Modèle de performance pour les services de transferts de fonds, à petits frais, avec confiance sur le Blockchain


 
 

Création d'un modèle d'échange d'argent pour les pays en développement pour lequel les intervenants n'ont

pas à se déplacer vers un bureau de transfert et qu'ils soient totalement confiants du service. Un sondage a

été effectué, à Kinshasa, pour connaître les craintes des utilisateurs concernant l'utilisation dune application

mobile de services de transfert d'argent fondée sur la chaîne de blocs.

 

 

             OBJECTIF   




 
 

Le processus de paiement, sur la chaîne de blocs, souffre d'une difficulté de montée en charge et lors de haute occupation les transactions deviennent lentes et son coût prohibitif pour les transferts de petits montants. Une solution à ce problème de transfert d'argent, à très petits frais, serait possible à l'aide du modèle DLT Business Model, proposé par le professeur Kaiwen Zhang, de l'ÉTS. Ce projet vise à concevoir une preuve de concept d'un service mobile expérimental de transfert de fonds à l'aide de la technologie Blockchain.


 


                               Modèle de transfert d'argent qui utilise le blockchain (Maketa, 2018)                                    


               DÉFI   

 
 

S'assurer que le transfert est rapide, fiable et sutrout que son coût est rès faible. S'assurer aussi que le mécanisme qui s'assure que le dépôt est effectué: soit directement aux fournisseurs identifiés pour la personne ou directement à la personne. Le système doit être fiable et rapide pour gagner la confiance des utilisateurs.

 

             CE QUE NOUS AVONS FAIT   

 
 

Une première version du prototype logiciel permettra de faire des essais ou l'expéditeur fais parvenir un montant à un bénéficaire sans conditions. Dans ce scénario, l'expéditeur reçoit un accusé de réception lorseque le bénéficaire récupère l'argent.

Le deuxième essai prévois qu'un expéditeur envoie un montant à un tiers. Ce montant est destiné à un bénéficaire mais nécessite l'accord du tiers avant que le montant soit versé.

Le troisième essai permet à l'expéditeur d'envoyer un budget au bénéficaire. Dans ce budget, l'expéditeur peut préciser à quel fournisseur de services (c.-à-d. qui sont actuellement fournis au tiers) ces montants sont assignés/réservés. Ainsi le tiers pourra obtenir des services de ces fournisseurs jusqu'à ce que le budget soit épuisé (par exemple, pour des frais de scolarité).

Finalement, le dernier test prévu validera la fonction de réallocation du budget.

 
  

              ÉQUIPE D'ÉTUDIANTS     T. Maketa et I. Sion.

 

 

              TECHNOLOGIES   Ethereum, Solidity, Metamask, Ganache Truffle Suite, Python, Django, Web3.py, REST, HTML, CSS, Postgre, MySQL.
 



 

Automates boursiers (négociation haute fréquence)


 
 

Création d'un orchestrateur d'extracteurs sémantiques permettant d'obtenir automatiquement des

informations utles lors de la prise de décision des automates boursiers. Les différents extracteurs, qui sont

interchangeables et interconnnectables, génèrent tous un signal d'achat, de vente ou d'attente et son

accompagnés dun indicateur de contexte.

 

 

             OBJECTIF   




 
 

Les entreprises de courtage ainsi que les investisseurs s'intéressent de plus en plus aux automates boursiers. Ils désirent ajouter des informations, tirées de toutes sortes de sources sur le Web, pour améliorer leurs décisions de placement. Pour ce faire il est difficile pour eux d'obtenir, de synthétiser et d'automatiser, en temps réel, l'obtention de toute cette information.

Nous développons des collecteurs normalisés pour l'extraction automatique d'informations provenant de sites web spécialisés (c.-à-d. MarketWatch, Bloomberg, Reuters, ..) de messages d'experts infuents (par exemple @PaulScolardi, @Burns277, @OptionsHawk), de bases de donnnées spécialisées (c.-à-d. NasTraq, Taq, OptionsMetrics) et d'algorithmes d'analyses techniques.

Voir notre article dans le Québec Science.


 




                               Prototype des composants de l'automate boursier                                    


               DÉFI   

 
 

Expérimenter diverses techniques d'obtention des données sur les pages Web, d'interfaces avec les différents formats et types d'APi's de manière à obtenir l'information en temps réel. Expérimenter avec l'impact potentiel de l'information sur une commande d'achat ou vente.

 

             CE QUE NOUS AVONS FAIT   

 
 

Nous utilisons un processus de développement Agile permettant de courtes itérations pour les expérimentations. Voici quelques rapports intermédiaires d'analyse de sentiments pour le domaine de la finance, de signaux pour automates de trading et d'enrichissement des signaux.


En ce moment nous avons l'objectif de développer un composant estimateur de la tendance du marché. Plusieurs techniques d'intelligence articielles ont été expérimentées par le passsé 1, 2 et 3. Ce composant doit obtenir les informations du marché à l'aide de son API et prédire la tendance pour les prochaines 2 à 5 minutes.


 
  

              ÉQUIPE D'ÉTUDIANTS     T.Maketa, B.Lebois, D.Méthot, S.Santerre, C.Simon et N.Hubert

 


              TECHNOLOGIES     Anno4J, Alibaba, Marmotta, Camel, Hadoop, Java/Python, pyAlgoTrade, RabbitMQ, SPARQL,
                                                RDF/XML, Interactive Broker, JASON, ElasticSearch/ Kibana

 



 

Moteur de statistiques


 
 

Ce projet a été proposé par Revelate qui est une startup Montréalaise spécialisée en Big Data dans le

domaine financier. Les clients typiques de Revelate sont des bourses, des places de marché alternatifs

(ATS) et des groupes de trading dans les institutions financières. La plateforme peut également être utilisée

par des départements de conformité et des régulateurs.

 

 

             DÉFI   




 
 

Travaux sur des quantités massives de données boursières. Le premier objectif consiste à optimiser, mettre à l'échelle et à généraliser, à l'aide de la technologie Scala/Spark, un prototype logiciel qui crée des statistiques boursières telles que les courbes d'écart de prix. Le second objectif est de valider les résultats obtenus et s'assurer qu'il est facilement possible d'ajouter de nouveaux estimateurs dans l'architecture proposée. À terme, un utilisateur pourra fournir lui-même ses formules et le moteur de statistiques pourra lancer cette formule et lui présenter les résultats automatiquement. Finalement, le troisième objectif de ce projet, est de créer un module d'analyse post exécution en ajoutant les statistiques pertinentes liées à l'exécution (c.-à-d. volumes, spreads et volatilité réalisés, glissement, profils d'exécution, etc.) au moteur de statistiques.


 

             CE QUE NOUS AVONS FAIT   

 
 



Cette figure présente la première version du prorotype. Cette première preuve de concept, de génération de formules statistiques a implanté un parser, à l'aide de «scala.util.parser.combinator», qui crée une grammaire mathématique et permet d'exprimer syntaxiquement les éléments des formules statistiques. Il sera donc possible d'utiliser ce parser, à l'aide d'une interface utilisateur, pour qu'un utilisateur construise ou adapte une formule lui même.

Dans la seconde itération, nous avons développé le code Scala et les RDDs pour effectuer quatres formules (Volume, VWAP, VWAS et GK) et nous les avons expérimenté, à grande échelle, sur une grappe Amazon. Finalement, lors de a troisième itération, nous avons générer du code Latex, à partir de chaines de caractéres Java (qui contiens une formule), et nous la représentons graphiquement de manière à ce que les utilisateurs puissent les valider visuellement (voir figure ci-dessous):




Exemple de l'étude de la seconde itération des différentes configurations sur Amazon


Exemple de l'étude de l'efficacité de la parallélisation des tâches Spark sur Amazon

 
  

              ÉQUIPE D'ÉTUDIANTS     Philippe Grenier-Vallée et Luiz Fernando Santos Pereira

 


              TECHNOLOGIES     Spark 2.0, Scala, Java, Scala Parser Combinators, JLatexmath, JSON, AWS EMR, Maven,
                                                BitBucket

 
Ce projet est effectué sur Screen-Shot-2016-12-07-at-10-42-18-AM.png