Celarvaux tillämpar maskininlärningsmodeller på stora volymer marknadsdata för att producera rekommendationer som är testade i efterhand, som kan ses från vilken arbetsplats som helst.
Rekommendationer är baserade på historiska cykler som analyseras kontinuerligt - inga prestationslöften ges utöver dokumenterade backtesting-resultat.
Celarvaux-motorn utför en multidimensionell analys av historiska serier – volatilitet, korskorrelationer, säsongscykler – innan den genererar någon rekommendation. Varje scenario spelas upp under tidigare perioder för att mäta dess robusthet före sändning.
Rådataströmmar normaliseras och tas bort från anomalier före någon statistisk bearbetning.
Algoritmerna identifierar strukturella regelbundenheter och trendbrott över flera horisonter.
Varje rekommendation viktas enligt en beräknad riskpoäng innan den överförs till användaren.
Följande tre funktioner utgör plattformens operativa bas och är designade för fjärrkontroll, utan kontinuerlig övervakning.
Relevanta positioner och marknadsindikatorer räknas om kontinuerligt. Betydande avvikelser från de backtestade scenarierna utlöser ett meddelande, utan att det krävs fysisk närvaro på en fast arbetsstation.
Varje identifierad möjlighet får en sammansatt poäng som inkluderar historisk volatilitet, likviditet och korsexponering. Poängen räknas om varje gång källdata uppdateras, utan manuell inblandning.
Modellens resultat är formulerade som skiljevägar klassificerade efter relevans, användaren ansvarar för att validera det slutliga beslutet enligt sitt eget riskramverk.
Dessa scenarier illustrerar hur en operatör som arbetar på distans kan lita på modellens utdata för att strukturera sina beslut.
Detektering av värderingsskillnader mellan korrelerade instrument, med uppskattning av den historiska konvergenstiden som observerats på liknande konfigurationer.
Projicering av sannolika banor från jämförbara tidigare cykler, med ett explicit konfidensintervall snarare än ett enda värde.
Viktningsrekommendationer avsedda att minska den totala korrelationen för en portfölj, omräknade vid varje betydande förändring av marknadsdata.
Följande svar anger ursprunget för uppgifterna och modellens noggrannhetsgränser, utan kommersiell formulering.
Uppgifterna kommer från offentliga marknadsflöden och leverantörer specialiserade på prishistorik. Inga personliga portföljdata används för att träna allmänna modeller.
Precisionen varierar beroende på tillgångsklass och horisont. Backtesting-resultat dokumenteras per scenario och utgör ingen garanti för framtida prestanda.
Modeller omvärderas med jämna mellanrum när ny marknadsdata blir tillgänglig, för att begränsa prestandadriften över tid.
Åtkomst sker via ett webbgränssnitt som kan konsulteras på distans. Ingen lokal installation krävs, vilket tillåter arbetsstationsoberoende användning.
Se backtestade scenarier och aktuella riskpoäng innan du formulerar ditt nästa strategiska beslut.