Datawetenschappen: de Tech-Quant-integratie

Na het bouwen van datawetenschapsoplossingen voor financiële instellingen, handelaren en kapitaalmarktklanten, is een van de uitdagingen die we de afgelopen 12 maanden hebben ondervonden, het extraheren van de stilzwijgende kennis die kwantitatieve teams bezitten en deze toe te passen vanuit de technologiekant.
In een aantal gesprekken bij klanten, waar we datawetenschappen of aanverwante gebieden zoals machine learning hebben besproken, hebben we gezien dat technologie-implementatie niet is waar klanten zich echt zorgen over maken. Wat voor hen echt belangrijk is, is de modus operandi om technologie te integreren met de modellen die kwantitatieve teams bouwen.

Wie zijn quants en wat doen ze?

U vindt tegenwoordig cijfers in investeringsbankieren, handel, risicobeheer en vele andere industrieën. Dankzij de opkomst van “Big Data” zijn quants ineens populair geworden. Je kunt ze zien werken in gestructureerde krediet- of kwantitatieve analyse, maar nu gaat het om de modellen.

Laten we als voorbeeld de ‘handelsindustrie’ nemen.

Kwantitatieve handelaren nemen een handelstechniek en maken er een model van met behulp van wiskunde , en ontwikkelen vervolgens een computerprogramma dat het model toepast op historische marktgegevens. Het model wordt vervolgens backtested en geoptimaliseerd. Als gunstige resultaten worden behaald, wordt het systeem vervolgens geïmplementeerd in realtime markten met echt kapitaal.

In wezen profiteren kwantitatieve handelaren van moderne technologie, wiskunde en de beschikbaarheid van uitgebreide databases voor het nemen van rationele handelsbeslissingen.

Een van onze klanten heeft bijvoorbeeld zijn eigen kwantitatieve team dat samenwerkt met Trading Team om handelsstrategieën te verbeteren en nieuwe strategieën te bedenken. Het Tech Team aan de klantzijde ontwerpt en bouwt de technische infrastructuur en softwaresystemen die handel mogelijk maken. Er is een hoge mate van samenwerking tussen de Trading-, Tech- en Quant-teams.

Hoe de kloof te overbruggen?

Hoe overbruggen we in een Data Sciences-opdracht deze kloof tussen kwantitatieve en technische teams?

Je zult klanten horen zeggen dat het onmogelijk is om tijd vrij te maken van kwantitatieve teams om technische teams te helpen met andere prioriteiten en de voorkeur geven aan kwantitatieve teams die getraind worden in technologie, wat niet eenvoudig is.

Aan de andere kant zul je zien dat ontwikkelaars worden uitgedaagd met laterale leervereisten op gebieden zoals statistiek en andere wiskundige basisprincipes. Hoe bouwen we zonder een goede integratie tussen deze teams oplossingen die recht doen aan het doel waarvoor ze zijn gebouwd?

Bij onze verkenning en lezing hebben we gezien: Institutionele Quant Platforms (IQP) als oplossing voor dit probleem. Om Mark Higgins, medeoprichter en COO bij Beacon, te citeren: “IQP’s zijn ontworpen om het voor quants gemakkelijk te maken om code te schrijven, te delen en vrij te geven; toegang krijgen tot de gegevens die ze nodig hebben; en bouw en beheer de tools die het bedrijf voeden.”

Bij Zuci hebben we ons Institutional Quant Platform gebouwd.

Wat is jouw strategie?

Bronnen: https://www.investopedia.com/

Bronnen: Zuci Clients