Close
做市商是交易所的個人參與者或成員公司，他們幫助創造市場，讓投資者購買或出售證券。傳統上，提供者（”做市商”）和客戶之間的外匯交易是在代理或委託的基礎上進行的。如果提供者作為委託人（’做市商’），他們將交易加入自己的賬戶，因此他們面臨市場風險。例如，當交易者（”交易方”）提交7手市場買單時，該交易由做市商提供。因此，做市商暴露了7手賣單的市場風險。
由於 做市商是風險厭惡者，他們的目標是增加其財富的預期價值，減少其風險性。當做市商有一個多頭頭寸時，購買額外的訂單是沒有吸引力的，因為它增加了他的風險暴露；賣出訂單是有吸引力的，因為它減少了風險。因此，做市商正在尋求在一個價值價格範圍內減持他們的頭寸。
這種對 訂單流和 做市商倉庫量的分析，使Opix Algo能夠確定做市商 積累或減少庫存的可能性，以便在特定的價格範圍內完成交易。同樣，Opix Algo可以預測在給定價格範圍內大量供應的概率，使我們能夠保證以最低成本完成交易。
線性回歸算法是一種經典的數學和統計工具，用於衡量兩個變量之間的關聯。從技術上講，如果有一個自變量X和一個取決於X的因變量Y，線性回歸可以幫助我們得到一個最適合數據集的線性模型Y=α+βX。
Opix Algo通過使用線性回歸模型來 預測基於微觀結構變化的資產價格變化。它通過首先找到一組最適合訓練數據的係數來進行這些預測，其中最適合的係數是通過最小化某個成本函數來確定的。在找到係數（β）後，它通過將係數與特定資產的輸入變量相乘來進行預測。輸入的數據包括但不限於資產價格、交易量、技術指標、限價訂單簿、訂單大小和時間框架。
基於人工神經網絡的決策是為競價策略、風險管理、分析模式和預測而開發的。人工神經網絡有能力從我們的數據輸入中學習和產生自己的知識，如訂單簿、投標價格、訂單流，它試圖通過給出一個解決方案來預測資產的價格變化。在時間序列問題上，ANN需要從歷史數據集中建立一個預測模型來預測未來的數據點。簡而言之，ANN模型通過對 需求和供應模式進行分類，足以深入了解市場的方向性變化。
動態時間扭曲（DTW）算法被稱為是模式匹配交易系統的有效方法。 DTW是一種時間序列對齊算法，通過扭曲距離來測量兩個序列的向量值，直到兩個序列之間達到最佳匹配。 Opix Algo 實施 DTW 以在預測的價格範圍內自動匹配和確定交易位子。
| Experiment | Dataset | Accuracy Rate |
| 1 | AUD - USD 2019 (Jan - August) | 70% |
| 2 | EUR - USD 2019 (Jan - August) | 72% |
結果以不同的過濾值報告。 Opix Algo將把結果分解為不同的績效指標。如下所示：
在市場訂單被發送至市場之前對其進行檢查。它們允許在交易發生在定義的價格閾值之外、超過最大規模、或自動發布過多的訂單時，自動阻止或取消訂單。
允許算法在執行過程中調整執行參數，通常是在市場條件發生變化，或算法表現出不理想或意想不到的方式。這一點很重要，例如，在流動性特別低的情況下，做市商可能主導交易量或完全停止交易。
涉及對日內市場的持續監控，並在突破限額時與對手方進行交易。算法識別錯誤和潛在的問題，分析特定的場景並改進執行策略和風險控制。
