Prise de décision assistée par ordinateur
Oljefondet analyse en continu de grandes quantités de données et fournit des recommandations pondérées aux investisseurs et aux analystes qui souhaitent réduire les risques sur une base vérifiable, et non sur leur intuition.
Méthodologie
La plupart des outils d’aide à la décision s’arrêtent à la visualisation des données. Oljefondet va plus loin et attribue à chaque recommandation une pondération en fonction de la fiabilité historique du signal.
Les modèles sont continuellement entraînés sur des ensembles de données historiques et mis à jour, et découvrent des relations entre des variables qui nécessiteraient autrement une analyse manuelle sur plusieurs semaines. Le résultat est présenté sous forme de scénarios pondérés en fonction des probabilités, et non comme une simple recommandation sans contexte.
Illustration : probabilité pondérée par scénario
Chaque recommandation est suivie d'une vérification de corrélation par rapport à l'exposition existante et d'une valeur de confiance qui montre l'ampleur de l'écart historique observé pour des signaux similaires. Cela permet de prioriser les mesures en fonction du risque de baisse réel, plutôt que de la seule ampleur.
Illustration : répartition des écarts par catégorie de risque
L'architecture étant construite sur des données fluides, les recommandations sont mises à jour à mesure que de nouveaux points de données arrivent. La même infrastructure est utilisée, qu'il s'agisse d'un seul analyste ou d'une équipe entière surveillant plusieurs postes en même temps.
Illustration : fréquence de mise à jour dans le temps
Rigueur technique
Le processus est divisé en trois étapes, et chaque étape est documentée afin que les analystes puissent vérifier pourquoi une recommandation ressemble à ce qu'elle est.
01
Les données de marché, les indicateurs macroéconomiques et les ensembles de données alternatifs sont collectés en continu et nettoyés des sources d'erreur connues avant de passer à la modélisation.
02
Les modèles statistiques et appris automatiquement recherchent les relations récurrentes et les écarts par rapport à la distribution normale, et signalent les signaux qui dépassent un seuil prédéfini.
03
Les signaux sont classés en fonction de leur précision historique et compilés dans une recommandation avec une valeur de confiance associée, prête pour une évaluation humaine.
| Paramètre | Descriptif |
|---|---|
| Sources de données | Données de marché, indicateurs macroéconomiques, rapports d'entreprises accessibles au public |
| Fréquence de mise à jour | Continu, basé sur des données en continu plutôt que sur des lots périodiques |
| Architecture du modèle | Ensembles de modèles statistiques et d'apprentissage automatique avec validation séparée |
| Méthode de validation | Vérification par rapport aux résultats réels, publiés en continu dans le journal des performances |
| Intégration | Accès API et exportation vers des outils d'analyse et de portefeuille courants |
À propos de la plateforme
Oljefondet a été développé avec un point de départ simple : une recommandation n'est valable que si elle est capable de la vérifier par la suite. Ainsi, chaque modèle est documenté, et chaque recommandation est horodatée.
La plateforme est utilisée par des analystes et des investisseurs qui disposent déjà de leurs propres routines de gestion des risques et qui souhaitent un complément assisté par ordinateur plutôt qu'un remplacement de l'évaluation professionnelle.
Transparence
Toutes les recommandations sont enregistrées au fil du temps et ensuite comparées au résultat réel. Le journal est disponible pour révision et ne peut pas être modifié après publication.
Le tableau ci-dessous montre le format du journal. Un journal complet et continuellement mis à jour est disponible au sein de la plateforme.
| Date | Modèle | Catégorie | Statut |
|---|---|---|---|
| 2024-01-08 | Modèle de sentiments A | Sentiment du marché | Confirmé |
| 2024-01-15 | Modèle de risque C | Risque de portefeuille | En cours d'évaluation |
| 2024-01-22 | Modèle tendance B | Rotation sectorielle | Confirmé |
| 2024-01-29 | Modèle de sentiments A | Sentiment du marché | Déviation enregistrée |
Traçabilité
Par modèle
Révision après publication
Non autorisé
Enregistrement des résultats
Quel que soit le modèle
La précision historique est affichée sur la plateforme sous la forme d'un diagramme linéaire ventilé par modèle et par période, de sorte que les écarts entre la recommandation et le résultat réel puissent être suivis au fil du temps au lieu d'être résumés en un seul chiffre.
Les recommandations sont horodatées dès leur publication. Le résultat réel est enregistré ultérieurement et est automatiquement lié à la recommandation initiale, quelle que soit l’issue du résultat.
Domaines d'utilisation
Les mêmes modèles sous-jacents sont adaptés à différentes situations de décision, selon qu'il s'agit de gestion de portefeuille, d'évaluation de marché ou d'opérations internes.
Les modèles identifient les corrélations entre les positions existantes et proposent des ajustements qui réduisent l'exposition globale aux événements individuels, sans nécessiter une restructuration complète du portefeuille.
De grandes quantités de textes et de données de transaction sont compilées dans une mesure du sentiment qui est mise à jour en permanence et qui peut être comparée aux tournants historiques du marché.
Les données internes sur l'utilisation des ressources et le débit sont analysées pour découvrir les goulots d'étranglement, afin que les décisions concernant la priorisation puissent être prises sur la base de modèles réels plutôt que d'hypothèses.
Questions et réponses
Les données chargées pour l'analyse sont stockées séparément des données de formation utilisées pour améliorer les modèles et ne sont pas partagées entre les clients. Le contrôle d’accès et l’emplacement de stockage peuvent être examinés dans le cadre d’une évaluation technique avant l’intégration.
Les modèles sont testés en permanence par rapport à de nouvelles données qui n'ont pas été incluses dans la formation, et les écarts par rapport à la précision attendue sont automatiquement signalés. Étant donné que les résultats sont publiés dans le journal de performance, les biais systématiques peuvent être identifiés au fil du temps plutôt que de rester invisibles.
La plupart des configurations commencent par l'exportation de recommandations vers des outils d'analyse existants via une API, sans qu'il soit nécessaire de modifier les flux de travail existants. Une intégration plus approfondie, telle qu'une connexion directe aux systèmes de portefeuille, est évaluée séparément par cas.
Oui. Les recommandations sont destinées à aider à la décision, et chaque utilisateur peut ajuster la pondération ou ignorer des signaux individuels. Ces ajustements sont enregistrés séparément de la recommandation initiale du modèle afin de préserver la vérifiabilité.
Le résultat est enregistré dans le journal de performance au même titre que les hits, et permet d'ajuster la pondération du signal en question à l'avenir. Les recommandations ayant échoué ne sont pas supprimées du journal.
Commencez par parcourir le journal des performances et évaluez vous-même l’exactitude, avant de connecter vos propres données. La plupart des équipes démarrent à plus petite échelle et se développent après avoir comparé les résultats sur quelques mois.
