Az előadás letöltése folymat van. Kérjük, várjon

Az előadás letöltése folymat van. Kérjük, várjon

Pénzügyi Rendszerek alprojekt Levendovszky János (BME) Az infokommunikációs technológiák társadalmi hatásai 2014. április 10. Szeged.

Hasonló előadás


Az előadások a következő témára: "Pénzügyi Rendszerek alprojekt Levendovszky János (BME) Az infokommunikációs technológiák társadalmi hatásai 2014. április 10. Szeged."— Előadás másolata:

1 Pénzügyi Rendszerek alprojekt Levendovszky János (BME) Az infokommunikációs technológiák társadalmi hatásai április 10. Szeged

2 Főbb pontok Projekt információk Beágyazottság Kutatási irányok Eredmények Alkalmazások Indikátorok

3 Konzorciumi partnerek FUTURICT Viking Zrt

4 Adminisztratív mutatók

5 Alprojekt kutatási célja Pénzügyi rendszerek

6 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

7 Bank Company Asset Miért fontosak a kaszkádejelenségek ? Bankok és vállalatok egymáshoz kapcsoltak. Kapcsolt hálózatok sokkal „sérülékenyebbek ”, ami nagyobb rendszerkockázatot okoz. Kaszkádjelenségek

8 Letörési jelenségek Célok és eredmények: Monte –Carlo szimulációval, hasonló állítások komplexebben összekapcsolt gráfokra

9 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 (Δp c ) a hálózat összeomlása adott w gyógyulási valószínűség esetén Δp c = h w γ, négyzetrács: h=0.703, γ=1.034

10 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.

11 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.

12 Publikációk, indikátorok Az eredményeinkről írt cikk elérhető a címen. A cikk publikálás alatt áll.

13 A fertőzések terjedése gazdasági hálózatokban Gráf modellezés : hatalmas adatmennyiség bankokban, cégkönyvekben, …etc Cél : gráf „bányászat” - csődelőrejelzés, üzleti függőségek felfedezése, tulajdonosi struktúrák analízis,

14 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/

15 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.

16 Eredmények Complex gráf statisztikák – Felügyelő bizottság: pont, él – Bt: pont, él – Kft-k: pont, él A kaszkád módszer elemei: Fertőzés kiszámolásának felgyorsítása Él attribútumok beárazása (inverz fertőzés) Esettanulmány (OTP kredit default) TÁMOP-4.2.2/B10-1/

17 Az adatbázis magyar vállalat TÁMOP-4.2.2/B10-1/ tables in text format 20 tables in SQL database 3 types of graph edges 12 GB5 GB2-3MB

18 Valódi hálózat fertőződése

19 Publikációk Bartalos István és Pluhár András, Közösségek és szerepük a kisvilág gráfokban. Alkalmazott Matematikai Lapok 29 (2012) A. Bóta, M. Krész and A. Pluhár, Approximations of the Generalized Cascade Model. Acta Cybernetica 21 (2013) M. Krész and A. Pluhár, Economic Network Analysis. In Encyclopedia of Social Network Analysis and Mining, Springer 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, A. Bóta, M. Krész and A. Pluhár, Az inverz kaszkád probléma alkalmazása a magyar cégkapcsolati hálózatra. XXX. Magyar Operációkutatási Konferencia, 2013 június Balatonöszöd

20 Algoritmikus kereskedés Mean reversion Individuális részvényárfolyamok nehezen jósolhatók, korrelált részvények jól jósolhatók és lineáris kombinációjuk visszatér a mean-hez Predikció alapú Analízis Jósolt érték

21 Intuitív feladatmegfogalmazás Árfolyamok – sokdimenziós idősorok 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

22 A modell Mean reversion: p(t) Ornstein – Uhlenbeck folyamat Kulcs paraméter: gyors visszatérés a mean-hez legkisebb bizonytalanság stacionér állapotban az i részvény ára a t-ik időpillantban az i-ik részvényből birtokolt darabszám FELADAT:

23 A diszkrét modell - AR(1) where

24

25 HMM based trading

26 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

27 AR-HMM Trading with mean reverting portfolios Estimation of the long term mean (μ) Decision whether the process is MR → Generalizaton and more flexible modeling with AR-HMMs Maximizing the prediction based profit:

28 Numerikus eredmények 144% yearly profit on FOREX with bid-ask spread Nagyságrendekkel jobb OU paraméter becslés

29 Publicációk Journal papers SIPOS, I. Róbert; LEVENDOVSZKY, János. Optimizing sparse mean reverting portfolios. Algorithmic Finance, 2013, 2.2: 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 Conferences SIPOS, I. Róbert; LEVENDOVSZKY, János. Trading with Hidden Markov Models. In: Proceedings, 15th Applied Stochastic Models and Data Analysis (ASMDA2013), Barcelona, 2013.

30 Hangulatbányászat Nagy Gábor, BME, Kazi Sándor, Dr. Búza Krisztián (Uniwersytet Warszawski)

31 Kutatási célok Hangulatok identifikációja szövegbányászattal a szociális médiában, illetve ezeknek a pénzpiacokra gyakorolt hatásának a mérése TÁMOP-4.2.2/B10-1/ News Twitter

32 Kihívások Nagysebességű és hatalmas méretű adatforrások analízise Megfelelő szövegbányászati módszerek hiányában TÁMOP-4.2.2/B10-1/ Megoldás Elosztott szöveg- és adatbányászati platform kidolgozása

33 Releváns tartalom felismerése

34 Releváns tartalom kinyerése article = { 'title': 'EU's top court rules Germany can keep VW veto law', 'author': 'Michele Sinner', 'timestamp':'Tue Oct 22, :16am EDT', 'location': 'LUXEMBOURG/FRANKFURT', 'summary': 'Germany won the right to...' 'content': 'The ruling means Germany avoids fines worth tens of millions of euros...' }

35 Releváns tartalom tárolása article = { 'title': 'EU's top court rules Germany can keep VW veto law', 'author': 'Michele Sinner', 'timestamp':'Tue Oct 22, :16am EDT', 'location': 'LUXEMBOURG/FRANKFURT', 'summary': 'Germany won the right to...' 'content': 'The ruling means Germany avoids fines worth tens of millions of euros...' }

36 Tartalom elemzés Sentiment Analysis article = { 'title': 'EU's top court rules Germany can keep VW veto law', 'author': 'Michele Sinner', 'timestamp':'Tue Oct 22, :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

37 Tartalom elemzés Ár reakció Hír

38 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 logging TÁMOP-4.2.2/B10-1/ Implementation in Python, MongoDB

39 TÁMOP-4.2.2/B10-1/ Results HTML Normalization: 250k documents / hour on 8 nodes Content extraction 800k documents / hour on 8 nodes

40 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 C-11/1/KONV, „Pénzügyi Rendszerek” Alprojekt, Szeged, május 25

41 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)

42 Szerződéskötési modellek TÁMOP-4.2.2/B10-1/

43 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 /2/A/KMR Csóka, P., Havran, D., Szűcs, N. (2013) : Corporate financing under moral hazard and the default risk of buyers. Central European Journal of Operations Research,: Corporate financing under moral hazard and the default risk of buyers

44 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 /2/A/KMR 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.

45 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 /2/A/KMR

46 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,: Corporate financing under moral hazard and the default risk of buyers 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 /2/A/KMR

47 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)

48 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

49 Adminisztratív mutatók

50 Köszönöm a figyelmet !

51 Eddig elért eredmények Indikátor Mérték-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 száma db 4.6. Az Önhöz tartozó alprojekt keretében folyó kutatásában közreműködő vállalkozások száma db

52 Eredmények Constant weightsNBHESCS TOP 1% 0,797,777,828,09 TOP 3% 2,178,518,778,46 TOP 5% 2,897,97 7,74 TOP 10% 3,164,974,994,92 Other 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%


Letölteni ppt "Pénzügyi Rendszerek alprojekt Levendovszky János (BME) Az infokommunikációs technológiák társadalmi hatásai 2014. április 10. Szeged."

Hasonló előadás


Google Hirdetések