综合瑞穗证券消息，算法交易在买方中继续获得吸引力，最近一份报告的受访者表示，他们比以往任何时候都更多地使用自动化工具。这进一步证明了自动化工具越来越成熟，也越来越被广泛接受，但这种趋势是高度集中的。报告显示，平均而言，最大的买方公司将33%的订单流分配给了最大的供应商。
但这并不意味着他们限制了自己的选择。彭博资讯（Bloomberg Intelligence）发现，自2018年以来，这些大公司平均增加了两家供应商，使电子经纪公司的名单增至近12家。显然，登上顶峰并留在那里至关重要。
这在供应商之间创造了一场新的军备竞赛，以开发利用人工智能来理解甚至预测市场状况的算法。日益分散和复杂的市场环境有助于推动创造下一个创新的持续竞争，这将使电子交易更加灵活和有效。
人工智能更像是电子交易世界中的一个营销术语，涵盖了一系列不同类型的算法和技术。然而，最近的努力，包括瑞穗集团人工智能研究团队的努力，集中于将尖端科学应用于金融市场的现实世界条件，以开发更智能、适应性更强、最重要的是为交易操作增值的算法。
将深度学习应用于成交量预测
实现这些目标的核心，是一种称为深度学习的人工智能，用于创建有助于更高效地执行交易的算法。瑞穗指南针交易算法中使用的深度学习已被证明对金融应用特别有效，因为它可以处理大量数据，如历史市场状况或股票价格走势，以识别模式并根据这些条件确定要采取的行动。
当然，价格只是交易者在执行交易时考虑的变量之一。在与北京大学人工智能专家的合作下，瑞穗研究团队的负责人Ruhan Bao博士一直在探索一种称为“聚类分析”的深度学习技术的应用。Ruhan Bao博士曾在瑞穗指南针交易算法中率先将深度学习用于股价预测处理交易台每天面临的实时判断。
聚类允许检查特征，如成交量概况、波动性概况和流动性，以将股票分类为类似的组。然后分析历史数据，根据客户的基准找到交易这些股票集群的最有效方式，包括调整公开叫价中的适当交易金额、是否在交易所被动过账、在任何给定时间/价格点对暗池的敞口，以及出现在订单簿上的流动性交易区块的强度水平。
为了利用价格预测和聚类的优势，需要开发一种新的成交量预测方法，以帮助交易者进一步管理不断变化的市场条件。想想被动投资的兴起，以及指数重组后的成交量。传统的算法可能会根据历史成交量数据建议交易，但在指数交易日，这并不理想。但一种支持机器学习的成交量预测算法可以研究过去所有指数事件日的成交量，检测模式以预测下一个指数事件日的成交量，并据此推荐交易。
这一人工智能突破引起了2021年国际人工智能联合会议赞助商的注意。Bao博士和北京大学团队成员应邀在8月份的会议主旨中发表了他们关于成交量预测的论文。
从研究部门转移到交易台
虽然人工智能研究界已经认识到新的交易量预测能力的重要性，但最重要的验证将来自受益于这项新技术的交易员。在算法交易中进一步加入交易量预测预计将有助于进一步降低交易成本。例如，自2019年创建指南针以来，瑞穗证券测量到其功能表现与实际成交价格相比提高了31.2%，这只会激励寻找其他方法来使用人工智能进一步改进算法。
这种持续的研究和创新帮助电子交易在今天的金融市场中稳扎稳打。随着已经从人工智能中看到的突破，我们预计电子交易只会在未来成为金融机构更重要、更强大的工具。（瑞穗美洲证券公司Sam Clapp和瑞穗证券电子交易公司日本负责人Don Hundley）