Počítačem podporované rozhodování
Oljefondet nepřetržitě analyzuje velké množství dat a poskytuje vážená doporučení investorům a analytikům, kteří chtějí snížit riziko na ověřitelném základě, nikoli na základě vnitřností.
Metodologie
Většina nástrojů pro rozhodování se zastaví u vizualizace dat. Oljefondet jde ještě dále a každému doporučení přiřazuje váhu na základě toho, jak spolehlivý signál historicky prokázal.
Modely jsou průběžně trénovány na historických a aktualizovaných souborech dat a objevují se vztahy mezi proměnnými, které by jinak vyžadovaly manuální analýzu po dobu týdnů. Výsledek je prezentován jako pravděpodobnostně vážené scénáře, nikoli jako jediné doporučení bez kontextu.
Ilustrace: vážená pravděpodobnost na scénář
Po každém doporučení následuje kontrola korelace se stávající expozicí a hodnota spolehlivosti, která ukazuje, jak velká historická odchylka byla pozorována u podobných signálů. To umožňuje upřednostňovat opatření podle skutečného rizika poklesu, nikoli podle samotné velikosti.
Ilustrace: rozdělení odchylek podle kategorie rizika
Vzhledem k tomu, že architektura je postavena na toku dat, doporučení se aktualizují s příchodem nových datových bodů. Používá se stejná infrastruktura bez ohledu na to, zda se jedná o jednoho analytika nebo celého týmu, který monitoruje několik pozic současně.
Ilustrace: frekvence aktualizace v průběhu času
Technická přísnost
Proces je rozdělen do tří kroků a každý krok je zdokumentován, aby si analytici mohli ověřit, proč doporučení vypadá tak, jak vypadá.
01
Tržní údaje, makroekonomické ukazatele a alternativní datové soubory jsou průběžně shromažďovány a před přistoupením k modelování jsou očištěny od známých zdrojů chyb.
02
Statistické a strojově naučené modely hledají opakující se vztahy a odchylky od normální distribuce a signalizují signály, které překračují předem definovaný práh.
03
Signály jsou seřazeny podle historické přesnosti a sestaveny do doporučení s přidruženou hodnotou spolehlivosti, připravené pro lidské posouzení.
| Parametr | Popis |
|---|---|
| Zdroje dat | Tržní data, makroekonomické ukazatele, veřejně dostupné firemní reporty |
| Frekvence aktualizace | Nepřetržité, založené na streamování dat spíše než na pravidelných dávkách |
| Architektura modelu | Soubory statistických a strojově naučených modelů se samostatnou validací |
| Metoda validace | Ověření proti skutečnému výsledku, průběžně zveřejňované v protokolu výkonu |
| Integrace | Přístup k API a export do běžných analytických a portfoliových nástrojů |
O platformě
Oljefondet byl vyvinut s jednoduchým výchozím bodem: doporučení je jen tak dobré, jak dobrá je schopnost jej následně zkontrolovat. Proto je každý model zdokumentován a každé doporučení opatřeno časovým razítkem.
Platformu využívají analytici a investoři, kteří již mají své vlastní postupy pro řízení rizik a kteří chtějí spíše počítačově podporovaný doplněk než náhradu za profesionální hodnocení.
Transparentnost
Všechna doporučení jsou zaznamenána s časem a později porovnána se skutečným výsledkem. Protokol je k dispozici ke kontrole a po zveřejnění jej nelze upravovat.
Níže uvedená tabulka ukazuje formát protokolu. Uvnitř platformy je k dispozici kompletní a průběžně aktualizovaný protokol.
| Datum | Model | Kategorie | Stav |
|---|---|---|---|
| 2024-01-08 | Sentimentní model A | Tržní sentiment | Potvrzeno |
| 2024-01-15 | Rizikový model C | Riziko portfolia | Probíhá hodnocení |
| 2024-01-22 | Trendový model B | Rotace sektorů | Potvrzeno |
| 2024-01-29 | Sentimentní model A | Tržní sentiment | Odchylka registrována |
Sledovatelnost
Podle modelu
Úprava po zveřejnění
Není povoleno
Registrace výsledků
Bez ohledu na model
Historická přesnost je v platformě zobrazena jako spojnicový diagram rozdělený podle modelu a časového období, takže odchylky mezi doporučením a skutečným výsledkem lze sledovat v průběhu času namísto toho, aby byly shrnuty do jediného čísla.
Doporučení jsou po zveřejnění označena časovým razítkem. Skutečný výsledek je poté zaznamenán a je automaticky spojen s původním doporučením bez ohledu na to, jak výsledek dopadl.
Oblasti použití
Stejné podkladové modely jsou přizpůsobeny různým situacím rozhodování v závislosti na tom, zda je účelem řízení portfolia, hodnocení trhu nebo interní operace.
Modely identifikují korelace mezi existujícími pozicemi a navrhují úpravy, které snižují celkovou expozici vůči jednotlivým událostem, aniž by vyžadovaly kompletní restrukturalizaci portfolia.
Velké množství textových a transakčních dat je sestavováno do měřítka sentimentu, který je průběžně aktualizován a který lze porovnávat s historickými zlomy na trhu.
Interní data o využití zdrojů a propustnosti se analyzují, aby se odhalila úzká místa, takže rozhodnutí o stanovení priorit lze činit spíše na základě skutečných vzorců než předpokladů.
Otázky a odpovědi
Data načtená pro analýzu jsou uložena odděleně od tréninkových dat používaných ke zlepšení modelů a nejsou sdílena mezi zákazníky. Řízení přístupu a umístění úložiště lze před integrací zkontrolovat jako součást technického posouzení.
Modely jsou průběžně testovány s novými daty, která nebyla zahrnuta do školení, a odchylky od očekávané přesnosti jsou automaticky označeny. Vzhledem k tomu, že výsledky jsou publikovány v protokolu výkonu, lze systematické zkreslení identifikovat v průběhu času, nikoli zůstat neviditelné.
Většina nastavení začíná exportem doporučení do stávajících analytických nástrojů prostřednictvím rozhraní API, aniž by bylo nutné měnit stávající pracovní postupy. Hlubší integrace, jako je přímé napojení na systémy portfolia, se posuzuje samostatně pro každý případ.
Ano. Doporučení jsou určena jako podpora rozhodování a každý uživatel může upravit vážení nebo ignorovat jednotlivé signály. Takové úpravy jsou protokolovány odděleně od původního doporučení modelu, aby byla zachována ověřitelnost.
Výsledek se zaznamenává do protokolu výkonu stejným způsobem jako shody a používá se k úpravě vážení příslušného signálu vpřed. Neúspěšná doporučení nebudou z protokolu odstraněna.
Začněte tím, že si projdete protokol výkonu a sami posoudíte přesnost, než připojíte svá vlastní data. Většina týmů začíná v menším měřítku a expanduje po porovnání výsledků během několika měsíců.
