精华内容
下载资源
问答
  • 默克尔树是什么
    万次阅读
    2019-05-15 18:39:54

    区块链中的每个区块(什么是区块)都使用默克尔树来代表区块中所有交易的摘要。又称二叉哈希树(binary hash tree),merkle tree。

    什么是Merkle树

    Merkle树是一种树(数据结构中所说的树),通常称为Merkle Hash Tree。组成Merkle树的所有节点都是哈希值。默克尔树,用于高效汇总和验证大数据集的完整性。默克尔树是一个由加密哈希组成的二叉树。Merkle树具有以下特点:

    •Merkle树是一种树型数据结构,可以是二叉树也可以是多叉树,具有树型结构的所有恃点;

    •Merkle树的叶子节点上的value可以任意指定,比如可以将数据的咍希值作为叶子节点的值;

    •非叶子节点的value是根据它下面所有的叶子节点值,然后按照一定的算法计算得出的。如Merkle树的非叶子节点value是将该节点的所有子节点进行组合,然后对组合结果进行哈希计算所得出的哈希值。

    Merkle树的应用领域

    目前,在计算机领域Merkle树多用来进行比对以及验证处理。比特币钱包服务用Merkle树的机制来做"百分百准备金证明〃。在处理比对或验证的应用场景中,特别是在分布式环境下进行比对或验证时,Merkle树可以大大减少数据的传输量以及计算的复杂度。

    Merkle树的优点

    Merkle树明显的一个好处是可以单独拿出一个分支(作为一个小树)来对部分数据进行校验,这个特性在很多使用场合可以带来哈希列表所不能比拟的方便和高效。

    Merkle树在区块链中的应用

    在区块链中,区块中的交易是按照Merkle的形式存储在区块上面的。每笔交易都有一个哈希值,然后不同的哈希值向上继续做哈希运算,最终形成了唯一的Merkle裉。这个Merkle根将会被存放到区块的区块头中。利用Merkle树的特性可以确保每一笔交易都不可伪造。

    更多相关内容
  • AI量化交易(一)——量化交易简介

    千次阅读 2022-02-20 11:22:27
    一、量化交易简介 1、量化交易简介 量化交易是以数学模型为交易思维,以历史数据为基础,以数学建模、统计学分析、编程设计为工具,利用计算机技术从庞大的历史数据中海选出能带来超额收益的多种大概率获利事件以...

    一、量化交易简介

    1、量化交易简介

    量化交易是以数学模型为交易思维,以历史数据为基础,以数学建模、统计学分析、编程设计为工具,利用计算机技术从庞大的历史数据中海选出能带来超额收益的多种大概率获利事件以制定交易策略。

    2、量化交易的特点

    (1)纪律性。量化投资决策都是依据模型做出的,模型会模拟测试成千上万次来达到高容错率。

    (2)系统性。量化交易数据分析有一套非常全面的数据评测系统,会从多方面考量市场,比如:宏观周期、数字货币估值、换手率、盈利质量、市场情绪等。

    (3)概率性。通过模型并结合数学方法,测算在什么样的情况下盈利率最高,适当仓位就可以加仓。

    (4)套利思想。利用数学分析并结合计算机技术寻找估值洼地,卖高买低,赚取中间的差价,收得利益的经济。

    3、量化交易的优点

    (1)投资业绩稳定,回撤低。量化交易从历史数据中不断地挖掘有望在未来重复的历史规律并进行利用;量化交易依靠一组股票来获胜,而不是一个或者几个股票获胜。

    (2)能够克服人性的弱点,实现理性投资。在容易失去理性的情况下帮助投资者保持理性;因而在市场反应过度、丧失理性的时候能够及时把握住时机。

    (3)信息的处理能力强。量化交易使用计算机技术对海量数据进行处理,对信息的处理能力更强。

    4、量化交易的应用

    (1)统计套利

    统计套利的主要思路是先找出相关性最好的若干对投资品种,再找出每一对投资品种的长期均衡关系(协整关系),当某一对品种的价差(协整方程的残差)偏离到一定程度时开始建仓,买进被相对低估的品种、卖空被相对高估的品种,等价差回归均衡后获利了结。

    (2)算法交易

    算法交易的主要思路是可以根据量化的公式对未来进行涨跌的预测,是一种趋势交易,算法策略的预测有对有错,属于高风险交易,但利润空间大,市场容量也较大。

    (3)高频交易

    高频交易持仓时间短,通过大量的交易又快速撤单,每笔交易平均利润小,但风险也小。

    二、量化交易方式

    1、量化交易方式简介

    按照数学模型的理念和对计算机技术的利用方式,量化交易可以细分为自动化交易(Automatic Trading)、量化投资(Quantitative Investment)、程序化交易(Program Trading)、算法交易(Algorithm Trading)以及高频交易(High Frequency Trading)。不同量化交易方式的侧重点各有不同,是量化交易技术发展到不同阶段的产物,也是不同量化交易用户群的不同交易方式。

    2、自动化交易

    自动化交易是指将技术分析投资方式固化成计算机可以理解的模型、技术指标,计算机程序根据市场变化自动生成投资决策并付诸执行的交易方式。自动化交易是技术分析投资方式的自动化,可以避免投资人的心理变化和情绪波动,严格执行既定策略,是基本的量化交易方式。

    3、量化投资

    量化投资一般概指通过概率论、微积分等高等数学工具去研究金融市场各种资产价格的结构性原因来决定的投资。量化投资对投资者的数学能力要求很高,所以一般专门进行量化投资的基金和投资公司都喜欢招数学、物理等理科的博士。

    4、程序化交易

    程序化交易是利用程序进行交的易,交易时机、交易仓位、止损止盈获利标准可以包含在程序内,也可以独立于程序外,程序本身只是执行的方式。

    5、算法交易

    算法交易是指交易决定是根据一条或多条算法 (algorithm) 进行的,算法是交易的基础。算法交易的执行可以是手工的,也可以是自动化的。如果利用交易程序来执行,是程序化算法交易。

    6、高频交易

    高频交易是每次交易从开仓到平仓只有很短的时间间隔,一般从十几分钟到几微秒不等。高频交易主要目的是通过市场短暂的价格波动而获利。无论是趋势追随交易还是套利交易,只要频率达到,都可以被称为高频交易。人工达到高频交易的标准很难,所以一般都通过程序交易:设置好算法、策略后由下单软件执行。

    7、策略交易

    在投资领域中,一般习惯把买入持有、价值投资、成长投资等称为战略,而把惯性、反转、趋势、支撑阻力等等叫做策略。由于策略以技术分析为主,而在交易决策分析的计算机化历史中,技术分析走得比较早,所以Strategy Trading习惯上多指策略交易。通常,将交易策略称为策略,将系统交易称为策略交易。

    三、主流量化交易平台

    1、量化交易平台简介

    量化交易平台是指能分别满足不同量化交易方式的平台,要求其从交易系统的行情和基础数据、交易和执行、策略研发和运营三个主要方面既要做到大而全,也要做到深而精。

    目前的量化交易平台可以从开发语言、技术架构、系统架构、策略方向、交易方式等几个方面,分为中低端和高端量化交易平台。

    2、中低端量化交易平台

    中低端平台一般采用的技术架构是投资者使用平台商提供的客户端软件,采用互联网接入方式连接平台商或者金融经纪公司提供的行情和基础数据服务器,投资者在本地运行的策略触发后,通过经纪公司的普通交易席位进行交易。

    受策略脚本解析和执行效率、技术架构的限制,中低端平台对于多品种、多周期、多账户、多交易市场、多策略、复杂金融工具包等复杂系统架构的支持都有一定的限制。一般的系统实现流程为:投资者的策略在本地接收市场数据后,根据策略简单计算的触发条件,进行简单的账户持仓、资金计算和管理,进而下达买卖方向、数量、价格等指令,进行自动交易。

    中低端量化交易平台只支持复杂度不高的脚本语言实现策略逻辑,一般只能在图表上加载技术指标进行自动化交易、程序化交易等量化交易方式。

    中低端平台适合投资者进行趋势、反趋势等对行情和交易逻辑要求不高的策略,是目前市场上个人投资者应用最多的一类大众化的量化交易平台。

    国内中低端量化交易平台主要有文华赢智程序化交易、交易开拓者、金字塔决策交易系统、达钱&multicharts、安翼金融终端等。

    (1)文华赢智程序化交易平台

    文华赢智采用麦语言开发技术指标模型,产生买卖信号后驱动交易下单。在量化模型研发方面,赢智提供了国内股票和期货的全部品种多周期的时间序列历史行情数据和近期的TICK数据,同时提供了丰富的行情函数、账户和交易的部分函数和一些统计函数用于策略开发,还提供了丰富的策略回测报告项作为策略绩效评估的依据。在量化交易方面,赢智提供支持最多24个品种进行的多线程独立的程序化交易,同时使用下单精细化组件,实现了部分算法交易的功能。由于采用客户端的技术架构,虽然赢智实现了高频交易的功能模块,但在实际应用中,高频交易建议托管在文华机房。现阶段,赢智以程序化实现简单、性价比高等特点,在中低端量化交易平台中占有一定的优势。

    (2)交易开拓者程序化交易平台

    交易开拓者(TB)采用TBL语言开发策略模型,根据账户持仓状况和图表买卖信号驱动交易下单。在量化模型研发方面,TB提供了国内期货多周期的历史行情数据和近期的TICK数据;提供了较为全面的行情数据函数、账户和交易函数、统计函数用于策略开发;提供了丰富策略回测报告项作为策略绩效评估的依据。在量化交易方面,单个TB终端支持20-30个单品种的图表并发接收行情并交易,但由于客户端技术架构的限制,其对于高频和更复杂策略的支持不足。现阶段,TB市场推广做得较好,合作的期货公司较多,在中低端量化交易平台的市场占有率较高。

    (3)金字塔决策交易系统

    金字塔决策交易系统(下称金字塔)采用VB脚本语言开发策略模型,使用较复杂的账户函数和交易函数进行资金管理,既可以使用图表买卖点,也可使用非图表的交易判断驱动交易下单。在量化模型研发方面,金字塔提供了国内股票和期货的历史行情数据和TICK数据,也可以使用外盘数据;提供了更为全面的行情数据函数、较多的账户和交易函数、统计函数用于策略开发,同时也支持外接统计数据库和专业的统计分析软件Lib库做扩展;提供了较为丰富策略回测报告项作为策略绩效评估的依据。在量化交易方面,除了支持图表驱动的程序化交易外,也可以进行篮子交易、算法交易和较复杂的对冲交易的实现,但是同样受客户端的技术架构限制,其对于高频交易、全市场策略的交易等更复杂的策略支持不够。现阶段,金字塔合作的期货公司逐渐增多,在中低端量化交易平台的市场占有率较高。

    (4)达钱multicharts自动化交易

    达钱multicharts自动化交易系统(MC)采用power language开发策略模型,达钱提供行情和交易网关,multicharts实现策略开发和执行平台。在量化模型研发方面,由达钱提供的一段时间内的国内期货历史行情和TICK行情。MC承袭了TradeStation的丰富的函数库和策略库,以及便捷的开发特点,提供了更为完善的回测和绩效评价体系,为策略的研发提供了完善的评估。在量化交易方面,MC只支持程序化和自动化交易,对于高端的量化交易模式支持不够。由于MC进入国内不久,在中低端量化交易平台的市场占有率还不高。

    (5)安翼金融终端程序化交易

    安翼金融终端(下称安翼)采用技术指标的通用脚本语言开发交易模型,进行图表驱动的自动化交易,是由某券商独立开发的进行国内股票和期货的自动化交易工具。目前安翼提供了国内股票和期货的历史行情,可以进行相对简单的图表交易和股票、期货的对冲交易,程序化交易工具免费使用。虽然安翼只能用安信证券交易通道进行交易,但却标志着国内股票和期货的量化交易已经提升到一个全面发展阶段。

    3、高端量化交易平台

    高端量化平台除了支持复杂脚本语言实现策略逻辑外,均支持直接使用C++、JAVA等开发语言实现复杂的策略逻辑,一般为了追求执行效率,不采用界面显示图表,而采用多进程、多线程方式进行自动化交易、程序化交易、算法交易,甚至为了追求极致,使用硬件技术进行高频交易等量化交易方式。

    高端交易平台通常采用的技术架构是使用服务器执行策略的架构,行情使用转发路径最少的极速、深度行情,交易通道采用专用、直连的交易通道进行交易。行情和交易的延时都要求尽可能最低。

    高端交易平台定位于资产管理,在系统架构上严格区分策略研发和策略运营执行两个阶段。对于策略研发阶段,需要多品种、多周期、多账户、多交易市场、多策略、复杂金融工程包的支持,以实现复杂的策略逻辑;对于策略运营执行阶段,系统架构要保证各种风控、应急处理、交易方式和策略的平稳有效执行。系统的实现流程除了满足交易本身的要求外,还要满足机构本身的业务流程和规范,以及监管层的要求。

    高端交易平台适合机构投资者进行趋势、套利、对冲、高频等对行情和交易要求高、逻辑复杂度高的策略。随着国内金融市场创新的提速,机构投资者对高端交易平台的需求和潜在需求呈快速上升趋势。

    国内高端量化交易平台主要有Progress Apama、龙软DTS、国泰安量化投资平台、天软量化平台、飞创STP、易盛程序化交易、盛立SPT平台等。

    (1)Progress Apama

    Apama采用EPL和JAVA语言开发或者定制策略模型,通过行情、资讯等驱动CEP引擎进行交易、风控等操作。在量化模型研发方面,Apama使用第三方的行情授权,提供了各市场行情接口和各种柜台交易接口的接入,可以接入国内股票和期货多周期的时间序列历史行情数据和TICK数据;提供了丰富的金融工具包进行复杂策略开发;提供了便捷的studio开发工具,可以进行复杂策略的快速开发和定制;提供了1万倍加速测试进行策略回测,可以方便地定制测试报告。在量化交易方面,Apama提供了150万笔/秒的交易并发处理能力,进行高频交易、算法交易。Apama高端的并发处理能力,使全市场的多品种并发套利、对冲等交易策略和实时风控策略可以高速执行。现阶段,Apama在国际投行的自营、资管、经纪业务中占有很大的市场份额。从2012年开始,Apama逐步拓展国内的业务,几家较大的证券和期货公司已经开始正式上线推广Apama和相关的量化交易应用。

    (2)龙软DTS

    DTS采用LUA脚本语言开发策略模型,通过平台提供的历史和实时行情、基本资料数据、宏观数据的统计分析,实现投研和交易。在量化模型研发方面,DTS既可使用平台自有的数据源,也可以接入第三方数据源。DTS还提供了一些金融工具包,进行复杂策略开发、回测和绩效评价。在量化交易方面,DTS提供的可以扩展的服务器端技术架构,保证了策略的高并发和高速执行,其在程序化交易、量化交易、算法交易、对冲和套利交易方面都有实际应用。

    (3)国泰安量化投资平台

    国泰安量化投资平台分为研究平台(QIA-Lite)和交易平台(QRC),采用matlab的toolbox的形式无缝兼容了matlab的研发环境,由交易平台实现策略交易。在量化模型研发方面,国泰安投研平台使用自有的行情源、基本面数据、高频数据、量化因子数据库,完全兼容matlab所有的函数,实现了模型的研发和回测。在量化交易方面,其支持了国内主流证券和期货的柜台,在股票和期货的程序化交易、算法交易等方面都有实际应用。

    (4)天软量化研究和交易平台

    天软量化研究和交易平台采用天软特有的TSL语言开发策略模型,通过天软的交易网关,实现量化交易的执行。在量化模型研发方面,采用高性能数据仓库提供的历史和TICK行情、基础资料数据、宏观数据等数据源,同时提供了7000种开源的函数库,进行策略的研发、回测、绩效分析。在量化交易方面,其基本实现了自动交易、程序化交易、算法交易等量化交易方式。

    (5)飞创STP

    飞创量化交易平台采用JAVA语言,通过可定制的模板开发策略模型,进行高频交易。STP通过统一的开发和资管运营平台,实现策略的研发、回测、风控和资管运营。由于使用了高速的柜台交易接口,其主要面向高频套利、程序化交易等交易模式的用户。

    (6)易盛程序化交易平台

    易盛程序化交易既可采用类似Easy Language的语言开发策略模型,实现程序化交易和套利交易,也可以根据易盛柜台提供的行情和交易API,采用C++开发外接应用的方式,实现期货、股票的更复杂的量化交易。在量化模型研发方面,易盛程序化提供的EL开发模型,类似于中低端的量化交易平台,但在行情的速度、交易和账户函数的实时性和精细化处理方面,达到了高端量化交易平台的要求。在量化交易方面,易盛柜台的行情和交易速度具有一定的比较优势,量化交易平台支撑的应用主要是期货的程序化交易、自动交易、对冲和套利交易。

    (7)盛立SPT平台

    盛立金融软件的SPT平台,采用C++语言和定制的策略开发模板进行策略研发,采用独立的运营和回测平台进行模拟和真实交易。虽然SPT平台在国内应用不多,但凭借其100万笔/秒的行情并发处理能力、交易的毫秒级别的延迟,在量化交易平台中引人注目。SPT提供了一些策略模板,可以很方便地实现程序化交易、套利和对冲交易、算法交易、高频交易等。

    四、主流量化基金

    1、桥水基金

    桥水对冲基金公司(Bridgewater Associates)由Ray Dalio于1975年创立,总部设在美国康涅狄格州,目前总共拥有约1500名雇员。桥水基金是对冲基金中的常青树,常年在世界对冲基金榜单上位居前列甚至是榜首,掌管约1500亿美元,客户主要由机构客户组成,包括外国政府、央行,企业和公共养老金,大学捐款和慈善基金。

    桥水基金具有独特的投资理念,以全球宏观策略为主,提出了全天候投资策略、alpha与beta策略分离等理论,其中的全天候投资策略强调在不同的宏观经济时期进行不同类型的资产组合配置,从而达到始终盈利的状态。桥水基金在2008金融危机中获得了正收益,并在2009年雷曼兄弟破产后仍然表现良好。

    2018年6月,桥水基金在中国证券投资基金业协会完成私募基金管理人登记,正式成为境内私募管理人,标志其在华私募业务已经正式启动。

    2、AQR资本管理公司

    AQR是原高盛投资组合经理阿斯内斯与合伙人1998年共同创办的一家量化对冲基金
    ,总部在美国康涅狄格州的格林尼治,目前管理规模达1592亿美元,雇员数量达到693人,在波士顿、芝加哥、洛杉矶、伦敦和悉尼设立有办公室。

    AQR的客户以机构投资者为主,例如养老基金、保险公司、共同基金、主权财富基金等。

    AQR通过算法和计算机模型来寻找市场暂时的无效性并从中获利,其投资策略十分广泛,包括长短仓、套利、股权、全球宏观、保险、绝对收益、动量、多策略等。AQR的首要目标是价值股和动量股;选择投资组合时,AQR强调基本面与量化分析和自下而上选股的结合;投资核心三个原则是系统化方法、多样化投资和alpha技艺。

    AQR资本在2008年的金融危机中损失惨重,其旗舰基金“绝对回报基金”亏损幅度超过50%,而公司管理的资产规模从2007年9月巅峰时期的391亿美元一路下跌至2009年3月的172亿美元。

    3、千禧管理公司

    千禧管理(Millennium Management LLC)由英格兰德于1989年在加拿大富豪贝尔兹伯格家族等投资人的帮助下创立,初始资产规模为3500万美元,目前管理规模达336亿美元,拥有超过2000名雇员,在美国、欧洲和亚洲均设有办公室。

    千禧管理的投资方法十分注重风险,更偏向于在一定的风险(比如低的夏普率)下有较高的收益,对于风险厌恶的投资理念成为了交易团队的规则。因此,千禧管理要求交易团队能在赚钱的日子里有较小的收益,在亏钱的日子里有较小的亏损,争取较多的赚钱日。

    千禧管理的投资策略着重分散投资和全球化,包括相对价值、统计套利、并购套利、固定收益和商品等,在资产类别、商品所属行业、投资标的所属地等方面十分多样化,投资标的包括国内外股权、债权、货币、期货、远期、期权等。千禧管理十分注重高科技的运用,其附属量化部门有能够让业余交易员提交算法来进行特定交易的系统。

    4、城堡投资集团

    城堡投资集团(Citadel Investment Group)由肯尼斯·格里芬于1990年创立,总部设立于芝加哥,在北美、亚洲、欧洲均设有办公室,目前城堡资产管理公司管理规模超过240亿美元,公司拥有超过1400名雇员,城堡投资集团的客户包括主权财富基金、养老金、大学捐款等。

    城堡的投资方法由严密的基本面研究、高端量化分析和一个经过验证的技术平台共同驱动。投资原则是努力、情景规划和重复。投资策略注重世界上最大的金融市场上主要的一些资产类别,主要包括股票、信贷、量化策略、商品、固定收益和宏观。

    5、索罗斯量子基金

    索罗斯量子基金(Soros Fund Management)由乔治索罗斯于成1969年创立,曾经是对冲基金行业的翘楚,总部设立在纽约,现在已经转变为一家家族办公室,管理规模超过200亿美元。

    量子基金的投资标的包括股票、世界范围内的固定收益产品和外汇、货币、商品、私募股权基金和风险投资基金,在交通、能源、零售、金融等行业有大量的投资。

    创始人索罗斯曾经阻击英镑从而打垮英格兰银行,狙击泰铢和港元,引发亚洲金融风暴。


    6、元盛资本

    元盛资本(Winton Capital Management)由基金经理David Harding于1997年创立,目前管理规模超过300亿美元,在全球25个国家拥有员工330人,是全球最大的期货投资基金公司。

    元盛资本是一家系统化的投资公司,运用科学手段进行交易,通过对历史数据的统计学分析和数学建模来寻找获利机会。


    7、德劭投资

    德劭(D.E. Shaw)由创始人David E. Shaw于1988年创立,目前公司管理规模达到500亿美元,员工数量超过1300。

    创始人David E. Shaw是哥伦比亚大学计算机系的教师,担任过政府科技顾问等职位,精通信息技术与相关科技,公司十分注重量化技巧在投资中的运用,也开发了高精尖的计算机技术用于交易。

    创始人David E. Shaw在斯坦福博士毕业后快速拿到了哥伦比亚大学的教职,随后加入摩根士丹利的量化部门。1988年,因在公司内部斗争中败北而创立德劭基金,并运用当时罕见的高频交易技术在华尔街横空出世,利用市场的无效性剪市场的羊毛。

    2004年,实现财务自由的David E. Shaw将自己在量化投资领域赚取的财富投入到自己的本行计算化学领域,成立了D.E.Shaw Research,招聘了一批基础科学博士,使用三年时间开发出Anton第一代,比一般的超级计算机快10000倍,团队不断斩获世界知名科学杂志的论文发表机会,学术声誉节节攀升。

    2015年,David E. Shaw个人财富已达到41亿美元。

    2019年4月,德劭投资管理(上海)在中国证券投资基金业协会完成备案登记,正式进入中国市场。

    8、文艺复兴

    文艺复兴科技(Renaissance Technologies LLC)由詹姆斯-西蒙斯(James Simons)于1982年创立,目前管理规模超过650亿美元,旗下包括仅向内部员工开放的大奖章基金(Medallion Fund)以及向外部投资者开放的RIEF (机构股票基金)和RIDA (机构多元化阿尔法基金)。

    James Simons在23岁获得加州大学伯克利分校数学博士学位,24岁出任哈佛大学数学系讲师,30岁到纽约州立石溪大学出任数学系主任,并8年的纯数学研究,其间与华裔知名数学家陈省身联合创立了对数学和物理学影响深远的Chern-Simons理论。

    1976年,James Simons摘得数学界的皇冠——全美维布伦(Veblen)奖,其个人数学事业的成就达到顶峰。

    在金融方面,James Simons发明独特的壁虎式投资法,即在投资时进行短线方向性预测,同时交易很多品种,依靠在短期内完成的大量交易来获利,即交易要像壁虎一样,平时趴在墙上一动不动,蚊子一旦出现就迅速将其吃掉,然后恢复平静,等待下一个机会。

    1989年到2009年间,大奖章基金平均年回报率高达35%,较同期标普500指数年均回报率高20多个百分点,比“金融大鳄”索罗斯和“股神”巴菲特的操盘表现都高出10余个百分点。即便是在次贷危机爆发的2007年,回报率仍高达85%。

    大奖章基金的数学模型主要通过对历史数据的统计,找出金融产品价格、宏观经济、市场指标、技术指标等各种指标间变化的数学关系,发现市场目前存在的微小获利机会,并通过杠杆比率进行快速而大规模的交易获利。现在大奖章基金的投资组合包含了全球上千种股市以及其他市场的投资标的,模型对国债
    、期货
    、货币、股票等主要投资标的的价格进行不间断的监控,并作出买入或卖出的指令。

    9、Two Sigma

    Two Sigma由创始人John Overdeck和David Siegel于2001年创立,目前管理规模达到500亿美元,研发部门员工占比超过三分之二,超过百分之六十员工无金融背景。

    Two Sigma遵循技术与创新的原则,在机器学习、分布式计算的引领下进行决策,并始终研发最新的技术,用以做出更好的决策。创始人都是技术投资领域的佼佼者,在电脑驱动、以模型为基础的交易系统发展领域有超过40年的经验,John Overdeck是华尔街量化基金教父、德劭投资创始人D.E. Shaw的得力爱将,在数学和统计学方面颇有造诣;David Siegel擅长计算机、人工智能;公司结合海量数据、世界级的电脑系统和金融专家来完成高端的交易模型,同时也用科技的眼光来优化投资、管理风险。

    2019年9月,Two Sigma宣布子公司腾胜投资管理(上海)有限公司已经成功在中国证券投资基金业协会(AMAC)登记成为私募基金管理人。

    五、主流PB机构

    1、PB简介

    主券商业务(Prime Brokerage,简称PB),作为券商的一项机构业务,是指券商为专业投资者提供交易结算、资产托管、后台运营、研究支持、杠杆融资、资金募集等一站式综合金融服务 。

     PB(Prime Brokerage),中文名叫主经纪商,在国外主要是券商为机构客户(特别是对冲基金)提供服务和管理的业务平台,也是对冲基金投资策略得以实施所依赖的重要组成部分。因此,PB是华尔街券商的重要业务部门,为70%的国际对冲基金提供融资和管理服务。主经纪商作为对冲基金的资金方,处于强势地位,PB一方面希望扩大融资规模,另一方面又要面对严峻的融资风险,这本身就对主经纪业务提出了极强的专业化要求。

    2、高盛集团

    作为国外最大的PB服务机构,高盛对技术和创新的坚定承诺,引领其开发出许多已成为行业标准的作法及技术。高盛一直是电子交易和连接系统方面的先锋,其电子交易平台REDIPlus在交易前分析、增值的执行服务、算法交易、组合交易方案及交易后分析方面具有全球领导地位。其中,高盛算法交易(GSAT)是一组涉及全球多种资产的算法程序,包括股票、期货、合成衍生工具和期权,通过与GSAT进行交易,客户还可获得高盛的各种资源,包括交易前后及交易期间的分析、交易成本分析和执行策略 。

    除了交易工具外,高盛在各项业务上均大力运用科技促进业务创新发展。在外汇和衍生品交易方面,高盛独创和专有的数据建模技术使客户在投资组合基础上计算保证金,从而高效管理风险及优化资本运用,而且高盛内部技术平台简化了交易确认、组合对账和管理。在托管结算方面,高盛开发了功能强大、范围广泛的全球结算与交收网络。高盛的平台提供了一套完整的工具,允许客户在一个单一的综合账户里跨越多类资产和货币交易。在融资融券方面,高盛运用专有的、采用前沿技术的投资组合风险建模工具,评估客户投资组合和策略的融资方案。在报告服务方面,高盛机构客户网可让客户在线获取高盛的全球在线资源,包括交易理念、投资机会、市场洞察、个性化的投资研究及其它资源。同时,高盛开发了一个可定制程度高的综合报告平台,向客户提供度身定制的涵盖众多产品和市场的业务解决方案。

    3、盈透证券

    盈透证券(Interactive Brokers,IB)是一家以低交易成本和技术驱动业务而知名的美国网络券商,机构和个人客户各占一半。PB业务是IB近年来快速开拓的领域。IB在PB服务方面具备两项核心竞争力:一项是IB研发的IB SmartRouting SM智能交易系统,另一项则是IB在成本控制上的绝对优势,IB可以选择免费为客户提供托管服务。

    受Basel III、MiFID II等监管政策的影响,高盛、摩根士丹利等银行控股的主经纪商受到严格的流动性管理约束,被迫抬高客户准入标准和服务定价。IB则接纳了大型主经纪商不愿服务的对冲基金,同时也吸引了一大批费率敏感型的客户。由于具有出色的技术储备和规划,在面对诸如MiFID II等监管新规时,不必被迫进行全面技术升级和增聘一批新员工。IB为客户研发了一套智能交易系统—IB SmartRouting SM,通过算法寻找全市场最优的价格完成交易。SmartRouting通过技术手段替代人工化操作,并融入到各个业务流程中改造成自动化的工作流程,从而能极大降低成本。由此,IB在成本控制上具有绝对优势,进而实现不对客户提出最低管理规模或收入贡献的要求。

    此外,IB拥有一套支持C++、Java以及Python等语言的编程接口,主要服务于程序化交易客户。IB还推出了一套外汇掉期自动化交易程序,使客户以更合理的价格持有外汇头寸。为了满足对冲基金希望只通过一个平台便可以触达全球市场的不同资产,IB开发了Investors’ Marketplace,为配置对冲基金的机构提供搜索工具,平台上目前有2911只对冲基金。

    4、瑞士联合银行

    瑞士联合银行集团(UBS Group AG,瑞银集团或瑞银)创立于1862年,总部位于瑞士苏黎世,全职雇员67481人,是欧洲最大的金融控股集团。旗下由瑞银华宝、瑞银机构资产管理与瑞银瑞士私人银行三大分支机构组成,瑞银集团的业务主要包括财富管理、投资银行及证券和资产管理三大块。UBS瑞银是一家全能银行,为国内外客户(企业、个人、公共机构等) 提供广泛的银行服务,其中包括流动资本贷款、建设贷款、特别融资、国际商业贷款、出口融资、项目融资、证券信贷与担保、投资咨询与托管、证券交易、证券管理与间接贷款、发行并经销股票、债券和票据,从事 银团贷款,经营外汇、银行票据、贵金属,从事货币市场业务,从事转移与支付等等。

    5、中金公司

    中国国际金融有限公司(CICC)是中国第一家中外合资投资银行,中金一直致力于为客户提供高质量金融增值服务,建立了以研究为基础,投资银行、股票业务、固定收益、财富管理和投资管理全方位发展的业务结构。

    展开全文
  • 当数据具有资产属性之后,数据便可以直接或者间接地为公司、为社会创造价值和收益,并且可以作为...数据交易一种对数据进行买卖的行为,大数据交易由三方共同参与,分别为数据提供方、大数据交易平台和数据需求方:

    当数据具有资产属性之后,数据便可以直接或者间接地为公司、为社会创造价值和收益,并且可以作为一种特殊的商品在市场中进行交易。

    与传统的商品交易相比,数据资产交易的市场前景更广阔,但同时也面临着很多的挑战,主要包括:

    1. 数据的质量、价格如何定义
    2. 在合法合规的前提下,数据的交易如何确保不会泄露用户的隐私
    3. 如何构建合理的激励机制来鼓励更多的参与方加入数据交易市场中

    大数据交易

    数据交易的定义

    数据交易是指一种对数据进行买卖的行为,大数据交易由三方共同参与,分别为数据提供方、大数据交易平台和数据需求方:

    1. 数据提供方主要包括政府机构、大型的商业公司和第三方(公共)的数据源,它们一般通过收集个人用户的行为数据得到。
    2. 交易平台则是数据交易行为的重要载体,可以促进数据资源整合、规范交易行为、降低交易成本、增强数据流动性。当前的数据交易平台主要分为下面的三种模式:
    • 大数据分析结果交易:即交易的对象不是原始的基础数据,而是根据需求方要求,对数据进行清洗、分析、建模、可视化等操作后形成处理结果再出售。这种交易模式的一个典型平台就是贵州大数据交易所。由于这种交易模式交易的对象是经过分析处理后的结果数据,不是原始数据,在一定程度上规避了困扰数据交易的数据隐私保护和数据所有权问题。
    • 数据产品交易:通过与其他数据拥有者合作,通过对数据进行整合、编辑、清洗、脱敏,形成数据产品后出售。
    • 交易中介:在这种模式下,平台本身不存储和分析数据,而是作为交易渠道,通过API接口形式为各类用户提供出售、购买数据( 仅限数据使用权)服务,实现交易流程管理。
    1. 数据交易的另一个参与方 是数据的需求方, 包括各类数据分析服务 商和企业用户,过去数据需求方可以通过直接收集用户信息(如通过网络爬虫等)来满足自身的数据需求,但在据需求,但在日益严格的数据隐私保护法律法规面前,这种获取数据的方式已经变得不可行,第三方交易平台成了当前主要的数据来源。

    数据确权

    数据确权指的是数据交易后,数据的所有权和控制权归属问题。

    大数据交易面临的产权归属主要面临四大瓶颈:

    1. 首先就是数据权利类型没有明确,无法确定其适用所有权法、产权法,还是知识产权法;
    2. 其次是数据权利主体究竟属于数据生产者(个人、企业、政府)还是数据持有者(企业、政法)存在争议;
    3. 三是数据的控制和使用权利界限不明,如何分离尚不明晰;
    4. 四是数据通过互联网非常容易复制,权属保护很困难。

    基于联邦学习构建新一代大数据交易市场

    卖家并不是直接将数据放在交易平台上进行交易,在各个参与方数据不出本地的前提下,联合各参与方,这些二次开发的数据形态以产品的形式放到数据交易市场进行交易。

    联邦学习激励机制助力数据交易

    要想数据交易市场在一个良性的环境下持续并长久的运行,需要一种激励机制, 通过激励数据所有者贡献有价值的数据,更好地调动各参与方的积极性。此外,数据交易市场的数据提供方和数据交易平台在数据存储和模型训练上都需要一定的资源成本开销,公平的激励策略能够帮助各参与方从联邦学习生态中受益。

    1951年,由诺贝尔奖得主Shapley提出的Shapley值是公平地定量评估用户边

    际贡献度的常用指标。Shapley值(SV)的概念起源于合作博弈,并被广泛应用于很多领域,从经济学、信息论,到机器学习。SV值之所以应用如此广泛,是因为它具有公平性、个体理性化和可加性等优越性质。在联邦学习中,一个参与节点的SV值能够评估该节点对聚合的最终模型的边际贡献量。然而,Shapley 值的求解往往需要指数级的计算复杂度O(n!),其中n是节点数量。

    本节将激励机制引入联邦学习大数据交易市场,详细介绍一种基于区块链的联邦学习P2P支付系统,简称联邦币(FedCoin),以实现基于Shapley值的公平激励分配。

    FedCoin支付系统设计

    FedCoin系统包含两个参与者网络:联邦学习网络和P2P区块链网络。参与网络的节点用户可以分为四类:联邦学习模型(任务)需求方,联邦学习客户端,联邦学习服务器和区块链共识节点。

    1. 联邦学习模型(任务)需求方:是指需要训练-一 个联邦学习网络的用户节点,设其任务预算为V。
    2. 联邦学习客户端:是分布式数据持有者,通过完成协同训练任务获得报酬支付。每个联邦学习客户端基于本地数据训练本地模型,并将模型参数更新提交给联邦学习服务器。
    3. 联邦学习服务器:是联邦学习网络中的一个中心化服务器, 用于协调楔塑训练过程,并接收来自联邦学习模型需求方的任务支付v。联邦学习服务器扮演三个角色。首先,它将一个学习任务发布给联邦学习客户端节点,并为其标价为训练费TraiPrice其次,它通过安全聚合协议50聚合收集的模型参数更新,并获得计算费(ComPrice)。然后,向区块链网络分配sv激励分配处置费SapPrice, 用以支付共识节点的出块奖励。一个联邦学 习任务的总支付(TriPrice+ComPrice+SapPrice)应该不大于V,以便维持支付系统的自平衡,从而不依赖于外部系统供给本系统的有价激励。
    4. 区块链共识节点:通过共识协议维护一个分布式公共账本状态的一致性。

    具体而言,在每一轮全局模型更新之后,联邦学习服务器都会发布一个任务来计算每个联邦学习客户端的贡献。区块链网络中的共识节点通过协同计算Shapley值来确定一个获胜者,并由该节点获得写块权并接受TaiPiei+SaPrie的支付。然后,获胜节点通过在区块链中创建交易,将ComPrice (根据各自的Sapley值)分配给联邦学习客户端节点。在目前的设计中,我们只奖励贡献值为正值的节点,不惩罚负贡献的节点。所有的交易都记录在新的区块中,并更新同步到区块链中

    本读书笔记系列针对2021年5月出版的《联邦学习实战》(见下图),后续部分将逐步更新

    展开全文
  • FATE是微众银行开发的联邦学习平台,是全球首个工业级的联邦学习开源框架,在github上拥有近4000stars,可谓是相当有名气的,该平台为联邦学习提供了完整的生态和社区支持,为联邦学习初学者提供了很好的环境,否则...

    前言

    FATE是微众银行开发的联邦学习平台,是全球首个工业级的联邦学习开源框架,在github上拥有近4000stars,可谓是相当有名气的,该平台为联邦学习提供了完整的生态和社区支持,为联邦学习初学者提供了很好的环境,否则利用python从零开发,那将会是一件非常痛苦的事情。本篇博客内容涉及《联邦学习实战》第十四章内容,使用的fate版本为1.6.0,fate的安装已经在这篇博客中介绍,有需要的朋友可以点击查阅。本章内容为构建公平的大数据交易市场,随着人工智能的迅速发展,海量的数据已经成为了帮助训练更好模型的最重要的燃料,但是隐私泄露问题阻碍着大量的数据无法流通入市场中,如果采用联邦学习技术,让数据不出本地,就能够帮助模型进行训练,同时用户的隐私也不会泄露,这将会是两全其美的好事,所以,构建公平的大数据交易市场的意义极为重要。


    1.1节中介绍了数据有资产属性,当数据具有此属性后,数据便能够直接或者间接为公司、社会创造价值和收益,并且可以作为特殊的商品在市场中交易。

    世界各国和中国政府也意识到大数据对未来发展的意义,并且均已经在国家层面进行战略部署,纷纷发布各种与数据相关的战略计划。数据商品与传统商品相比,前景更为广阔,同时也面临许多挑战,主要包括:

    • 数据的质量、价格如何定义。
    • 如何在合法合规前提下,不泄露用户的隐私。
    • 如何构建合理的激励机制鼓励更多参与方加入到数据交易市场中。

    1. 大数据交易

    1.1 数据交易定义

    指一种对数据进行买卖的行为,企业或政府可以通过交易平台,找到所需的数据资源。大数据交易由三方共同参与,分别为数据提供方,大数据交易平台和数据需求方。
    在这里插入图片描述

    交易平台主要分为三种模式:

    • 大数据分析结果交易:交易对象不是原始数据,而是对数据进行清洗、分析、建模、可视化等操作后得出结果再出售。
    • 数据产品交易:通过与其他数据拥有者合作,对数据整合、清洗、脱敏,形成数据产品后出售。
    • 交易中介:平台本身不存储和分析数据,而是作为交易渠道,通过API接口形式为各类用户提供出售、购买数据服务,实现交易流程管理。

    1.2 数据确权

    数据确权是指数据交易后,数据的所有权和控制权归属问题。数据确权也被普遍任务是数据交易中首要解决的问题,产权归属是交易的前提与基础。
    但是由于数据在交易中具有流动性、实时性、复杂性和易复制性等特点,很难进行统一的界定。大数据交易面临的产权归属主要面临四大瓶颈:

    • 数据权利类型不明确,无法确定其适用所有权法、产权法还是知识产权法。
    • 数据权利主体究竟属于数据生产者还是数据持有者。
    • 数据的控制和使用权利界限不明。
    • 数据通过互联网容易复制,权属保护困难。

    当前的数据所有权很多时候是由平台与用户单独签订的协议,比如使用微信时要遵循《腾讯微信软件许可服务协议》。

    1.3 数据定价

    根据贵阳大数据交易所在2016年推出的《数据定价办法》对数据的定价进行了量化,将数据的影响因素归结为数据品种、时间跨度、数据深度、数据的实用性、完整性以及数据样本的覆盖度等六个维度。
    在这里插入图片描述

    2. 基于联邦学习构建新一代大数据交易市场

    在基于联邦学习构建的大数据交易市场中,卖家并不直接将数据放在交易平台上进行交易,而是组建一个联邦学习网络,通过这个网络,在各个参与方不出本地的前提下,联合各参与方构建更多的二次开发产品,包括联邦模型、联邦数据分析、联邦画像数据等。这些产品通过交易平台对用户进行销售。
    相对于传统的大数据市场,这种新型交易平台的优势:

    • 数据不离开本地,更不直接与平台交互,很大程度减少了隐私泄露风险。
    • 提供更加丰富的数据交易商品。

    3. 联邦学习激励机制助力数据交易

    要想数据交易市场在一个良性环境下持续并长久的运行,需要一种激励机制,通过激励数据所有者贡献有价值的数据,可以更好地调动各参与方的积极性。此外,数据交易市场的数据提供方和数据交易平台在数据存储和训练上都需要一定的资源成本开销,公平的激励策略能够帮助各参与方从联邦学习生态中受益。
    SHapley(SV)是公平定量评估用户边际贡献度的常用指标。SV起源于合作博弈,并被广泛应用于很多领域,从经济学、信息论到机器学习。SV之所以火热,是因为它具有公平性、个体理性化和可加性等优越性质。在联邦学习中,一个参与节点的SV能够评估该节点对聚合最终模型的边际贡献量。然而SV开销大,计算复杂的为O(n!),n为节点数量。
    上一章引入了联邦激励机制的概念,本章详细介绍一种基于区块链的联邦学习P2P支付系统,简称为联邦币,以实现基于SV值的公平激励分配。
    在FedCoin中,区块链共识节点计算Shapley值,并基于Shapley工作量证明共识协议创建新的区块。在PoSap机制中,出块奖励是联邦学习任务奖励的一部分,通过共识节点对联邦学习节点的Shapley值计算来决定写块权,从而引导区块链共识算力服务于联邦学习激励分配。
    与流行的比特币相比,FedCoin采用的PoSap共识机制改进了BitCoin中PoW工作量证明中无意义的散列运算。通过基于真实数据的仿真实验,FedCoin能够公平地评估各参与方对全局模型基于SV的贡献度,并保证达到共识所需的计算资源有限(即在有限的资源内一定能共识)。

    4. FedCoin支付系统设计

    这里我简要介绍下联邦学习激励机制的问题描述,这部分首先介绍了FL任务的优化问题,通过SGD求解,计算每个节点的梯度,并将梯度上传到中心节点进行聚合,在这个过程中,计算每个节点的SV,可由下式计算得到:

    ϕ i = ∑ S ( K − S − 1 ) ! − S ! K ! ( F S ( w ) − F S ∪ i ( w ) ) \phi _{i}=\sum_{S}\frac{(K-S-1)!-S!}{K!}(F_S(w)-F_{S\cup i}(w)) ϕi=SK!(KS1)!S!(FS(w)FSi(w))

    S是不包含节点i的任意子集,K是总节点个数, F S ( w ) F_S(w) FS(w)是模型参数w在节点集合S上的损失函数。
    可以观察到 ϕ i \phi _{i} ϕi是一个随着参与节点数量增长的NP难问题,我们可以把这个过程看成是K!次全排列中计算节点的边际贡献的平均值。
    回到系统的设计,FedCoin系统包括两个参与者网络:联邦学习网络和P2P区块链网络。参与网络的节点用户可以分为四类:联邦学习模型需求方(任务方),联邦学习客户端,联邦学习服务器和区块链共识节点。

    在这里插入图片描述

    • 联邦学习模型需求方:需要训练一个联邦学习网络的用户节点,设其任务预算为V。
    • 联邦学习客户端:分布式数据持有者,通过完成协同训练任务获得报酬支付。每个联邦学习客户端基于本地数据训练本地模型,并将模型参数更新提交给联邦学习服务器。
    • 联邦学习服务器:联邦学习网络中的一个中心化服务器,用于协调模型训练过程,并接收来自联邦学习模型需求方的任务支付V。联邦学习服务器扮演三个角色,第一,他将一个学习任务分发给客户端节点,并标价TrainPrice。第二,通过安全聚合协议聚合模型更新,获得计算费(ComPrice)。第三,向区块链网络分配SV激励分配处置费SapPrice,用以支付共识节点的出块奖励。 T r a i n P r i c e + C o m P r i c e + S a p P r i c e ⩽ V TrainPrice+ComPrice+SapPrice\leqslant V TrainPrice+ComPrice+SapPriceV,以便维持支付系统的自平衡,从而不依赖于外部系统供本系统的有价激励。
    • 区块链共识节点:通过共识协议维护一个分布式公共账本状态的一致性。

    因此,联邦学习通过联邦学习服务器将联邦学习网络和区块链网络连接在一起。需要注意的是,SapPrice和TrainPrice随着训练轮次的增加而减少,而训练的总支付可以在轮次之间按照场景定制化分配。

    4.1 PoSap共识算法

    区块链网络中共识节点也称为“矿工”。当矿工从联邦学习网络中接收到SV的计算任务后,矿工为每一个联邦学习客户端节点计算SV,并构建向量 S = [ s k ] k ∈ [ 1 , K ] S=[s_k]_{k\in[1,K]} S=[sk]k[1,K],其中 s k s_k sk提供模型参数 w k ∈ W w_k\in W wkW的客户端的SV。每个矿工按照算法1独立计算SV向量。由于挖矿的目标是竞争计算SV向量,从而证明矿工的计算能力,将该算法命名为PoSap。
    算法1的输入来自联邦学习网络的任务规范,输出是一个写入激励分配支付的新区块。

    在这里插入图片描述
    下面对算法分步进行讲解。

    • 在算法1中,一个矿工先将SV向量初始化为全零向量,并将计算迭代数设置为0(time=0)。只要满足没有接收到新块或者收到的区块未能通过算法2的验证就继续进行。
    • SV计算过程在第3行——第11行,矿工初始化一个临时的SV向量 S t S_t St,以记录当前迭代轮次中的计算值,然后矿工生成K个联邦学习客户端的随机序列。根据该排列计算第一个客户端的SV,这是该客户端节点对损失函数降低的贡献。对于下一个节点i,SV被计算为其边际贡献。通过对所有先前迭代和当前 S t S_t St求平均值来更新S,迭代时间随后递增1,并广播S和时间(第十行)。
    • 每当矿工接收到新的S和time时,矿工计算所有接收到的S的平均值 S ‾ \overline{S} S。然后矿工计算自己的S与 S ‾ \overline{S} S之间的P阶距离,当距离不大于采矿难度D时,矿工成为胜利者,获得出块权,将新区块追加到当前最长链(第15行)。难度D是动态调整的。

    算法2是验证区块算法,即算法1中VerifyBlock函数。
    在这里插入图片描述

    每当一个矿工接收到一个新的区块Blk时,矿工根据算法2验证这个区块,一旦验证通过,该新区块被更新到本地区块链,挖矿终止。一个新区块需要满足三个条件才能通过验证。

    • ∣ ∣ S t − S ‾ t ∣ ∣ p ⩽ D ||S_t-\overline{S}_t||_p \leqslant D StStpD,目的是验证该区块获胜者是否生成了包含有效Shapley值的区块。
    • ∣ ∣ S ‾ − S ‾ t ∣ ∣ p ⩽ D ||\overline{S}- \overline{S}_t ||_p \leqslant D SStpD,要求 S ‾ \overline{S} S足够接近本地的S向量,区块链网络同步的理想情况下二者应该相等。
    • 当前ID是最大的,以确保在最长链上。

    一个区块包括区块头和区块体。
    在这里插入图片描述

    字段名称解释
    区块ID区块高度
    获胜者ID区块生成者标志
    平均S算法13行计算出的SV
    前一个区块散列前一个区块的散列值
    获胜者S获胜者计算出的SV
    难度所需难度D
    Merkle树根区块体中交易组织成的Merkle树根

    区块体中记录两类数据:任务规范(包括算法1的所有输入),区块链网络中的交易。
    新区块的挖掘速度是动态调整的。影响因素有两个:矿工的总挖矿能力和生成区块的速度。在相同的挖矿能力下, 随着生成区块速度的提高,挖矿难度会相应降低。在相同区块生成速度的情况下,挖矿难度会随着挖矿能力的提高而提高。难度更新可以通过部署智能合约来实现。

    4.2 支付方案

    联邦学习模型需求方通过转账V个FedCoin给联邦学习服务器来实现联邦任务的发布,当该笔交易记录到区块上后,联邦学习服务器在客户端发布学习任务规范。V的值应该不大于请求者的联邦学习模型的价值。为了合理分配V,所有节点都应该注册一个交易账户。然后将V的值分成以下三部分。

    • TrainPrice:给联邦学习客户端的支付费用。
    • ComPrice:向联邦学习服务器支付的处理模型聚合的计算费用。
    • SapPrice:支付给区块链网络矿工计算SV的出块奖励。

    具体支付方案如算法3所示。
    在这里插入图片描述
    算法3的步骤分析如下:

    • 在算法3中,当联邦学习服务器接收到来自需求方的支付V时,表明该服务器成功接收一个模型训练任务。然后服务器计算TrainPrice和SapPrice,并留下ComPrice=V-TrainPrice-SapPrice作为自己处理任务的报酬支付。
    • 将训练任务发布给客户端,并附加训练标价。
    • 训练完成后,服务器向区块链网络发布Shapley值计算任务,价格为SapPrice。
    • 区块链网络通过成功挖掘一个新区块完成任务,继而联邦学习服务器创建一个交易将TrainPrice+SapPri传递给获胜者。
    • 区块获胜者将TrainPrice按照Shapley的比例分配给客户端并创建相应转账交易,所有交易及在系统中未提交交易都将存储在该新区块中。

    5. FedCoin的安全分析

    PoSap的安全性与比特币类似,鼓励矿工向系统贡献其计算资源,当系统中矿工的数量和算力足够多时,该系统的安全性随之提升。此外,还要设计一个抵御大型矿池的形成的支付方案,FeCoin不能抵御超过50%的矿工共谋攻击。
    对于自私挖矿策略的安全性讨论,即讨论区块胜利者不发布有效区块而继续挖掘下一个区块,从而获得挖掘上的时间优势问题。

    • 不仅无法领取区块奖励SapPrice,同时,不能在不发布私有区块情况下挖掘下一个区块。
    • 如果学习任务并行,一个自私矿工可以保留一个区块,继续挖掘下一个区块。这里的解决方案是不建议处理并行联邦学习任务。

    6. 实例演示

    FedCoin的演示Demo展示视频的链接附上,请各位尝试和观看。

    阅读总结

    虽然是一篇介绍联邦学习与区块链相结合的应用内容,没有实操部分,全是文字的内容也十分乏味,但是通过这一章内容的学习,又一次拓宽了我的思维,对于联邦学习中的激励问题,可以通过区块链的可信计算来解决奖励分配,这让大数据交易更为安全和直观,从某种意义上来说还很好的衡量了大数据的价值。希望在日后遇到相同情景的需求下,我也能够合理利用联邦学习的激励机制,来解决奖励分配问题。

    展开全文
  • 证券交易3—交易所框架概述

    千次阅读 2022-03-20 22:11:06
    A股市场,投资者必须通过经纪公司交易柜台才能连接交易所,即交易订单从客户策略服务器发至经纪公司交易柜台,交易柜台内部处理后发往交易所,交易所确认报单后发送回报给交易柜台,再从柜台发送至客户策略机的一来...
  • 深圳证券交易所收费(及代收税费)明细表 - 2019年10月 (交易所链接http://www.szse.cn/marketServices/deal/payFees/index.html): 收费对象 收费项目 收费标的 收费标准 备注 投资者 证券...
  • 当前机构业务崛起、券商财富管理转型如火如荼,华锐金融技术提供了集成统一接入网关、机构交易系统、实时风控平台、高速行情、交易总线、开发测试云服务等功能,从规划到落地,从设计到实施,从软件到服务,从硬件到...
  • 以太坊的去中心化交易

    千次阅读 2019-05-03 09:09:53
    以太坊的去中心化交易所 中心化 VS 去中心化 中心化交易所 去中心化交易所 总结 去中心化交易所的几个技术实现 ...第一种是成交单主导,俗称场内交易的是有交易所将买卖双方聚集在一...
  • 量化交易 实战第一课 策略入门

    千次阅读 多人点赞 2021-03-17 10:31:08
    量化交易 实战第三课 策略入门.
  • 高频交易从那些人们无法利用的极为短暂的市场变化中寻求获利的计算机化交易,比如,某种证券买入价和卖出价差价的微小变化,或者某只股票在不同交易所之间的微小价差。这种交易的速度如此之快,以至于有些交易...
  • 因为要参与币安去中心化交易所binance.org(以下统称DEX)的交易,需要编程设置API,折腾了我十多天,今天总算搞定了。这个过程太曲折了,值得写篇文章来纪念下。币安去中心化交易所开放没多久,官方在针对API指导...
  • 本文档适用人员:交易领域的产品研发人员 银联 一些错综复杂的关系 银联是什么 银联商务是什么 快捷支付绕过银联了吗 能通过卡号判断是对公账户或对私账户吗 快捷支付 为什么要推快捷支付 POS POS签单上的各种号码 ...
  • 这种大楼往往被称为“IDC”互联网数据中心,专业的机房管理公司提供商业化的标准的机房和网罗环境,用户(证券公司们)每年花数百万人民币租用这里大小不等的机房。除了机房,IDC还提供普通的办公房间,供各公司管理...
  • Python机器学习与量化交易

    千次阅读 2019-12-30 17:33:15
    量化交易简介1.1 量化交易的历史1.2 什么是量化交易1.3 量化交易分类1.4 金融产品及衍生品的投资策略1.5 量化交易的优势1.6 如何做量化交易项目2. 量化回测框架介绍2.1 回测框架介绍2.2 策略创建运行的流程2.3 数据...
  • Python_量化交易实战_量化交易基础

    千次阅读 2021-08-23 09:22:04
    量化交易则通常是使用数学、统计甚至机器学习的方法,去找寻合适的买卖时机。 所以,在这个维度的定义之下,算法交易、高频交易还有统计套利(Statistical Arbitrage)都可以算作量化交易。 程序化交易(Program...
  • 反映到股票量化交易中,“数据”的是我们所要分析的股票数据,我们从“数据”中挖掘出能够获利的策略,目的是“交易”,也就是将策略转换为具体的买卖操作。 以散户视角利用量化交易的优势 传统的交易无论是...
  • 9、(九)外汇交易技术术语表

    千次阅读 2017-06-21 13:39:26
    A   1. 独断性逼仓(Abusive Squeeze)  对某货币报价或者金融产品报价,利用机构或者个人影响力在合约条款、合约... 期权买方既可以在到期日当天,也可以在到期日之前行权的标准期权。  3. 交易金额(Amo...
  • 什么HTTPS比HTTP更安全?

    万次阅读 多人点赞 2019-08-09 14:39:34
    前言 近几年,互联网发生着翻天覆地的变化,尤其是我们一直习以为常的HTTP协议,在逐渐的被HTTPS协议所取代... 读完本文,希望你能明白: HTTP通信存在什么问题 HTTPS如何改进HTTP存在那些问题 HTTP...
  • RChain的跨分片交易算法

    万次阅读 2019-04-20 06:52:10
    分片方式有很多种,最难的是状态分片,什么是状态分片呢?把以太坊比作银行的话,状态的是银行账户的当前余额。那状态分片就是,按照账户的不同区分开来,就像6222开头的是工商银行,6214开头的招商银行的账户。 ...
  • 什么是PaaS? 平台即服务的解释

    千次阅读 2020-05-20 10:38:45
    平台即服务(PaaS)是一种云计算产品,服务提供商可以在其中为客户提供平台,从而使他们能够开发,运行和管理业务应用程序,而无需构建和维护此类软件的基础架构... [ 什么是云计算? 您现在需要知道的一切 。 | 另...
  • DBMS (数据库管理系统) 是什么

    万次阅读 2018-08-02 17:28:04
    可是,它不一定提供审核或其他在多用户环境中所需要的各种控制机制。这些机制可能要整套应用程序都为数据输入或更新而修改才能提供。 交易机制(最好可以保证ACID特性),在多用户同时访问之下仍维持数据完整性...
  • 算法交易的主要类型与策略分析

    千次阅读 2019-07-02 11:06:06
    算法交易起源于上世纪中叶的配对交易 历史上最早使用算法交易的例子可以追溯到1949年。对冲基金之父阿尔弗雷德·琼斯,利用空对多3:7的比例进行配对交易,在1955年到1964年间,综合回报率高达28%。到了上世纪60...
  • B2B、B2C、C2C、O2O分别是什么意思?

    千次阅读 2021-01-16 10:39:54
    B = Business,即企业;C = Customers,即消费者;M = Medium,即媒体。 B2B(Business To Business)商家对商家进行的交易,如 阿里巴巴、生意宝; B2C(Business To Customer)商家...B2B 是商家与商家建立的商.
  • 点击上方蓝字关注我们基于区块链的大数据交易模式研究与探索李源1,高宁1,孙晶1,2,赵会群11北方工业大学信息学院,北京 1001442北方工业大学大规模流数据集成与分析技术北京...
  • 小白眼中的docker究竟是个什么东西

    千次阅读 多人点赞 2020-08-01 00:37:01
    操作系统和容器到底谁安装谁 前面说过 ubuntu 上装 docker,docker 上还能装 ubuntu 这个问题困扰了我好久,实际上 windows 可以装虚拟机,而虚拟机中有可以装 windows 这没什么好奇怪的,这里的 dokcker 的就是 ...
  • 疑难杂症:系统雪崩到底是为什么

    千次阅读 多人点赞 2021-03-27 14:23:13
    这周二笔者参加了由CSDN举办的“2021年创作扶持计划”宣讲会,笔者完全被副总裁于邦旭的激情...还是举“2021年创作扶持计划”的当中的例子,在直播时有网友提问说CSDN的网站为什么总爱崩溃呢?于总当时就提到提到使用S
  • 高频交易的前世今生

    万次阅读 2021-10-22 15:05:41
    证监会主席易会满出席2021年第60届世界交易所联合会(WFE)会员大会暨年会时指出:在成熟市场,量化交易、高频交易比较普遍,在增强市场流动性、提升定价效率的同时,也容易引发交易趋同、波动加剧、有违市场公平等...
  • 前言 广告投放主要是为展示(曝光)和转化,广告投放收费模式中,使用得比较多的为...在中国的互联网营销,这个值一般的是,我花了多少推广费,直接产生了多少的销售。 Impression:意思是“曝光”,也被称为“...
  • 交易技术前沿】新一代证券交易系统应用架构的研究 上交所技术服务 今天 本文选自《交易技术前沿》总第三十八期文章(2020年3月) 陈镇光 丁一 / 国信证券股份有限公司 chenzguang@guosen.com.cn 摘要:随着国内外...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 59,345
精华内容 23,738
关键字:

交易环境指的是什么