Računalno potpomognuto donošenje odluka
Oljefondet kontinuirano analizira velike količine podataka i daje ponderirane preporuke ulagačima i analitičarima koji žele smanjiti rizik na provjerljivoj osnovi, a ne na temelju osjećaja.
Metodologija
Većina alata za donošenje odluka zaustavlja se na vizualizaciji podataka. Oljefondet ide dalje i svakoj preporuci dodjeljuje težinu na temelju toga koliko se signal povijesno pokazao pouzdanim.
Modeli se kontinuirano obučavaju na povijesnim i ažuriranim skupovima podataka i otkrivaju odnose između varijabli koje bi inače zahtijevale ručnu analizu tjednima. Rezultat je predstavljen kao scenariji ponderirani prema vjerojatnosti, a ne kao jedna preporuka bez konteksta.
Ilustracija: ponderirana vjerojatnost po scenariju
Nakon svake preporuke slijedi provjera korelacije u odnosu na postojeću izloženost i vrijednost pouzdanosti koja pokazuje koliko je povijesno odstupanje uočeno za slične signale. To omogućuje određivanje prioriteta mjera prema stvarnom riziku negativnih posljedica, a ne samo prema veličini.
Ilustracija: distribucija odstupanja po kategoriji rizika
Budući da je arhitektura izgrađena na tekućim podacima, preporuke se ažuriraju kako dolaze nove podatkovne točke. Ista se infrastruktura koristi bez obzira radi li se o jednom analitičaru ili cijelom timu koji prati nekoliko pozicija u isto vrijeme.
Ilustracija: učestalost ažuriranja tijekom vremena
Tehnička strogost
Proces je podijeljen u tri koraka, a svaki korak je dokumentiran kako bi analitičari mogli provjeriti zašto preporuka izgleda tako kako izgleda.
01
Tržišni podaci, makroekonomski pokazatelji i alternativni skupovi podataka kontinuirano se prikupljaju i čiste od poznatih izvora pogrešaka prije prelaska na modeliranje.
02
Statistički i strojno naučeni modeli traže ponavljajuće odnose i odstupanja od normalne distribucije te označavaju signale koji prelaze unaprijed definirani prag.
03
Signali se rangiraju prema povijesnoj točnosti i sastavljaju u preporuku s povezanom vrijednošću pouzdanosti, spremnu za ljudsku procjenu.
| Parametar | Opis |
|---|---|
| Izvori podataka | Podaci o tržištu, makroekonomski pokazatelji, javno dostupna izvješća poduzeća |
| Učestalost ažuriranja | Kontinuirano, temeljeno na protoku podataka, a ne na periodičnim serijama |
| Arhitektura modela | Skupovi statističkih i strojno naučenih modela s zasebnom provjerom valjanosti |
| Metoda provjere valjanosti | Provjera prema stvarnom ishodu, koja se kontinuirano objavljuje u dnevniku izvedbe |
| Integracija | API pristup i izvoz u uobičajene alate za analizu i portfelj |
O platformi
Oljefondet je razvijen s jednostavnom početnom točkom: preporuka je dobra onoliko koliko je dobra mogućnost da se naknadno provjeri. Stoga je svaki model dokumentiran, a svaka preporuka označena vremenom.
Platformu koriste analitičari i investitori koji već imaju vlastite rutine za upravljanje rizicima i koji žele računalno potpomognutu dopunu, a ne zamjenu za profesionalnu procjenu.
Transparentnost
Sve preporuke se vremenski bilježe i kasnije uspoređuju sa stvarnim ishodom. Dnevnik je dostupan za pregled i ne može se uređivati nakon objave.
Donja tablica prikazuje format dnevnika. Potpuni i kontinuirano ažurirani dnevnik dostupan je unutar platforme.
| Datum | Model | Kategorija | Status |
|---|---|---|---|
| 2024-01-08 | Model osjećaja A | Tržišno raspoloženje | Potvrđeno |
| 2024-01-15 | Model rizika C | Rizik portfelja | Pod procjenom |
| 2024-01-22 | Trend model B | Rotacija sektora | Potvrđeno |
| 2024-01-29 | Model osjećaja A | Tržišno raspoloženje | Registrirano odstupanje |
Sljedivost
Po modelu
Uređivanje nakon objave
Nije dopušteno
Registracija ishoda
Bez obzira na model
Povijesna točnost prikazana je u platformi kao linijski dijagram raščlanjen po modelu i vremenskom razdoblju, tako da se odstupanja između preporuke i stvarnog ishoda mogu pratiti tijekom vremena umjesto da budu sažeta u jednom broju.
Preporuke su označene vremenom nakon objave. Stvarni ishod se naknadno bilježi i automatski povezuje s izvornom preporukom, bez obzira na to kakav je ishod bio.
Područja upotrebe
Isti temeljni modeli prilagođeni su različitim situacijama donošenja odluka, ovisno o tome je li namjena upravljanje portfeljem, procjena tržišta ili interno poslovanje.
Modeli identificiraju korelacije između postojećih pozicija i predlažu prilagodbe koje smanjuju ukupnu izloženost pojedinačnim događajima, bez potrebe za potpunim restrukturiranjem portfelja.
Velike količine tekstualnih i transakcijskih podataka kompiliraju se u mjeru raspoloženja koja se kontinuirano ažurira i koja se može usporediti s povijesnim prekretnicama na tržištu.
Interni podaci o upotrebi resursa i propusnosti analiziraju se kako bi se otkrila uska grla, tako da se odluke o određivanju prioriteta mogu donijeti na temelju stvarnih obrazaca, a ne pretpostavki.
Pitanja i odgovori
Podaci učitani za analizu pohranjuju se odvojeno od podataka o obuci koji se koriste za poboljšanje modela i ne dijele se među korisnicima. Kontrola pristupa i lokacija za pohranu mogu se pregledati kao dio tehničke procjene prije integracije.
Modeli se kontinuirano testiraju prema novim podacima koji nisu uključeni u obuku, a odstupanja od očekivane točnosti automatski se označavaju. Budući da se rezultati objavljuju u zapisniku učinka, sustavne pristranosti mogu se identificirati tijekom vremena umjesto da ostanu nevidljive.
Većina postavki započinje izvozom preporuka u postojeće analitičke alate putem API-ja, bez potrebe za promjenom postojećih tijekova rada. Dublja integracija, poput izravne veze s portfeljnim sustavima, ocjenjuje se zasebno po slučaju.
Da. Preporuke su zamišljene kao podrška odlučivanju, a svaki korisnik može prilagoditi ponderiranje ili zanemariti pojedinačne signale. Takve se prilagodbe bilježe odvojeno od izvorne preporuke modela kako bi se očuvala provjerljivost.
Ishod se bilježi u dnevniku izvedbe na isti način kao i pogoci i koristi se za prilagodbu težine dotičnog signala u budućnosti. Neuspjele preporuke ne uklanjaju se iz dnevnika.
Započnite prolaskom kroz zapisnik performansi i sami procijenite točnost prije povezivanja vlastitih podataka. Većina timova počinje u manjoj mjeri i proširuje se nakon usporedbe rezultata tijekom nekoliko mjeseci.
