Celarvaux aplică modele de învățare automată unor volume mari de date de piață pentru a produce recomandări testate în spate, care pot fi vizualizate de la orice loc de muncă.
Recomandările se bazează pe cicluri istorice analizate în mod continuu - nu se fac promisiuni de performanță în afara rezultatelor documentate de backtesting.
Motorul Celarvaux realizează o analiză multidimensională a seriilor istorice – volatilitate, corelații încrucișate, cicluri sezoniere – înainte de a genera orice recomandare. Fiecare scenariu este reluat în perioadele anterioare pentru a-și măsura robustețea înainte de difuzare.
Fluxurile de date brute sunt normalizate și eliminate din anomalii înainte de orice procesare statistică.
Algoritmii identifică regularități structurale și întreruperi de tendințe pe mai multe orizonturi.
Fiecare recomandare este ponderată în funcție de un scor de risc calculat înainte de a fi transmisă utilizatorului.
Următoarele trei funcții alcătuiesc baza operațională a platformei și sunt concepute pentru control de la distanță, fără supraveghere continuă.
Pozițiile relevante și indicatorii de piață sunt recalculați continuu. Abateri semnificative de la scenariile testate înapoi declanșează o notificare, fără a necesita prezența fizică la o stație de lucru fixă.
Fiecare oportunitate identificată primește un scor compus care încorporează volatilitatea istorică, lichiditatea și expunerea încrucișată. Scorul este recalculat de fiecare dată când datele sursă sunt actualizate, fără intervenție manuală.
Rezultatele modelului sunt formulate ca căi de arbitraj clasificate în funcție de relevanță, utilizatorul fiind responsabil pentru validarea deciziei finale în funcție de propriul cadru de risc.
Aceste scenarii ilustrează modul în care un operator care lucrează de la distanță se poate baza pe rezultatul modelului pentru a-și structura deciziile.
Detectarea diferențelor de evaluare între instrumentele corelate, cu estimarea timpului istoric de convergență observat pe configurații similare.
Proiecția traiectoriilor probabile din ciclurile trecute comparabile, cu un interval de încredere explicit mai degrabă decât o singură valoare.
Recomandări de ponderare menite să reducă corelația globală a unui portofoliu, recalculate la fiecare modificare semnificativă a datelor de piață.
Următoarele răspunsuri precizează originea datelor și limitele de acuratețe ale modelului, fără formulare comercială.
Datele provin de la feed-uri de pe piața publică și de la furnizori specializați în istoricul prețurilor. Nu se utilizează date personale din portofoliu pentru antrenarea modelelor generale.
Precizia variază în funcție de clasa de activ și de orizontul luat în considerare. Rezultatele backtestingului sunt documentate pe scenariu și nu constituie o garanție a performanței viitoare.
Modelele sunt reevaluate la intervale regulate pe măsură ce noi date de piață devin disponibile, pentru a limita deviația performanței în timp.
Accesul se face printr-o interfață web care poate fi consultată de la distanță. Nu este necesară nicio instalare locală, permițând utilizarea independentă de stația de lucru.
Vizualizați scenariile testate și scorurile curente de risc înainte de a formula următoarea decizie strategică.