Processo decisionale assistito dal computer
Oljefondet analizza continuamente grandi quantità di dati e fornisce raccomandazioni ponderate a investitori e analisti che desiderano ridurre il rischio su base verificabile, non su base istintiva.
Metodologia
La maggior parte degli strumenti decisionali si ferma alla visualizzazione dei dati. Oljefondet va oltre e assegna a ciascuna raccomandazione un peso in base all'affidabilità storicamente dimostrata dal segnale.
I modelli vengono continuamente addestrati su set di dati storici e aggiornati e scoprono relazioni tra variabili che altrimenti richiederebbero un'analisi manuale per settimane. Il risultato viene presentato come scenari ponderati in base alla probabilità, non come una singola raccomandazione senza contesto.
Illustrazione: probabilità ponderata per scenario
Ogni raccomandazione è seguita da un controllo di correlazione con l'esposizione esistente e da un valore di confidenza che mostra quanta deviazione storica è stata osservata per segnali simili. Ciò consente di stabilire la priorità delle misure in base all’effettivo rischio di ribasso, piuttosto che solo alla sua entità.
Illustrazione: distribuzione della deviazione per categoria di rischio
Poiché l'architettura è basata sul flusso di dati, le raccomandazioni vengono aggiornate man mano che arrivano nuovi punti dati. Viene utilizzata la stessa infrastruttura indipendentemente dal fatto che si tratti di un analista o di un intero team che monitora più posizioni contemporaneamente.
Illustrazione: frequenza di aggiornamento nel tempo
Rigore tecnico
Il processo è diviso in tre passaggi e ogni passaggio è documentato in modo che gli analisti possano verificare il motivo per cui una raccomandazione appare in un certo modo.
01
I dati di mercato, gli indicatori macroeconomici e i set di dati alternativi vengono raccolti continuamente e ripuliti da fonti di errore note prima di procedere alla modellizzazione.
02
I modelli statistici e di apprendimento automatico cercano relazioni ricorrenti e deviazioni dalla distribuzione normale e segnalano segnali che superano una soglia predefinita.
03
I segnali sono classificati in base all'accuratezza storica e compilati in una raccomandazione con un valore di confidenza associato, pronto per la valutazione umana.
| Parametro | Descrizione |
|---|---|
| Origini dei dati | Dati di mercato, indicatori macroeconomici, report aziendali disponibili al pubblico |
| Frequenza di aggiornamento | Continuo, basato su flussi di dati anziché su batch periodici |
| Architettura del modello | Insiemi di modelli statistici e di apprendimento automatico con validazione separata |
| Metodo di validazione | Verifica rispetto al risultato effettivo, pubblicato continuamente nel registro delle prestazioni |
| Integrazione | Accesso API ed esportazione verso strumenti comuni di analisi e portafoglio |
Informazioni sulla piattaforma
Oljefondet è stato sviluppato con un punto di partenza semplice: una raccomandazione è valida tanto quanto la possibilità di verificarla successivamente. Pertanto, ogni modello è documentato e ogni raccomandazione è provvista di data e ora.
La piattaforma viene utilizzata da analisti e investitori che hanno già le proprie routine per la gestione del rischio e che desiderano un supplemento assistito da computer piuttosto che un sostituto della valutazione professionale.
Trasparenza
Tutte le raccomandazioni vengono registrate nel tempo e successivamente confrontate con il risultato effettivo. Il registro è disponibile per la revisione e non può essere modificato dopo la pubblicazione.
La tabella seguente mostra il formato del registro. All'interno della piattaforma è disponibile un log completo e continuamente aggiornato.
| Data | Modello | Categoria | Stato |
|---|---|---|---|
| 2024-01-08 | Modello del sentimento A | Sentimento del mercato | Confermato |
| 2024-01-15 | Modello di rischio C | Rischio del portafoglio | In fase di valutazione |
| 22-01-2024 | Modello di tendenza B | Rotazione del settore | Confermato |
| 29-01-2024 | Modello del sentimento A | Sentimento del mercato | Deviazione registrata |
Tracciabilità
Per modello
Modifica dopo la pubblicazione
Non consentito
Registrazione dei risultati
Indipendentemente dal modello
L'accuratezza storica viene mostrata nella piattaforma come un diagramma lineare suddiviso per modello e periodo di tempo, in modo che le deviazioni tra la raccomandazione e il risultato effettivo possano essere seguite nel tempo invece di essere riepilogate in un unico numero.
Le raccomandazioni vengono contrassegnate con data e ora al momento della pubblicazione. Il risultato effettivo viene registrato successivamente e collegato automaticamente alla raccomandazione originale, indipendentemente da come si è rivelato il risultato.
Aree di utilizzo
Gli stessi modelli sottostanti si adattano a diverse situazioni decisionali, a seconda che lo scopo sia la gestione del portafoglio, la valutazione del mercato o le operazioni interne.
I modelli individuano correlazioni tra posizioni esistenti e propongono aggiustamenti che riducono l'esposizione complessiva ai singoli eventi, senza richiedere una completa ristrutturazione del portafoglio.
Grandi quantità di dati di testo e transazioni vengono compilati in una misura del sentiment che viene aggiornata continuamente e che può essere confrontata con i punti di svolta storici del mercato.
I dati interni sull'utilizzo delle risorse e sulla produttività vengono analizzati per scoprire i colli di bottiglia, in modo che le decisioni sulla definizione delle priorità possano essere prese sulla base di modelli reali piuttosto che di ipotesi.
Domande e risposte
I dati caricati per l'analisi vengono archiviati separatamente dai dati di training utilizzati per migliorare i modelli e non vengono condivisi tra i clienti. Il controllo degli accessi e la posizione di archiviazione possono essere esaminati come parte di una valutazione tecnica prima dell'integrazione.
I modelli vengono continuamente testati rispetto a nuovi dati non inclusi nell'addestramento e le deviazioni dalla precisione prevista vengono automaticamente contrassegnate. Poiché i risultati vengono pubblicati nel registro delle prestazioni, i bias sistematici possono essere identificati nel tempo anziché rimanere invisibili.
La maggior parte delle configurazioni inizia con l'esportazione dei consigli negli strumenti di analisi esistenti tramite API, senza la necessità di modificare i flussi di lavoro esistenti. Un'integrazione più profonda, come il collegamento diretto ai sistemi di portafoglio, viene valutata separatamente per caso.
SÌ. Le raccomandazioni sono intese come supporto decisionale e ciascun utente può modificare la ponderazione o ignorare i singoli segnali. Tali aggiustamenti vengono registrati separatamente dalla raccomandazione originale del modello per preservarne la verificabilità.
Il risultato viene registrato nel registro delle prestazioni allo stesso modo degli hit e viene utilizzato per regolare la ponderazione del segnale in questione in futuro. I consigli non riusciti non vengono rimossi dal registro.
Inizia esaminando il registro delle prestazioni e valuta tu stesso la precisione, prima di collegare i tuoi dati. La maggior parte dei team inizia su scala più piccola e si espande dopo aver confrontato i risultati nell'arco di alcuni mesi.
