Computergestützte Entscheidungsfindung
Oljefondet analysiert kontinuierlich große Datenmengen und liefert gewichtete Empfehlungen an Investoren und Analysten, die das Risiko auf überprüfbarer Basis und nicht auf Bauchgefühl reduzieren möchten.
Methodik
Die meisten Entscheidungshilfen beschränken sich auf die Visualisierung von Daten. Oljefondet geht noch einen Schritt weiter und weist jeder Empfehlung eine Gewichtung zu, die darauf basiert, wie zuverlässig sich das Signal in der Vergangenheit erwiesen hat.
Die Modelle werden kontinuierlich anhand historischer und aktualisierter Datensätze trainiert und entdecken Beziehungen zwischen Variablen, die andernfalls eine manuelle Analyse über Wochen hinweg erfordern würden. Das Ergebnis wird als wahrscheinlichkeitsgewichtete Szenarien dargestellt, nicht als einzelne Empfehlung ohne Kontext.
Abbildung: gewichtete Wahrscheinlichkeit pro Szenario
Auf jede Empfehlung folgt eine Korrelationsprüfung mit der bestehenden Exposition und ein Konfidenzwert, der zeigt, wie viel historische Abweichung bei ähnlichen Signalen beobachtet wurde. Dadurch ist es möglich, Maßnahmen nach dem tatsächlichen Abwärtsrisiko und nicht nur nach der Größe zu priorisieren.
Abbildung: Abweichungsverteilung pro Risikokategorie
Da die Architektur auf fließenden Daten basiert, werden Empfehlungen aktualisiert, sobald neue Datenpunkte eingehen. Es wird dieselbe Infrastruktur verwendet, unabhängig davon, ob es sich um einen Analysten oder ein ganzes Team handelt, das mehrere Positionen gleichzeitig überwacht.
Abbildung: Aktualisierungshäufigkeit im Zeitverlauf
Technische Genauigkeit
Der Prozess ist in drei Schritte unterteilt und jeder Schritt wird dokumentiert, damit Analysten überprüfen können, warum eine Empfehlung so aussieht, wie sie aussieht.
01
Marktdaten, makroökonomische Indikatoren und alternative Datensätze werden kontinuierlich erfasst und vor der Modellierung von bekannten Fehlerquellen bereinigt.
02
Statistische und maschinell erlernte Modelle suchen nach wiederkehrenden Beziehungen und Abweichungen von der Normalverteilung und kennzeichnen Signale, die einen vordefinierten Schwellenwert überschreiten.
03
Signale werden nach historischer Genauigkeit eingestuft und zu einer Empfehlung mit einem zugehörigen Konfidenzwert zusammengefasst, die zur menschlichen Bewertung bereitsteht.
| Parameter | Beschreibung |
|---|---|
| Datenquellen | Marktdaten, makroökonomische Indikatoren, öffentlich zugängliche Unternehmensberichte |
| Aktualisierungshäufigkeit | Kontinuierlich, basierend auf Streaming-Daten statt periodischen Batches |
| Modellarchitektur | Ensembles statistischer und maschinell erlernter Modelle mit separater Validierung |
| Validierungsmethode | Überprüfung anhand des tatsächlichen Ergebnisses, fortlaufend im Leistungsprotokoll veröffentlicht |
| Integration | API-Zugriff und Export in gängige Analyse- und Portfolio-Tools |
Über die Plattform
Oljefondet wurde mit einem einfachen Ausgangspunkt entwickelt: Eine Empfehlung ist nur so gut wie die Möglichkeit, sie anschließend zu überprüfen. Daher wird jedes Modell dokumentiert und jede Empfehlung mit einem Zeitstempel versehen.
Die Plattform wird von Analysten und Investoren genutzt, die bereits über eigene Routinen für das Risikomanagement verfügen und eine computergestützte Ergänzung und keinen Ersatz für eine professionelle Beurteilung wünschen.
Transparenz
Alle Empfehlungen werden zeitlich erfasst und später mit dem tatsächlichen Ergebnis verglichen. Das Protokoll steht zur Einsicht zur Verfügung und kann nach der Veröffentlichung nicht mehr bearbeitet werden.
Die folgende Tabelle zeigt das Format des Protokolls. Innerhalb der Plattform ist ein vollständiges und fortlaufend aktualisiertes Protokoll verfügbar.
| Datum | Modell | Kategorie | Status |
|---|---|---|---|
| 08.01.2024 | Stimmungsmodell A | Marktstimmung | Bestätigt |
| 15.01.2024 | Risikomodell C | Portfoliorisiko | Wird derzeit geprüft |
| 22.01.2024 | Trendmodell B | Sektorrotation | Bestätigt |
| 29.01.2024 | Stimmungsmodell A | Marktstimmung | Abweichung registriert |
Rückverfolgbarkeit
Pro Modell
Bearbeitung nach Veröffentlichung
Nicht erlaubt
Registrierung der Ergebnisse
Unabhängig vom Modell
Die historische Genauigkeit wird in der Plattform als nach Modell und Zeitraum aufgeschlüsseltes Liniendiagramm dargestellt, sodass Abweichungen zwischen Empfehlung und tatsächlichem Ergebnis über die Zeit verfolgt werden können, anstatt in einer einzigen Zahl zusammengefasst zu werden.
Empfehlungen werden bei Veröffentlichung mit einem Zeitstempel versehen. Das tatsächliche Ergebnis wird anschließend erfasst und automatisch mit der ursprünglichen Empfehlung verknüpft, unabhängig davon, wie das Ergebnis ausgefallen ist.
Einsatzgebiete
Dieselben zugrunde liegenden Modelle werden an unterschiedliche Entscheidungssituationen angepasst, je nachdem, ob es sich um Portfoliomanagement, Marktbewertung oder interne Operationen handelt.
Die Modelle identifizieren Korrelationen zwischen bestehenden Positionen und schlagen Anpassungen vor, die das Gesamtrisiko gegenüber einzelnen Ereignissen verringern, ohne dass eine vollständige Umstrukturierung des Portfolios erforderlich ist.
Große Mengen an Text- und Transaktionsdaten werden zu einem Stimmungsmaß zusammengefasst, das kontinuierlich aktualisiert wird und mit historischen Wendepunkten im Markt verglichen werden kann.
Interne Daten zur Ressourcennutzung und zum Durchsatz werden analysiert, um Engpässe aufzudecken, sodass Entscheidungen über die Priorisierung auf der Grundlage tatsächlicher Muster und nicht auf Annahmen getroffen werden können.
Fragen und Antworten
Die zur Analyse geladenen Daten werden getrennt von den Trainingsdaten gespeichert, die zur Verbesserung der Modelle verwendet werden, und werden nicht an Kunden weitergegeben. Zutrittskontrolle und Lagerort können im Rahmen einer technischen Begutachtung vor der Integration überprüft werden.
Die Modelle werden kontinuierlich anhand neuer Daten getestet, die nicht im Training enthalten waren, und Abweichungen von der erwarteten Genauigkeit werden automatisch gekennzeichnet. Da die Ergebnisse im Leistungsprotokoll veröffentlicht werden, können systematische Verzerrungen im Laufe der Zeit erkannt werden, anstatt unsichtbar zu bleiben.
Die meisten Setups beginnen mit dem Exportieren von Empfehlungen in vorhandene Analysetools über eine API, ohne dass bestehende Arbeitsabläufe geändert werden müssen. Eine tiefere Integration, wie z. B. eine direkte Anbindung an Portfoliosysteme, wird im Einzelfall gesondert beurteilt.
Ja. Die Empfehlungen dienen der Entscheidungsunterstützung und jeder Nutzer kann die Gewichtung anpassen oder einzelne Signale ignorieren. Solche Anpassungen werden getrennt von der ursprünglichen Empfehlung des Modells protokolliert, um die Überprüfbarkeit zu gewährleisten.
Das Ergebnis wird wie Treffer im Performance-Protokoll erfasst und zur künftigen Anpassung der Gewichtung des jeweiligen Signals herangezogen. Fehlgeschlagene Empfehlungen werden nicht aus dem Protokoll entfernt.
Gehen Sie zunächst das Leistungsprotokoll durch und beurteilen Sie die Genauigkeit selbst, bevor Sie Ihre eigenen Daten verknüpfen. Die meisten Teams beginnen in kleinerem Maßstab und vergrößern sich, nachdem sie die Ergebnisse über einige Monate hinweg verglichen haben.
