Artikel top billede

Illustration: Yannis Ntousiopoulos. (Foto: Yannis Ntousiopoulos)

Saxo Bank i kæmpe machine learning-projekt: Robotter står i dag bag 99,97 procent af alle handlerne

Bier på honningjagt, selvstyrende Lego-biler og en masse it-viden er ingredienserne, når Saxo Bank lærer sine handelsrobotter at agere på markedet. Læs her, hvordan banken handler for milliarder af kroner ved hjælp af lærenemme robotter.

I den danske investeringsbank Saxo Bank sidder et mindre hold bestående af blandt andet en fysiker, en it-arkitekt og en biolog, som sammen dirigerer en bankens største it-satsninger i de seneste fem år.

Du spørger måske, hvad i alverden en biolog har at gøre med udvikling af handelsalgoritmer og selvlærende computersystemer på et internationalt finansmarked, hvor der handles valuta, aktier og obligationer for milliardbeløb på splitsekunder?

"Biologen er med, fordi han ved en masse om, hvordan bier opfører sig, når de kommer hjem til en bikube med honning. Den viden er utrolig vigtig, når vi taler om at komprimere signaler i computersystemer," fortæller vicechef for Saxo Banks Market-afdeling, Henrik Juel Villberg, til Computerworld.

Henrik Juel Villberg er leder af Saxo Banks algoritme-hold.

Han uddyber forklaringen om bierne med, at den har direkte honningfede tråde til, hvordan bankens storsatsning af computer-algoritmer har udviklet sig, når der skal handles godt, hurtigt, sikkert og lovmæssigt korrekt ud mod det store finansmarked.

"Når bien kommer hjem fra en honninghøst, flyver den rundt i et 8-tal. Den øverste del af 8-tallet beskriver mængden af byttet, og hvor bien har været henne. Den nederste del af 8-tallet beskriver afstanden til høstestedet. Retningen på 8-tallet i forhold til polerne, beskriver retningen fra bikuben," siger han.

Denne økonomiske måde at kommunikere en masse kompleks viden på har stor betydning for, hvordan Saxo Bank har opbygget sine selvlærende computersystemer, der udfører hundredetusindvis af handler om dagen.

Alt er automatiseret

For at forstå den dybere sammenhæng mellem biernes honningkommunikation og bankens handelssystemer, skal man også forstå Saxo Banks forretningsopbygning.

Sådan meget groft sagt kan man dele Saxo Banks forretning op i to handelsafdelinger, hvor den ene del tager sig af handler fra (små) privatinvestorer og professionelt handlende som eksempelvis andre banker, fonde og lignende organisationer ind mod banken.

Denne del af forretningen har Saxo Bank siden sin start i 1992 automatiseret så godt og grundigt som muligt med sine mange it-folk, der udgør cirka en tredjedel af bankens knap 1.500 medarbejdere.

I en anden del af forretningen sidder de såkaldte traders og handler blandt andet aktier og især i valutaer på Saxo Banks vegne ud mod store samarbejdspartnere som eksempelvis Deutsche Bank og børser over alt på kloden.

Det er i sidstnævnte del af forretningen, at Saxo Bank i det seneste lille årti har satset benhårdt på at automatisere sin handel med viden fra blandt andet biernes honninghøst.

"I dag har vi automatiseret 99,97 procent af alle handlerne ud mod markedet, og det er kun få ugentlige ordrer fra andre banker, vi i dag håndterer manuelt," forklarer Henrik Juel Villberg og fortsætter:

"I mange år har vi ellers haft en flok traders, som har modtaget kundernes handler og afdækket dem i markedet derefter. Men i takt med, at antallet af handlerne stiger plus en masse offentlige reguleringer efter finanskrisen i 2008, er denne løsning ikke skalerbar længere."

Man må ikke tisse på gulvet

Derfor har det været nødvendigt for Saxo Bank at investere i store serverparker med computerkræfter og især i kompetente mennesker til at bygge bankens handelsalgoritmer og selvlærende computersystemer.

Henrik Juel Villberg understreger, at de selvlærende computersystemer hverken er bygget til hurtige handler - de såkaldte high frequency trades - eller til at skære medarbejdere væk fra Saxo Banks lønningsliste.

"Computere er relativt dumme, men de er vældigt gode til at eksekvere handler baseret på, hvad vi selv tidligere har oplevet, og hvad systemerne selv har oplevet. At lære en computer at handle baseret på regler er ligesom at lære en hundehvalp, at den ikke må tisse på gulvet," forklarer Henrik Juel Villberg.

Sagt på en anden måde; med snilde og tålmodighed kan man lære et system at handle på en måde, der er hensigtsmæssig for mennesker og sågar lære systemet, hvad det mest hensigtsmæssige er i en given situation.

Satsningen på selvlærende systemer kontrolleret af en mængde algoritmer kort forklaret bygget op omkring sandsynlighedsberegning i realtid.

For at overvåge, at alt går planmæssigt til i automatiseringen, har Saxo Bank så siden 2007 sagt farvel til omkring 45 salgstradere og goddag til en masse "supportere", der kigger efter huller, alarmer og potentielle risici i handelsrobotternes selvlærte adfærdsmønstre.

Derfor legede banken med Lego

Hele rejsen mod de selvlærende trader-systemer tog for alvor sin begyndelse i kølvandet på finanskrisen i 2008, hvor Saxo Bank begyndte at investere heftigt i serverparker og ikke mindst mandskabet, der kunne bygge algoritmerne til it-systemerne.

Første skridt var at finde ud af, hvordan et selvlærende system fungerer, og hvordan det altid foretager den bedste handel på et givent tidspunkt og under de rette omstændigheder.

De rette omstændigheder er et yderst komplekst begreb. Kompleksiteten skyldes, at Saxo Banks trader-robotter kigger ud mod over 30.000 forskellige instrumenter, hvor et instrument eksempelvis er et selskab som Novo, en valuta som amerikanske dollar eller andet, der kan handles med.

Hvert instrument har dertil en hel myriade af parametre som eksempelvis et selskabs aktiekurs, likviditet, historik, der kan skifte på et splitsekund eller have været undervejs årevis.

Alt dette skal et selvlærende computersystem holde øje med, når der handles op mod 5.000 gange i sekundet på et marked, der konstant bevæger sig, forklarer Henrik Juel Villberg.

"Som noget af det første i vores projekt med selvlærende systemer og algoritmerne til at styre dem, var at sende Lego-robotter igennem labyrinter. På den måde kunne vi lære noget om, hvordan en robot kan lære at vælge den bedste løsning på et givent tidspunkt," siger han.

Lægger erfaring i maskinerne

Henrik Juel Villberg fortæller, at Saxo Bank siden den officielle projektstart i 2012 har udviklet master-algoritmer til at styre "et tocifret antal algoritmegrupper" inden for eksempelvis vurdering af selskabs likviditet og prisbevægelser i markedet.

Saxo Banks vicechef for Market-afdelingen fortæller, at en algoritme eksempelvis kan få valget, om en investering fra en kunde skal sendes direkte ud i markedet, eller om flere lignende investeringer fra mange kunder skal samles sammen og handles på én gang.

Dette sker ud fra en sandsynlighedsberegning om, hvordan markedet bevæger sig.

Konkret bliver hvert løsningsforslag givet en karakter baseret på tidligere, lignende situationer. Denne karakter er afgørende for, hvordan maskinerne placerer deres - det vil sige Saxo Banks - investeringer.

"Vi opdaterer løbende maskinerne med erfaringer, så de også kan træffe den næstbedste beslutning nu og her, hvis det kan svare sig i det lange løb. Derfor går der heller ikke en uge, hvor vi ikke kommer med versionsopdateringer til systemet. Det er simpelthen nødvendigt," siger Henrik Juel Villberg.

"Alle finansielle institutioner kigger i dag mod selvlærende maskiner, men ikke alle er kommet lige langt. Jeg tror, at den eneste grund til, at et selskab som Goldman Sachs tjente på, er, at selskabet for længe siden har indset værdien i selvlærende handelssystemer," fortsætter han.

Goldman Sachs på samme rejse

Netop den amerikanske investeringsbank Goldman Sachs har været igennem en lignende tur i de selvlærende maskiner i de senere år.

Det fortalte selskabets finansdirektør Marty Chavez ifølge mediet MIT Technology Review for nyligt på en konference, hvor det kom frem, at Goldman Sachs siden 2000 har udskiftet 600 tradere med 200 it-folk.

På konferencen forklarede Marty Chavez også, at en tredjedel af Goldman Sachs' ansatte i dag i lighed med Saxo Bank er it-ingeniører.

Det svarer til, at Goldman Sachs har omkring 9.000 it-folk på løningslisten, som alle forsøger at automatisere så mange af investeringsbankens handler.

"Alt, hvad vi gør, er understøttet af matematik og en masse software," fortalte Marty Chavez tilskuerne på konferencen. 

Her blev det også forklaret, at Goldman Sachs igangsætter sine projekter med automatiseringer som en iværksættervirksomheder, hvorefter de automatiserede løsninger som eksempelvis bankens låneplatform 'Marcus' med tiden bliver sluset ind i moderselskabet. 

Læs også:
Gennembrud for robotter og kunstig intelligens i finanssektoren er på trapperne: Sådan bliver det

Banker støvsuger dine data: Sådan kan de forudse værdien af din bolig to år ude i fremtiden