O Celarvaux aplica modelos de aprendizado de máquina a grandes volumes de dados de mercado para produzir recomendações testadas e visualizadas em qualquer local de trabalho.
As recomendações são baseadas em ciclos históricos analisados continuamente – nenhuma promessa de desempenho é feita além dos resultados documentados de backtesting.
O motor Celarvaux realiza uma análise multidimensional de séries históricas – volatilidade, correlações cruzadas, ciclos sazonais – antes de gerar qualquer recomendação. Cada cenário é reproduzido em períodos anteriores para medir a sua robustez antes da transmissão.
Os fluxos de dados brutos são normalizados e removidos de anomalias antes de qualquer processamento estatístico.
Os algoritmos identificam regularidades estruturais e quebras de tendências em múltiplos horizontes.
Cada recomendação é ponderada de acordo com uma pontuação de risco calculada antes de ser transmitida ao usuário.
As três funções a seguir constituem a base operacional da plataforma e são projetadas para controle remoto, sem supervisão contínua.
As posições relevantes e os indicadores de mercado são continuamente recalculados. Desvios significativos dos cenários testados a posteriori acionam uma notificação, sem exigir presença física em uma estação de trabalho fixa.
Cada oportunidade identificada recebe uma pontuação composta que incorpora volatilidade histórica, liquidez e exposição cruzada. A pontuação é recalculada cada vez que os dados de origem são atualizados, sem intervenção manual.
Os resultados do modelo são formulados como vias de arbitragem classificadas por relevância, cabendo ao usuário validar a decisão final de acordo com sua própria estrutura de risco.
Estes cenários ilustram como um operador que trabalha remotamente pode confiar nos resultados do modelo para estruturar as suas decisões.
Detecção de diferenças de avaliação entre instrumentos correlacionados, com estimativa do tempo histórico de convergência observado em configurações semelhantes.
Projeção de trajetórias prováveis de ciclos passados comparáveis, com um intervalo de confiança explícito em vez de um valor único.
Recomendações de ponderação destinadas a reduzir a correlação global de uma carteira, recalculadas a cada alteração significativa nos dados de mercado.
As respostas a seguir especificam a origem dos dados e os limites de precisão do modelo, sem formulação comercial.
Os dados vêm de feeds de mercado público e de fornecedores especializados em histórico de preços. Nenhum dado de portfólio pessoal é usado para treinar modelos gerais.
A precisão varia dependendo da classe de ativos e do horizonte considerado. Os resultados do backtesting são documentados por cenário e não constituem garantia de desempenho futuro.
Os modelos são reavaliados em intervalos regulares à medida que novos dados de mercado ficam disponíveis, a fim de limitar a variação do desempenho ao longo do tempo.
O acesso é feito através de uma interface web que pode ser consultada remotamente. Nenhuma instalação local é necessária, permitindo o uso independente da estação de trabalho.
Visualize cenários testados e pontuações de risco atuais antes de formular sua próxima decisão estratégica.