及/或即時市場資料計算匹配參數。

匹配參數的一個範例為如結合第3圖所述的用於證券的優化匹配時間。基於藉由機器學習引擎206 發送至匹配引擎208 的匹配參數，卓越的報價及出價被匹配且填入，或部分匹配且部分填入，或推遲至更晚時間（步驟403 ）。在步驟404 中，各個匹配的訂單（或部分訂單）藉由匹配引擎208 執行。執行的訂單接著藉由匹配引擎208 傳送至交易報告設施（TRF）、交流所及/或另一交易系統（步驟405 ）。

以上所揭露的各種實施方式可在許多不同及變化的操作環境中應用，且併入積體電路、晶片的一或更多電子裝置用於處理及記憶目的而可應用。以上目前揭露硬體、軟體及/或韌體的適當配置以改善電腦的能力以與用於交易的市場資料對接。本揭露案的系統或方法亦包括在一起工作的數個上述範例系統以執行此處所揭露的相同功能。

上述的大多數範例實施方式利用一或更多商業通訊協議的至少一個通訊網路，例如TCP/IP、FTP、UPnP、NFS及CIFS。網路102 可為無線的或有線的，包括局域網路（LAN）、廣域網路（WAN）、虛擬私人網路（VPN）、網際網路、內部網路、外部網路、公用切換電話網路（PSTN）、紅外網路、無線網路及以上一或更多以上網路的組合。

本發明的範例可包括由各種資料儲存及其他記憶體或儲存媒體形成的資料庫。此等部件可放置於如上論述的一或更多伺服器中，或可放置於伺服器的網路中。在某些實施例中，資訊可放置於儲存區域網路（SAN）中。類似地，以上論述的用於執行歸因於電腦、伺服器或其他網路裝置的功能的檔案可適當地本端及/或遠端儲存。上述的各個運算系統，包括客戶裝置，可併入透過資料/控制/及功率匯流排電氣耦合的硬體元件。舉例而言，在此等運算系統中的一或更多處理器可為用於一或更多客戶裝置的中央處理單元（CPU）。客戶裝置可進一步包括至少一個使用者裝置（例如，滑鼠、鍵盤、控制器、鍵板或觸控顯示器）及至少一個輸出裝置（例如，顯示器、印表機或喇叭）。此等客戶裝置亦可包括一或更多儲存裝置，包括碟驅動器、光學儲存裝置及固態儲存裝置，例如隨機存取記憶體（RAM）或唯讀記憶體（ROM），以及可移除媒體裝置、記憶卡、快閃卡等等。

以上所論述的電腦系統亦可包括如先前所述的電腦可讀取儲存媒體讀取器、通訊裝置（例如，數據機、網路卡（無線或有線的）、或紅外線通訊裝置）及記憶體。電腦可讀取儲存媒體讀取器可連接或配置成接收電腦可讀取儲存媒體，代表遠端、本端、固定及/或可移除儲存裝置，以及儲存媒體，用於暫時及/或更永久含有、儲存、傳送及檢索電腦可讀取資訊。系統及各種裝置亦通常將包括定位在至少一個工作記憶裝置之中的數個軟體應用、模組、服務或其他元件，包括操作系統及應用程式，例如客戶應用或網頁瀏覽器。應理解替代實施例可具有來自以上所述的數種變化。舉例而言，亦可使用客製化硬體及/或特定元件可在硬體、軟體（包括可攜式軟體，例如小程式）或兩者中實施。再者，可採用連接至例如網路輸入/輸出裝置的其他運算裝置。

用於含有編碼或部分的編碼的儲存媒體及其他非暫時性電腦可讀取媒體可包括在本領域中已知或使用的任何適合的媒體，例如但非限於在任何方法或技術中實施用於儲存資訊的揮發及非揮發、可移除及不可移除媒體，例如電腦可讀取指令、資料結構、程式模組或其他資料，包括RAM、ROM、EEPROM、快閃記憶體或其他記憶技術、CD-ROM、數位多功能光碟（DVD）或其他光學儲存、磁性卡匣、磁帶、磁碟儲存或其他磁性儲存裝置或可用以儲存所欲資訊且可藉由系統裝置存取的任何其他媒體。基於此處所提供的揭露及教示，本領域中技藝人士將瞭解實施各種實施例的其他方式及/或方法。

因此，說明書及圖式應視為說明而非限制的意圖。然而，將理解可進行各種修改及改變而不會悖離申請專利範圍中提出的本發明的較廣精神及範疇。

100‧‧‧系統架構

101‧‧‧電腦化交流所

102‧‧‧網路

103‧‧‧資料源

104‧‧‧應用程式界面

105‧‧‧客戶裝置

107‧‧‧界面

108‧‧‧伺服器

201‧‧‧即時市場資料

202‧‧‧歷史訂單資料

203‧‧‧歷史市場資料

204‧‧‧即時訂單

205‧‧‧交易系統

206‧‧‧機器學習引擎

207‧‧‧市場回應資料

208‧‧‧匹配引擎

301-303‧‧‧步驟

401-405‧‧‧步驟

第1圖根據本發明的實施例顯示系統架構100 。

第2圖根據本發明的另一實施例顯示系統及方法的方塊圖。

第3圖根據本發明的進一步實施例為顯示運算優化匹配時間的方法的流程圖。

第4圖根據本發明的另一實施例為顯示用於執行交易的方法的流程圖。

國內寄存資訊 (請依寄存機構、日期、號碼順序註記)
無

國外寄存資訊 (請依寄存國家、機構、日期、號碼順序註記)
無

Claims (22)

1. 一種優化交易執行之方法，包含以下步驟： 對一證券的一近期交易運算一市場反應；回應於該市場反應，及對該證券的一歷史市場資料及對該證券的一即時市場資料之至少一者，計算對該證券的一匹配參數；及根據該匹配參數執行該證券的一交易。
2. 如請求項1所述之方法，其中計算一匹配參數之該步驟包括以下步驟：基於複數個運算的市場反應及複數個歷史市場資料進行機器學習，以減少在執行一交易之該步驟之後的一逆向選擇。
3. 如請求項1所述之方法，其中計算一匹配參數之該步驟包括以下步驟：基於複數個運算的市場反應及複數個歷史市場資料進行機器學習，以減少在執行一交易之該步驟之後的一逆向選擇。
4. 如請求項1所述之方法，其中計算一匹配參數之該步驟包括以下步驟：選擇該匹配參數，以減少在執行一交易之該步驟之後的一逆向選擇。
5. 如請求項1所述之方法，其中計算一匹配參數之該步驟包括以下步驟：選擇該匹配參數，以減少在執行一交易之該步驟之後的一市場衝擊。
6. 如請求項1所述之方法，其中該匹配參數為一交易時機（trading time window）。
7. 如請求項1所述之方法，其中該匹配參數為一最大部分填充臨界。
8. 如請求項1所述之方法，其中該匹配參數包括一匹配時間。
9. 如請求項1所述之方法，其中該匹配參數包括一匹配大小。
10. 如請求項1所述之方法，其中該匹配參數包括一匹配價格。
11. 如請求項1所述之方法，其中該匹配參數包括一匹配停留時間臨界。
12. 一種用於優化證券交易執行之系統，包含： 一處理器，用於對一證券的一近期交易運算一市場反應；一機器學習引擎，用於回應於該市場反應，及一歷史市場資料及一即時市場資料之至少一者，計算對該證券的一匹配參數；及一匹配引擎，用於根據該匹配參數執行該證券的一交易。
13. 如請求項12所述之系統，其中該機器學習引擎利用複數個運算的市場反應及複數個歷史市場資料來計算該匹配參數，以減少在該證券的該交易之後的一逆向選擇。
14. 如請求項12所述之系統，其中該機器學習引擎利用複數個運算的市場反應及複數個歷史市場資料來計算該匹配參數，以減少在該證券的該交易之後的一市場衝擊。
15. 如請求項12所述之系統，其中計算該匹配參數以減少該證券的該交易之後的一逆向選擇。
16. 如請求項12所述之系統，其中計算該匹配參數以減少該證券的該交易之後的一市場衝擊。
17. 如請求項12所述之系統，其中該匹配參數為一交易時機。
18. 如請求項12所述之系統，其中該匹配參數為一最大部分填充臨界。
19. 如請求項12所述之系統，其中該匹配參數包括一匹配時間。
20. 如請求項12所述之系統，其中該匹配參數包括一匹配大小。
21. 如請求項12所述之系統，其中該匹配參數包括一匹配價格。
22. 如請求項12所述之系統，其中該匹配參數包括一匹配停留時間臨界。