Pénzügyi Rendszerek alprojekt Levendovszky János (BME) Az infokommunikációs technológiák társadalmi hatásai 2014. április 10. Szeged
Főbb pontok Projekt információk Beágyazottság Kutatási irányok Eredmények Alkalmazások Indikátorok
Konzorciumi partnerek FUTURICT Konzorciumi partnerek Viking Zrt
Adminisztratív mutatók
Alprojekt kutatási célja Pénzügyi rendszerek
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
Kaszkádjelenségek Bank Company Asset Miért fontosak a kaszkádejelenségek ? Bankok és vállalatok egymáshoz kapcsoltak . Kapcsolt hálózatok sokkal „sérülékenyebbek”, ami nagyobb rendszerkockázatot okoz . Bank Company Asset
Letörési jelenségek Célok és eredmények: Monte –Carlo szimulációval, hasonló állítások komplexebben összekapcsolt gráfokra Haldan & May (Nature 469 351–355, 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 464 1025—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 66 016128, 2002) derive a generating function approach highly useful in describing the spreading of diseases or failures on random networks. Li & Buldyrev et al. (PRL 108 228702, 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
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 A kaszkád módszer elemei: 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 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/B10-1/2010-0009
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
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
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:
A diszkrét modell - AR(1) where
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
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:
Numerikus eredmények 144% yearly profit on FOREX with bid-ask spread Nagyságrendekkel jobb OU paraméter becslés
Publicációk Journal papers SIPOS, 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 Conferences SIPOS, 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 Hangulatbányászat Nagy Gábor, BME, Kazi Sándor, Dr. Búza Krisztián (Uniwersytet Warszawski)
Kutatási célok Hangulatok identifikációja szövegbányászattal a szociális médiában, illetve ezeknek a pénzpiacokra gyakorolt hatásának a mérése News Twitter TÁMOP-4.2.2/B10-1/2010-0009
Kihívások Nagysebességű és hatalmas méretű adatforrások analízise Megfelelő szövegbányászati módszerek hiányában Megoldás Elosztott szöveg- és adatbányászati platform kidolgozása TÁMOP-4.2.2/B10-1/2010-0009
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 elemzés Sentiment 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...' } 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
Tartalom elemzés Ár 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 logging Implementation in Python, MongoDB TÁMOP-4.2.2/B10-1/2010-0009
Results HTML Normalization: 250k documents / hour on 8 nodes Content extraction 800k documents / hour on 8 nodes TÁMOP-4.2.2/B10-1/2010-0009
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) 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-4.1.2-08/2/A/KMR-2009-0028
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-4.1.2-08/2/A/KMR-2009-0028
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
Adminisztratív mutatók
Köszönöm a figyelmet !
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
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%