Bilgi Gömme için Derin Grafik Kitaplığı ile Trumid'de gelişmiş makine öğrenimi sistemleri geliştirme

Bu, Trumid'den Mutisya Ndunda ile birlikte yazılan bir konuk yazısıdır.

Pek çok sektörde olduğu gibi, kurumsal tahvil piyasası da herkese uyan tek bir yaklaşıma uygun değildir. Çok geniş, likidite parçalı ve kurumsal müşteriler kendi özel ihtiyaçlarına uygun çözümler talep ediyor. Yapay zeka ve makine öğrenimindeki (ML) gelişmeler, müşteri deneyimini iyileştirmek, operasyonel iş akışlarının verimliliğini ve doğruluğunu artırmak ve ticaret sürecinin birçok yönünü destekleyerek performansı artırmak için kullanılabilir.

Trumid kurumsal tahvil piyasası katılımcıları arasında etkin ticaret, bilgi dağıtımı ve uygulama için bir pazar yeri olan yarının kredi ticaret ağını inşa eden bir finansal teknoloji şirketidir. Trumid, ileri düzey ürün tasarımı ve teknoloji ilkelerini derin piyasa uzmanlığıyla birleştirerek kredili ticaret deneyimini optimize ediyor. Sonuç, tek bir sezgisel platformda eksiksiz bir protokol ekosistemi ve yürütme araçları sunan entegre bir ticaret çözümüdür.

Tahvil alım satım piyasası geleneksel olarak kurallara dayalı teknolojinin desteklediği çevrimdışı alıcı/satıcı eşleştirme süreçlerini içerir. Trumid bu deneyimi dönüştürmek için bir girişim başlattı. Yatırımcılar, elektronik ticaret platformu aracılığıyla satın almak veya satmak için binlerce tahvile, etkileşimde bulunabilecekleri ilgili kullanıcılardan oluşan bir topluluğa ve çeşitli ticaret protokolleri ve yürütme çözümlerine erişebilir. Genişleyen kullanıcı ağıyla Trumid'in Yapay Zeka ve Veri Stratejisi ekibi, AWS Makine Öğrenimi Çözümleri Laboratuvarı. Amaç, Trumid'de mevcut tahvillere yönelik kullanıcıların ilgi ve tercihlerini modelleyerek daha kişiselleştirilmiş bir ticaret deneyimi sunabilecek makine öğrenimi sistemleri geliştirmekti.

Bu ML modelleri, bir yatırımcının önemseyebileceği en alakalı ve eyleme geçirilebilir bilgilerin öncelikli ve erişilebilir olmasını sağlamak için bilgilerin her kullanıcıya nasıl görüntülendiğini kişiselleştirerek içgörü ve eylem süresini hızlandırmak için kullanılabilir.

Bu zorluğu çözmek için Trumid ve ML Solutions Lab, Bilgi Gömme için Derin Grafik Kitaplığı kullanılarak oluşturulan derin bir sinir ağı modeline dayalı uçtan uca bir veri hazırlama, model eğitimi ve çıkarım süreci geliştirdi (DGL-KE). ile uçtan uca bir çözüm Amazon Adaçayı Yapıcı da konuşlandırıldı.

Grafik makine öğreniminin faydaları

Gerçek dünya verileri karmaşık ve birbirine bağlıdır ve çoğunlukla ağ yapıları içerir. Örnekler arasında doğadaki moleküller, sosyal ağlar, internet, karayolları ve finansal ticaret platformları yer almaktadır.

Grafikler, varlıklar arasındaki ilişkilere gömülü olan önemli ve zengin bilgileri ortaya çıkararak bu karmaşıklığı modellemenin doğal bir yolunu sağlar.

Geleneksel ML algoritmaları, verilerin tablolar veya diziler halinde düzenlenmesini gerektirir. Bu genellikle işe yarar, ancak bazı alanlar grafiklerle daha doğal ve etkili bir şekilde temsil edilir (bu yazının ilerleyen kısımlarında gösterildiği gibi birbiriyle ilişkili nesnelerden oluşan bir ağ gibi). Bu grafik veri kümelerini tablolara veya dizilere zorlamak yerine, kurucu düğümler, kenarlar ve diğer özellikler hakkındaki bilgiler de dahil olmak üzere verileri grafik biçiminde sunulduğu şekliyle temsil etmek ve bunlardan öğrenmek için grafik ML algoritmalarını kullanabilirsiniz.

Tahvil ticaretinin doğası gereği alıcılar ve satıcılar arasında çeşitli tahvil enstrümanlarını içeren bir etkileşim ağı olarak temsil edildiği göz önüne alındığında, etkili bir çözümün piyasaya katılan tüccar topluluklarının ağ etkilerinden yararlanması gerekmektedir. Ticaret ağı etkilerinden nasıl yararlandığımıza ve bu vizyonu burada nasıl uyguladığımıza bakalım.

Çözüm

Tahvil ticareti, ticaretin büyüklüğü, vadesi, ihraççısı, oranı, kupon değerleri, alış/satış teklifi ve ilgili ticaret protokolü türü gibi çeşitli faktörlerle karakterize edilir. Trumid, emir ve işlemlerin yanı sıra "ilgi göstergelerini" (IOI'ler) de yakalıyor. Geçmiş etkileşim verileri, ticaret davranışını ve zaman içinde gelişen piyasa koşullarını içerir. Bu verileri tüccarlar, tahviller ve ihraççılar arasındaki zaman damgalı etkileşimlerin bir grafiğini oluşturmak için kullandık ve gelecekteki etkileşimleri tahmin etmek için ML grafiğini kullandık.

Öneri çözümü dört ana adımdan oluşuyordu:

• Ticaret verilerinin grafik veri seti olarak hazırlanması
• Bilgi grafiği yerleştirme modelini eğitme
• Yeni işlemleri tahmin etmek
• Çözümü ölçeklenebilir bir iş akışı olarak paketleme

Aşağıdaki bölümlerde her adımı daha ayrıntılı olarak tartışacağız.

Ticaret verilerinin grafik veri seti olarak hazırlanması

Ticaret verilerini grafik olarak göstermenin birçok yolu vardır. Bir seçenek, verileri düğümler, kenarlar ve özelliklerle kapsamlı bir şekilde temsil etmektir: özelliklere sahip düğümler olarak tüccarlar (işveren veya imtiyaz gibi), özelliklere sahip düğümler olarak tahviller (ihraççı, ödenmemiş tutar, vade, oran, kupon değeri) ve işlemler özelliklere (tarih, tür, boyut) sahip kenarlar olarak. Diğer bir seçenek ise verileri basitleştirmek ve yalnızca düğümleri ve ilişkileri kullanmaktır (ilişkiler, işlem gören veya ihraç eden gibi yazılır). Bu ikinci yaklaşım bizim durumumuzda daha iyi sonuç verdi ve aşağıdaki şekilde gösterilen grafiği kullandık.

Ek olarak, eski olduğu düşünülen bazı kenarları kaldırdık: eğer bir tüccar 100'den fazla farklı tahville etkileşime girdiyse, yalnızca son 100 tahvili tuttuk.

Son olarak grafik veri kümesini kenarların listesi olarak kaydettik. TSV biçimi:

t987	trade-old		i55198
t995	trade-old		i55306
t987	trade-recent	i24528
t995	trade-recent	i49181
t987	ioi-recent		i24523
t995	ioi-old 		i49178
…
i49611	issued-by		XXX
i46569	issued-by		YYY
i46507	issued-by		ZZZ

Bilgi grafiği yerleştirme modelini eğitme

Yalnızca düğümlerden ve ilişkilerden oluşan grafikler (genellikle bilgi grafikleri olarak adlandırılır) için DGL ekibi, bilgi grafiği yerleştirme çerçevesini geliştirdi DGL-KE. KE, bilgi yerleştirme anlamına gelir; fikir, düğümleri ve ilişkileri (bilgiyi) koordinatlarla (yerleştirmeler) temsil etmek ve orijinal grafik yapısının koordinatlardan kurtarılabilmesi için koordinatları optimize etmek (eğitmek) anlamına gelir. Mevcut yerleştirme modelleri listesinde TransE'yi (çeviri yerleştirmeler) seçtik. TransE, aşağıdaki eşitliğe yaklaşma hedefiyle yerleştirmeleri eğitir:

Kaynak düğüm yerleştirme + ilişki yerleştirme = hedef düğüm yerleştirme (1)

Modeli çağırarak eğittik. dglke_train emretmek. Eğitimin çıktısı, eğitilmiş yerleştirmeleri içeren bir model klasörüdür.

TransE hakkında daha fazla ayrıntı için bkz. Çoklu İlişkisel Verileri Modellemek için Yerleştirmeleri Çevirme.

Yeni işlemleri tahmin etmek

Modelimizle bir tüccarın yeni işlemlerini tahmin etmek için eşitliği (1) kullandık: tüccarın yerleştirmesini son işlem yerleştirmeye ekledik ve ortaya çıkan yerleştirmeye en yakın tahvilleri aradık.

Bunu iki adımda yaptık:

1. Tüm olası ticari güncel ilişkiler için puanları hesaplayın dglke_predict.
2. Her yatırımcı için en yüksek 100 puanı hesaplayın.

DGL-KE'nin nasıl kullanılacağına ilişkin ayrıntılı talimatlar için bkz. Derin Grafik Kitaplığı ile geniş ölçekte bilgi grafiği yerleştirmeleri eğitimi ve DGL-KE Belgeleri.

Çözümü ölçeklenebilir bir iş akışı olarak paketleme

Kodumuzu geliştirmek ve hata ayıklamak için SageMaker not defterlerini kullandık. Üretim için modeli basit bir API çağrısı olarak çağırmak istedik. Veri hazırlama, model eğitimi ve tahmini birbirinden ayırmamıza gerek olmadığını ve tüm hattı tek bir komut dosyası olarak paketleyip SageMaker işlemeyi kullanmanın uygun olduğunu gördük. SageMaker işleme, kaynak tahsisi ve veri aktarımı konusunda endişelenmenize gerek kalmadan seçilen bir örnek türü ve Docker görüntüsü üzerinde uzaktan bir komut dosyası çalıştırmanıza olanak tanır. Bu bizim için basit ve uygun maliyetliydi çünkü GPU örneği yalnızca betiğin çalışması için gereken 15 dakika boyunca kullanılıyor ve ödeme yapılıyor.

SageMaker işlemenin nasıl kullanılacağına ilişkin ayrıntılı talimatlar için bkz. Amazon SageMaker Processing – Tam Olarak Yönetilen Veri İşleme ve Model Değerlendirmesi ve İşlemde.

Sonuçlar

Özel grafik modelimiz diğer yöntemlere kıyasla çok iyi performans gösterdi: Performans %80 oranında arttı ve tüm yatırımcı türlerinde daha istikrarlı sonuçlar elde edildi. Performansı ortalama geri çağırma (tavsiyeci tarafından tahmin edilen gerçek işlemlerin yüzdesi, tüm yatırımcıların ortalaması) ile ölçtük. Diğer standart ölçümlerde iyileşme %50-130 arasında değişiyordu.

Bu performans, tüccarları ve tahvilleri daha iyi eşleştirmemizi sağladı; bu da model içinde gelişmiş bir tüccar deneyimine işaret ediyor; makine öğrenimi, ölçeklenmesi zor olabilen sabit kodlanmış kurallardan ileriye doğru büyük bir adım atıyor.

Sonuç

Trumid, kullanıcı topluluğuna yenilikçi ürünler ve iş akışı verimliliği sunmaya odaklanmıştır. Yarının kredili ticaret ağını oluşturmak, daha hızlı yenilik yapmanıza yardımcı olmak için tasarlanmış AWS ML Solutions Lab gibi sektör uzmanlarıyla ve benzer kişilerle sürekli iş birliği yapmayı gerektirir.

Daha fazla bilgi için aşağıdaki kaynaklara bakın:

yazarlar hakkında

Marc van Oudheusden Amazon Web Services'de Amazon ML Solutions Lab ekibinde Kıdemli Veri Bilimcisidir. Yapay zeka ve makine öğrenimi ile iş sorunlarını çözmek için AWS müşterileriyle birlikte çalışır. İş dışında onu sahilde, çocuklarıyla oynarken, sörf yaparken veya uçurtma sörfü yaparken bulabilirsiniz.

Mutisya Ndunda Trumid'de Veri Stratejisi ve Yapay Zeka Başkanıdır. Sermaye piyasaları, ticaret ve finansal teknoloji alanlarında 20 yılı aşkın geniş kurumsal deneyime sahip tecrübeli bir finans profesyonelidir. Mutisya, yapay zeka, makine öğrenimi ve büyük veri analitiği alanlarında on yıldan fazla deneyime sahip güçlü bir niceliksel ve analitik altyapıya sahiptir. Trumid'den önce, finansal kurumlara özel yapay zeka algoritmalarıyla desteklenen analitik çözümler sunan bir finansal teknoloji şirketi olan Alpha Vertex'in CEO'suydu. Mutisya, Cornell Üniversitesi'nden Elektrik Mühendisliği alanında lisans derecesine ve Cornell Üniversitesi'nden Finans Mühendisliği alanında yüksek lisans derecesine sahiptir.

isaac özel Müşterilerin iş sorunlarını çözmek için ısmarlama makine öğrenimi ve derin öğrenme çözümleri geliştirdiği Amazon Makine Öğrenimi Çözümleri Laboratuvarı'nda Kıdemli Veri Bilimcisi olarak görev yapmaktadır. AWS müşterilerinin dağıtılmış eğitim ve aktif öğrenimle donatılmasına odaklanarak öncelikle bilgisayarla görme alanında çalışır.