コンピュータ支援による意思決定
市場データを測定可能なシグナルに変える予測モデル
Oljefondet は大量のデータを継続的に分析し、直感ではなく検証可能なベースでリスクを軽減したい投資家やアナリストに重み付けされた推奨事項を提供します。
更新頻度継続的に
データソース市場、マクロ、センチメント
パフォーマンスログ公共
コンピュータ支援による意思決定
Oljefondet は大量のデータを継続的に分析し、直感ではなく検証可能なベースでリスクを軽減したい投資家やアナリストに重み付けされた推奨事項を提供します。
方法論
ほとんどの意思決定ツールはデータの視覚化で止まります。 Oljefondet はさらに進んで、信号の信頼性が歴史的に証明されているかどうかに基づいて、各推奨事項に重みを割り当てます。
モデルは、過去のデータセットと更新されたデータセットで継続的にトレーニングされ、通常であれば数週間に渡る手動分析が必要となる変数間の関係を発見します。結果は、コンテキストのない単一の推奨事項としてではなく、確率に重み付けされたシナリオとして表示されます。
図: シナリオごとの重み付き確率
各推奨事項の後には、既存のエクスポージャーとの相関チェックと、同様の信号に対して過去の偏差がどの程度観察されたかを示す信頼値が続きます。これにより、規模だけではなく、実際の下振れリスクに応じて対策の優先順位を付けることが可能になります。
図: リスク カテゴリごとの偏差分布
アーキテクチャは流れるデータに基づいて構築されているため、新しいデータ ポイントが受信されると推奨事項が更新されます。複数のポジションを同時に監視しているのが 1 人のアナリストであるかチーム全体であるかに関係なく、同じインフラストラクチャが使用されます。
図: 時間の経過に伴う更新頻度
技術的な厳密さ
このプロセスは 3 つのステップに分かれており、アナリストが推奨事項がそのようになる理由を検証できるように各ステップが文書化されます。
01
市場データ、マクロ経済指標、および代替データセットは継続的に収集され、モデリングに進む前に既知の誤差の原因が除去されます。
02
統計モデルと機械学習モデルは、繰り返しの関係と正規分布からの逸脱を探し、事前定義されたしきい値を超える信号にフラグを立てます。
03
信号は履歴の精度に従ってランク付けされ、関連する信頼値を含む推奨事項にまとめられ、人間による評価が可能になります。
| パラメータ | 説明 |
|---|---|
| データソース | 市場データ、マクロ経済指標、公開されている企業レポート |
| 更新頻度 | 定期的なバッチではなくストリーミング データに基づく継続的 |
| モデルアーキテクチャ | 個別の検証を伴う統計モデルと機械学習モデルのアンサンブル |
| 検証方法 | 実際の結果に対する検証、パフォーマンス ログで継続的に公開 |
| 統合 | API アクセスと共通分析およびポートフォリオ ツールへのエクスポート |
プラットフォームについて
Oljefondet は、単純な出発点をもとに開発されました。推奨事項は、後でそれを確認できる機能によって決まります。したがって、各モデルは文書化され、各推奨事項にはタイムスタンプが付けられます。
このプラットフォームは、すでに独自のリスク管理ルーチンを持っており、専門的な評価に代わるものではなく、コンピューター支援による補足を望んでいるアナリストや投資家によって使用されています。
透明性
すべての推奨事項は時間とともに記録され、後で実際の結果と比較されます。ログはレビューに利用できますが、公開後に編集することはできません。
次の表にログの形式を示します。完全で継続的に更新されるログはプラットフォーム内で利用できます。
| 日付 | モデル | カテゴリ | ステータス |
|---|---|---|---|
| 2024-01-08 | 感情モデルA | 市場センチメント | 確認済み |
| 2024-01-15 | リスクモデルC | ポートフォリオのリスク | 評価中 |
| 2024-01-22 | トレンドモデルB | セクターの回転 | 確認済み |
| 2024-01-29 | 感情モデルA | 市場センチメント | 偏差が登録されました |
トレーサビリティ
モデルごと
公開後の編集
許可されていません
成果の登録
機種問わず
過去の精度は、モデルおよび期間ごとに分割された折れ線グラフとしてプラットフォームに表示されるため、推奨事項と実際の結果との間の偏差を、単一の数値で要約するのではなく、時間の経過とともに追跡できます。
推奨事項には公開時にタイムスタンプが付けられます。実際の結果は後で記録され、結果がどうなったかに関係なく、元の推奨事項に自動的にリンクされます。
使用範囲
目的がポートフォリオ管理、市場評価、内部業務のいずれであるかに応じて、同じ基礎モデルが異なる意思決定状況に適応されます。
このモデルは、既存のポジション間の相関関係を特定し、ポートフォリオの完全な再構築を必要とせずに、個々のイベントに対する全体的なエクスポージャを減らす調整を提案します。
大量のテキスト データと取引データが感情指標にまとめられ、継続的に更新され、市場の歴史的な転換点と比較できます。
リソース使用量とスループットに関する内部データを分析してボトルネックを明らかにするため、仮定ではなく実際のパターンに基づいて優先順位付けに関する決定を下すことができます。
質疑応答
分析のためにロードされたデータは、モデルの改善に使用されるトレーニング データとは別に保存され、顧客間で共有されることはありません。アクセス制御と保管場所は、統合前の技術的評価の一環として検討できます。
モデルはトレーニングに含まれていない新しいデータに対して継続的にテストされ、期待される精度からの逸脱には自動的にフラグが立てられます。結果はパフォーマンス ログで公開されるため、体系的なバイアスは目に見えないままではなく、時間の経過とともに特定できます。
ほとんどのセットアップは、既存のワークフローを変更することなく、API 経由で既存の分析ツールに推奨事項をエクスポートすることから始まります。ポートフォリオ システムへの直接接続などのより深い統合は、ケースごとに個別に評価されます。
はい。推奨事項は意思決定のサポートを目的としており、各ユーザーは重み付けを調整したり、個々の信号を無視したりできます。このような調整は、検証可能性を維持するために、モデルの元の推奨事項とは別に記録されます。
結果はヒットと同じようにパフォーマンス ログに記録され、問題の信号の重み付けを今後調整するために使用されます。失敗した推奨事項はログから削除されません。
独自のデータを接続する前に、パフォーマンス ログを調べて精度を評価することから始めます。ほとんどのチームは小規模から開始し、数か月にわたる結果を比較した後に拡大します。