Optimizing the mark-up of foreign exchange derivative contracts using machine learning

Abstract

The forward exchange rate of a foreign exchange derivative contract typically includes a mark-up. Mark-up is the additional charge added by the market participant providing the instrument to compensate for e.g. the risks taken and costs incurred. Including excessive mark-ups can result in lost contracts as the other party, known as the customer, has the decision power to decline a given quotation before agreeing to a contract. The objective of the study was to find a solution for determining effective mark-ups for each transaction and customer.

The studied approach was to apply machine learning techniques on historical query data to extract patterns of customer behavior regarding the mark-up. The problem was defined to be a supervised learning problem, where the response is the willingness of a client to accept a given quotation. This measure is known as the "hit rate". The chosen machine learning techniques were multilayer perceptron and gradient boosted trees.

Based on the experiments conducted on historical query data, multilayer perceptron performed well for modelling the behavior of most customers. After successfully modelling hit rates with respect to the selected query-related variables, the models were used for constructing expected revenue models. These models could then be used for attaining the mark-ups that maximize the expected revenue of different trades and market situations. In case giving similar prices to similar customers is enforced, a simple approach based on applying customer clustering on individual hit rate models was found effective in determining cluster-specific mark-ups.

Valuuttajohdannaisen termiinikurssi sisältää tyypillisesti marginaalin. Tuotteen tarjoaja lisää kyseisen ylimääräisen kustannuksen muun muassa korvatakseen ottamiansa riskejä sekä syntyneitä kuluja. Ylisuurten marginaalien lisääminen voi johtaa menetettyihin kauppoihin, sillä sopimuksen toinen vastapuoli eli asiakas voi kieltäytyä kaupasta saatuaan tietää lopullisen kurssin. Tutkimuksen päämääränä oli kehittää ratkaisu tuottavuuden kannalta efektiivisten marginaalien määrittämiseen, joka soveltuisi kaikille kaupoille ja asiakkaille.

Tutkimuksessa mallinnettiin asiakkaiden käyttäytymistä suhteessa annettuun marginaaliin. Tutkimus toteutettiin koneoppimismenetelmiä käyttäen perustuen historialliseen kauppadataan. Ongelma määriteltiin ohjatun oppimisen ongelmaksi, jossa tuloksena on asiakkaan suostumus annettuun marginaaliin, ns. "hit rate". Koneoppimismenetelmiksi valittiin multilayer perceptron ja gradient boosted trees.

Historiallisen kauppadatan perusteella tehdyissä kokeissa multilayer perceptron toimi hyvin useimpien asiakkaiden käyttäytymisen mallintamisessa. Onnistuneiden käyttäytymismallien perusteella konstruoidut tuottomallit soveltuivat odotetun tuoton maksimointiin eri kaupoille ja markkinatilanteille. Jos samankaltaisille asiakkaille tulisi lisäksi antaa samanlaisia marginaaleja, tutkimuksen perusteella kehitetty yksinkertainen menetelmä havaittiin tehokkaaksi. Menetelmässä yksittäisten asiakkaiden käyttäytymismalleja käytetään yhdessä asiakkaiden klusteroinnin kanssa määrittämään klusterikohtaisia marginaaleja.