Celarvaux aplikuje modely strojového učenia na veľké objemy trhových údajov na vytvorenie spätne testovaných odporúčaní, ktoré je možné zobraziť z akéhokoľvek pracoviska.
Odporúčania sú založené na historických cykloch, ktoré sa priebežne analyzujú – nesľubujú sa žiadne výkonnostné sľuby nad rámec zdokumentovaných výsledkov spätného testovania.
Motor Celarvaux vykonáva viacrozmernú analýzu historických sérií – volatilitu, vzájomné korelácie, sezónne cykly – pred vygenerovaním akéhokoľvek odporúčania. Každý scenár sa prehrá za predchádzajúce obdobia, aby sa zmerala jeho robustnosť pred odvysielaním.
Toky nespracovaných údajov sú normalizované a odstránené z anomálií pred akýmkoľvek štatistickým spracovaním.
Algoritmy identifikujú štrukturálne zákonitosti a zlomy trendov vo viacerých horizontoch.
Každé odporúčanie je pred odoslaním používateľovi vážené podľa vypočítaného skóre rizika.
Nasledujúce tri funkcie tvoria prevádzkovú základňu platformy a sú určené na diaľkové ovládanie bez nepretržitého dohľadu.
Relevantné pozície a trhové ukazovatele sú priebežne prepočítavané. Významné odchýlky od spätne testovaných scenárov spúšťajú notifikáciu bez nutnosti fyzickej prítomnosti na pevnej pracovnej stanici.
Každá identifikovaná príležitosť získa zložené skóre zahŕňajúce historickú volatilitu, likviditu a krížovú expozíciu. Skóre sa prepočítava pri každej aktualizácii zdrojových údajov bez manuálneho zásahu.
Výstupy modelu sú formulované ako arbitrážne cesty klasifikované podľa relevantnosti, používateľ je zodpovedný za validáciu konečného rozhodnutia podľa vlastného rizikového rámca.
Tieto scenáre ilustrujú, ako sa operátor pracujúci na diaľku môže spoľahnúť na výstup modelu pri štruktúrovaní svojich rozhodnutí.
Detekcia rozdielov v ocenení medzi korelovanými nástrojmi s odhadom historickej doby konvergencie pozorovanej na podobných konfiguráciách.
Projekcia pravdepodobných trajektórií z porovnateľných minulých cyklov s explicitným intervalom spoľahlivosti a nie s jedinou hodnotou.
Váhové odporúčania určené na zníženie celkovej korelácie portfólia, prepočítané pri každej významnej zmene v trhových údajoch.
Nasledujúce odpovede špecifikujú pôvod údajov a hranice presnosti modelu bez komerčnej formulácie.
Údaje pochádzajú z verejných trhových zdrojov a dodávateľov špecializujúcich sa na cenovú históriu. Na trénovanie všeobecných modelov sa nepoužívajú žiadne osobné údaje portfólia.
Presnosť sa líši v závislosti od triedy aktív a uvažovaného horizontu. Výsledky spätného testovania sú zdokumentované podľa scenára a nepredstavujú záruku budúcej výkonnosti.
Modely sa v pravidelných intervaloch prehodnocujú, keď sú k dispozícii nové trhové údaje, aby sa obmedzil posun výkonnosti v priebehu času.
Prístup je cez webové rozhranie, ktoré je možné konzultovať na diaľku. Nie je potrebná žiadna lokálna inštalácia, čo umožňuje použitie nezávislé od pracovnej stanice.
Pred formulovaním ďalšieho strategického rozhodnutia si pozrite spätne testované scenáre a aktuálne skóre rizika.