Celarvaux primjenjuje modele strojnog učenja na velike količine tržišnih podataka za izradu preporuka testiranih unatrag, vidljivih s bilo kojeg radnog mjesta.
Preporuke se temelje na povijesnim ciklusima koji se kontinuirano analiziraju — ne daju se obećanja performansi osim dokumentiranih rezultata testiranja unazad.
Motor Celarvaux provodi višedimenzionalnu analizu povijesnih serija – volatilnost, unakrsne korelacije, sezonski ciklusi – prije generiranja bilo kakve preporuke. Svaki se scenarij ponavlja tijekom prethodnih razdoblja kako bi se izmjerila njegova robusnost prije emitiranja.
Neobrađeni tokovi podataka normaliziraju se i uklanjaju anomalije prije bilo kakve statističke obrade.
Algoritmi identificiraju strukturne pravilnosti i prijelome trendova kroz više horizonata.
Svaka preporuka ponderirana je prema izračunatom rezultatu rizika prije nego što se prenese korisniku.
Sljedeće tri funkcije čine operativnu bazu platforme i dizajnirane su za daljinsko upravljanje, bez stalnog nadzora.
Relevantne pozicije i tržišni pokazatelji kontinuirano se preračunavaju. Značajna odstupanja od scenarija testiranih unatrag aktiviraju obavijest, bez potrebe za fizičkom prisutnošću na fiksnoj radnoj stanici.
Svaka identificirana prilika dobiva kompozitni rezultat koji uključuje povijesnu volatilnost, likvidnost i unakrsnu izloženost. Rezultat se ponovno izračunava svaki put kada se izvorni podaci ažuriraju, bez ručne intervencije.
Izlazi modela formulirani su kao arbitražni putevi klasificirani prema važnosti, korisnik je odgovoran za provjeru konačne odluke u skladu s vlastitim okvirom rizika.
Ovi scenariji ilustriraju kako se operater koji radi na daljinu može osloniti na rezultate modela kako bi strukturirao svoje odluke.
Otkrivanje razlika u vrednovanju između koreliranih instrumenata, s procjenom povijesnog vremena konvergencije promatranog na sličnim konfiguracijama.
Projekcija vjerojatnih putanja iz usporedivih prošlih ciklusa, s eksplicitnim intervalom pouzdanosti umjesto jedne vrijednosti.
Preporuke za ponderiranje namijenjene smanjenju ukupne korelacije portfelja, ponovno izračunate pri svakoj značajnoj promjeni tržišnih podataka.
Sljedeći odgovori određuju podrijetlo podataka i granice točnosti modela, bez komercijalne formulacije.
Podaci dolaze iz feedova javnog tržišta i dobavljača specijaliziranih za povijest cijena. Podaci o osobnom portfelju ne koriste se za obuku općih modela.
Preciznost varira ovisno o klasi imovine i razmatranom horizontu. Rezultati testiranja unatrag dokumentiraju se po scenariju i ne predstavljaju jamstvo budućih performansi.
Modeli se ponovno procjenjuju u redovitim intervalima kako novi tržišni podaci postanu dostupni, kako bi se ograničilo pomicanje performansi tijekom vremena.
Pristup je putem web sučelja koje se može konzultirati na daljinu. Nije potrebna lokalna instalacija, što omogućuje korištenje neovisno o radnoj stanici.
Pogledajte provjerene scenarije i trenutne ocjene rizika prije formuliranja vaše sljedeće strateške odluke.