Sådan undgår du endnu et flash-nedbrud

I dag er det tre års jubilæum for 2010 Flash Crash , da det amerikanske aktiemarked mistede 1.000 point i løbet af få minutter, før de inddrev de fleste af disse tab et par minutter senere.

Nedbruddet skete, da højfrekvente handelsalgoritmer kom ind i en ond, højhastigheds salgsspiral og udslettede milliarder af dollars af værdi, før nogen vidste, hvad der skete. Nogle iagttagere hævder, at et handelssystem, der er domineret af maskiner i stedet for mennesker, kan blive mere og mere udsat for sådanne katastrofale nedbrud i fremtiden.

Måske kan algoritmer også hjælpe med at gøre det finansielle system mere sikkert.

Jeg deltog for nylig i et fascinerende foredrag, der beskrev en matematisk tilgang, der netop kan hjælpe finansielle regulatorer med at opdage tidlige tegn på nød i et finansielt system, der er blevet mere og mere komplekst og uigennemtrængeligt. Andrew Lo , en professor ved Sloan Business School og direktør for MIT's Laboratory for Financial Engineering, startede sin tale, kaldet Måling og styring af kompleksiteten af ​​det finansielle system, ved at vise to diagrammer, der pænt illustrerer kompleksiteten og indbyrdes afhængighed af det nuværende finansielle system.

Den første viser forholdet mellem forskellige store finansielle institutioner for omkring 20 år siden:

Den anden viser de samme forhold kun 10 år senere:

Disse gigantiske gummibåndskugler af kompleksitet illustrerer, hvor usikkert det finansielle system er; Lo fortsatte med at bemærke, at disse finansielle institutioner ikke er forpligtet til at oplyse om deres aktiviteter og vil protestere mod at gøre det af frygt for at give deres konkurrenter en konkurrencefordel.

Lo talte derefter om en idé, der kunne hjælpe med at give tilsynsmyndigheder en måde at overvåge aktiviteten uden at kræve, at finansielle virksomheder lægger deres kort på bordet. Hans løsning er en algoritme, der lader deltagere håndkryptere detaljerne om deres finansielle aktiviteter på en sådan måde, at detaljerne forbliver hemmelige, men beregningsfunktioner kan udføres på de kollektive data for at afsløre potentielt generende aktivitet i det overordnede system.

Tilgangen minder ret meget om homomorfisk kryptering, en matematisk teknik, der bliver udforsket som en måde at give adgang til meget følsomme data, der er lagret i cloud computing-databaser (se A Cloud That Can't Leak).

Du kan læse om detaljerne i dette papir , medforfatter med kolleger fra EPFL School of Communication and Computer Science i Schweiz og AlphaSimplex Group , et handelsselskab grundlagt af Lo.

Efter foredraget spurgte jeg Lo, om dette virkelig kunne have været med til at forhindre den økonomiske nedsmeltning i 2007. Her er, hvad han sagde:

Der er en stor forskel mellem at have en masse advarselsskilte og at have en officiel regeringskilde i lighed med National Weather Service, der informerer dig om, at en orkan er ved at bygge sig. Ja, der var masser af advarselsskilte, men det er praktisk talt umuligt for regulatorer at gribe ind baseret på advarselsskilte. Forestil dig at bede folk i New Jersey om at evakuere, fordi du har en dårlig fornemmelse af vejret.

Jeg spurgte også, om denne tilgang ville hjælpe med højfrekvent handel og relateret emergent adfærd (se Watch High-Frequency Trading Bots Go Berserk).

Vores tilgang kunne faktisk være ret nyttig til højfrekvent handel ved at give investorer mulighed for at måle, hvor overfyldt et marked er på et givet tidspunkt uden at bede individuelle handlende om at afsløre deres positioner.

Det virker som en ret genial løsning på et enormt vigtigt problem.

skjule