Marktrisiko-Berechnung
für Aktien, Metalle, Commodities und Derivate

Pflege und Weiterentwicklung der Deep Learning Modelle. Automatisierung des Deployment-Prozesses. Testphase.

ETL Marktdaten und Bestandsdaten.

Neuronale Netze für Regression, Klassifikation.
Rekurrente Netze (RNN, LSTM und GRU).
Unsupervised Learning, Modell-Variationen mit Machine-Learning-Methoden.

Neue Modell-Ideen wurden evaluiert und
Fine-Tuning der bestehenden Modelle vorgenommen.
Eine Test-Umgebung ist aufgebaut sowie Testfälle sind erstellt worden.
Die fachlichen Tests wurden begleitet und Bugs gefixt.
Ferner standen Code-Finishing und Dokumentierung an.
Das Deployment wurde automatisiert und verbessert.

Marktrisiko-Berechnung
für Aktien, Metalle, Commodities und Derivate

Umstellung der JAVA und R Komponenten/Tools auf Python.

ETL Marktdaten und Bestandsdaten.

Pflege und Optimierung der Deep Learning Modelle. Backtest-Abläufe etablieren. Deployment im Docker-Container.

Neuronale Netze für Regression, Klassifikation.
Rekurrente Netze (RNN, LSTM und GRU).
Unsupervised Learning, Modell-Variationen mit Machine-Learning-Methoden.

Vorhandene Java-Komponenten wurden sämtlich nach Python migriert.
Die besonders kritischen Stellen sind mit NUMBA und C-/Cython umgesetzt. Außerdem kamen parallele Packages zum Einsatz, wie Dask und Apache Spark. Die bisherigen R-Tools vornehmlich für die statistische Beurteilung der Features und der Modelle sind ebenfalls nach Python mit den entsprechenden Packages migriert worden.
Der existierende Python-Deep-Learning-Code wurde adaptiert und optimiert. Hinzu kamen neu-erstellte Backtesting-Abläufe.
Die Bestandteile wurden in Docker-Containern implementiert.

Marktrisiko-Berechnung
für Aktien, Metalle, Commodities und Derivate

ETL Marktdaten und Bestandsdaten.
Verarbeitung von zusätzlichen Features, Scraping von Unternehmens-Nachrichten, Prototyp Sentiment Analyse, Rekurrente Netze (RNN, LSTM und GRU). Neuronale Netze für Klassifikation.
Unsupervised Learning, Modell-Variationen mit Machine-Learning-Methoden: Random Forrest, SVM, XGBoost, Clustering, t-SNE, PCA, MDS. Modell Optimierung.

Es wurde eine Umgebung geschaffen, um Modell-Modifikationen schneller zu verifizieren. Die entsprechenden Tools fundierten auf R und Shiny. Die überwiegende Zeit fiel auf das Engineering der Modelle, Parameter-Optimierung und Trainings-Läufe.

Neue Features wurden hinzugefügt und Features konfigurierbar gemacht.
Als Prototyp wurden Sentiment-Informationen für die Assets mit dem NLTK
und einem DL-Netz generiert. Die Schnittstelle für externe ?Abnehmer? bildete eine REST-API. Logging und Dokumentation der Läufe sind automatisiert worden.

Marktrisiko-Berechnung
für Aktien, Metalle, Commodities und Derivate

ETL, Datenmodellierung, Prototypen,
Beschaffung Marktdaten (finnhub.io, investing.com, etc.)
Abzug Bestands-Daten,
Daten-Verdichtung, Feature Engineering, Machine-Learning,
Deep Learning mit Dense-Layern, Regression-Modell,
Statistische Beurteilung und Visualisierung der Modell-Qualität mit R und Shiny.
Vertikales Prototyping, Durchstich

Zunächst wurde eine Datenbank mit Intraday-Befüllung aufgebaut. Der Hauptteil der Arbeit entfiel auf das Feature-Engineering. Da viel Rechenleistung erforderlich war, kam hier Java und OpenCL zur Anwendung.
Dies war die Basis für die weitere Modell-Entwicklung und Optimierung. Es wurden Entwicklungen mit TensorFlow-Java und TensorFlow-Python durchgeführt.
Die Wahl für diese Komponente fiel aber auf Python.
Die Datenanalyse und die Analyse der Deep-Learning Modelle erfolgte mit R. Primäres Ziel dieser Phase war ein vertikaler Prototyp, bei dem Kafka die Data Streams steuerte.

FRTB - Fundamental Review of the Trading Book
EBA Stress-Tests

Umstellung auf neue Gesetzeslage BASEL III

Übernahme der Daten vom Front End und den Risk Engines
Übernahme der Markdaten
Extract, Transform, Load (ETL)
Vorhalten der Roh-Daten
Kalkulation der Risiko-Kennzahlen basierend auf statistischen, mathematischen Modellen
Multi-dimensionale Aggregation und Daten-Analyse
Historische Simulation, Monte-Carlo-Simulation, Korrelations-Analysen
Value At Risk, verschiedene Konfidenz-Niveaus, Hedge-Effekte, Marginal, Residual
Stress-Testing, Sensitivitäten, Griechen
Backtesting, Q-Test und weitere Auslieferung an diverse Abnehmer-Systeme (Data Abstraction Layer)

Es waren diverse Schnittstellen für die zentrale Datenhaltung zu konzipieren. Die Daten wurden in einer Datenbank konsolidiert. Die statistische Vorbereitung der Daten erfolgte an mehreren Stellen vornehmlich in der ORACLE Datenbank, in Active-Pivot und in SAS EBI. Sie gelangten jeweils wieder in die Datenbank. Von dort wurden sie statistisch finalisiert und über einen Abstraction Layer (DAL) an verschiedene Abnehmer geliefert. Das waren die internen Systeme inklusive de Microsoft .NET Web-Applikation und dem SAS Reporting. Weitere externe Abnehmer wurden ebenfalls beliefert.
Ein Risiko-Controlling System gehört zu den komplexesten IT-Systemen einer Bank mit täglichen Meldungen an den Vorstand und die Aufsichtsbehörden. Dementsprechend groß ist das Team. Koordination, Realisierung und Validierung der berechneten statistischen Risikozahlen hielten sich die Waage.

ANL (FCE, BSL, DTS)
Liquiditäts-Ablauf-Bilanz (LAB),
Liquiditätsfristen-Transformation, Funds Transfer Pricing (FTP)
Liquidity Coverage Ratio (LCR)
Net Stable Funding Ratio (NSFR)
BASEL III

Modellierungen für die Risikomessung
Differenzierung und Simulation der Risikofaktoren
Verbesserung Stress-Testing
Modellierung des Bodensatzes
Modelle für Laufzeitbänder
Modelle unter Einbeziehung historischer Zeitreihen
Modelle auf Basis historischen Ziehungsverhaltens
Haircuts-Berechnung

Aufgrund gesetzlicher Anforderungen war das bisherige Liquiditäts-Risiko-System zu erweitern, das ich in großen Teilen konzipiert hatte. Einhergehend mit einer starken Ausdehnung des Datenhaushaltes bis auf Einzelgeschäfts-Ebene.
In einem Vor-Projekt waren neben den fachlichen statistischen auch die technischen Anforderungen zu untersuchen.
Unter anderem wurden teilweise prototypisch SAP HANA, Sybase IQ, IBM Netezza, ORACLE 11, Quartet FS Active-Pivot und andere betrachtet.
Auf statistisch fachlicher Seite waren entsprechende Szenarien zur Daten-Integration zu abzuarbeiten und Modellierungen voranzutreiben.
Das Risiko-Modell wurde grundlegend ausgeweitet.
Wegen der hohen Hürden hinsichtlich Historie und nachträglichen Auswertbarkeit wurde ein längerer Parallellauf des alten und neuen Systems beschlossen. Verbunden mit großen Validierungs-Aufwänden.