Toma de decisiones asistida por ordenador
Oljefondet analiza grandes cantidades de datos continuamente y ofrece recomendaciones ponderadas a inversores y analistas que desean reducir el riesgo de forma verificable, no por instinto.
Metodología
La mayoría de las herramientas para la toma de decisiones se detienen en la visualización de datos. Oljefondet va más allá y asigna a cada recomendación un peso en función de cuán confiable ha demostrado ser históricamente la señal.
Los modelos se entrenan continuamente con conjuntos de datos históricos y actualizados, y descubren relaciones entre variables que de otro modo requerirían un análisis manual durante semanas. El resultado se presenta como escenarios ponderados por probabilidad, no como una única recomendación sin contexto.
Ilustración: probabilidad ponderada por escenario
Cada recomendación va seguida de una verificación de correlación con la exposición existente y un valor de confianza que muestra cuánta desviación histórica se ha observado para señales similares. Esto permite priorizar las medidas según el riesgo de caída real, en lugar de solo la magnitud.
Ilustración: distribución de la desviación por categoría de riesgo
Debido a que la arquitectura se basa en el flujo de datos, las recomendaciones se actualizan a medida que llegan nuevos puntos de datos. Se utiliza la misma infraestructura independientemente de si se trata de un analista o de un equipo completo que supervisa varias posiciones al mismo tiempo.
Ilustración: frecuencia de actualización a lo largo del tiempo
Rigor técnico
El proceso se divide en tres pasos y cada paso está documentado para que los analistas puedan verificar por qué una recomendación tiene el aspecto que tiene.
01
Los datos de mercado, los indicadores macroeconómicos y los conjuntos de datos alternativos se recopilan continuamente y se limpian de fuentes de error conocidas antes de proceder a la modelización.
02
Los modelos estadísticos y de aprendizaje automático buscan relaciones recurrentes y desviaciones de la distribución normal, y señalan señales que cruzan un umbral predefinido.
03
Las señales se clasifican según la precisión histórica y se compilan en una recomendación con un valor de confianza asociado, lista para la evaluación humana.
| Parámetro | Descripción |
|---|---|
| Fuentes de datos | Datos de mercado, indicadores macroeconómicos, informes de empresas disponibles públicamente. |
| Frecuencia de actualización | Continuo, basado en transmisión de datos en lugar de lotes periódicos |
| Arquitectura modelo | Conjuntos de modelos estadísticos y de aprendizaje automático con validación separada. |
| Método de validación | Verificación frente al resultado real, publicada continuamente en el registro de rendimiento. |
| Integración | Acceso API y exportación a herramientas comunes de análisis y cartera. |
Sobre la plataforma
Oljefondet fue desarrollado con un punto de partida simple: una recomendación es tan buena como la capacidad de verificarla después. Por lo tanto, cada modelo está documentado y cada recomendación tiene una marca de tiempo.
La plataforma es utilizada por analistas e inversores que ya tienen sus propias rutinas de gestión de riesgos y que desean un complemento asistido por ordenador en lugar de un sustituto de la evaluación profesional.
Transparencia
Todas las recomendaciones se registran con el tiempo y luego se comparan con el resultado real. El registro está disponible para su revisión y no se puede editar después de su publicación.
La siguiente tabla muestra el formato del registro. Un registro completo y continuamente actualizado está disponible dentro de la plataforma.
| Fecha | modelo | Categoría | Estado |
|---|---|---|---|
| 2024-01-08 | Modelo de sentimiento A | Sentimiento del mercado | Confirmado |
| 2024-01-15 | Modelo de riesgo C | Riesgo de cartera | En evaluación |
| 2024-01-22 | Modelo de tendencia B | Rotación sectorial | Confirmado |
| 2024-01-29 | Modelo de sentimiento A | Sentimiento del mercado | Desviación registrada |
Trazabilidad
Por modelo
Edición después de la publicación
No permitido
Registro de resultados
Independientemente del modelo
La precisión histórica se muestra en la plataforma como un diagrama de líneas desglosado por modelo y período de tiempo, de modo que las desviaciones entre la recomendación y el resultado real se puedan seguir a lo largo del tiempo en lugar de resumirse en un solo número.
Las recomendaciones tienen una marca de tiempo al momento de su publicación. El resultado real se registra posteriormente y se vincula automáticamente a la recomendación original, independientemente de cómo resultó el resultado.
Áreas de uso
Los mismos modelos subyacentes se adaptan a diferentes situaciones de toma de decisiones, dependiendo de si el objetivo es la gestión de carteras, la evaluación del mercado o las operaciones internas.
Los modelos identifican correlaciones entre posiciones existentes y proponen ajustes que reducen la exposición general a eventos individuales, sin requerir una reestructuración completa de la cartera.
Grandes cantidades de textos y datos de transacciones se compilan en una medida de sentimiento que se actualiza continuamente y que se puede comparar con puntos de inflexión históricos en el mercado.
Los datos internos sobre el uso y el rendimiento de los recursos se analizan para descubrir obstáculos, de modo que las decisiones sobre la priorización se puedan tomar basándose en patrones reales en lugar de suposiciones.
Preguntas y respuestas
Los datos cargados para el análisis se almacenan por separado de los datos de entrenamiento utilizados para mejorar los modelos y no se comparten entre los clientes. El control de acceso y la ubicación de almacenamiento se pueden revisar como parte de una evaluación técnica antes de la integración.
Los modelos se prueban continuamente con datos nuevos que no se incluyeron en la capacitación y las desviaciones de la precisión esperada se marcan automáticamente. Debido a que los resultados se publican en el registro de desempeño, los sesgos sistemáticos pueden identificarse con el tiempo en lugar de permanecer invisibles.
La mayoría de las configuraciones comienzan exportando recomendaciones a herramientas de análisis existentes a través de API, sin la necesidad de cambiar los flujos de trabajo existentes. Una integración más profunda, como la conexión directa a los sistemas de cartera, se evalúa por separado en cada caso.
Sí. Las recomendaciones pretenden ayudar a tomar decisiones y cada usuario puede ajustar la ponderación o ignorar señales individuales. Dichos ajustes se registran por separado de la recomendación original del modelo para preservar la verificabilidad.
El resultado se registra en el registro de rendimiento del mismo modo que los hits y se utiliza para ajustar la ponderación de la señal en cuestión en el futuro. Las recomendaciones fallidas no se eliminan del registro.
Comience revisando el registro de rendimiento y evalúe la precisión usted mismo antes de conectar sus propios datos. La mayoría de los equipos comienzan en una escala más pequeña y se expanden después de comparar resultados durante unos meses.
