p énzügyi rendszerek alprojekt levendovszky jános (bme)
DESCRIPTION
P énzügyi Rendszerek alprojekt Levendovszky János (BME). Az infokommunikációs technológiák társadalmi hatásai 2014. á prilis 10 . Szeged. Projekt információ k Beágyazottság Kutatási irányok Eredmények Alkalmazások Indikátorok. Főbb pontok. Konzorciumi partnerek. FUTURICT. - PowerPoint PPT PresentationTRANSCRIPT
Pénzügyi Rendszerek alprojektLevendovszky János (BME)
Az infokommunikációs technológiák társadalmi hatásai
2014. április 10.Szeged
Főbb pontok
• Projekt információk• Beágyazottság• Kutatási irányok• Eredmények• Alkalmazások• Indikátorok
Konzorciumi partnerek
FUTURICT
Viking Zrt
Mutató neve Mérték-egység
elért eredmény a jelentéstételi időszakban
A projekt eredményeként benyújtott (magyarországi vagy nemzetközi) szabadalmi kérelmek (szabadalom, oltalom) száma (eljárás elindítása)
db
A projektben közreműködő fiatal kutatók száma
fő 11
A projektben közreműködő magyar kiváló kutatók/ oktatók száma (MTA doktora, illetve ezzel egyenértékű hátérrel bíró)
fő 3
A projekt során elért potenciális FP7/ FP8 partnerek száma db -
A projekt támogatásával hazai és nemzetközi szakfolyóiratokban megjelent publikációk, illetve önálló monográfiák száma
db 11
A projekt keretében megvalósuló K+F projektek száma db 6
A projektben közreműködő vállalkozások száma db -
Adminisztratív mutatók
Alprojekt kutatási célja
Pénzügyi rendszerek
Célok és kihívások
Hogyan lehet napjaink pénzügyi folyamatait kiszámíthatóbbá és biztonságosabbá tenni !!!
Instabilitás, csőd
Rögtöni globális hatások
Hálózati kihívások: dominóeffektusok, fertőződések és lavinahatások vizsgálata
Algoritmikus kihívások: kiegyenlítő hatások, kockázat-analízis, algoritmikus kereskedés
FuturICT Pénzügyi Rendszerek Alprojekt
Bank Bank Company Company
Company
Asset
Asset
Asset
Asset
• Miért fontosak a kaszkádejelenségek ?• Bankok és vállalatok egymáshoz kapcsoltak .• Kapcsolt hálózatok sokkal „sérülékenyebbek”, ami nagyobb
rendszerkockázatot okoz .
Kaszkádjelenségek
Letörési jelenségekCélok és eredmények: Monte –Carlo szimulációval, hasonló állítások komplexebben összekapcsolt gráfokra
Elért eredmények• A csatolt hálózatokat leíró
(összeomlási lavinákat mutató) modellben bevezettünk egy időben dinamikus, a támadás alatt álló hálózat lokális gyógyulását (javítási lehetőségeit) figyelembe vevő folyamatot.
• Monte Carlo szimulációval különböző hálózati topológiákra meghatároztuk, mennyivel késleltethető (Δpc) a hálózat összeomlása adott w gyógyulási valószínűség esetén
• Δpc = h wγ,négyzetrács: h=0.703, γ=1.034
Elért eredmények• A lavinák és az alkalmazott
gyógyulás átformálják a kezdetben szabályos hálózati topológiát.
Az ábrán látható hálózatok:• a) gyógyulás nélkül (w=0.0),• b) kritikus gyógyulás alatt (w=0.2, az
átlagos fokszám csökken),• c) kevéssel a kritikus gyógyulás felett
(w=0.4, fokszám≈áll.),ugyanannyi megtámadott ponttal.
• d) kevéssel a kritikus gyógyulás felett (w=0.4) sok megtámadott pont esetén a hálózatot a gyógyulás egyre sűrűbbé teszi.
Alkalmazások
• Modellünk alkalmazható bankok és cégek egymástól való kölcsönös függésének leírására.
• A Monte Carlo szimulációkkal végzett mérésekben meghatároztuk a csatolt hálózatok ellenállóképességét véletlen támadások, csődök esetére.
• A mérések lehetővé teszik a hálózatok gyógyítására fordított erőfeszítések megtérülésének (hálózat meddig marad működőképes) számszerű becslését, ezáltal a beavatkozások tervezését.
Publikációk, indikátorok
• Az eredményeinkről írt cikk elérhető a http://arxiv.org/abs/1312.1993 címen.
• A cikk publikálás alatt áll.
A fertőzések terjedése gazdasági hálózatokban
Gráf modellezés : hatalmas adatmennyiség bankokban, cégkönyvekben, …etc
Cél: gráf „bányászat” - csődelőrejelzés, üzleti függőségek felfedezése, tulajdonosi struktúrák analízis,
Kutatási célok
• Complex adatbázis gráffá alakítása • A fertőzési módszertan teljes kidolgozása• A statikus változók és fertőzés vizsgálata egy
konkrét projektben (OTP adatbázis)
TÁMOP-4.2.2/B10-1/2010-0009
Független Kaszkád Modell
• DR Algorithm*:– 0: (originally) Infected dataset =
Active dataset– 1: Infecting by the edges where
one of the vertices are „active”. – Influence ~ multiplying the
probability of the infection of the edges.
– 2: Infected in the previous period = Active dataset
– 3: If there is no new infection then STOP.
Eredmények
• Complex gráf statisztikák– Felügyelő bizottság: 38457 pont, 1014737 él– Bt: 227114 pont, 5990252 él– Kft-k: 441656 pont, 26934120 él
• A kaszkád módszer elemei:• Fertőzés kiszámolásának felgyorsítása• Él attribútumok beárazása (inverz fertőzés)• Esettanulmány (OTP kredit default)
TÁMOP-4.2.2/B10-1/2010-0009
Az adatbázis1719000 magyar vállalat
TÁMOP-4.2.2/B10-1/2010-0009
148 tables in text format
20 tables in SQL database
3 types of graph edges
12 GB 5 GB 2-3MB
Valódi hálózat fertőződése
Publikációk
• Bartalos István és Pluhár András, Közösségek és szerepük a kisvilág gráfokban. Alkalmazott Matematikai Lapok 29 (2012) 55--68.
• A. Bóta, M. Krész and A. Pluhár, Approximations of the Generalized Cascade Model. Acta Cybernetica 21 (2013) 37--51.
• M. Krész and A. Pluhár, Economic Network Analysis. In Encyclopedia of Social Network Analysis and Mining , Springer 2013.
• A. Bóta, A. Csernenszky, L. Győrffy, Gy. Kovács, M. Krész and A. Pluhár, , Applications of the Inverse Infection Problem on banking data. PROCEEDINGS OF THE EURO MINI-CONFERENCE GRAZ-2013 ON COLLABORATIVE DECISION SYSTEMS IN ECONOMICS, COMPLEX SOCIETAL & ENVIRONMENTAL APPLICATIONS U. Leopold et al. Graz, Austria, October 17-19, 2013.
• A. Bóta, M. Krész and A. Pluhár, Az inverz kaszkád probléma alkalmazása a magyar cégkapcsolati hálózatra. XXX. Magyar Operációkutatási Konferencia, 2013 június 10-13. Balatonöszöd
Algoritmikus kereskedés
Mean reversion
Individuális részvényárfolyamok nehezen jósolhatók, korrelált részvények jól jósolhatók és lineáris kombinációjuk visszatér a mean-hez
Predikció alapú
Analízis
Jósolt érték
Jósolt érték
Intuitív feladatmegfogalmazásÁrfolyamok – sokdimenziós idősorok
1x
2x
3x
optimális lineáris kombináció, amely mean reverting tulajdonságot mutat card. kényszerrel
Keresk. mean reverting portfólióval
buy
sell
profit
sell
profit
Cél:Új módszerek mean reverting portfoliók identifikálására és kereskedésére
A modell
( ) ( )dp t p t dt dW t
Mean reversion: p(t) Ornstein – Uhlenbeck folyamat
0
( ) 0 1t
t st tp t p e e e dW s
Kulcs paraméter:
gyors visszatérés a mean-hez
legkisebb bizonytalanság stacionér állapotban
( ), 1,...,is t i n az i részvény ára a t-ik időpillantban
, 1,...,ix i n az i-ik részvényből birtokolt darabszám
1
( ) ( ) a portfolió értéken
j jj
p t x s t
1,..., portfolió vektornx xx
FELADAT: : m a xo p t x
x
2
lim ( ) ,2t
p t N
[ ( )] 0 1t tE p t p e e
A diszkrét modell - AR(1)
1t t t s As w Tt tEG s s ,t Nw 0 Kwhere
1T T Tt t t s x s Ax w x
1 1:
T T T T Tt t
TT Tt t
E
E
x A s s Ax x A GAxx
x Gxx s s x
1 1: max max max
T T T T Tt t
opt TT Tt t
E
E
x x x
x A s s Ax x A GAxx x
x Gxx s s x
HMM based trading
Dimension reduction
Prediciton in the reducted dimensional subspace Speed-up due to decreased comp. complexity enables
us to involve a larger number of assets
(memory and CPU limit) do higher frequency trading
Controllable degree of freedom(e.g. to avoid overfitting)
Probabilistic PCA (PPCA) Clustering algorithms
2,~ N W x + μ It | x
AR-HMM
Trading with mean reverting portfolios Estimation of the long term mean (μ) Decision whether the process is MR
→ Generalizaton and more flexible modelingwith AR-HMMs
Maximizing the prediction based profit:
211 , , , 1 1 ,
2
tt t e
P p t p t N p t e p t e
1 , , 1 ,t j j jP p t p t q j N p t p t
0
Ψ m a x 0t
E p t p
x
( ) ( )d p t p t d t d W t
Numerikus eredmények
144% yearly profit on FOREX with bid-ask spread
Nagyságrendekkel jobb OU paraméter becslés
Publicációk
Journal papersSIPOS, I. Róbert; LEVENDOVSZKY, János. Optimizing sparse
mean reverting portfolios. Algorithmic Finance, 2013, 2.2: 127-139.
SIPOS, I. Róbert; LEVENDOVSZKY, János. Optimizing sparse mean reverting portfolios with AR-HMMs in the presence of secondary effects. Accepted in Periodica Polytechnica.
J. LEVENDOVSZKY, G. JENEY, F. KIA: Minimizing the loss probability of trading with OU processes
ConferencesSIPOS, I. Róbert; LEVENDOVSZKY, János. Trading with Hidden
Markov Models. In: Proceedings, 15th Applied Stochastic Models and Data Analysis (ASMDA2013), Barcelona, 2013.
Hangulatbányászat Nagy Gábor, BME, Kazi Sándor, Dr. Búza Krisztián (Uniwersytet Warszawski)
Kutatási célok
Hangulatok identifikációjaszövegbányászattal a szociális médiában, illetve ezeknek a pénzpiacokra gyakorolt hatásának a mérése
TÁMOP-4.2.2/B10-1/2010-0009
NewsTwitter
Kihívások
• Nagysebességű és hatalmas méretű adatforrások analízise
• Megfelelő szövegbányászati módszerek hiányában
TÁMOP-4.2.2/B10-1/2010-0009
Megoldás• Elosztott szöveg- és
adatbányászati platform kidolgozása
Releváns tartalom felismerése
Releváns tartalom kinyerése
article = {'title': 'EU's top court rules Germany can keep
VW veto law','author': 'Michele Sinner','timestamp':'Tue Oct 22, 2013 5:16am EDT','location': 'LUXEMBOURG/FRANKFURT','summary': 'Germany won the right to...''content': 'The ruling means Germany avoids fines
worth tens of millions of euros...'}
Releváns tartalom tárolása
article = {'title': 'EU's top court rules Germany can keep
VW veto law','author': 'Michele Sinner','timestamp':'Tue Oct 22, 2013 5:16am EDT','location': 'LUXEMBOURG/FRANKFURT','summary': 'Germany won the right to...''content': 'The ruling means Germany avoids fines
worth tens of millions of euros...'}
Tartalom elemzésSentiment Analysis
article = {'title': 'EU's top court rules Germany can keep
VW veto law','author': 'Michele Sinner','timestamp':'Tue Oct 22, 2013 5:16am EDT','location': 'LUXEMBOURG/FRANKFURT','summary': 'Germany won the right to...''content': 'The ruling means Germany avoids fines
worth tens of millions of euros...'}
Tulajdonnév felismerés (Named Entity Recognition)Sentiment Analysis
The ruling means Germany avoids fines worth tens of millions of euros and leaves the regional state of Lower Saxony, where Volkswagen is headquartered, with the power to block takeovers and other key decisions such as factory closures.
The Luxembourg-based EU Court of Justice (ECJ) said in a ruling on Tuesday that Germany had complied with a 2007 court ruling ordering it to water down a 1960 law that gave Lower Saxony a de facto golden share in Europe's biggest carmaker.
…
fines (0.5) block (0.4) closures (0.8)… → negatív sentiment
complied (0.2) water down (0.3) golden share (0.5) biggest (0.8)…→ pozitív sentiment
Sentiment_example = Sum(positive) - Sum(negative) → Cikk Pozitív
Tartalom elemzésÁr reakció
Hír
SW platform• Distributed data access to:
– Twitter Streaming API: configurable search terms
– RSS feeds • 250 news feeds – US• 100 news feed – HU
• Distributed preprocessing – available tasks:
– HTML Normalization (tag stripping, encoding correction, etc. )
– Relevant content extraction– Tag extractor– Regexp Extractor– Entity resolution
• Process execution loggingTÁMOP-4.2.2/B10-1/2010-0009
Implementation in Python, MongoDB
TÁMOP-4.2.2/B10-1/2010-0009
Results
HTML Normalization: 250k documents / hour on 8 nodes
Content extraction800k documents / hour on 8 nodes
Projekt publikációk
2 conference papers (deliverable in the 2nd year)Fulfilled (1): Gábor I. Nagy, Sándor Kazi: Distributed News Analytics Framework for Text Mining, COGINFOCOM 2013,
Workshop on Future Internet Science and Engineering
2 journal articles (deliverable in the 2nd year)Fulfilled (0): In progress 2, deliverable in 2 months.
1 MsC diploma Thesis (fulfilled)
FUTURICT, TÁMOP-4.2.2.C-11/1/KONV, „Pénzügyi Rendszerek” Alprojekt, Szeged, 2013. május 25
Kockázatfelosztás vizsgálata nem likvid piacokon és rendszerkockázat esetén (Csóka Péter, Havran Dániel,
Corvinus Egyetem)
• 1) El lehet-e osztani a kockázatot igazságosan– i) nem likvid piacokon (Q3, Q4)– ii) rendszerkockázat esetén (Q5).
• 2) A rendszerkockázat elemzése– i) tőkeallokációs módszerekkel (Q5)– ii) szerződéselmélettel, külső vállalatfinanszírozás
esetén (Q1, Q2)
Szerződéskötési modellek
TÁMOP-4.2.2/B10-1/2010-0009
Q1, Q2: A sajáttőke hányszorosát tudja felvenni a vállalat, ha nincs vevője (k_0), ha a bankkal szimmetrikusan (k_s) vagy aszimmetrikusan informált (k_a)
TÁMOP-4.1.2-08/2/A/KMR-2009-0028
Csóka, P., Havran, D., Szűcs, N. (2013) : Corporate financing under moral hazard and the default risk of buyers. Central European Journal of Operations Research,
Q3-Q4: Szimulációval beláttuk, hogy a kockázatfelosztás során nem likvid piacokon három igazságossági követelmény (a stabilitás, az egyenlően kezelés és az ösztönzés) egyszerre többnyire nem teljesíthető
TÁMOP-4.1.2-08/2/A/KMR-2009-0028
A fenti táblázatok azt mutatják, hogy milyen gyakran teljesül mindhárom követelmény 3 illetve 4 divízió esetén, a likviditási szükséglet (a) és az expected shortfall szignifikanciaszint (k) függvényében.
Q5: Tőkeallokáció rendszerkockázat esetén: előkészület, irodalomgyűjtés.
• Áttekintettük a rendszerkockázat irodalmát kooperatív játékelméleti szempontból.
• A rendszerszinten fontos intézmények azonosításához a tőkekövetelmények teljes és externális hatását is figyelembe fogjuk venni.
TÁMOP-4.1.2-08/2/A/KMR-2009-0028
Indikátorok eddig• A hazai és nemzetközi meghatározó szakmai folyóiratokban
megjelenésre elfogadott publikációk száma, melyek a projekt alapkutatási eredményeinek felhasználásával, egyértelmű beazonosíthatósággal készülnek: 1
Csóka, P., Havran, D., Szűcs, N. (2013) : Corporate financing under moral hazard and the default risk of buyers. Central European Journal of Operations Research,
• Hazai és nemzetközi konferenciákon való megjelenés : 2• A projekt alapkutatási területére speciálisan meghirdetett
TDK vagy PhD kutatási tématerület száma: 1• Az Ön projektbeli kutatásában közreműködő fiatal kutatók
száma, beleértve Önt is, amennyiben fiatal kutatóként vesz részt a kutatásban: 3
TÁMOP-4.1.2-08/2/A/KMR-2009-0028
Társadalmi hasznosulást bemutató kutatási célok, eredmények
ALPROJEKTELEMEK• Fertőződések és csődök
vizsgálata• Algoritmikus kereskedés• Hangulatbányászat,
szemantikus analízis• Szerződések
játékelméleti vizsgálata• Kaszkád- és letörési
jelenségek vizsgálata
TÁRSADALMI HASZNOSULÁS• Biztonságosabb hitelpolitika• Kiegyenlítő hatások,
biztonságos tőzsdei viselkedés • Hangulati elemek
kvantifikálása, pánikok megelőzése
• Igazságosabb szerződések• Robusztus „kapcsolatok”
(gráfok)
Alprojektek közötti együttműködések bemutatása
SAJÁT ALPROJEKT ELEM
• Hangulati és szemantikai adatbányászat
• Kaszkád- és letörési jelenségek vizsgálata
• Csődök és fertőződések vizsgálata
MÁS ALPROJEKT
• Twitter adatfolyam előfeldolgozása, nyilvános adat archívumok alprojekt
• Természetesnyelv-feldolgozás alprojekt
• Hálózatok szerkezete és dinamikája alprojekt
Mutató neve Mérték-egység
elért eredmény a jelentéstételi időszakban
A projekt eredményeként benyújtott (magyarországi vagy nemzetközi) szabadalmi kérelmek (szabadalom, oltalom) száma (eljárás elindítása)
db
A projektben közreműködő fiatal kutatók száma
fő 11
A projektben közreműködő magyar kiváló kutatók/ oktatók száma (MTA doktora, illetve ezzel egyenértékű hátérrel bíró)
fő 3
A projekt során elért potenciális FP7/ FP8 partnerek száma db -
A projekt támogatásával hazai és nemzetközi szakfolyóiratokban megjelent publikációk, illetve önálló monográfiák száma
db 11
A projekt keretében megvalósuló K+F projektek száma db 6
A projektben közreműködő vállalkozások száma db -
Adminisztratív mutatók
Köszönöm a figyelmet !
Eddig elért eredmények
IndikátorMérték-egység
Elért eredmény
(2013. október 31.)
4.1. Az Önhöz tartozó alprojektben a kutatás eredményeként benyújtott (magyarországi vagy nemzetközi) szabadalmi kérelmek (szabadalom, oltalom) száma (eljárás elindítása)
db
4.2. Az Önhöz tartozó alprojektben közreműködő fiatal kutatók száma, beleértve Önt is, amennyiben fiatal kutatóként vesz részt a kutatásban fő
4.3. Az Önhöz tartozó alprojektben a kutatás során elért potenciális FP7/FP8 partnerek száma db
4.4. Az Önhöz tartozó alprojektben folyó kutatással kapcsolatban hazai és nemzetközi szakfolyóiratokban megjelent publikációk, illetve önálló monográfiák száma
db
4.5. Az Önhöz tartozó alprojekt által indukált új K+F projektek számadb
4.6. Az Önhöz tartozó alprojekt keretében folyó kutatásában közreműködő vállalkozások száma db
Eredmények
Constant weights NBH ES CS
TOP 1% 0,79 7,77 7,82 8,09TOP 3% 2,17 8,51 8,77 8,46TOP 5% 2,89 7,97 7,97 7,74TOP 10% 3,16 4,97 4,99 4,92Other measurements AUC 65,39% 72,40% 72,49% 71,6%AUC (lower bound) 62,97% 69,90% 69,99% 69,2%AUC (upper bound) 67,81% 74,90% 74,98% 74,1%GINI 7,69% 11,20% 11,24% 10,8%