Podejmowanie decyzji wspomagane komputerowo
Oljefondet stale analizuje duże ilości danych i dostarcza ważone rekomendacje inwestorom i analitykom, którzy chcą ograniczać ryzyko na weryfikowalnych podstawach, a nie na przeczuciach.
Metodologia
Większość narzędzi decyzyjnych kończy się na wizualizacji danych. Oljefondet idzie dalej i przypisuje każdemu zaleceniu wagę w oparciu o historyczną wiarygodność sygnału.
Modele są stale szkolone na historycznych i aktualizowanych zbiorach danych i odkrywają relacje między zmiennymi, które w przeciwnym razie wymagałyby ręcznej analizy przez tygodnie. Wynik przedstawiono jako scenariusze ważone prawdopodobieństwem, a nie jako pojedynczą rekomendację bez kontekstu.
Ilustracja: prawdopodobieństwo ważone według scenariusza
Po każdym zaleceniu następuje sprawdzenie korelacji z istniejącą ekspozycją i wartość ufności, która pokazuje, ile odchyleń historycznych zaobserwowano dla podobnych sygnałów. Umożliwia to priorytetyzację środków w oparciu o rzeczywiste ryzyko pogorszenia sytuacji, a nie samą wielkość.
Ilustracja: rozkład odchyleń według kategorii ryzyka
Ponieważ architektura opiera się na przepływających danych, rekomendacje są aktualizowane w miarę napływania nowych punktów danych. Wykorzystywana jest ta sama infrastruktura niezależnie od tego, czy jest to jeden analityk, czy cały zespół monitorujący kilka stanowisk jednocześnie.
Ilustracja: częstotliwość aktualizacji w czasie
Rygor techniczny
Proces jest podzielony na trzy etapy, a każdy krok jest dokumentowany, dzięki czemu analitycy mogą zweryfikować, dlaczego rekomendacja wygląda tak, a nie inaczej.
01
Dane rynkowe, wskaźniki makroekonomiczne i alternatywne zbiory danych są gromadzone w sposób ciągły i oczyszczane ze znanych źródeł błędów przed przystąpieniem do modelowania.
02
Modele statystyczne i modele oparte na uczeniu maszynowym wyszukują powtarzające się zależności i odchylenia od rozkładu normalnego oraz sygnalizują sygnały przekraczające wcześniej zdefiniowany próg.
03
Sygnały są szeregowane według dokładności historycznej i zestawiane w rekomendację z powiązaną wartością ufności, gotową do oceny przez człowieka.
| Parametr | Opis |
|---|---|
| Źródła danych | Dane rynkowe, wskaźniki makroekonomiczne, publicznie dostępne raporty spółek |
| Częstotliwość aktualizacji | Ciągłe, oparte na przesyłaniu strumieniowym danych, a nie okresowych partiach |
| Architektura modelowa | Zestawy modeli statystycznych i modeli uczących się maszynowo z oddzielną walidacją |
| Metoda walidacji | Weryfikacja w porównaniu z rzeczywistymi wynikami, publikowana na bieżąco w dzienniku wyników |
| Integracja | Dostęp do API i eksport do wspólnych narzędzi analitycznych i portfolio |
O platformie
Oljefondet został opracowany z prostego punktu wyjścia: rekomendacja jest tak dobra, jak możliwość jej późniejszego sprawdzenia. Dlatego każdy model jest udokumentowany, a każde zalecenie opatrzone jest znacznikiem czasu.
Z platformy korzystają analitycy i inwestorzy, którzy mają już własne procedury zarządzania ryzykiem i chcą raczej wspomaganego komputerowo uzupełnienia niż zamiennika profesjonalnej oceny.
Przejrzystość
Wszystkie zalecenia są rejestrowane w czasie i później porównywane z rzeczywistym rezultatem. Dziennik jest dostępny do wglądu i nie można go edytować po publikacji.
Poniższa tabela przedstawia format dziennika. Wewnątrz platformy dostępny jest kompletny i stale aktualizowany dziennik.
| Data | Modelka | Kategoria | Stan |
|---|---|---|---|
| 2024-01-08 | Model sentymentu A | Nastroje rynkowe | Potwierdzone |
| 15.01.2024 | Model ryzyka C | Ryzyko portfela | W trakcie oceny |
| 22.01.2024 | Model trendu B | Rotacja sektorów | Potwierdzone |
| 29.01.2024 | Model sentymentu A | Nastroje rynkowe | Odchylenie zarejestrowane |
Identyfikowalność
Według modelu
Edycja po publikacji
Niedozwolone
Rejestracja wyników
Niezależnie od modelu
Dokładność historyczna jest pokazana na platformie w postaci diagramu liniowego z podziałem na modele i okresy, dzięki czemu odchylenia między zaleceniami a rzeczywistymi wynikami można śledzić na przestrzeni czasu, zamiast podsumowywać je w jednej liczbie.
Zalecenia są opatrzone datą publikacji. Rzeczywisty wynik jest rejestrowany później i automatycznie łączony z pierwotnym zaleceniem, niezależnie od tego, jaki był wynik.
Obszary zastosowań
Te same modele bazowe są dostosowywane do różnych sytuacji decyzyjnych, w zależności od tego, czy celem jest zarządzanie portfelem, ocena rynku czy operacje wewnętrzne.
Modele identyfikują korelacje pomiędzy istniejącymi pozycjami i proponują korekty, które zmniejszają ogólną ekspozycję na poszczególne zdarzenia, bez konieczności całkowitej restrukturyzacji portfela.
Duże ilości tekstów i danych transakcyjnych są łączone w miarę nastrojów, która jest stale aktualizowana i którą można porównywać z historycznymi punktami zwrotnymi na rynku.
Wewnętrzne dane dotyczące wykorzystania zasobów i przepustowości są analizowane w celu wykrycia wąskich gardeł, dzięki czemu decyzje dotyczące ustalania priorytetów można podejmować w oparciu o rzeczywiste wzorce, a nie założenia.
Pytania i odpowiedzi
Dane załadowane do analizy są przechowywane oddzielnie od danych szkoleniowych służących do doskonalenia modeli i nie są udostępniane klientom. Kontrola dostępu i miejsce przechowywania można sprawdzić w ramach oceny technicznej przed integracją.
Modele są na bieżąco testowane z nowymi danymi, które nie zostały uwzględnione w szkoleniu, a odchylenia od oczekiwanej dokładności są automatycznie oznaczane. Ponieważ wyniki są publikowane w dzienniku wyników, można z czasem zidentyfikować systematyczne błędy systematyczne, dzięki czemu nie pozostają one niewidoczne.
Większość konfiguracji rozpoczyna się od eksportowania rekomendacji do istniejących narzędzi analitycznych za pośrednictwem interfejsu API, bez konieczności zmiany istniejących przepływów pracy. Głębsza integracja, np. bezpośrednie połączenie z systemami portfelowymi, jest oceniana oddzielnie dla każdego przypadku.
Tak. Zalecenia mają na celu wsparcie decyzji i każdy użytkownik może dostosować wagę lub zignorować poszczególne sygnały. Aby zachować weryfikowalność, takie korekty są rejestrowane oddzielnie od pierwotnych zaleceń modelu.
Wynik jest rejestrowany w dzienniku wydajności w taki sam sposób, jak trafienia, i służy do dostosowania wagi danego sygnału w przyszłości. Nieudane rekomendacje nie są usuwane z dziennika.
Zacznij od przejrzenia dziennika wydajności i samodzielnie oceń dokładność, zanim połączysz własne dane. Większość zespołów zaczyna od mniejszej skali i rozwija się po porównaniu wyników w ciągu kilku miesięcy.
