Celarvaux aplikuje modely strojového učení na velké objemy tržních dat a vytváří zpětně testovaná doporučení, která lze zobrazit z jakéhokoli pracoviště.
Doporučení jsou založena na historických cyklech, které jsou průběžně analyzovány – kromě zdokumentovaných výsledků zpětného testování nejsou poskytovány žádné sliby výkonu.
Motor Celarvaux provádí vícerozměrnou analýzu historických řad – volatilitu, vzájemné korelace, sezónní cykly – před generováním jakéhokoli doporučení. Každý scénář se přehraje za předchozí období, aby se změřila jeho odolnost před vysíláním.
Toky nezpracovaných dat jsou před jakýmkoli statistickým zpracováním normalizovány a odstraněny z anomálií.
Algoritmy identifikují strukturální zákonitosti a zlomy trendů napříč více horizonty.
Každé doporučení je před odesláním uživateli váženo podle vypočítaného skóre rizika.
Následující tři funkce tvoří operační základnu platformy a jsou určeny pro dálkové ovládání bez nepřetržitého dohledu.
Relevantní pozice a tržní ukazatele jsou průběžně přepočítávány. Významné odchylky od zpětně testovaných scénářů spustí upozornění, aniž by byla vyžadována fyzická přítomnost na pevné pracovní stanici.
Každá identifikovaná příležitost obdrží složené skóre zahrnující historickou volatilitu, likviditu a křížovou expozici. Skóre se přepočítává při každé aktualizaci zdrojových dat bez ručního zásahu.
Výstupy modelu jsou formulovány jako arbitrážní cesty klasifikované podle relevance, uživatel je odpovědný za validaci konečného rozhodnutí podle vlastního rizikového rámce.
Tyto scénáře ilustrují, jak se operátor pracující na dálku může při strukturování svých rozhodnutí spolehnout na výstup modelu.
Detekce rozdílů v ocenění mezi korelovanými nástroji s odhadem doby historické konvergence pozorované na podobných konfiguracích.
Projekce pravděpodobných trajektorií ze srovnatelných minulých cyklů s explicitním intervalem spolehlivosti spíše než s jedinou hodnotou.
Váhová doporučení určená ke snížení celkové korelace portfolia, přepočítaná při každé významné změně tržních dat.
Následující odpovědi specifikují původ dat a meze přesnosti modelu bez komerční formulace.
Údaje pocházejí z veřejných zdrojů trhu a dodavatelů specializujících se na cenovou historii. Pro trénování obecných modelů se nepoužívají žádná osobní data portfolia.
Přesnost se liší v závislosti na třídě aktiv a uvažovaném horizontu. Výsledky zpětného testování jsou dokumentovány podle scénáře a nepředstavují záruku budoucí výkonnosti.
Modely jsou v pravidelných intervalech přehodnocovány, jakmile budou k dispozici nová tržní data, aby se omezil posun výkonnosti v čase.
Přístup je přes webové rozhraní, které lze konzultovat na dálku. Není nutná žádná místní instalace, což umožňuje použití nezávislé na pracovní stanici.
Před formulováním dalšího strategického rozhodnutí si prohlédněte zpětně testované scénáře a aktuální skóre rizik.