Celarvaux bruker maskinlæringsmodeller på store mengder markedsdata for å produsere tilbaketestede anbefalinger, som kan ses fra enhver arbeidsplass.
Anbefalinger er basert på historiske sykluser som analyseres fortløpende - ingen ytelsesløfter er gitt utover dokumenterte backtesting-resultater.
Celarvaux-motoren utfører en flerdimensjonal analyse av historiske serier – volatilitet, krysskorrelasjoner, sesongsykluser – før den genererer noen anbefaling. Hvert scenario spilles av over tidligere perioder for å måle robustheten før sending.
Rådatastrømmer normaliseres og fjernes fra anomalier før statistisk behandling.
Algoritmene identifiserer strukturelle regelmessigheter og trendbrudd over flere horisonter.
Hver anbefaling vektes i henhold til en beregnet risikoscore før den overføres til brukeren.
Følgende tre funksjoner utgjør plattformens operative base og er designet for fjernstyring, uten kontinuerlig tilsyn.
Relevante posisjoner og markedsindikatorer omberegnes fortløpende. Betydelige avvik fra de tilbaketestede scenariene utløser et varsel, uten at det kreves fysisk tilstedeværelse på en fast arbeidsstasjon.
Hver identifisert mulighet får en sammensatt poengsum som inkluderer historisk volatilitet, likviditet og krysseksponering. Poengsummen beregnes på nytt hver gang kildedataene oppdateres, uten manuell inngripen.
Modellens resultater er formulert som voldgiftsveier klassifisert etter relevans, brukeren er ansvarlig for å validere den endelige avgjørelsen i henhold til sitt eget risikorammeverk.
Disse scenariene illustrerer hvordan en operatør som jobber eksternt kan stole på modellens utdata for å strukturere sine beslutninger.
Påvisning av verdsettelsesforskjeller mellom korrelerte instrumenter, med estimering av den historiske konvergenstiden observert på lignende konfigurasjoner.
Projeksjon av sannsynlige baner fra sammenlignbare tidligere sykluser, med et eksplisitt konfidensintervall i stedet for en enkelt verdi.
Vektanbefalinger ment å redusere den totale korrelasjonen til en portefølje, beregnet på nytt ved hver betydelig endring i markedsdata.
Følgende svar spesifiserer opprinnelsen til dataene og nøyaktighetsgrensene for modellen, uten kommersiell formulering.
Dataene kommer fra offentlige markedsfeeder og leverandører som spesialiserer seg på prishistorie. Ingen personlige porteføljedata brukes til opplæring av generelle modeller.
Presisjonen varierer avhengig av aktivaklassen og horisonten som vurderes. Backtesting-resultater er dokumentert per scenario og utgjør ingen garanti for fremtidig ytelse.
Modeller revurderes med jevne mellomrom etter hvert som nye markedsdata blir tilgjengelige, for å begrense ytelsesavvik over tid.
Tilgang skjer via et nettgrensesnitt som kan konsulteres eksternt. Ingen lokal installasjon er nødvendig, noe som tillater arbeidsstasjonsuavhengig bruk.
Se tilbaketestede scenarier og gjeldende risikoscore før du formulerer din neste strategiske beslutning.