Celarvaux stosuje modele uczenia maszynowego do dużych ilości danych rynkowych, aby wygenerować sprawdzone rekomendacje, widoczne z dowolnego miejsca pracy.
Zalecenia opierają się na stale analizowanych cyklach historycznych — nie składa się żadnych obietnic dotyczących wydajności poza udokumentowanymi wynikami weryfikacji historycznej.
Silnik Celarvaux przeprowadza wielowymiarową analizę szeregów historycznych – zmienności, korelacji krzyżowych, cykli sezonowych – przed wygenerowaniem jakiejkolwiek rekomendacji. Każdy scenariusz jest odtwarzany w poprzednich okresach, aby zmierzyć jego solidność przed emisją.
Surowe strumienie danych są normalizowane i usuwane z anomalii przed jakimkolwiek przetwarzaniem statystycznym.
Algorytmy identyfikują prawidłowości strukturalne i przełamania trendów w wielu horyzontach.
Każde zalecenie jest ważone zgodnie z obliczoną oceną ryzyka przed przesłaniem użytkownikowi.
Poniższe trzy funkcje stanowią podstawę operacyjną platformy i są przeznaczone do zdalnego sterowania, bez ciągłego nadzoru.
Odpowiednie pozycje i wskaźniki rynkowe są stale przeliczane. Znaczące odchylenia od zweryfikowanych scenariuszy powodują powiadomienie bez konieczności fizycznej obecności na stałym stanowisku pracy.
Każda zidentyfikowana szansa otrzymuje złożony wynik obejmujący historyczną zmienność, płynność i ekspozycję krzyżową. Wynik jest przeliczany za każdym razem, gdy dane źródłowe są aktualizowane, bez konieczności ręcznej interwencji.
Wyniki modelu są formułowane jako ścieżki arbitrażu sklasyfikowane według istotności, użytkownik jest odpowiedzialny za zatwierdzenie ostatecznej decyzji zgodnie z własnymi ramami ryzyka.
Scenariusze te ilustrują, w jaki sposób operator pracujący zdalnie może polegać na wynikach modelu w celu ustrukturyzowania swoich decyzji.
Wykrywanie różnic w wycenie pomiędzy skorelowanymi instrumentami, wraz z oszacowaniem czasu zbieżności historycznej obserwowanego na podobnych konfiguracjach.
Projekcja prawdopodobnych trajektorii z porównywalnych poprzednich cykli, z wyraźnym przedziałem ufności, a nie pojedynczą wartością.
Zalecenia ważenia mające na celu zmniejszenie ogólnej korelacji portfela, przeliczanej przy każdej istotnej zmianie danych rynkowych.
Poniższe odpowiedzi określają pochodzenie danych i granice dokładności modelu, bez formuły komercyjnej.
Dane pochodzą z kanałów rynku publicznego i dostawców specjalizujących się w historii cen. Żadne dane dotyczące portfela osobistego nie są wykorzystywane do szkolenia modeli ogólnych.
Dokładność różni się w zależności od klasy aktywów i rozpatrywanego horyzontu. Wyniki weryfikacji historycznej są dokumentowane dla każdego scenariusza i nie stanowią gwarancji przyszłych wyników.
Modele są poddawane ponownej ocenie w regularnych odstępach czasu, gdy dostępne są nowe dane rynkowe, aby ograniczyć zmianę wyników w czasie.
Dostęp odbywa się poprzez interfejs sieciowy, z którego można korzystać zdalnie. Nie jest wymagana żadna instalacja lokalna, co pozwala na użytkowanie niezależne od stacji roboczej.
Przed podjęciem kolejnej strategicznej decyzji przejrzyj sprawdzone scenariusze i aktualne oceny ryzyka.