特許 7598579 高頻度取引のための装置及びその動作方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-12-04

(45)【発行日】2024-12-12

(54)【発明の名称】高頻度取引のための装置及びその動作方法

(51)【国際特許分類】

   G06Q 40/04 20120101AFI20241205BHJP

【ＦＩ】

G06Q40/04

【請求項の数】 18

(21)【出願番号】P 2022176878

(22)【出願日】2022-11-04

(65)【公開番号】P2023073985

(43)【公開日】2023-05-26

【審査請求日】2022-11-04

(31)【優先権主張番号】10-2021-0158053

(32)【優先日】2021-11-16

(33)【優先権主張国・地域又は機関】KR

(73)【特許権者】

【識別番号】522431896

【氏名又は名称】リベリオンズ インコーポレイテッド

【氏名又は名称原語表記】ＲＥＢＥＬＬＩＯＮＳ ＩＮＣ．

(74)【代理人】

【識別番号】100121728

【弁理士】

【氏名又は名称】井関 勝守

(74)【代理人】

【識別番号】100165803

【弁理士】

【氏名又は名称】金子 修平

(74)【代理人】

【識別番号】100170900

【弁理士】

【氏名又は名称】大西 渉

(72)【発明者】

【氏名】キム ヒョンソン

(72)【発明者】

【氏名】ユ ソンヨップ

(72)【発明者】

【氏名】パク ソンヒョン

(72)【発明者】

【氏名】オ ジンウク

【審査官】松野 広一

(56)【参考文献】

【文献】国際公開第２０２０／２３２２９４（ＷＯ，Ａ１）

【文献】特開２０１９－０１６１５１（ＪＰ，Ａ）

【文献】米国特許出願公開第２０１９／０３７０６３０（ＵＳ，Ａ１）

【文献】中国実用新案第２１２８４６７８５（ＣＮ，Ｕ）

【文献】特開２０１７－１４２７８１（ＪＰ，Ａ）

【文献】特開２００３－００６３７４（ＪＰ，Ａ）

【文献】米国特許出願公開第２０１９／０２４４２８８（ＵＳ，Ａ１）

【文献】NATNAEL KAHSSAY et al.，6.111 final: HFT Accelerator，[online]，2019年12月，pp.1-28，[令和5年11月14日検索]，インターネット<URL:http://web.mit.edu/6.111/volume2/www/f2019/projects/endrias_Project_Final_Report3.pdf>

【文献】BOMING HUIANG et al.，Automated trading systems statistical and machine learning methods and hardware implementation: a survey，Enterprise Information Systems [online]，2018年07月12日，pp.132-144，[令和5年11月14日]，インターネット<URL:https://www.tandfonline.com/doi/full/10.1080/17517575.2018.1493145>

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｑ １０／００－９９／００

(57)【特許請求の範囲】

【請求項1】

高頻度取引のための装置において、
一つ以上のインストラクションを保存する一つ以上のメモリと、
前記一つ以上のメモリの一つ以上のインストラクションを実行することで、一つ以上の市場関連情報サーバから市場関連情報を受信し、前記市場関連情報に基づいて市場予測参照データを生成するように構成された少なくとも一つの再構成可能なプロセッサと、
前記市場予測参照データを受信し、前記市場予測参照データを用いて未来市場予測データを生成するための機械学習モデルのための演算を遂行し、前記未来市場予測データを前記少なくとも一つの再構成可能なプロセッサに提供するように構成された前記機械学習モデルのための専用加速器とを含み、
前記少なくとも一つの再構成可能なプロセッサは、前記未来市場予測データに基づいて注文信号を生成し、前記注文信号をターゲット取引所サーバに転送するようにさらに構成され、
前記少なくとも一つの再構成可能なプロセッサは、
前記市場予測参照データに基づいて予測複雑度を決定し、前記決定された予測複雑度に応じて、前記注文信号を生成するための方式を決定するようにさらに構成され、
前記決定された方式が既定の規則である場合、前記少なくとも一つの再構成可能なプロセッサは、前記市場予測参照データに基づいて前記既定の規則によって前記注文信号を生成するようにさらに構成され、
前記決定された方式が機械学習モデルである場合、前記専用加速器は、前記未来市場予測データを生成するための前記機械学習モデルのための演算を遂行し、前記少なくとも一つの再構成可能なプロセッサが前記未来市場予測データに基づいて前記注文信号を生成するように、前記未来市場予測データを前記少なくとも一つの再構成可能なプロセッサに提供するようにさらに構成される、高頻度取引のための装置。

【請求項2】

前記少なくとも一つの再構成可能なプロセッサは、フィールドプログラム可能なゲートアレイ（ＦＰＧＡ）で具現化され、前記専用加速器は、ニューラルプロセッシングユニットのための集積回路（ＮＰＵ ＡＳＩＣ）で具現化される、請求項１に記載の高頻度取引のための装置。

【請求項3】

前記一つ以上の市場関連情報サーバは、一つ以上の参照取引所サーバ、一つ以上のニュース提供サーバ、一つ以上のソーシャルネットワークサービス（ＳＮＳ）サーバ又は一つ以上のオンラインショッピングサービスサーバの少なくとも一つを含む、請求項１に記載の高頻度取引のための装置。

【請求項4】

トレーディングエンジンを駆動するように構成されるホスト装置をさらに含み、
前記予測複雑度は、複雑度に応じた３つの複雑度クラスを含み、
前記注文信号を生成するために、前記市場予測参照データは、前記３つの複雑度クラスに応じて、前記少なくとも一つの再構成可能なプロセッサ、前記ホスト装置又は前記機械学習モデルのための専用加速器の少なくとも一つに提供される、請求項１に記載の高頻度取引のための装置。

【請求項5】

前記少なくとも一つの再構成可能なプロセッサは、前記市場関連情報をパッシング及びデコードし、前記パッシング及びデコードした市場関連情報に基づいて前記市場予測参照データを生成するようにさらに構成される、請求項１に記載の高頻度取引のための装置。

【請求項6】

前記市場予測参照データは、一つ以上の時点での一つ以上の参照種目に対する一つ以上の参照特徴を含む、請求項１に記載の高頻度取引のための装置。

【請求項7】

前記一つ以上の参照種目は、先行指標を示す参照種目及び注文対象となるターゲット種目を含む、請求項６に記載の高頻度取引のための装置。

【請求項8】

前記少なくとも一つの再構成可能なプロセッサは、生成された注文信号をターゲット取引所サーバで要求するプロトコルによって処理するようにさらに構成される、請求項１に記載の高頻度取引のための装置。

【請求項9】

前記市場関連情報は、参照取引所サーバと関連付けられた参照取引所の一つ以上の参照種目に対するオーダーブックに関する情報と、前記ターゲット取引所サーバと関連付けられたターゲット取引所の以前注文に対する応答とを含む、請求項１に記載の高頻度取引のための装置。

【請求項10】

少なくとも一つの再構成可能なプロセッサを含む高頻度取引装置を動作する方法において、
前記少なくとも一つの再構成可能なプロセッサにより、一つ以上の市場関連情報サーバから市場関連情報を受信するステップと、
前記少なくとも一つの再構成可能なプロセッサにより、前記市場関連情報に基づいて市場予測参照データを生成するステップと、
前記少なくとも一つの再構成可能なプロセッサにより、前記市場予測参照データを、前記市場予測参照データに基づいて未来市場予測データを生成するための機械学習モデルの演算を遂行するように構成された前記機械学習モデルのための専用加速器に転送するステップと、
前記少なくとも一つの再構成可能なプロセッサにより、前記未来市場予測データを前記専用加速器から受信するステップと、
前記少なくとも一つの再構成可能なプロセッサにより、前記未来市場予測データに基づいて注文信号を生成するステップと、
前記注文信号をターゲット取引所サーバに転送するステップとを含み、
前記少なくとも一つの再構成可能なプロセッサにより、前記市場予測参照データに基づいて予測複雑度を決定するステップと、
前記少なくとも一つの再構成可能なプロセッサにより、前記決定された予測複雑度に応じて、前記注文信号を生成するための方式を決定するステップと、
前記決定された方式が既定の規則である場合、前記少なくとも一つの再構成可能なプロセッサにより、前記市場予測参照データに基づいて前記既定の規則によって前記注文信号を生成するステップと、
前記決定された方式が機械学習モデルである場合、前記少なくとも一つの再構成可能なプロセッサにより、前記市場予測参照データを、前記市場予測参照データに基づいて未来市場予測データを生成するための機械学習モデルの演算を遂行するように構成された前記機械学習モデルのための専用加速器に転送するステップとをさらに含む、高頻度取引装置を動作する方法。

【請求項11】

前記一つ以上の市場関連情報サーバは、一つ以上の参照取引所サーバ、一つ以上のニュース提供サーバ、一つ以上のソーシャルネットワークサービス（ＳＮＳ）サーバ又は一つ以上のオンラインショッピングサービスサーバの少なくとも一つを含む、請求項１０に記載の高頻度取引装置を動作する方法。

【請求項12】

前記予測複雑度は、複雑度に応じた３つの複雑度クラスを含み、
前記ターゲット取引所サーバに対する注文信号を生成するために、前記市場予測参照データは、前記３つの複雑度クラスに応じて、前記少なくとも一つの再構成可能なプロセッサ、ホスト装置又は前記専用加速器の少なくとも一つに提供される、請求項１０に記載の高頻度取引装置を動作する方法。

【請求項13】

前記少なくとも一つの再構成可能なプロセッサにより、前記市場関連情報をパッシング及びデコードするステップと、
前記パッシング及びデコードした市場関連情報に基づいて前記市場予測参照データを生成するステップとをさらに含む、請求項１０に記載の高頻度取引装置を動作する方法。

【請求項14】

前記市場予測参照データは、一つ以上の時点での一つ以上の参照種目に対する一つ以上の参照特徴を含む、請求項１０に記載の高頻度取引装置を動作する方法。

【請求項15】

前記一つ以上の参照種目は、先行指標を示す参照種目及び注文対象となるターゲット種目を含む、請求項１４に記載の高頻度取引装置を動作する方法。

【請求項16】

前記少なくとも一つの再構成可能なプロセッサにより、前記生成された注文信号を前記ターゲット取引所サーバで要求するプロトコルによって処理するステップをさらに含む、請求項１０に記載の高頻度取引装置を動作する方法。

【請求項17】

前記市場関連情報は、参照取引所サーバと関連付けられた参照取引所の一つ以上の参照種目に対するオーダーブックに関する情報と、前記ターゲット取引所サーバと関連付けられたターゲット取引所の以前注文に対する応答とを含む、請求項１０に記載の高頻度取引装置を動作する方法。

【請求項18】

請求項１０乃至請求項１７のいずれか一項に記載の方法をコンピュータで実行するためのコンピュータプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、高頻度取引のための装置及びその動作方法に関し、具体的には、機械学習モデルのための加速器及びリプログラミング又は再設計が可能な少なくとも一つのプロセッサを用いて、高頻度取引のための注文を生成する装置及びその動作方法に関する。

【背景技術】

【0002】

高頻度取引（high frequency trading）は、株式、債券、派生商品などのような有価証券の微細な価格変動を利用して、短時間内に高頻度（例えば、１秒に数百回から数千回）で取引する取引方式である。高頻度取引では迅速な処理が非常に重要である。一般に、入力された情報に基づいてトレーディングアルゴリズムを処理して出力するまでの時間を短縮するほど、取引で優位を占めることができる。

【0003】

一方、機械学習モデルを用いた高頻度取引は、市場の複雑な情報から既存の古典的なアルゴリズムが見つけられない特徴を導出できるというメリットがある。ただし、機械学習モデルの演算を保存して処理するには、多くの保存空間及び演算資源を保有したプロセッサを必要とするが、一般に高頻度取引に使用されるプロセッサは、このような資源を保有していないという問題点がある。

【0004】

また、機械学習モデルの駆動に適しているプロセッサは、柔軟性が大きいほど効率性が低下し、市場状況によって頻繁に変更される前処理過程又は後処理過程を遂行するのに適していないという問題点がある。

【先行技術文献】

【特許文献】

【0005】

【文献】特開２００６－０９９７８７号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

本開示は、前記のような問題点を解決するために、高頻度取引のための装置及びその動作方法、コンピュータプログラムを提供する。

【課題を解決するための手段】

【0007】

本開示は、方法、装置（システム）又はコンピュータプログラムを含む多様な方式により具現化できる。

【0008】

本開示の一実施例に係る高頻度取引のための装置は、一つ以上のインストラクション（instructions）を保存する一つ以上のメモリと、一つ以上のメモリの一つ以上のインストラクションを実行することで、一つ以上の市場関連情報サーバから市場関連情報を受信し、市場関連情報に基づいて市場予測参照データを生成するように構成された少なくとも一つの再構成可能な（reconfigurable）プロセッサと、市場予測参照データを受信し、市場予測参照データを用いて未来市場予測データを生成するための機械学習モデルのための演算を遂行し、未来市場予測データを少なくとも一つの再構成可能なプロセッサに提供するように構成された機械学習モデルのための専用加速器とを含み、少なくとも一つの再構成可能なプロセッサは、未来市場予測データに基づいて注文信号を生成し、注文信号をターゲット取引所サーバに転送するようにさらに構成される。

【0009】

本開示の一実施例に係る少なくとも一つの再構成可能なプロセッサを含む高頻度取引装置を動作する方法は、少なくとも一つの再構成可能なプロセッサにより、一つ以上の市場関連情報サーバから市場関連情報を受信するステップと、少なくとも一つの再構成可能なプロセッサにより、市場関連情報に基づいて市場予測参照データを生成するステップと、少なくとも一つの再構成可能なプロセッサにより、市場予測参照データを、市場予測参照データに基づいて未来市場予測データを生成するための機械学習モデルの演算を遂行するように構成された機械学習モデルのための専用加速器に転送するステップと、少なくとも一つの再構成可能なプロセッサにより、未来市場予測データを専用加速器から受信するステップと、少なくとも一つの再構成可能なプロセッサにより、未来市場予測データに基づいて注文信号を生成するステップと、注文信号をターゲット取引所サーバに転送するステップとを含む。

【0010】

本開示の一実施例に係る方法をコンピュータで実行するためのコンピュータプログラムが提供される。

【発明の効果】

【0011】

本開示の一部の実施例によれば、機械学習モデルを用いることで、複雑な市場状況から古典的なアルゴリズムが見つけられない特徴を導出して未来時点の市場状況を予測でき、これを利用して注文を生成することで、取引で優位を占めることができる。

【0012】

本開示の一部の実施例によれば、機械学習モデルを駆動するプロセッサは、専用加速器（例えば、ＮＰＵ ＡＳＩＣ）からなることで、迅速かつ效率的に機械学習モデルの演算を処理でき、前／後処理過程は、リプログラミング又は再設計が可能なプロセッサ（例えば、ＦＰＧＡ）を利用して処理することで、変化する市場状況に応じて柔軟に前／後処理過程を変更できる。このように、互いに異なる２つ以上のプロセッサを使用することで、柔軟な前／後処理過程の具現化と、迅速かつ効率的な機械学習モデルの演算処理とを同時に実現できる。

【0013】

本開示の一部の実施例によれば、入力データに基づいて予測複雑度を決定し、予測複雑度が高い場合、機械学習モデルを用いて注文関連データを生成することで、古典的なアルゴリズムが見つけられない特徴を導出して未来時点の市場状況を予測でき、予測複雑度が低い場合、比較的簡単なトレーディングロジックを用いて直ぐに注文データを生成することで、迅速に注文を転送して取引で優位を占めることができる。

【0014】

本開示の一部の実施例によれば、装置（例えば、ＦＰＧＡ）内において、マーケットデータに対する処理を遂行し、これを利用して注文データを生成し、注文を転送するような一連の過程を遂行することで、遅延時間（latency）を最小化できる。

【0015】

本開示の効果は、これに制限されず、言及されない他の効果等は、請求範囲の記載から本開示が属する技術分野における通常の知識を有した者（以下、“通常の技術者”という）に明確に理解されるべきである。

【図面の簡単な説明】

【0016】

本開示の実施例等は、以下の添付図面に基づいて説明される。ここで、類似の参照符号は類似の要素を示すが、これに限定されるものではない。

【図1】本開示の一実施例に係る高頻度取引装置の作動例を示す概要図である。

【図2】本開示の一実施例に係る高頻度取引装置の内部構成を示すブロック図である。

【図3】本開示の一実施例に係るプロセッサの内部構成を示す図である。

【図4】本開示の一実施例に係る予測複雑度を決定する複雑度判定部が含まれたプロセッサの内部構成を示す図である。

【図5】本開示の一実施例に係る予測複雑度を決定し、決定された予測複雑度に応じて機械学習モデルを利用するか否かを判定する方法の例を示す図である。

【図6】本開示の一実施例に係る高頻度注文を生成する方法の例を示す図である。

【図7】本開示の一実施例に係る機械学習モデルが市場予測参照データに基づいて未来市場予測データを出力する例を示す図である。

【図8】本開示の一実施例に係る機械学習モデルのための市場予測参照データの構成の例を示す図である。

【図9】本開示の一実施例に係るＦＰＧＡ及びＮＰＵを含む高頻度取引装置を動作する方法の例を示すフローチャートである。

【図10】本開示の一実施例に係る高頻度注文を生成する方法の例を示すフローチャートである。

【図11】本開示の一実施例に係る人工神経網モデルの例を示す図である。

【図12】本開示の一実施例に係る高頻度取引又は高頻度注文生成と関連付けられた任意のコンピューティング装置の構成図である。

【図13】本開示の一実施例に係る信号交換の例を示すフローチャートである。

【発明を実施するための形態】

【0017】

以下、本開示の実施のための具体的な内容を添付図面に基づいて詳細に説明する。ただし、以下の説明では、本開示の要旨を不要に不明瞭にする恐れがある場合、公知の機能や構成に関する具体的な説明は省略する。

【0018】

添付図面において、同一又は対応する構成要素には同一の参照符号が付与される。また、以下の実施例の説明において、同一又は対応する構成要素の重複記述は省略され得る。しかしながら、構成要素に関する記述が省略されても、そのような構成要素が、ある実施例に含まれないものと意図してはならない。

【0019】

開示の実施例の利点及び特徴、そしてそれらを達成する方法は、添付図面に基づいて後述する実施例を参照すれば明確になる。しかしながら、本開示は、以下で開示される実施例に限定されず、互いに異なる多様な形態で具現化され得る。但し、本実施例は、本開示が完全になるようにし、本開示が通常の技術者に発明のカテゴリを正確に認識させるために提供されるだけである。

【0020】

本明細書で使用される用語について簡略に説明し、開示の実施例について具体的に説明する。本明細書で使用される用語は、本開示での機能を考慮しつつ、可能な限り現在広く使用される一般的な用語を選択したが、これは関連分野に従事する技術者の意図又は判例、新技術の出現などにより変化し得る。また、特定の場合は出願人が任意で選定した用語もあり得るが、これらの意味は当該発明の説明の部分において詳細に記載する。よって、本開示で使用される用語は、単純な用語の名称ではなく、その用語が有する意味と本開示の全般にわたった内容に基づいて定義されるべきである。

【0021】

本明細書では、文脈上において明確に特定しない限り、単数の表現は複数の表現を含み、複数の表現は単数の表現を含むことができる。明細書の全般に渡り、ある部分がある構成要素を「含む」とする際、これは特に反対の記載がない限り、他の構成要素を除くものではなく、他の構成要素をさらに含むこともできることを意味する。

【0022】

また、明細書で使用される「モジュール」又は「部」という用語は、ソフトウェアやハードウェア構成要素を意味し、「モジュール」又は「部」はある役割を遂行する。しかしながら、「モジュール」又は「部」はソフトウェアやハードウェアに限定される意味ではない。「モジュール」又は「部」は、アドレッシング可能な保存媒体にあるように構成してもよく、一つ又はそれ以上のプロセッサを再生させるように構成してもよい。したがって、一例として、「モジュール」又は「部」は、ソフトウェア構成要素、オブジェクト指向ソフトウェア構成要素、クラス構成要素、タスク構成要素のような構成要素、並びに、プロセス、関数、属性、プロシーザー、サブルーチン、プログラムコードのセグメント、ドライバー、ファームウェア、マイクロコード、回路、データ、データベース、データ構造、テーブル、アレイ又は変数のうちで少なくとも一つを含むことができる。構成要素と「モジュール」又は「部」は、内部で提供される機能はさらに小さい数の構成要素及び「モジュール」又は「部」で結合されたり、追加的な構成要素と「モジュール」又は「部」にさらに分離されたりできる。

【0023】

本開示の一実施例によれば、「モジュール」又は「部」はプロセッサ及びメモリで具現化され得る。「プロセッサ」は汎用プロセッサ、中央処理装置（ＣＰＵ）、マイクロプロセッサ、デジタル信号プロセッサ（ＤＳＰ）、制御器、マイクロ制御器、状態マシンなどを含むように広く解釈されるべきである。いくつかの環境では、「プロセッサ」は特定用途向け半導体（ＡＳＩＣ）、プログラム可能なロジックデバイス（ＰＬＤ）、フィールドプログラム可能なゲートアレイ（ＦＰＧＡ）等を称することもできる。「プロセッサ」は、例えば、ＤＳＰとマイクロプロセッサの組合せ、複数のマイクロプロセッサの組合せ、ＤＳＰコアと結合した一つ以上のマイクロプロセッサの組合せ、若しくは、任意の他のそのような構成等の組合せのような処理デバイスの組合せを称することもできる。また、「メモリ」は電子情報を保存可能な任意の電子コンポーネントを含むように広く解釈されるべきである。「メモリ」は、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、ＮＶＲＡＭ（Non-Volatile Random Access Memory）、ＰＲＯＭ（Programmable Read-Only Memory）、ＥＰＲＯＭ（Erasable Programmable Read-Only Memory）、ＥＥＰＲＯＭ（Electrically Erasable Programmable Reda-Only Memory）、フラッシュメモリ、磁気又は光学データ保存装置、レジスタなどのようなプロセッサ－読み取り可能な媒体の多様な類型を称することもできる。プロセッサがメモリから情報を読み取り／読み取ったりメモリに情報を記録できる場合、メモリはプロセッサと電子通信状態にあると言われる。プロセッサに集積されたメモリはプロセッサと電子通信状態にある。

【0024】

本開示において、「システム」は、サーバ装置及びクラウド装置の少なくとも一つを含むことのできるが、これに限定されるものではない。例えば、システムは一つ以上のサーバ装置からなることができる。他の例として、システムは一つ以上のクラウド装置からなることができる。また他の例として、システムはサーバ装置及びクラウド装置の全部からなって動作されることもできる。

【0025】

本開示において、「機械学習モデル」は、与えられた入力に対する解答（answer）を推論するのに使用する任意のモデルを含むことができる。一実施例によれば、機械学習モデルは、入力層（layer）、複数個の隠れ層及び出力層を含む人工神経網モデル（例えば、Artificial Neural Network;ANN、Deep Neural Network;DNN、Convolutional Neural Network;CNN、Recurrent Neural Network;RNN、Generative Adversarial Network;GAN又はこのうちで少なくとも一部の組合せ）を含んだり、称したり、具現化したりできる。ここで、各層は複数のノードを含むことができる。

【0026】

本開示において、「ディスプレイ」は、コンピューティング装置と関連付けられた任意のディスプレイ装置を称することのできるが、例えば、コンピューティング装置により制御されるか、又は、コンピューティング装置から提供された任意の情報／データを表示できる任意のディスプレイ装置を称することができる。

【0027】

本開示において、「複数のＡ各々」又は「複数のＡの各々」は、複数のＡに含まれた全ての構成要素の各々を称したり、複数のＡに含まれた一部の構成要素の各々を称したりできる。

【0028】

本開示において、「種目」、「取引種目」又は「証券」は、証券市場で売買取引の対象となる株式、債券、派生商品（オプションや先物など）、指数関連種目、産業セクター関連種目、特定商品（例えば、原油、農産物、金など）に対する種目、為替関連種目、仮想通貨などのような取引可能な金融資産の任意の形態を称することのできるが、これに限定されるものではない。

【0029】

本開示において、「取引所サーバ」は、少なくとも一つの国で流通する有価証券のような取引可能な種目をブローカーやトレーダーが取引できるシステムを称することのできるが、これに限定されるものではない。

【0030】

本開示において、「オーダーブック（Order Book、OB）」は、証券市場に存在する買い希望者及び売り希望者の買い注文又は売り注文（呼値、数量、買い希望者又は売り希望者の情報など）に関する情報を記録したリストを含むことのできるが、これに限定されるものではない。

【0031】

本開示において、「オーダーブックの上段（Top of the Book、ToB）」は、最高の買い値及び最低の売り値に関する情報を含むことのできるが、これに限定されるものではない。

【0032】

図１は、本開示の一実施例に係る高頻度取引装置の作動例を示す概要図である。

【0033】

図１に示すように、本発明の一実施例に係る高頻度取引のために、高頻度取引装置１１０、一つ以上の市場関連情報サーバ１２０及びターゲット取引所サーバ１３０が関連付けられる。

【0034】

高頻度取引装置１１０は、一つ以上の市場関連情報サーバ１２０から市場関連情報を収集できる。高頻度取引装置１１０は、収集された市場関連情報に基づいて、特定の条件により取引可能な種目を注文する注文信号を生成でき、注文信号をターゲット取引所サーバ１３０に転送できる。

【0035】

一つ以上の市場関連情報サーバ１２０は、一つ以上の参照取引所サーバ、一つ以上のニュース提供サーバ、一つ以上のソーシャルネットワークサービス（Social Network Service、SNS）サーバ又は一つ以上のオンラインショッピングサービスサーバの少なくとも一つを含むことができる。一つ以上の参照取引所サーバは、各々一つ以上の参照取引所と関連付けられる。各参照取引所サーバは、ターゲット種目の価格に影響を及ぼすべき一つ以上の取引可能な種目が取引される参照取引所と関連付けれた参照取引所サーバを称することができる。各参照取引所サーバは、関連付けられた参照取引所の市場データを提供できる。一つ以上の参照取引所サーバは、ターゲット取引所サーバ１３０を含むことができる。一つ以上のニュース提供サーバの各々は、ターゲット種目の価格に影響を及ぼすべきニュースを提供できる。一つ以上のＳＮＳサーバの各々は、ターゲット種目の価格に影響を及ぼすべきＳＮＳ情報を提供できる。例えば、ＳＮＳ情報は、ターゲット種目の価格に影響を及ぼすべき記事の内容、記事の照会数、記事の作成者をフォローするフォロー数などを含むことができる。一つ以上のオンラインショッピングサービスサーバの各々は、ターゲット種目の価格に影響を及ぼすべきショッピング情報を提供できる。例えば、ショッピング情報は、ターゲット種目の価格に影響を及ぼすべき種目の価格変動、需要、供給などを含むことができる。

【0036】

ターゲット取引所サーバ１３０は、ターゲット種目が取引されるターゲット取引所と関連付けられた取引所サーバを称することができる。

【0037】

一実施例によれば、高頻度取引装置１１０は、一つ以上の取引所、ニュース情報、ＳＮＳ情報、ショッピング情報などの市場データのような市場関連情報に基づいて、未来時点（近い未来時点、例えば、既定の時間後）のターゲット取引所の市場を予測できる。また、高頻度取引装置１１０は、市場予測に基づいてターゲット種目に対する注文信号を生成して、ターゲット取引所サーバ１３０に転送できる。高頻度取引では、市場予測に基づいて迅速に注文を生成して転送することが非常に重要である。これにより、高頻度取引では、マイクロ秒単位の遅延時間（latency）まで考慮しなければならず、遅延時間を減少させるために、高頻度取引装置は、ターゲット取引所サーバの近傍に位置（colocation）することができる。

【0038】

一実施例によれば、高頻度取引装置１１０は、一つ以上の参照取引所サーバから参照取引所のマーケットデータを受信できる。ここで、マーケットデータは、一つ以上の参照取引所サーバと関連付けられた参照取引所で取引される種目等に対するデータを含むことができる。例えば、マーケットデータは、一つ以上の参照取引所サーバで取引される種目等（少なくとも一部）のオーダーブックを含むことができる。一実施例において、マーケットデータは、ターゲット種目に対するデータを含むことができる。例えば、マーケットデータは、ターゲット種目のオーダーブックの上段、ターゲット種目に対する（有効な）注文リスト、ターゲット種目に関する以前注文に対するターゲット取引所サーバ１３０の応答などを含むことができる。他の実施例において、高頻度取引装置１１０が市場関連情報サーバ１２０から遠く位置する場合、市場関連情報サーバ１２０のデータを受信するのにかかる遅延時間が比較的長いことを考慮して、市場関連情報サーバ１２０のデータをマーケットデータに含めないことがある。

【0039】

一実施例によれば、高頻度取引装置１１０は、市場関連情報を分析して注文を生成できる。例えば、高頻度取引装置１１０は、市場関連情報（又は市場関連情報に基づいて生成された市場予測参照データ）を分析して、未来時点（例えば、１秒後）における市場（例えば、ターゲット種目の価格）を予測し、これに基づいて注文を生成できる。

【0040】

一実施例によれば、市場関連情報（及び／又はこれに基づいて生成された市場予測参照データ）を分析する過程は、機械学習モデルにより遂行できる。機械学習モデルを利用することで、複雑な市場状況から古典的なアルゴリズムが見つけられない特徴を導出して未来時点の市場を予測でき、これを利用して注文を生成することで、取引で優位を占めることができる。一方、高頻度取引において市場関連情報を迅速に分析して注文を生成することが非常に重要であるが、一般のプロセッサの場合、複雑な機械学習モデルの演算を処理するための保存空間及び演算資源を保有していないため、一般のプロセッサを利用して機械学習モデルを駆動する場合、速度及び効率が非常に低下するという問題点がある。これにより、本開示の一実施例に係る高頻度取引装置１１０は、機械学習モデルのための専用加速器（例えば、ニューラルプロセッシングユニット（Neural Processing Unit、NPU））を含むことができ、専用加速器は、ニューラルプロセッシングユニットのための集積回路（例えば、Application-Specific Integrated Circuit、ASIC）で具現化できる。

【0041】

一方、機械学習モデルを利用するために、適切な前／後処理過程を必要とすることがある。例えば、市場関連情報から機械学習モデルのための市場予測参照データを生成したり、機械学習モデルから受信された未来市場予測データに基づいて注文を生成したりする過程を必要とすることがある。このような前／後処理過程は、市場状況、規律、マーケットメーカーに対する補償規定などの変化によって持続的に変更され得る。このような前／後処理過程を処理するプロセッサを、特定用途向け半導体（例えば、ＡＳＩＣ）で具現化する場合、再設計が不可能であるため、前／後処理過程が変更されると、変更された前／後処理過程を遂行するためのプロセッサを再製作しなければならないという問題点がある。よって、機械学習モデルの駆動を除いた過程は、リプログラミング及び／又は再変更が可能なプロセッサ（例えば、フィールドプログラム可能なゲートアレイ（Field Programmable Gate Array、FPGA）で具現化されたプロセッサ）により遂行できる。

【0042】

前述したように、機械学習モデルを駆動するプロセッサは、専用加速器（例えば、ＮＰＵ ＡＳＩＣ）からなることで、迅速かつ效率的に機械学習モデルの演算を処理でき、前／後処理過程は、リプログラミング又は再設計が可能なプロセッサ（例えば、ＦＰＧＡ）を利用して処理することで、変化する市場状況に応じて柔軟に前／後処理過程を変更できる。このように、互いに異なる二つ以上のプロセッサを使用することで、柔軟な前／後処理過程の具現化と、迅速かつ効率的な機械学習モデルの演算処理とを同時に実現できる。高頻度取引装置の内部構成は、図２乃至図４を参照して詳細に後述する。

【0043】

図２は、本開示の一実施例に係る高頻度取引装置１１０の内部構成を示すブロック図である。高頻度取引装置１１０は、メモリ２１０、プロセッサ２２０、通信モジュール２３０及び入出力インタフェース２４０を含むことができる。図２に示すように、高頻度取引装置１１０は、通信モジュール２３０を用いて、ネットワークを介して情報及び／又はデータを通信できるように構成できる。

【0044】

メモリ２１０は、非一時的な任意のコンピュータ読み取り可能な記録媒体を含むことができる。一実施例によれば、メモリ２１０は、ＲＡＭ（random access memory）、ＲＯＭ（read only memory）、ディスクドライブ、ＳＳＤ（solid state drive）及びフラッシュメモリ（flash memory）などのような永久的な大容量保存装置（permanent mass storage device）を含むことができる。他の例として、ＲＯＭ、ＳＳＤ、フラッシュメモリ及びディスクドライブなどのような永久的な大容量保存装置は、メモリとは区分される別途の永久保存装置として高頻度取引装置１１０に含まれることができる。また、メモリ２１０には、運営体制と少なくとも一つのプログラムコード（例えば、高頻度取引装置１１０に設置されて駆動される機械学習モデルの演算処理、前／後処理、注文転送などのためのコード）が保存され得る。図２において、メモリ２１０は単一のメモリとして示したが、これは説明の便宜のためのもので、メモリ２１０は複数のメモリを含むこともできる。

【0045】

このようなソフトウェア構成要素は、メモリ２１０とは別途のコンピュータ読み取り可能な記録媒体からローディングできる。このような別途のコンピュータ読み取り可能な記録媒体は、このような高頻度取引装置１１０に直接連結可能な記録媒体を含むことのできるが、例えば、フロッピードライブ、ディスク、テープ、ＤＶＤ／ＣＤ－ＲＯＭドライブ及びメモリカードなどのようなコンピュータ読み取り可能な記録媒体を含むことができる。他の例として、ソフトウェア構成要素等は、コンピュータ読み取り可能な記録媒体ではなく、通信モジュール２３０を介してメモリ２１０にローディングされることもできる。例えば、少なくとも一つのプログラムは、開発者又はアプリケーションの設置ファイルを配信するファイル配信システムが、通信モジュール２３０を介して提供するファイルにより設置されるコンピュータプログラム（例えば、市場関連情報分析、未来市場予測、注文生成及び転送などのためのプログラム等）に基づいてメモリ２１０にローディングされることができる。

【0046】

プロセッサ２２０は、基本的な算術、ロジック及び入出力演算を遂行することで、コンピュータプログラムの命令を処理するように構成できる。命令は、メモリ２１０又は通信モジュール２３０によりユーザ端末（図示せず）又は他の外部システムに提供され得る。例えば、プロセッサ２２０は、機械学習モデルを用いて、市場予測参照データに基づいて未来市場予測データを生成でき、出力データに基づいて注文を生成できる。このように生成された注文は、ターゲット取引所サーバに転送され得る。

【0047】

通信モジュール２３０は、ネットワークを介して、ユーザ端末（図示せず）と高頻度取引装置１１０とが互いに通信するための構成や機能を提供でき、高頻度取引装置１１０が外部システム（例えば、別途のクラウドシステムなど）と通信するための構成や機能を提供できる。一例として、高頻度取引装置１１０のプロセッサ２２０の制御によって提供される制御信号、命令、データなどが、通信モジュール２３０及びネットワークを経て、ユーザ端末及び／又は外部システムの通信モジュールを介してユーザ端末及び／又は外部システムに転送され得る。例えば、外部システム（例えば、ターゲット取引所サーバ）は、高頻度取引装置１１０から注文などを受信できる。

【0048】

また、高頻度取引装置１１０の入出力インタフェース２４０は、高頻度取引装置１１０と連結されるか、或いは、高頻度取引装置１１０が含むことができる入力又は出力のための装置（図示せず）とのインタフェースのための手段であり得る。例えば、入出力インタフェース２４０は、ＰＣＩ ｅｘｐｒｅｓｓインタフェースやイーサネット（ethernet）インタフェースの少なくとも一つを含むことができる。図２では、入出力インタフェース２４０がプロセッサ２２０と別途に構成された要素として示したが、これに限定されず、入出力インタフェース２４０がプロセッサ２２０に含まれるように構成されることもできる。高頻度取引装置１１０は、図２の構成要素よりも多くの構成要素を含むことができる。しかしながら、大部分の従来技術的構成要素を明確に示す必要性はない。

【0049】

高頻度取引装置１１０のプロセッサ２２０は、複数のユーザ端末及び／又は複数の外部システム（例えば、一つ以上の市場関連情報サーバやターゲット取引所サーバ）から受信された情報及び／又はデータを管理、処理及び／又は保存するように構成できる。一実施例によれば、プロセッサ２２０は、一つ以上の市場関連情報サーバ及びターゲット取引所サーバから市場関連情報を受信できる。プロセッサは、受信された市場関連情報に基づいて未来市場を予測し、未来市場予測に基づいて注文を生成できる。図２において、プロセッサ２２０は、単一のプロセッサとして示したが、これは説明の便宜のためのもので、プロセッサ２２０は複数のプロセッサを含むことができる。例えば、プロセッサ２２０は、前処理及び後処理のためのＦＰＧＡで具現化された少なくとも一つのプロセッサ、機械学習モデルのためのＡＳＩＣで具現化された専用加速器を含むことができ、ＦＰＧＡで具現化された少なくとも一つのプロセッサは、第１のメモリに保存された一つ以上のインストラクションを実行でき、ＡＳＩＣで具現化された専用加速器は、第２のメモリに保存された一つ以上のインストラクションを実行できる。

【0050】

図３は、本開示の一実施例に係るプロセッサの内部構成を示す図である。一実施例によれば、プロセッサ（例えば、高頻度取引装置又は高頻度注文生成装置のプロセッサ）３００は、前／後処理のための少なくとも一つのプロセッサ（例えば、ＦＰＧＡで具現化された少なくとも一つのプロセッサ）３０２及び機械学習モデルのための専用加速器（例えば、ＡＳＩＣで具現化された専用加速器）３４０を含むことができる。前／後処理のための少なくとも一つのプロセッサ３０２は、入力ハンドラ３１０、入力生成部３３０、注文生成部３５０及び出力ハンドラ３６０を含むことができる。図３では、プロセッサの内部構成を機能別に区分して説明したが、これは必ずしも物理的に区分されるものを意味しない。また、図３に示すプロセッサの内部構成は例示であるだけで、必須構成だけを示すものではない。したがって、一部の実施例において、プロセッサは、図示の内部構成の以外の構成をさらに含んだり、図示の内部構成の一部を省略したりする等、異なるように具現化できる。

【0051】

一実施例によれば、プロセッサは、一つ以上の市場関連情報サーバから市場関連情報を受信できる。受信される市場関連情報は、一つ以上の取引所サーバと関連付けられた取引所で取引される種目等に対するデータを含むことができる。例えば、市場関連情報は取引所サーバで取引される種目等（少なくとも一部）のオーダーブックを含むことができ、付加的に、市場関連情報はターゲット種目に対するデータを含むことができる。例えば、市場関連情報は、ターゲット種目のオーダーブックの上段、ターゲット種目に対する（有効な）注文リスト、ターゲット種目に関する以前注文に対するターゲット取引所サーバの応答などを含むことができる。プロセッサは、市場関連情報の更新を必要とする毎に一つ以上の市場関連情報サーバから市場関連情報を受信したり、一つ以上の市場関連情報サーバから市場関連情報を周期的に（例えば、０．１秒毎に）受信したりできる。高頻度取引では迅速にデータを処理することが重要であるため、一実施例において、市場関連情報は、データ転送速度が速いユーザデータグラムプロトコル（User Datagram Protocol、UDP）を介して受信できる。ただし、一部の実施例において、必要に応じて（例えば、データの信頼度を確保するために）、市場関連情報の受信に他の通信プロトコル（例えば、ＴＣＰ／ＩＰ）を使用することもできる。

【0052】

入力ハンドラ３１０は、受信される市場関連情報をパーシング（parsing）し／パーシングしたり、デコード（decoding）することができる。一実施例によれば、市場関連情報は、複数のデータパケットとして受信でき、複数のラインを介して受信できる。市場関連情報が複数のラインを介して受信される場合、各入力ハンドラ３１０は、複数のラインを介して受信された市場関連情報のデータの形式や規格によって異なる方式にてパーシングし／パーシングしたり、デコードすることができる。入力ハンドラ３１０を経てパーシング／デコードした市場関連情報は、機械学習モデルの入力データとして市場予測参照データを生成するために入力生成部３３０に提供できる。

【0053】

入力生成部３３０は、市場関連情報の少なくとも一部に基づいて市場予測参照データを生成できる。一実施例によれば、入力生成部３３０は、市場関連情報の一つ以上の種目に対する一つ以上の参照特徴を選別して市場予測参照データを構成できる。例えば、入力生成部３３０は、市場予測参照データに含まれる参照特徴を抽出又は選別するための特徴抽出部を含むことができる。

【0054】

一実施例において、市場予測参照データに含まれる一つ以上の種目は、ターゲット種目の市場状況変動の先行指標になり得る種目を含むことができる。例えば、注文の対象となるターゲット種目がＡ社株式（現物）種目である場合、Ａ社株式と関連付けられた先物種目、Ａ社株式と関連付けられたオプション種目、他の取引所に含まれたＡ社関連種目、Ａ社と関連付けられた商品（例：原油など）に関する先物種目などに対するデータが市場予測参照データに含まれることができる。また、一実施例において、市場予測参照データに含まれる一つ以上の参照特徴は、ターゲット種目の市場状況予測に有意味な情報を含むことができる。例えば、参照特徴は、市場価格（取引価格）、買い手のオーダーブック上段の価格や数量、売り手のオーダーブック上段の価格や数量、買い希望者の数、売り希望者の数、オーダーブック上段の次のステップの買い呼値、オーダーブック上段の次のステップの売り呼値、オーダーブックに含まれた呼値の分散など、一つ以上の種目のオーダーブックから抽出できる様々な情報、これを加工した情報及び／又は情報の信頼度などを含むことができる。市場予測参照データの構成は、図８を参照して詳細に後述する。

【0055】

入力生成部３３０により生成された市場予測参照データは、機械学習モデルのための入力データとして専用加速器３４０に伝達されて、機械学習モデルに入力されることができる。一実施例によれば、専用加速器３４０は、機械学習モデルの演算処理に特化したニユーラルプロセッシングユニット（ＮＰＵ）であり得、機械学習モデルの駆動のために特化した特定用途向け半導体（ＡＳＩＣ）で具現化できる。専用加速器３４０は、機械学習モデルを用いて、市場予測参照データに基づいてターゲット種目に対する注文と関連付けられた未来市場予測データを導出できる。例えば、専用加速器３４０は、機械学習モデルの入力データとして市場予測参照データを受信し、未来特定時点のターゲット種目の価格（例えば、市場価格又は中間価格）を予測した未来市場予測データを導出できる。一実施例によれば、未来特定時点は、現在時点にターゲット取引所サーバへのターゲット種目注文にかかる遅延時間（latency）を加算した時点であり得る。すなわち、遅延時間を考慮して、ターゲット取引所サーバに注文が到達すると予想される時点の近傍でのターゲット種目の価格を予測できる。ターゲット種目に対する注文と関連付けられた未来市場予測データを導出する機械学習モデルについては、図７及び図１１を参照して詳細に後述する。

【0056】

一実施例によれば、入力生成部３３０により生成された市場予測参照データを直ぐに機械学習モデルのための専用加速器３４０に提供する代わりに、プロセッサ（例えば、前／後処理のための少なくとも一つのプロセッサ）は、機械学習モデルを利用するか否かを決定した後、機械学習モデルを利用すると決定した場合のみに、市場予測参照データを機械学習モデルのための専用加速器３４０に伝達できる。例えば、プロセッサは、入力生成部３３０により生成された市場予測参照データに基づいて予測複雑度を決定し、決定された予測複雑度に応じて機械学習モデルを用いて注文（又は注文と関連付けられた未来市場予測データ）を生成するか、或いは、既定の規則によって注文を生成するかを判定できる。ここで、予測複雑度は、複雑度に応じて２つ以上の複雑度クラス（例えば、Ｌｏｗ、Ｍｏｄｅｒａｔｅ、Ｈｉｇｈなど）を含むことができる。複雑度判定部が含まれたプロセッサの内部構成と、複雑度判定部が予測複雑度を決定することにより、市場予測参照データを処理する過程とは、図４及び図５を参照して詳細に後述する。

【0057】

注文生成部３５０は、機械学習モデルから未来市場予測データを受信でき、未来市場予測データに基づいてターゲット取引所サーバに対する注文を生成できる。例えば、注文生成部３５０は、機械学習モデルから推論された未来時点でのターゲット種目の予測価格に基づいて、既定の規則によってターゲット種目に対する注文を生成できる。具体例として、ターゲット種目の価格が上昇すると予測される場合、注文生成部３５０は、直ぐに新規の買い注文を生成したり、既存の売り注文の呼値を訂正したりできる。一実施例によれば、各注文は、ターゲット種目に対する注文の種類（新規注文、取消注文、訂正注文）、買い又は売りの可否、価格（呼値）、数量などに関する情報を含むことができる。

【0058】

付加的に、注文生成部３５０により生成された注文は、出力ハンドラ３６０に伝達されることができる。一実施例によれば、出力ハンドラ３６０は、生成された注文に基づいてリスクをチェックしたり、マーケットメーキングに対する規制を満足するか否かを判断したりできる。付加的又は代替的に、出力ハンドラ３６０は、ターゲット取引所サーバで要求する注文形式、規格、プロトコルに応じて、予め生成された注文に適切な処理を遂行できる。

【0059】

注文生成部３５０により生成された（又は出力ハンドラ３６０により後処理された）注文は、ターゲット取引所サーバに転送されることができる。一実施例によれば、プロセッサ（例えば、前／後処理のための少なくとも一つのプロセッサ）は、転送された注文に対するターゲット取引所サーバの応答を受信できる。このとき、プロセッサは受信された応答に基づいてターゲット取引所の注文履歴を更新でき、ターゲット取引所の注文履歴は、次の注文を生成するのに市場関連情報として利用されたり、注文生成部３５０が注文を生成するための基礎データとして利用されたりできる。

【0060】

図４は、本開示の一実施例に係る予測複雑度を決定する複雑度判定部４００が含まれたプロセッサの内部構成を示す図である。プロセッサは、図３に示す構成の以外に、複雑度判定部４００と、トレーディングエンジン４３０を駆動するためのホスト装置４４０とをさらに含むことができる。図４では、図３に示すプロセッサの内部構成に新しく追加された構成を中心として説明する。

【0061】

一実施例によれば、入力生成部３３０により生成された市場予測参照データを直ぐに機械学習モデルのための入力データとして専用加速器４２０に提供する代わりに、プロセッサ（例えば、ＦＰＧＡで具現化された少なくとも一つのプロセッサ）３０２は、機械学習モデルを利用するか否かを決定した後、機械学習モデルを利用すると決定した場合のみに、市場予測参照データを機械学習モデルのための専用加速器４２０に提供できる。例えば、プロセッサに含まれた複雑度判定部４００は、市場予測参照データに基づいて予測複雑度を決定し、決定された予測複雑度に応じて、トレーディングロジック４１０を用いて注文（又は注文と関連付けられた未来市場予測データ）を生成するか、機械学習モデルを用いて注文（又は注文と関連付けられた未来市場予測データ）を生成するか、ホスト装置４４０に含まれたトレーディングエンジン４３０を用いて注文（又は注文と関連付けられた未来市場予測データ）を生成するかを判定できる。例えば、複雑度判定部４００は、市場予測参照データに含まれた一つ以上の種目の現在市場価格、注文価格別注文数量、一つ以上の種目の取引相手の数などに基づいて予測複雑度を決定できる。他の例として、複雑度判定部４００は、市場予測参照データに含まれた一つ以上の参照特徴のデータパターンを決定し、データパターンが既定の条件を満足させるか否かを判定した後、判定結果によって予測複雑度を決定できる。

【0062】

一実施例において、複雑度判定部４００が、トレーディングロジック４１０を用いて注文（又は注文と関連付けられた未来市場予測データ）を生成するように判定した場合、注文生成部３５０は、トレーディングロジック４１０（例えば、既定の規則）によって注文を生成できる。

【0063】

他の実施例において、複雑度判定部４００が、機械学習モデルを注文と関連付けられた未来市場予測データを生成するように判定した場合、市場予測参照データは機械学習のための入力データとして専用加速器４２０に提供され、専用加速器４２０は、機械学習モデルの少なくとも一部の演算を処理することで、市場予測参照データから注文と関連付けられた未来市場予測データを生成できる。このように生成された未来市場予測データは、プロセッサの注文生成部３５０に提供され、未来市場予測データに基づいて注文を生成できる。

【0064】

また他の実施例において、複雑度判定部４００が、ホスト装置４４０に含まれたトレーディングエンジン４３０を用いて注文（又は注文と関連付けられた未来市場予測データ）を生成するように判定した場合、市場予測参照データはホスト装置４４０に提供され、ホスト装置に含まれたトレーディングエンジン４３０は、既定の規則によるロジックを用いて注文を生成したり、比較的軽い機械学習モデルを用いて市場予測参照データに基づいて注文と関連付けられた未来市場予測データを導出したりできる。トレーディングエンジン４３０により導出された未来市場予測データ（注文と関連付けられた未来市場予測データ）は、プロセッサの注文生成部３５０に提供され得る。一実施例において、トレーディングエンジン４３０が、既定の規則によるロジックを用いて注文を生成した場合、当該注文はプロセッサの注文生成部３５０を経なくて直ぐにプロセッサの出力ハンドラ３６０に提供され得る。

【0065】

市場予測参照データに基づいて予測複雑度を決定することにより、市場予測参照データを処理する方式は、図５を参照して詳細に後述する。

【0066】

図５は、本開示の一実施例に係る予測複雑度を決定（５２０）し、決定された予測複雑度に応じて機械学習モデル５５２を利用するか否かを判定する方法の例を示す図である。高頻度取引装置又は高頻度注文生成装置の少なくとも一つのプロセッサ（例えば、ＦＰＧＡで具現化された少なくとも一つのプロセッサ）は、市場関連情報に基づいて市場予測参照データ（例えば、参照特徴マップ）５１０を生成でき、市場予測参照データ５１０に基づいて予測複雑度を決定（５２０）することができる。一実施例によれば、予測複雑度は、市場予測参照データの複雑度又は市場予測参照データに基づいて注文と関連付けられたデータを推論するための演算複雑度の少なくとも一つを反映できる。また、一実施例において、予測複雑度は２つ以上の複雑度クラスに分類できる。例えば、予測複雑度は、図に示すように、Ｌｏｗ、Ｍｏｄｅｒａｔｅ、Ｈｉｇｈの３つの複雑度クラスに分類できる。

【0067】

一実施例によれば、プロセッサは、市場予測参照データ５１０に含まれた一つ以上の種目の現在市場価格、注文価格別注文数量、一つ以上の種目の取引相手の数などに基づいて予測複雑度を決定（５２０）することができる。他の実施例によれば、プロセッサは、市場予測参照データ５１０に含まれた一つ以上の参照特徴のデータパターンを決定し、データパターンが既定の条件を満足させるか否かを判定した後、判定結果によって予測複雑度を決定（５２０）することができる。

【0068】

【0069】

他の例として、市場予測参照データ５１０に含まれた全ての参照種目に対し、特定の時間区間の中間価格の分散が第３の既定の閾値以下である場合、価格変動の可能性が低くてスプレッドによる収益を追求できると判断して、予測複雑度をＬｏｗクラスとして決定できる。

【0070】

一実施例によれば、プロセッサは、市場予測参照データ５１０に基づいて予測複雑度を決定（５２０）した後、決定された予測複雑度に応じて、機械学習モデルを用いて注文（又は注文と関連付けられた未来市場予測データ）を生成するか否かを判定できる。一実施例において、予測複雑度がＬｏｗクラスとして決定された場合、プロセッサ（例えば、ＦＰＧＡで具現化されたプロセッサ）５３０は、規則基盤ロジック５３２によって市場予測参照データに基づいた注文を生成できる。例えば、ターゲット種目と統計的に相関性が非常に大きい参照種目に対し、中間価格の移動平均の変化量が第１の既定の閾値以上である場合、ターゲット種目の価格が上昇すると判断して、ターゲット種目に対する買い注文を生成でき、中間価格の移動平均の変化量が第２の既定の閾値以下である場合、ターゲット種目の価格が低下すると判断して、ターゲット種目に対する売り注文を生成できる。プロセッサ５３０が規則基盤ロジック５３２によって注文を生成する他の例として、市場予測参照データ５１０に含まれた全ての参照種目に対し、特定の時間区間内の中間価格の分散が第３の既定の閾値以下である場合、両方のＴｏＢに買い注文及び売り注文を生成してスプレッドによる収益を追求できる。このとき、時間の流れにより、前記基準を逸脱する場合（分散が大きくなる場合）、価格変動によるリスクを最小化するために既存の注文を取消す注文を生成できる。

【0071】

他の実施例において、予測複雑度がＨｉｇｈクラスとして決定された場合、プロセッサ５３０は、機械学習モデル５５２のための専用加速器（例えば、ＡＳＩＣで具現化された専用加速器）５５０に市場予測参照データ５１０を提供でき、専用加速器５５０は、機械学習モデル（例えば、ＤＮＮ）５５２を用いて、市場予測参照データ５１０に基づいてターゲット種目に対する注文と関連付けられた未来市場予測データを生成できる。例えば、専用加速器５５０は、機械学習モデル５５２の少なくとも一部の演算を処理することで、市場予測参照データ５１０に基づいて未来特定時点でのターゲット種目の価格（市場価格又は中間価格）を予測した未来市場予測データを生成できる。

【0072】

また他の実施例において、予測複雑度がＭｏｄｅｒａｔｅクラスとして決定された場合、プロセッサ５３０は、ホスト装置５４０に市場予測参照データ５１０を提供でき、ホスト装置５４０は、規則基盤ロジック又は軽い機械学習モデル５４２を用いて、注文又は注文と関連付けられた未来市場予測データを生成できる。

【0073】

前述したように、市場予測参照データに基づいて予測複雑度を決定し、予測複雑度が高い場合、機械学習モデルを用いて注文関連データを生成することで、古典的なアルゴリズムが見つけられない特徴を導出して未来時点の市場状況を予測でき、予測複雑度が低い場合、比較的簡単なトレーディングロジックを用いて直ぐに注文を生成することで、迅速に注文を転送して取引で優位を占めることができる。

【0074】

図６は、本開示の一実施例に係る高頻度注文を生成する方法の例示を示す図である。一実施例によれば、プロセッサ（例えば、高頻度注文生成のための装置に含まれた少なくとも一つのプロセッサ）は、市場関連情報６１０に基づいて市場予測参照データ６２０を生成でき、機械学習モデル６３０を用いて、市場予測参照データ６２０に基づいて注文と関連付けられた未来市場予測データを生成できる。このように生成された未来市場予測データは、注文生成部６４０に提供され、注文生成部６４０は、ターゲット取引所サーバへのターゲット種目に対する注文を生成できる。

【0075】

一実施例によれば、注文生成部６４０が生成する各注文信号は、注文の種類（例えば、新規注文、取消注文、訂正注文など）、買い又は売りの可否、価格、注文数量などに関する情報を含むことができる。ここで、注文信号は一つ以上の注文を含むことができる。例えば、注文生成部６４０は、図に示すように、機械学習モデル６３０から受信された未来市場予測データに基づいて、３つの注文「新規／売り／$１０２．０／２０ｑｔｙ」、「取消／売り／$１００．５／１０ｑｔｙ」、「取消／買い／$９８．０／３０ｑｔｙ」（順に、注文種類／買い又は売りの可否／注文価格／注文数量を意味）を含む注文信号６５０を生成できる。

【0076】

生成された注文信号６５０は、ターゲット取引所サーバに転送され、プロセッサは、転送された注文に対するターゲット取引所サーバの応答を受信できる。このような応答に応じて、プロセッサはターゲット種目に対する注文履歴を更新できる。ここで、注文履歴とは、高頻度証券注文生成のための装置が転送した注文のうち、現在有効な注文（取消又は未締結の注文）のリストを称することができる。例えば、図６に示す注文信号６５０がターゲット取引所サーバに転送された後、ターゲット取引所サーバから注文信号６５０に含まれた３つの注文が全部定常的に受け付けられたという応答を受信した場合、注文信号６５０を反映してターゲット種目に対する注文履歴を更新できる。具体的に、注文信号６５０を転送する前の注文履歴６６０が「売り／$１０１．０／１０ｑｔｙ」、「売り／$１００．５／１０ｑｔｙ」、「買い／$９９．５／２０ｑｔｙ」、「買い／$９８．０／３０ｑｔｙ」である場合、更新された注文履歴６７０は、「売り／$１０２．０／２０ｑｔｙ」、「売り／$１０１．０／１０ｑｔｙ」、「買い／$９９．５／２０ｑｔｙ」に変更できる。更新された注文履歴６７０は、以後、高頻度注文を生成するための装置が注文を生成するのに基礎となるデータ（例えば、市場関連情報又は注文生成部で考慮されるデータなど）に含まれることができる。注文履歴は、オープンオーダー（open order）やオーダーマップ（order map）として称することもできる。

【0077】

図７は、本開示の一実施例に係る機械学習モデル７００が、市場予測参照データ７１０に基づいて未来市場予測データ７２０を出力する例を示す図である。一実施例によれば、機械学習モデル７００は、市場予測参照データ７１０に基づいて、ターゲット種目の注文と関連付けられた未来市場予測データ７２０を出力できる。例えば、機械学習モデル７００は、市場予測参照データ７１０に基づいて、未来特定時点でのターゲット種目の予測価格（例えば、市場価格又は中間価格など）を出力できる。一実施例によれば、機械学習モデル７００に入力される市場予測参照データ７１０は、一つ以上の時点での一つ以上の種目に対する一つ以上の参照特徴を含む参照特徴マップ（reference feature map）を含むことができる。機械学習モデル７００の入力データに該当する市場予測参照データ７１０については、図８を参照して詳細に後述する。

【0078】

一実施例によれば、機械学習モデル７００は、一つ以上の市場関連情報サーバからの市場関連情報に基づいて生成された市場予測参照データを用いて、ターゲット取引所サーバに対する注文と関連付けられた未来市場予測データを推論するように学習できる。例えば、機械学習モデル７００は、一つ以上の取引所サーバと関連付けられた一つの取引所の参照マーケットデータ及びターゲット取引所サーバと関連付けられたターゲット取引所の参照マーケットデータに基づいて生成された時点ｔから時点ｔ＋Ｍ－１までの市場予測参照データ、時点ｔ＋１でのターゲット種目の中間価格データを用いて、総Ｍ個の連続した時点を含む時間区間での市場予測参照データに基づいて、次の時点でのターゲット種目の中間価格を推論するように学習できる。

【0079】

機械学習モデル７００により出力された未来市場予測データ７２０は、ターゲット取引所サーバでの注文と関連付けられた情報を含むことができ、プロセッサ（例えば、高頻度取引装置又は高頻度注文生成のための装置の少なくとも一つのプロセッサ）は、未来市場予測データ７２０に基づいて既定の規則によってターゲット種目に対する注文を生成できる。

【0080】

一実施例によれば、本開示の機械学習モデル７００は、人工神経網モデルであり得る。人工神経網モデルについては、図１１を参照して詳細に後述する。

【0081】

図８は、本開示の一実施例に係る機械学習モデルのための市場予測参照データ８１０の構成の例を示す図である。高頻度取引装置（例えば、高頻度取引装置に含まれた少なくとも一つのプロセッサ）は、一つ以上の市場関連情報サーバから受信された市場関連情報に基づいて、市場予測参照データ８１０を生成できる。一実施例によれば、市場予測参照データ８１０は、一つ以上の時点での一つ以上の種目に対する一つ以上の参照特徴を含む参照特徴マップ（reference feature map）を含むことができる。

【0082】

例えば、参照特徴マップは、図８に示すように、Ｍ個の時点でのＫ個の種目に対するＮ個の参照特徴を含むことができる。図示の例において、市場予測参照データに含まれた参照特徴マップのうち、特定時点（図８において時点ｍ）でのデータ８２０は、特定時点での一つ以上の種目（図８において第１の参照種目、第２の参照種目、第３の参照種目）に対する一つ以上の参照特徴（図８において買い手のオーダーブック上段の価格や数量、売り手のオーダーブック上段の価格や数量）を含むことができる。また、市場予測参照データに含まれた参照特徴マップのうち、特定参照特徴（図８においてｎ番目の参照特徴）に対するデータ８３０は、一つ以上の時点（図８において時点ｔ－Ｍ＋１から時点ｔまで）での一つ以上の種目に対する特定参照特徴を含むことができる。一実施例において、参照特徴マップは、互いに異なる種目に対する一つ以上の参照特徴が互いに交差するように生成できる。

【0083】

一実施例によれば、市場予測参照データ８１０に含まれる一つ以上の参照種目は、注文対象となるターゲット種目の市場状況の先行指標となる種目であり得る。例えば、注文の対象となるターゲット種目がＡ社株式（現物）種目である場合、Ａ社株式と関連付けられた先物種目、Ａ社株式と関連付けられたオプション種目、他の取引所に含まれたＡ社関連種目、Ａ社関連商品に対する先物種目などが一つ以上の参照種目に含まれることができる。一実施例において、一つ以上の参照種目はターゲット種目を含むことができる。すなわち、高頻度取引装置は、ターゲット種目に対するデータを含む市場予測参照データに基づいて、ターゲット種目の未来市場状況を予測できる。また、一実施例において、各参照種目に関する情報は、各参照種目と関連付けられたコード（symbol）として含まれることができる。

【0084】

一実施例によれば、市場予測参照データ８１０に含まれる一つ以上の参照特徴は、ターゲット種目の市場状況予測に有意味な情報を含むことができる。例えば、参照特徴は、市場価格（取引価格）、買い手のオーダーブック上段の価格や数量、売り手のオーダーブック上段の価格や数量、買い希望者の数、売り希望者の数、オーダーブック上段の次のステップの買い呼値、オーダーブック上段の次のステップの売り呼値、オーダーブックに含まれた呼値の分散など、一つ以上の種目のオーダーブックから抽出できる様々な情報、これを加工した情報及び／又は情報の信頼度などを含むことができる。一実施例において、このような一つ以上の参照特徴は、一つ以上の参照種目の各々から抽出できる。

【0085】

前述したように構成された市場予測参照データ８１０は、プロセッサ（例えば、高頻度取引装置の少なくとも一つのプロセッサ）により機械学習モデルのための専用加速器に伝達され、機械学習モデルに入力されることができる。付加的又は代替的に、プロセッサは、市場予測参照データ８１０に基づいて予測複雑度を判定して、機械学習モデルを利用するか、ホスト装置を利用するか、当該プロセッサ内で規則によって注文を生成するかを決定できる。このような決定により、市場予測参照データ１８０は、機械学習モデルのための専用加速器又はホストエンジンに伝達されるか、もしくは、当該プロセッサ内で規則によってターゲット種目に対する注文と関連付けられた未来市場予測データを導出するのに使用できる。

【0086】

図９は、本開示の一実施例に係るＦＰＧＡ及びＮＰＵを含む高頻度取引装置を動作する方法９００の例を示すフローチャートである。一実施例によれば、方法９００は、ＦＰＧＡが、参照取引所サーバと関連付けられた参照取引所の第１のマーケットデータと、ターゲット取引所サーバと関連付けられたターゲット取引所の第２のマーケットデータとを受信することで、開始することができる（Ｓ９１０）。各マーケットデータは、各取引所で取引される種目等に関する取引情報などを含むことができる。例えば、第１のマーケットデータは、参照取引所サーバと関連付けられた参照取引所で取引される種目のオーダーブックに関する情報を含むことができ、第２のマーケットデータは、ターゲット取引所サーバと関連付けられたターゲット取引所の応答及び一つ以上の種目のオーダーブックに関する情報の少なくとも一部（例えば、ターゲット種目のＴｏＢに関する情報）を含むことができる。

【0087】

次に、ＦＰＧＡは、第１のマーケットデータ又は第２のマーケットデータの少なくとも一つに基づいて、機械学習モデルの入力データとして市場予測参照データを生成できる（Ｓ９２０）。一実施例によれば、市場予測参照データは、一つ以上の時点での一つ以上の種目に対する一つ以上の参照特徴を含むことができ、ここで、一つ以上の種目に関する情報は各種目に対するコード（symbol）として含まれることができる。また、市場予測参照データに含まれる一つ以上の種目は、ターゲット種目の市場状況変動の先行指標を示す種目及びターゲット取引所サーバでの注文対象となるターゲット種目を含むことができる。

【0088】

一実施例によれば、マーケットデータから市場予測参照データを生成する前に、パッシング及びデコードする過程を遂行できる。例えば、ＦＰＧＡは、第１のマーケットデータ又は第２のマーケットデータの少なくとも一つをパッシング及びデコードした後、これに基づいて機械学習モデルの入力データとして市場予測参照データを生成できる。

【0089】

その後、ＮＰＵは、機械学習モデルのための少なくとも一部の演算を処理できる（Ｓ９３０）。例えば、ＮＰＵは、ＦＰＧＡから生成された市場予測参照データを受信し、市場予測参照データを機械学習モデルに入力して、市場予測参照データに対して一連の演算を遂行して未来市場予測データを導出できる。一実施例によれば、機械学習モデルは、一つ以上の取引所の参照マーケットデータに基づいて生成された市場予測参照データを用いて、ターゲット取引所サーバでの注文と関連付けられた未来市場予測データを推論するように構成された任意のモデルであり得る。

【0090】

一実施例によれば、ＦＰＧＡは、生成された市場予測参照データを直ぐにＮＰＵに提供する代わりに、市場予測参照データに基づいて予測複雑度を決定し、決定された予測複雑度に応じて、既定の規則によって注文を生成するか、もしくは、機械学習モデルを使用するかを判定できる。一実施例において、既定の規則によって注文を生成するように判定された場合、ＦＰＧＡは、市場予測参照データに基づいて既定の規則によって注文を生成できる。他の実施例において、機械学習モデルを用いて注文を生成するように判定された場合、ＮＰＵは、機械学習モデルのための少なくとも一部の演算を処理し、機械学習モデルから出力されたデータをＦＰＧＡに提供できる。

【0091】

付加的に、高頻度取引装置は、トレーディングエンジンを駆動するように構成されたホスト装置をさらに含むことができ、予測複雑度は、複雑度に応じた３つの複雑度クラスを含むことができる。例えば、予測複雑度は、複雑度に応じてＨｉｇｈ、Ｍｏｄｅｒａｔｅ、Ｌｏｗの３つの複雑度クラスを含むことができる。このとき、ターゲット取引所サーバでの注文を生成するために、市場予測参照データは、３つの複雑度クラスに応じてＦＰＧＡ、ホスト装置、ＮＰＵの少なくとも一つに提供できる。

【0092】

次に、ＮＰＵは、機械学習モデルから出力された未来市場予測データをＦＰＧＡに提供でき（Ｓ９４０）、ＦＰＧＡは、機械学習モデルから出力された未来市場予測データに基づいてターゲット取引所サーバに対する注文を生成できる（Ｓ９５０）。付加的に、ＦＰＧＡは、生成された注文をターゲット取引所サーバで要求するプロトコルによって処理できる。このように生成された（ターゲット取引所サーバで要求するプロトコルによって処理された）注文は、ターゲット取引所サーバに転送されることができる。

【0093】

図１０は、本開示の一実施例に係る高頻度注文を生成する方法１０００の例を示すフローチャートである。一実施例によれば、方法１０００は、プロセッサ（例えば、高頻度証券注文生成のための装置の少なくとも一つのプロセッサ）が、一つ以上の市場関連情報サーバから収集された市場関連情報に基づいて市場予測参照データを生成することで、開始することができる（Ｓ１０１０）。一実施例において、市場予測参照データは、一つ以上の時点での一つ以上の参照種目に対する一つ以上の参照特徴を含む参照特徴マップを含むことができ、一つ以上の参照特徴は、一つ以上の参照種目の各々から抽出できる。一実施例によれば、市場予測参照データに含まれる一つ以上の参照種目は、ターゲット種目を含むことができる。

【0094】

次に、プロセッサは、前記生成された市場予測参照データに基づいて、機械学習モデルからターゲット取引所サーバへの注文と関連付けられた未来市場予測データを生成できる（Ｓ１０２０）。ここで、機械学習モデルは、一つ以上の証券取引所の市場関連情報に基づいて生成された市場予測参照データを用いて、ターゲット取引所での注文と関連付けられた未来市場予測データを推論するように構成された任意の機械学習モデルであり得る。一実施例によれば、機械学習モデルから出力される未来市場予測データは、特定時点でのターゲット種目の価格予測と関連付けられたデータを含むことができ、ここで、特定時点は、現在時点にターゲット取引所サーバへの注文にかかる遅延時間（latency）を加算した時点であり得る。

【0095】

代替的に、プロセッサは、参照特徴マップに基づいて予測複雑度を決定し、これに基づいて市場予測参照データを機械学習モデルに適用するか否かを決定した後、市場予測参照データを機械学習モデルに適用すると判定された場合のみに、市場予測参照データを機械学習モデルに提供できる。ここで、予測複雑度は多様な方式により決定できる。例えば、プロセッサは、参照特徴マップに含まれた情報の一つ以上の種目の現在価格、注文価格別証券の数及び一つ以上の種目の取引相手の数に基づいて予測複雑度を決定できる。他の例として、プロセッサは、参照特徴マップに含まれた情報の一つ以上の参照特徴のデータパターンを決定し、決定されたデータパターンが既定の条件を満足させるか否かを判定した後、判定結果によって予測複雑度を決定できる。

【0096】

その後、プロセッサは、未来市場予測データに基づいて、ターゲット取引所サーバのターゲット種目に対する注文を生成できる（Ｓ１０３０）。一実施例によれば、各注文は、ターゲット種目に対する注文の種類（例えば、新規注文、取消注文、訂正注文）、買い又は売りの可否、価格、数量に関する情報を含むことができる。

【0097】

一実施例によれば、生成された注文をターゲット取引所サーバに転送でき、ターゲット取引所サーバから注文転送に従う応答を受信できる。このとき、注文転送に従う応答に基づいて、ターゲット取引所の注文履歴を更新でき、更新されたターゲット取引所の注文履歴は、市場関連情報に含まれ、また他の注文を生成するのに使用できる。

【0098】

図１１は、本開示の一実施例に係る人工神経網モデル１１００の例を示す図である。人工神経網モデル１１００は、機械学習モデルの一例として、機械学習（Machine Learning）技術及び認知科学において、生物学的神経網の構造に基づいて具現化された統計学的学習アルゴリズム又はそのアルゴリズムを実行する構造である。

【0099】

一実施例によれば、人工神経網モデル１１００は、生物学的神経網のように、シナプスの結合によりネットワークを形成した人工ニューロンであるノード（Node）等がシナプスの加重値を繰り返し調整して、特定の入力に対応した正しい出力及び推論された出力間の誤差が減少するように学習することで、問題解決能力を持つ機械学習モデルを示すことができる。例えば、人工神経網モデル１１００は、機械学習やディープラーニングなどの人工知能学習法に使用される任意の確率モデル、ニューラルネットワークモデルなどを含むことができる。

【0100】

一実施例によれば、人工神経網モデル１１００は、一つ以上の市場関連情報サーバからの市場関連情報に基づいて生成された市場予測参照データを用いて、ターゲット取引所サーバでの注文と関連付けられたデータを推論するように構成された人工神経網モデルを含むことができる。

【0101】

人工神経網モデル１１００は、多層のノード等及びこれら間の連結により構成された多層パーセプトロン（multilayer perceptron、MLP）で具現化される。本実施例に係る人工神経網モデル１１００は、ＭＬＰを含む多様な人工神経網モデル構造の一つを用いて具現化できる。図１１に示すように、人工神経網モデル１１００は、外部から入力信号又はデータ１１１０を受信する入力層１１２０と、入力データに対応する出力信号又はデータ１１５０を出力する出力層１１４０と、入力層１１２０及び出力層１１４０間に位置し、入力層１１２０から信号を受信して特性を抽出して、出力層１１４０に伝達するｎ個（ここで、ｎは正の整数）の隠れ層１１３０＿１乃至１１３０＿ｎとからなる。ここで、出力層１１４０は、隠れ層１１３０＿１乃至１１３０＿ｎから信号を受信して外部に出力する。

【0102】

人工神経網モデル１１０の学習方法には、教師信号（正解）の入力によって問題の解決に最適化するように学習する教師あり学習（Supervised Learning）方法と、教師信号を必要としない教師なし学習（Unsupervised Learning）方法とがある。一実施例において、人工神経網モデル１１００は、ターゲット取引所サーバでの注文と関連付けられたデータを推論するように、教師あり学習及び／又は教師なし学習を行うことができる。例えば、人工神経網モデル１１００は、市場予測参照データから特定時点でのターゲット種目の価格を推論するように、教師あり学習を行うことができる。

【0103】

このように学習された人工神経網モデル１１００は、高頻度取引装置のメモリ又は高頻度注文生成のための装置のメモリ（図示せず）に保存でき、通信モジュール及び／又はメモリから受信されたデータの入力に応じて、ターゲット取引所サーバへの注文と関連付けられたデータを推論できる。

【0104】

一実施例によれば、ターゲット取引所に対する注文と関連付けられたデータを推論するための人工神経網モデルの市場予測参照データは、一つ以上の時点での一つ以上の種目に対する一つ以上の参照特徴を含むことができる。例えば、人工神経網モデル１１００の入力層１１２０に入力される市場予測参照データは、一つ以上の時点での一つ以上の種目に対する一つ以上の参照特徴に関する情報を含むデータを一つのベクトルデータ要素からなる、ベクトル１１１０になり得る。データの入力に応じて、人工神経網モデル１１００の出力層１１４０から出力される未来市場予測データは、ターゲット取引所サーバに対する注文と関連付けられたデータを示したり特徴化したりするベクトル１１５０になり得る。すなわち、人工神経網モデル１１００の出力層１１４０は、ターゲット取引所サーバに対する注文と関連付けられたデータを示したり特徴化したりするベクトルを出力するように構成できる。本開示において、人工神経網モデル１１００の未来市場予測データは、以上で説明された類型に限定されず、ターゲット取引所サーバに対する注文と関連付けられたデータを示す任意の情報／データを含むことができる。

【0105】

このように、人工神経網モデル１１００の入力層１１２０及び出力層１１４０に複数の入力データと対応する複数の出力データが各々マッチングされ、入力層１１２０、隠れ層１１３０＿１乃至１１３０＿ｎ及び出力層１１４０に含まれたノード等間のシナプス値が調整されることで、特定の入力に対応した正しい出力を抽出できるように学習できる。このような学習過程により、人工神経網モデル１１００の入力データの隠れ特性を把握でき、入力データに基づいて計算された出力データ及び目標出力間の誤差が低減するように、人工神経網モデル１１００のノード等間のシナプス値（又は加重値）を調整できる。このように学習された人工神経網モデル１１００は、入力されたデータに応じて、ターゲット取引所サーバに対する注文と関連付けられたデータを出力できる。

【0106】

図１２は、本開示の一実施例に係る高頻度取引又は高頻度注文生成と関連付けられた任意のコンピューティング装置１２００の構成図である。例えば、コンピューティング装置１２００は、情報処理システム及び／又はユーザ端末を含むことができる。図に示すように、コンピューティング装置１２００は、一つ以上のプロセッサ１２１０、バス１２３０、通信インタフェース１２４０、プロセッサ１２１０により遂行されるコンピュータプログラム１２６０をロード（load）するメモリ１２２０及びコンピュータプログラム１２６０を保存する保存モジュール１２５０を含むことができる。ただし、図１２には本開示の実施例と関連付けられた構成要素のみを示している。したがって、本開示が属する技術分野における通常の技術者であれば、図１２に示す構成要素等の以外の汎用的な構成要素等をさらに含むこともできることが分かる。

【0107】

プロセッサ１２１０は、コンピューティング装置１２００の各構成の全般の動作を制御する。プロセッサ１２１０は、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processor Unit）、ＭＣＵ（Micro Controller Unit）、ＧＰＵ（Graphic Processing Unit）、ＮＰＵ（Neural Processing Unit）又は本開示の技術分野における公知の任意の形態のプロセッサを含んで構成できる。また、プロセッサ１２１０は、本開示の実施例等による方法を実行するための少なくとも一つのアプリケーション又はプログラムに対する演算を遂行できる。コンピューティング装置１２００は一つ以上のプロセッサを具備できる。例えば、コンピューティング装置１２００は、ＦＰＧＡで具現化されたプロセッサ、ＡＳＩＣで具現化された機械学習モデルのための専用加速器（ＮＰＵ ＡＳＩＣ）を含むことができる。

【0108】

メモリ１２２０は、各種データ、命令及び／又は情報を保存できる。メモリ１２２０は、本開示の多様な実施例による方法／動作を実行するために、保存モジュール１２５０から一つ以上のコンピュータプログラム１２６０をロードできる。メモリ１２２０は、ＲＡＭのような揮発性メモリで具現化できるが、本開示の技術的範囲はこれに限定されるものではない。

【0109】

バス１２３０は、コンピューティング装置１２００の構成要素間の通信機能を提供できる。バス１２３０は、住所バス（Address Bus）、データバス（Data Bus）及び制御バス（Control Bus）等、多様な形態のバスで具現化できる。

【0110】

通信インタフェース１２４０は、コンピューティング装置１２００の有無線インターネット通信を支援できる。また、通信インタフェース１２４０は、インターネット通信外の多様な通信方式を支援することもできる。このために、通信インタフェース１２４０は、本開示の技術分野における公知の通信モジュールを含んで構成できる。

【0111】

保存モジュール１２５０は、一つ以上のコンピュータプログラム１２６０を非一時的に保存できる。保存モジュール１２５０は、ＲＯＭ（Read Only Memory）、ＥＰＲＯＭ（Erasable Programmable ROM）、ＥＥＰＲＯＭ（Electrically Erasable Programmable ROM）、フラッシュメモリなどのような不揮発性メモリ、ハードディスク、脱着型ディスク又は本開示が属する技術分野における公知の任意の形態のコンピュータで読取り可能な記録媒体を含んで構成できる。

【0112】

コンピュータプログラム１２６０は、メモリ１２２０にロードするとき、プロセッサ１２１０が本開示の多様な実施例による動作／方法を遂行するようにする一つ以上のインストラクション（instructions）を含むことができる。すなわち、プロセッサ１２１０は、一つ以上のインストラクションを実行することで、本開示の多様な実施例による動作／方法を遂行できる。

【0113】

例えば、コンピュータプログラム１２６０は、一つ以上の市場関連情報サーバから収集された市場関連情報に基づいて市場予測参照データを生成し、生成された市場予測参照データに基づいて機械学習モデルからターゲット取引所サーバに対する注文と関連付けられた未来市場予測データを生成し、未来市場予測データに基づいてターゲット取引所のターゲット種目に対する注文を生成するためのインストラクションを含むことができる。他の例として、コンピュータプログラム１２６０は、ＦＰＧＡにより、第１の取引所の第１の市場関連情報及び第２の取引所の第２の市場関連情報を受信し、ＦＰＧＡにより、第１のマーケットデータ又は第２のマーケットデータの少なくとも一つに基づいて機械学習モデルの入力データとして市場予測参照データを生成し、ＮＰＵにより、機械学習モデルのための少なくとも一部の演算を処理し、ＮＰＵにより、機械学習モデルから出力されたデータをＦＰＧＡに提供し、ＦＰＧＡにより、機械学習モデルから出力されたデータに基づいてターゲット取引所サーバへの注文を生成するためのインストラクションを含むことができる。

【0114】

図１３は、本開示の一実施例に係る信号交換の例を示すフローチャートである。ＦＰＧＡ（３０２）は、一つ以上の市場関連情報サーバ１２０から市場関連情報を収集でき（Ｓ１３０１）、収集された市場関連情報に基づいて市場予測参照データを生成できる（Ｓ１３０３）。

【0115】

次に、ＦＰＧＡ（３０２）は、市場予測参照データに基づいて未来市場を予測するための適切な方式を決定できる（Ｓ１３０５）。一部の実施例において、ＦＰＧＡ（３０２）は、市場予測参照データに基づいて予測複雑度を決定し、その後、予測複雑度に応じて適切な方式を決定できる。一部の実施例において、ＦＰＧＡ（３０２）は、低い複雑度又は高い複雑度の２つの複雑度に応じて予測複雑度を決定できる。他の実施例において、ＦＰＧＡ（３０２）は、低い複雑度、中間複雑度及び高い複雑度の３つの複雑度に応じて予測複雑度を決定できる。一部の実施例において、ＦＰＧＡ（３０２）は、規則基盤ロジック５３２及び機械学習モデルのうちで適切な方式を決定したり、規則基盤ロジック５３２、比較的軽い機械学習モデル及び比較的重い機械学習モデルのうちで適切な方式を決定したりできる。一部の実施例において、ＦＰＧＡ（３０２）は、予測複雑度が、低い複雑度、中間複雑度及び高い複雑渡であるとき、各々規則基盤ロジック５３２、比較的軽い機械学習モデル及び比較的重い機械学習モデルを適切な方式により決定できる。

【0116】

ＦＰＧＡ（３０２）が適切な方式を相対的に重い機械学習モデルであると決定する場合、ＦＰＧＡ（３０２）は、市場予測参照データをＮＰＵ（３４０）に転送できる（Ｓ１３０７）。一部の実施例によれば、適切な方式を相対的に重い機械学習モデルであると決定するか否かと無関係に、ＮＰＵ（３４０）が未来市場予測データを生成できるように、ＦＰＧＡ（３０２）は市場予測参照データをＮＰＵ（３４０）に転送できる。次に、ＮＰＵ（３４０）は、未来市場予測データを生成するために、市場予測参照データとして相対的に重い機械学習モデルのための演算を遂行でき（Ｓ１３０９）、未来市場予測データをＦＰＧＡ（３０２）に転送できる（Ｓ１３１１）。

【0117】

ＦＰＧＡ（３０２）が適切な方式を規則基盤ロジック５３２であると決定する場合、ＦＰＧＡ（３０２）は、未来市場予測データを生成するために、市場予測参照データとして規則基盤ロジック５３２を遂行できる（Ｓ１３１３）。一部の実施例によれば、ＦＰＧＡ（３０２）は、適切な方式を規則基盤ロジック５３２であると決定する場合、未来市場予測データを生成しなくて直ぐに注文信号を生成できる。

【0118】

ＦＰＧＡ（３０２）が適切な方式を相対的に軽い機械学習モデルであると決定する場合、ＦＰＧＡ（３０２）は、市場予測参照データをホスト装置４４０に転送できる（Ｓ１３１５）。一部の実施例によれば、適切な方式を相対的に軽い機械学習モデルであると決定するか否かと無関係に、ホスト装置４４０が未来市場予測データを生成できるように、ＦＰＧＡ（３０２）は市場予測参照データをホスト装置４４０に転送できる。次に、ホスト装置４４０は、市場予測参照データを用いて未来市場予測データを生成できる（Ｓ１３１７）。一部の実施例によれば、ホスト装置４４０は、ＦＰＧＡ（３０２）により使用される規則基盤ロジック５３２よりも重い規則基盤ロジックを使用できる。一部の実施例によれば、ホスト装置４４０は、ＮＰＵ（３４０）で使用する機械学習モデルよりも軽い機械学習モデルを使用できる。次に、ホスト装置４４０は、未来市場予測データをＦＰＧＡ（３０２）に転送できる（Ｓ１３１９）。

【0119】

ＦＰＧＡ（３０２）は、ＦＰＧＡ（３０２）、ＮＰＵ（３４０）又はホスト装置４４０の少なくとも一つから受信された未来市場予測データに基づいて注文信号を生成できる（Ｓ１３２１）。次に、ＦＰＧＡ（３０２）は、ターゲット取引所サーバ１３０に注文信号を転送できる（Ｓ１３２３）。

【0120】

前述した方法は、コンピュータで実行するために、コンピュータ読み取り可能な記録媒体に保存されたコンピュータプログラムとして提供され得る。媒体は、コンピュータで実行可能なプログラムを継続的に保存したり、実行又はダウンロードのために一時保存したりするものであり得る。また、媒体は、単一又は多数のハードウェアが結合された形態の多様な記録手段又は保存手段であり得るが、あるコンピュータシステムに直接接続される媒体に限定されず、ネットワーク上に分散して存在するものであり得る。媒体の例としては、ハードディスク、フロッピーディスク及び磁気テープのような磁気媒体、ＣＤ－ＲＯＭやＤＶＤのような光記録媒体、フロプティカルディスク（floptical disk）のような磁気－光媒体（magneto-optical medium）、及び、ＲＯＭ、ＲＡＭ、フラッシュメモリなどを含み、プログラム命令語が保存されるように構成されたものが挙げられる。また、他の媒体の例としては、アプリケーションを流通するアプリストアやその他の多様なソフトウェアを供給乃至流通するサイト、サーバなどで管理する記録媒体乃至保存媒体も挙げられる。

【0121】

本開示の方法、動作又は技法は多様な手段により具現化できる。例えば、このような技法は、ハードウェア、ファームウェア、ソフトウェア、若しくはこれらの組合せで具現化できる。本願の開示により説明された多様な例示的な論理的ブロック、モジュール、回路及びアルゴリズムステップは、電子ハードウェア、コンピュータソフトウェア、若しくは両方の組合せで具現化できることを、通常の技術者であれば理解できるはずである。ハードウェア及びソフトウェアのこのような相互の代替を明確に説明するために、多様な例示的な構成要素、ブロック、モジュール、回路及びステップが、それらの機能的観点から一般的に前述された。そのような機能が、ハードウェアとして具現化されるか、若しくは、ソフトウェアとして具現化されるかは、特定アプリケーション及び全体システムに付加される設計要求事項によって変化する。通常の技術者は、各々の特定アプリケーションのために多様な方式により説明された機能を具現化することもできるが、そのような具現化は本開示の範囲から逸脱するものと解釈してはならない。

【0122】

ハードウェアの具現化において、技法の遂行に利用されるプロセッシングユニットは、一つ以上のＡＳＩＣ、ＤＳＰ、デジタル信号処理デバイス（digital signal processing devices、DSPD）、プログラム可能な論理デバイス（programmable logic devices、PLD）、フィールドプログラム可能なゲートアレイ（field programmable gate arrays、FPGA）、プロセッサ、制御器、マイクロ制御器、マイクロプロセッサ、電子デバイス、本開示に説明された機能を遂行するように設計された他の電子ユニット、コンピュータ、若しくはこれらの組合せ内で具現化されることもできる。

【0123】

したがって、本開示により説明された多様な例示的な論理ブロック、モジュール及び回路は、汎用プロセッサ、ＤＳＰ、ＡＳＩＣ、ＦＰＧＡや他のプログラム可能な論理デバイス、離散ゲートやトランジスタロジック、離散ハードウェアコンポーネント、若しくは、本願に説明された機能を遂行するように設計されたもの等の任意の組合せで具現化又は遂行されることもできる。汎用プロセッサはマイクロプロセッサであり得るが、代替的に、プロセッサは、任意の従来のプロセッサ、制御器、マイクロ制御器、若しくは状態マシンであり得る。プロセッサは、また、コンピューティングデバイスの組合せ、例えば、ＤＳＰとマイクロプロセッサ、複数のマイクロプロセッサ、ＤＳＰコアと関連付けられる一つ以上のマイクロプロセッサ、若しくは任意の他の構成の組合せで具現化されることもできる。

【0124】

ファームウェア及び／又はソフトウェアの具現化において、技法は、ＲＡＭ（random access memory）、ＲＯＭ（read-only memory）、ＮＶＲＡＭ（non-volatile random access memory）、ＰＲＯＭ（programmable read-only memory）、ＥＰＲＯＭ（erasable programmable read-only memory）、ＥＥＰＲＯＭ（electrically erasable PROM）、フラッシュメモリ、ＣＤ（compact disc）、磁気又は光学データストレージデバイスなどのようなコンピュータ読み取り可能な媒体上に保存された命令として具現化できる。命令は、一つ以上のプロセッサによって実行可能であり得、プロセッサが本開示に説明された機能の特定様態を遂行するようにできる。

【0125】

ソフトウェアとして具現化される場合、前記技法は、一つ以上の命令又はコードとしてコンピュータ読み取り可能な媒体上に保存されたり、コンピュータ読み取り可能な媒体を介して転送されたりできる。コンピュータ読み取り可能な媒体は、ある場所から他の場所にコンピュータプログラムの転送を容易にする任意の媒体を含み、コンピュータ保存媒体及び通信媒体の両方を含む。保存媒体は、コンピュータによってアクセスできる任意の利用可能な媒体であり得る。非制限的な例として、このようなコンピュータ読み取り可能な媒体は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、ＣＤ－ＲＯＭや他の光学ディスクストレージ、磁気ディスクストレージや他の磁気ストレージデバイス、若しくは、所望のプログラムコードを命令又はデータ構造の形態に移送又は保存するために使用されることができ、コンピュータによってアクセスできる任意の他の媒体を含むことができる。また、任意の接続がコンピュータ読み取り可能な媒体として適切に称することができる。

【0126】

例えば、ソフトウェアが同軸ケーブル、光ファイバーケーブル、鉛線、デジタル加入者回線（ＤＳＬ）、又は、赤外線、無線及びマイクロ波のような無線技術を用いて、ウェブサイト、サーバ又は他の遠隔ソースから転送される場合、同軸ケーブル、光ファイバーケーブル、鉛線、デジタル加入者回線、又は、赤外線、無線及びマイクロ波などのような無線技術は、媒体の定義内に含まれる。本願で使用されたディスク（disk）及びディスク（disc）は、ＣＤ、レーザーディスク（登録商標）、光ディスク、ＤＶＤ（digital versatile disc）、フロッピーディスク及びブルーレイディスクを含み、ここで、通常、ディスク（disk）は磁気的にデータを再生するのに対し、ディスク（disc）はレーザーを用いて光学的にデータを再生する。前記組合せ等も、コンピュータ読み取り可能な媒体等の範囲内に含まれなければならない。

【0127】

ソフトウェアモジュールは、ＲＡＭメモリ、フラッシュメモリ、ＲＯＭメモリ、ＥＰＲＯＭメモリ、ＥＥＰＲＯＭメモリ、レジスタ、ハードディスク、移動式ディスク、ＣＤ－ＲＯＭ、又は、公知された任意の他の形態の保存媒体内に常駐することもできる。例示的な保存媒体は、プロセッサが保存媒体から情報を読み取る、或いは、保存媒体に情報を書き込むように、プロセッサに連結することができる。代替的に、保存媒体はプロセッサに統合されることもできる。プロセッサ及び保存媒体はＡＳＩＣ内に存在することもできる。ＡＳＩＣはユーザ端末内に存在することもできる。代替的に、プロセッサ及び保存媒体はユーザ端末で個別構成要素として存在することもできる。

【0128】

以上で説明された実施例が一つ以上の独立型コンピュータシステムで現在開示された主題の態様を活用するものとして記述しているが、本開示はこれに限定されず、ネットワークや分散コンピューティング環境のような任意のコンピューティング環境によって具現化できる。さらには、本開示における主題の様態は複数のプロセッシングチップや装置で具現化されることもでき、ストレージは複数の装置に亘って同様に影響を受ける場合もある。このような装置は、ＰＣ、ネットワークサーバ及び携帯用装置を含むこともできる。

【0129】

本明細書では、本開示が一部の実施例によって説明されたが、本開示の発明が属する技術分野における通常の技術者が理解し得る本開示から逸脱しない範囲内で多様な変形や変更が可能である。また、そのような変形や変更は、本明細書に添付された特許請求の範囲内に属するものと理解されるべきである。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】