Entwicklung einer SaaS-Plattform für Commodity-Trading-Software

Über unseren Kunden

Unser Kunde, ein mittelständisches Commodity-Trading-Unternehmen, benötigte eine Plattform zur Verarbeitung von Marktdaten in Echtzeit, zur Unterstützung datenbasierter Entscheidungen und zur Automatisierung von Handelsprozessen.

Die bestehende Software konnte steigende Datenmengen, fragmentierte Marktinformationen und komplexe Anforderungen an die Erstellung von Prognosen nicht ausreichend bewältigen.

SCAND wurde mit der Entwicklung einer SaaS-Plattform beauftragt, die Echtzeitanalysen, automatisierte Prozesse und KI-gestützte Marktprognosen vereinen sollte. Zusätzlich sollte die Lösung Funktionen für das Risikomanagement im Commodity Trading bieten, damit Händler ihre Risikopositionen im täglichen Geschäft überwachen konnten.

• Region: Weltweit
• Branche: Commodity Trading
• Zeitrahmen: ca. 12 Monate

Herausforderung

Commodity-Trading-Unternehmen agieren in sehr dynamischen Märkten, in denen der frühzeitige Zugang zu zuverlässigen Informationen direkten Einfluss auf den Geschäftserfolg hat. Daraus ergaben sich die folgenden zentralen Herausforderungen für das Projekt:

• Verarbeitung großer Mengen an Markt- und Transaktionsdaten über eine Pipeline für Echtzeit-Marktdaten
• Datenverarbeitung mit geringer Latenz zur Unterstützung automatisierter Handelsprozesse und der Entscheidungsfindung
• Anbindung mehrerer Handelsplattformen und externer Datenanbieter über Standards wie das FIX-Protokoll
• Bereitstellung prädiktiver Analysen ohne kostspielige Unternehmensinfrastruktur
• Automatisierung von Berichts- und Compliance-Prozessen
• Sicherstellung von Skalierbarkeit und Zuverlässigkeit bei kontinuierlich steigender Systemauslastung

Hauptziele

Für die Entwicklung einer entsprechenden Commodity-Trading-Software haben wir folgende Ziele festgelegt:

• Entwicklung einer SaaS-basierten Commodity-Trading-Plattform mit cloudnativer Architektur und erweiterten Analysefunktionen
• Verarbeitung hochfrequenter Marktdaten mit minimaler Latenz
• Integration mehrerer externer Handelssysteme und Marktdatenanbieter
• Implementierung von KI/ML-gestützten Prognosen und prädiktiven Analysen für den Handel
• Automatisierung von Handelsprozessen und operativer Berichterstattung
• Aufbau einer ausfallsicheren Microservices-Architektur für zukünftiges Wachstum

Projektübersicht

Die Entwickler von SCAND waren an der Backend-Entwicklung, der Echtzeit-Datenverarbeitung und der Implementierung erweiterter Analysefunktionen für die Commodity-Trading-Plattform beteiligt.

Um Skalierbarkeit und Flexibilität zu gewährleisten, setzten wir auf eine Microservices-Architektur. Sie vereinfachte die Bereitstellung, die Integration externer Handelssysteme und Marktdatenanbieter sowie die spätere Erweiterung der Plattform.

Zudem entwickelten wir leistungsstarke Datenpipelines zur Erfassung, Vereinheitlichung und Verarbeitung hochfrequenter Marktdaten in Echtzeit. Integrierte Modelle für prädiktive Analysen unterstützen Marktprognosen, automatisierte Entscheidungen und die Optimierung von Handelsprozessen.

Lösung

Die fertige Lösung war eine cloudbasierte Commodity-Trading-Plattform mit Analysefunktionen, die Echtzeit-Datenverarbeitung, KI-gestützte Prognosen und automatisierte Geschäftsprozesse vereinte.

Die ereignisgesteuerte Architektur ermöglichte die kontinuierliche Erfassung von Marktdaten. Prognosemodelle halfen Unternehmen dabei, Marktchancen frühzeitig zu erkennen und Handelsstrategien zu optimieren.

Kernfunktionen der Plattform

• Erfassung und Verarbeitung von Marktdaten in Echtzeit
• Automatisierte Steuerung von Handelsprozessen
• KI-gestützte Prognosen und prädiktive Analysen
• Zusammenführung, Vereinheitlichung und Umwandlung von Daten
• Integration externer Handelssysteme und Marktdatenanbieter
• Automatisierte Berichterstattung und regulatorischer Datenaustausch
• Integrierte Risikoüberwachung und Erkennung von Anomalien
• Unterstützung verschiedener Rohstoffmärkte und konfigurierbarer Handelsbereiche

Nutzer-Workflow

• Erfassung von Marktdaten: Die Plattform erfasst Marktdaten und Handelsinformationen von externen Anbietern.
• Datenverarbeitung: Eingehende Daten werden vereinheitlicht, zusammengeführt und über ereignisgesteuerte Datenpipelines verteilt.
• Analysen und Prognosen: KI-Modelle liefern Marktprognosen und Erkenntnisse zur Unterstützung von Handelsentscheidungen.
• Handelsprozesse: Automatisierte Abläufe steuern Handelsprozesse und unterstützen Händler bei Entscheidungen.
• Überwachung und Berichterstattung: Leistungskennzahlen, Handelsaktivitäten und operative Berichte sind über zentrale Dashboards verfügbar.

Technologie-Stack

Für die Entwicklung der CTRM-Software, den Echtzeit-Handel, prädiktive Analysen und die Verarbeitung großer Datenmengen haben wir die folgenden Technologien ausgewählt:

• Backend: .NET Core, C#, Dapper, Microsoft SQL Server, RabbitMQ, FIX-Protokoll, SoupBinTCP, Microservices-Architektur
• Frontend/UI: Angular, TypeScript, WebSockets
• KI und Analytik: Python, KI/ML-Modelle für Prognosen und prädiktive Analysen
• Infrastruktur und DevOps: Grafana, Prometheus, Serilog, Azure DevOps, Jenkins, Octopus Deploy

Kernteam

• Product Owner: Definierte die Produktvision und den Entwicklungsplan für die Commodity-Trading-Plattform.
• Lösungsarchitekt: Konzipierte die Microservices-Architektur und die Datenpipelines.
• .NET-Entwickler: Entwickelten Handelsdienste, APIs, Integrationen und die Backend-Infrastruktur.
• Frontend-Entwickler: Entwickelten Analyse-Dashboards und Handelsoberflächen mit Angular.
• Daten- und KI-Ingenieure: Implementierten Prognosemodelle, Datenpipelines und prädiktive Analysen.
• DevOps-Ingenieure: Verwalteten die Cloud-Infrastruktur, das Monitoring, CI/CD und die automatisierte Bereitstellung.
• QA-Ingenieure: Überprüften Handelsprozesse, die Genauigkeit der Analysen, die Systemzuverlässigkeit und die Leistung der Plattform.