Clear Street收购Instinet的Fox River算法交易部门

币界网发布于2024-07-16更新于2024-07-16

币界网报道:

基于云的技术公司Clear Street宣布计划收购一家专注于美国和加拿大股票的算法执行解决方案公司。Clear Street已达成协议,收购Instinet的Fox River算法交易业务。这一举措旨在加强经纪行业,并为买方和卖方公司提供解决方案,特别是美国和加拿大股市的量化驱动基金。

专注于执行服务

Instinet总裁兼美洲区负责人Gerry Milligan在评论收购计划时表示,说:“这项交易为两家公司都带来了明显的好处。它使Instinet能够简化我们现有的执行流程。执行执行是客户向经纪公司提交订单的过程,经纪公司随后执行订单,从而在给定的资产中形成未平仓头寸。订单只有在被执行时才会执行。订单的下达和执行之间通常存在时间延迟,这被称为延迟。在零售外汇领域,可靠的经纪公司总是努力向客户提供最佳执行,以保持与他们的稳固业务关系。这是一个共同执行的过程,在此过程中,客户向经纪机构提交订单,经纪公司因此执行订单,导致给定资产的未平仓单寸。订单的执行仅发生在当它被填满时。在下单和执行之间通常会有一个时间延迟,称为延迟。在零售外汇领域,可靠的经纪商总是努力提供最好的服务为了与客户保持稳固的业务关系。这是一项共同阅读本条款的服务产品,并继续将我们的投资重点放在我们的核心算法平台上。此外,我们相信Fox River平台将成为Clear Street产品套件的有力补充。"

Fox River将被整合到Clear Street的现有业务中,以增强该公司的云原生大宗经纪平台。这种整合旨在通过提供一套针对定量客户量身定制的产品来提高Clear Street的电子交易能力。

根据官方声明,Clear Street Investment Banking为该交易提供了建议,该交易预计将在2024年第三季度完成,等待惯例成交条件。然而,财务条款尚未披露。

Clear Street成立于2018年,开发了一个云原生清算平台。清算清算是一个通用术语,根据主题和相关行业的不同,它意味着许多不同的事情。最常见的是,这是指支票和汇票银行之间的相互交换,以及差额的结算,或在清算所结算的债权总额。在金融和银行业,清算一词根据更具体的商业模式有不同的含义。将支票从存款银行转移到出票银行。清算是一个通用术语,根据主题和相关行业的不同,它只意味着许多不同的事情。最常见的是,这是指支票和汇票银行之间的相互交换,以及差额的结算,或在清算所结算的债权总额。在金融和银行业,清算一词根据更具体的商业模式有不同的含义。将支票从存款银行转移到出票银行。阅读本条款和托管系统,旨在满足当今复杂的全球市场的需求。2023年12月,该公司完成了Prysm Capital的第三轮B轮融资,将B轮融资总额提高到6.85亿美元,公司估值为21亿美元。

公司高层管理人员的变动

关于计划收购的公告是在Clear Street管理层发生变化之际发布的。最近,Clear Street任命爱德华·蒂利为总裁。Tilly在CBOE Global Markets担任首席执行官长达十年后,过渡到公司的新职位,据报道,在此期间,他将市值从20亿美元增加到180多亿美元。

根据官方声明,2017年收购BATS Global Markets和推出零日到期期权等金融产品等举措突显了他的领导地位。

Tilly拥有管理上市公司Clear Street的经验。在他的新职位上,他预计将与Clear Street的首席执行官Chris Pento合作,专注于公司的增长。他向Clear Street董事会报告。

你可能也喜欢

加州理工用AI攻克量子化学60年难题,1块显卡做完7800块的活

加州理工学院Anima Anandkumar团队利用人工智能攻克了量子化学领域存在60年的计算瓶颈。他们开发的AI模型“Kohn-Sham FNO”将密度泛函理论(DFT)的计算复杂度从传统的立方级降低至近线性级,实现了革命性突破。 传统DFT计算随体系增大,计算量呈立方增长,难以模拟大分子体系。该团队创新性地采用傅里叶神经算子,在DFT的迭代求解流程中替代了最耗时的核心计算步骤,而非直接预测最终结果。这种“思维链”式的分步迭代方法保证了计算的稳定性和外推能力,即使模型输出有误,后续迭代也能纠正,并能在超出能力范围时通过发散发出警报。 该模型仅用8504个结构进行训练,便能同时处理分子和固体材料,覆盖元素周期表前五行元素,展现出优异的泛化能力。在外推至训练集未见的大型药物分子时,其误差远低于直接预测模型。 实际验证中,该模型在单块NVIDIA B300 GPU上成功完成了包含8250个原子(82500个价电子)的金属缺陷模拟,计算完美收敛。相比之下,2019年一项对类似规模体系的全量DFT计算动用了约7800块GPU。实测计算缩放指数为1.03(近线性),而传统方法为3.37(立方级),意味着体系越大,效率优势越显著。 这项研究标志着AI开始替代物理计算中最耗时的重复运算部分。团队已基于此创立公司,并计划进一步完善模型以覆盖完整能量计算流程,未来在药物研发、电池材料设计等领域具有巨大应用潜力。

marsbit35分钟前

加州理工用AI攻克量子化学60年难题,1块显卡做完7800块的活

marsbit35分钟前

交易

现货
活动图片