Celarvaux, herhangi bir işyerinden görüntülenebilen, geriye dönük olarak test edilmiş öneriler üretmek için makine öğrenimi modellerini büyük hacimli pazar verilerine uygular.
Öneriler sürekli olarak analiz edilen tarihsel döngülere dayanmaktadır; belgelenen geriye dönük test sonuçlarının ötesinde hiçbir performans sözü verilmemektedir.
Celarvaux motoru, herhangi bir öneri oluşturmadan önce tarihsel serilerin (volatilite, çapraz korelasyonlar, mevsimsel döngüler) çok boyutlu bir analizini gerçekleştirir. Her senaryo, yayınlanmadan önce sağlamlığını ölçmek için önceki dönemlere göre tekrar oynatılır.
Ham veri akışları herhangi bir istatistiksel işlemden önce normalleştirilir ve anormalliklerden arındırılır.
Algoritmalar, birden fazla ufuktaki yapısal düzenlilikleri ve trend kırılmalarını tespit ediyor.
Her öneri kullanıcıya iletilmeden önce hesaplanan risk puanına göre ağırlıklandırılır.
Aşağıdaki üç işlev platformun operasyonel temelini oluşturur ve sürekli denetim gerektirmeden uzaktan kontrol için tasarlanmıştır.
İlgili pozisyonlar ve piyasa göstergeleri sürekli olarak yeniden hesaplanır. Geriye doğru test edilen senaryolardan önemli sapmalar, sabit bir iş istasyonunda fiziksel olarak bulunmayı gerektirmeden bir bildirimi tetikler.
Belirlenen her fırsat, tarihsel oynaklığı, likiditeyi ve çapraz riski içeren bileşik bir puan alır. Kaynak veriler her güncellendiğinde, manuel müdahale olmadan puan yeniden hesaplanır.
Modelin çıktıları, alaka düzeyine göre sınıflandırılan tahkim yolları olarak formüle edilmiştir; kullanıcı, nihai kararın kendi risk çerçevesine göre doğrulanmasından sorumludur.
Bu senaryolar, uzaktan çalışan bir operatörün kararlarını yapılandırmak için modelin çıktısına nasıl güvenebileceğini göstermektedir.
Benzer konfigürasyonlarda gözlemlenen tarihsel yakınsama süresinin tahmin edilmesiyle, ilişkili araçlar arasındaki değerleme farklılıklarının tespiti.
Tek bir değer yerine açık bir güven aralığıyla karşılaştırılabilir geçmiş döngülerden olası yörüngelerin projeksiyonu.
Piyasa verilerindeki her önemli değişiklikte yeniden hesaplanan, bir portföyün genel korelasyonunu azaltmayı amaçlayan ağırlıklandırma önerileri.
Aşağıdaki yanıtlar, ticari formülasyon olmaksızın, verilerin kaynağını ve modelin doğruluk sınırlarını belirtmektedir.
Veriler, kamu piyasası beslemelerinden ve fiyat geçmişi konusunda uzmanlaşmış tedarikçilerden geliyor. Genel modellerin eğitimi için hiçbir kişisel portföy verisi kullanılmaz.
Kesinlik, varlık sınıfına ve dikkate alınan ufka bağlı olarak değişir. Geriye dönük test sonuçları senaryoya göre belgelenir ve gelecekteki performansa dair bir garanti teşkil etmez.
Zaman içinde performans sapmalarını sınırlamak amacıyla yeni pazar verileri elde edildikçe modeller düzenli aralıklarla yeniden değerlendirilir.
Erişim, uzaktan başvurulabilen bir web arayüzü aracılığıyla sağlanır. Yerel kurulum gerekmediğinden iş istasyonundan bağımsız kullanıma olanak tanır.
Bir sonraki stratejik kararınızı formüle etmeden önce, daha önce test edilmiş senaryoları ve mevcut risk puanlarını görüntüleyin.