Pénzügyi Rendszerek alprojekt Levendovszky János (BME)

Az előadások a következő témára: "Pénzügyi Rendszerek alprojekt Levendovszky János (BME)"— Előadás másolata:

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

2 Főbb pontok Projekt információk Beágyazottság Kutatási irányok
Eredmények Alkalmazások Indikátorok

3 Konzorciumi partnerek
FUTURICT Konzorciumi partnerek Viking Zrt

4 Adminisztratív mutatók

5 Alprojekt kutatási célja
Pénzügyi rendszerek

6 Célok és kihívások Instabilitás, csőd Rögtöni globális hatások Hogyan lehet napjaink pénzügyi folyamatait kiszámíthatóbbá és biztonságosabbá tenni !!! Hálózati kihívások: dominóeffektusok, fertőződések és lavinahatások vizsgálata Algoritmikus kihívások: kiegyenlítő hatások, kockázat- analízis, algoritmikus kereskedés FuturICT Pénzügyi Rendszerek Alprojekt

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

8 Letörési jelenségek Célok és eredmények: Monte –Carlo szimulációval, hasonló állítások komplexebben összekapcsolt gráfokra Haldan & May (Nature –355, 2011) design a simple model of the financial reserve of banks which they solve analytically for 3 steps of the cascasde, they also follow the event via simulation. Buldyrev et al. (Nature —1028, 2010) speak of interconnected networks where electrical power networks, internet and others depend on each other, in this article they analyze real networks in Italy. Newman et al. (PhysRevE , 2002) derive a generating function approach highly useful in describing the spreading of diseases or failures on random networks. Li & Buldyrev et al. (PRL , 2012) give an analytic solution of the fragiliztation of networks through interconnecting them. Two interconnected networks (a binetwork) is severely more fragile to random attacks than a sole one. They use a percolation approach and find that the threshold of a full breakdown under random attacks (catastrophic events) on a binetwork is about the half of a that of a sole network. Our objective is to unify the financial threshold level of banks used by Haldan and May in a realistic binetwork in the formalism of Li & Buldyrev. The future goals could be to even extend their model. 8

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 (Δpc) a hálózat összeomlása adott w gyógyulási valószínűség esetén Δpc = h wγ, 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 A kaszkád módszer elemei:
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 12 GB 5 GB 2-3MB 1719000 magyar vállalat
148 tables in text format 20 tables in SQL database 3 types of graph edges 12 GB 5 GB 2-3MB TÁMOP-4.2.2/B10-1/

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 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 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 Cél: Új módszerek mean reverting portfoliók identifikálására és kereskedésére 21

22 A modell az i részvény ára a t-ik időpillantban
az i-ik részvényből birtokolt darabszám Mean reversion: p(t) Ornstein – Uhlenbeck folyamat Kulcs paraméter: gyors visszatérés a mean-hez legkisebb bizonytalanság stacionér állapotban 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
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 News Twitter TÁMOP-4.2.2/B10-1/

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

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...' } 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 Tulajdonnév felismerés (Named Entity Recognition) Sentiment Analysis

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

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

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

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 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. TÁMOP /2/A/KMR

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, 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 4.4. Az Önhöz tartozó alprojektben folyó kutatással kapcsolatban hazai és nemzetközi szakfolyóiratokban megjelent publikációk, illetve önálló monográfiák száma 4.5. Az Önhöz tartozó alprojekt által indukált új K+F projektek száma 4.6. Az Önhöz tartozó alprojekt keretében folyó kutatásában közreműködő vállalkozások száma

52 Eredmények Constant weights NBH ES CS TOP 1% 0,79 7,77 7,82 8,09
2,17 8,51 8,77 8,46 TOP 5% 2,89 7,97 7,74 TOP 10% 3,16 4,97 4,99 4,92 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%