Datorizēta lēmumu pieņemšana
Oljefondet nepārtraukti analizē lielus datu apjomus un sniedz svērtus ieteikumus investoriem un analītiķiem, kuri vēlas samazināt risku, pamatojoties uz pārbaudāmu, nevis pēc iekšējām izjūtām.
Metodoloģija
Lielākā daļa lēmumu pieņemšanas rīku apstājas pie datu vizualizācijas. Oljefondet iet tālāk un katram ieteikumam piešķir svaru, pamatojoties uz to, cik uzticams signāls ir vēsturiski izrādījies.
Modeļi tiek nepārtraukti apmācīti par vēsturiskām un atjauninātām datu kopām, un tie atklāj attiecības starp mainīgajiem lielumiem, kuriem pretējā gadījumā būtu nepieciešama manuāla analīze nedēļu laikā. Rezultāts tiek parādīts kā varbūtības svērti scenāriji, nevis kā viens ieteikums bez konteksta.
Ilustrācija: svērtā varbūtība katram scenārijam
Katram ieteikumam seko korelācijas pārbaude pret esošo ekspozīciju un ticamības vērtība, kas parāda, cik liela vēsturiskā novirze ir novērota līdzīgiem signāliem. Tas ļauj noteikt pasākumu prioritātes atbilstoši faktiskajam lejupslīdes riskam, nevis tikai apjomam.
Ilustrācija: noviržu sadalījums pa riska kategorijām
Tā kā arhitektūra ir balstīta uz plūstošiem datiem, ieteikumi tiek atjaunināti, kad ienāk jauni datu punkti. Tiek izmantota viena un tā pati infrastruktūra neatkarīgi no tā, vai tas ir viens analītiķis vai visa komanda, kas vienlaikus uzrauga vairākas pozīcijas.
Attēls: atjaunināšanas biežums laika gaitā
Tehniskā stingrība
Process ir sadalīts trīs posmos, un katrs posms ir dokumentēts, lai analītiķi varētu pārbaudīt, kāpēc ieteikums izskatās tā, kā tas izskatās.
01
Tirgus dati, makroekonomiskie rādītāji un alternatīvās datu kopas tiek nepārtraukti vākti un attīrīti no zināmiem kļūdu avotiem pirms modelēšanas.
02
Statistiskie un mašīnmācītie modeļi meklē atkārtotas attiecības un novirzes no normālā sadalījuma un atzīmē signālus, kas šķērso iepriekš noteiktu slieksni.
03
Signāli tiek sarindoti atbilstoši vēsturiskajai precizitātei un apkopoti ieteikumā ar saistītu ticamības vērtību, kas ir gatavi cilvēka novērtējumam.
| Parametrs | Apraksts |
|---|---|
| Datu avoti | Tirgus dati, makroekonomiskie rādītāji, publiski pieejami uzņēmumu pārskati |
| Atjaunināšanas biežums | Nepārtraukta, pamatojoties uz straumēšanas datiem, nevis periodiskām partijām |
| Modeļa arhitektūra | Statistikas un mašīnmācīto modeļu ansambļi ar atsevišķu validāciju |
| Validācijas metode | Pārbaude, salīdzinot ar faktisko rezultātu, pastāvīgi tiek publicēta darbības žurnālā |
| Integrācija | API piekļuve un eksportēšana uz parastiem analīzes un portfeļa rīkiem |
Par platformu
Oljefondet tika izstrādāts ar vienkāršu sākumpunktu: ieteikums ir tikai tik labs, cik spēja to pēc tam pārbaudīt. Tāpēc katrs modelis ir dokumentēts un katrs ieteikums ir apzīmogots ar laika zīmogu.
Platformu izmanto analītiķi un investori, kuriem jau ir sava riska pārvaldības kārtība un kuri vēlas datorizētu papildinājumu, nevis profesionālā novērtējuma aizstājēju.
Pārredzamība
Visi ieteikumi tiek reģistrēti ar laiku un vēlāk salīdzināti ar faktisko rezultātu. Žurnāls ir pieejams pārskatīšanai, un pēc publicēšanas to nevar rediģēt.
Zemāk esošajā tabulā parādīts žurnāla formāts. Platformā ir pieejams pilnīgs un pastāvīgi atjaunināts žurnāls.
| Datums | Modelis | Kategorija | Statuss |
|---|---|---|---|
| 2024-01-08 | Sentimenta modelis A | Tirgus noskaņojums | Apstiprināts |
| 2024-01-15 | Riska modelis C | Portfeļa risks | Novērtējumā |
| 2024-01-22 | Tendences modelis B | Sektoru rotācija | Apstiprināts |
| 2024-01-29 | Sentimenta modelis A | Tirgus noskaņojums | Reģistrēta novirze |
Izsekojamība
Katram modelim
Rediģēšana pēc publicēšanas
Nav atļauts
Rezultātu reģistrācija
Neatkarīgi no modeļa
Vēsturiskā precizitāte platformā tiek parādīta kā līniju diagramma, kas sadalīta pa modelim un laika periodam, lai novirzes starp ieteikumu un faktisko rezultātu varētu sekot laika gaitā, nevis apkopot vienā skaitļā.
Ieteikumi tiek publicēti ar laika zīmogu. Faktiskais rezultāts tiek reģistrēts pēc tam un tiek automātiski saistīts ar sākotnējo ieteikumu neatkarīgi no tā, kā rezultāts izrādījās.
Lietošanas jomas
Vieni un tie paši pamatā esošie modeļi ir pielāgoti dažādām lēmumu pieņemšanas situācijām atkarībā no tā, vai mērķis ir portfeļa pārvaldība, tirgus novērtējums vai iekšējās darbības.
Modeļi nosaka korelācijas starp esošajām pozīcijām un ierosina korekcijas, kas samazina kopējo pakļautību atsevišķiem notikumiem, neprasot pilnīgu portfeļa pārstrukturēšanu.
Liels teksta un darījumu datu apjoms tiek apkopots noskaņojuma mērā, kas tiek nepārtraukti atjaunināts un ko var salīdzināt ar vēsturiskiem tirgus pagrieziena punktiem.
Iekšējie dati par resursu izmantošanu un caurlaidspēju tiek analizēti, lai atklātu vājās vietas, lai lēmumus par prioritāšu noteikšanu varētu pieņemt, pamatojoties uz faktiskiem modeļiem, nevis pieņēmumiem.
Jautājumi un atbildes
Analīzei ielādētie dati tiek glabāti atsevišķi no apmācības datiem, kas tiek izmantoti modeļu uzlabošanai, un tie netiek kopīgoti starp klientiem. Piekļuves kontroli un uzglabāšanas vietu var pārskatīt kā daļu no tehniskā novērtējuma pirms integrācijas.
Modeļi tiek nepārtraukti pārbaudīti pret jauniem datiem, kas nebija iekļauti apmācībā, un novirzes no paredzamās precizitātes tiek automātiski atzīmētas. Tā kā rezultāti tiek publicēti veiktspējas žurnālā, sistemātiskas novirzes laika gaitā var noteikt, nevis palikt neredzamas.
Lielākā daļa iestatījumu sākas ar ieteikumu eksportēšanu uz esošajiem analīzes rīkiem, izmantojot API, bez nepieciešamības mainīt esošās darbplūsmas. Padziļināta integrācija, piemēram, tieša savienošana ar portfeļa sistēmām, tiek novērtēta atsevišķi katrā gadījumā.
Jā. Ieteikumi ir paredzēti kā lēmumu pieņemšanas atbalsts, un katrs lietotājs var pielāgot svērumu vai ignorēt atsevišķus signālus. Šādas korekcijas tiek reģistrētas atsevišķi no modeļa sākotnējā ieteikuma, lai saglabātu pārbaudāmību.
Rezultāts tiek reģistrēts veiktspējas žurnālā tāpat kā trāpījumi, un tiek izmantots, lai turpmāk pielāgotu attiecīgā signāla svērumu. Neveiksmīgi ieteikumi netiek noņemti no žurnāla.
Sāciet ar veiktspējas žurnāla apskati un paši novērtējiet precizitāti, pirms pievienojat savus datus. Lielākā daļa komandu sāk darboties mazākā mērogā un paplašinās pēc dažu mēnešu rezultātu salīdzināšanas.
