Tomada de decisão assistida por computador
O Oljefondet analisa continuamente grandes quantidades de dados e fornece recomendações ponderadas a investidores e analistas que desejam reduzir o risco de forma verificável, e não com base em intuição.
Metodologia
A maioria das ferramentas de tomada de decisão para na visualização dos dados. O Oljefondet vai além e atribui a cada recomendação um peso com base em quão confiável o sinal provou ser historicamente.
Os modelos são treinados continuamente em conjuntos de dados históricos e atualizados e descobrem relações entre variáveis que, de outra forma, exigiriam análise manual ao longo de semanas. O resultado é apresentado como cenários ponderados por probabilidade, e não como uma recomendação única sem contexto.
Ilustração: probabilidade ponderada por cenário
Cada recomendação é seguida por uma verificação de correlação com a exposição existente e um valor de confiança que mostra quanto desvio histórico foi observado para sinais semelhantes. Isto torna possível priorizar as medidas de acordo com o risco negativo real, e não apenas com a magnitude.
Ilustração: distribuição de desvios por categoria de risco
Como a arquitetura é construída sobre dados fluidos, as recomendações são atualizadas à medida que novos pontos de dados chegam. A mesma infraestrutura é usada independentemente de ser um analista ou uma equipe inteira monitorando diversas posições ao mesmo tempo.
Ilustração: frequência de atualização ao longo do tempo
Rigor técnico
O processo é dividido em três etapas, e cada etapa é documentada para que os analistas possam verificar por que uma recomendação tem a aparência que tem.
01
Os dados de mercado, os indicadores macroeconómicos e os conjuntos de dados alternativos são recolhidos continuamente e limpos de fontes conhecidas de erros antes de se proceder à modelização.
02
Os modelos estatísticos e de aprendizagem automática procuram relações recorrentes e desvios da distribuição normal e sinalizam sinais que ultrapassam um limite predefinido.
03
Os sinais são classificados de acordo com a precisão histórica e compilados numa recomendação com um valor de confiança associado, pronto para avaliação humana.
| Parâmetro | Descrição |
|---|---|
| Fontes de dados | Dados de mercado, indicadores macroeconômicos, relatórios de empresas disponíveis publicamente |
| Frequência de atualização | Contínuo, baseado em streaming de dados em vez de lotes periódicos |
| Arquitetura do modelo | Conjuntos de modelos estatísticos e de aprendizado de máquina com validação separada |
| Método de validação | Verificação em relação ao resultado real, publicada continuamente no log de desempenho |
| Integração | Acesso à API e exportação para ferramentas comuns de análise e portfólio |
Sobre a plataforma
O Oljefondet foi desenvolvido com um ponto de partida simples: uma recomendação é tão boa quanto a capacidade de verificá-la posteriormente. Portanto, cada modelo é documentado e cada recomendação tem carimbo de data/hora.
A plataforma é utilizada por analistas e investidores que já possuem rotinas próprias de gestão de riscos e que desejam um complemento informatizado em vez de um substituto para a avaliação profissional.
Transparência
Todas as recomendações são registradas ao longo do tempo e posteriormente comparadas com o resultado real. O log está disponível para revisão e não pode ser editado após a publicação.
A tabela abaixo mostra o formato do log. Um log completo e continuamente atualizado está disponível dentro da plataforma.
| Data | Modelo | Categoria | Estado |
|---|---|---|---|
| 08/01/2024 | Modelo de sentimento A | Sentimento do mercado | Confirmado |
| 15/01/2024 | Modelo de risco C | Risco de portfólio | Em avaliação |
| 2024-01-22 | Modelo de tendência B | Rotação do setor | Confirmado |
| 29/01/2024 | Modelo de sentimento A | Sentimento do mercado | Desvio registrado |
Rastreabilidade
Por modelo
Edição após publicação
Não permitido
Registro de resultados
Independentemente do modelo
A precisão histórica é mostrada na plataforma como um diagrama de linhas dividido por modelo e período de tempo, de modo que os desvios entre a recomendação e o resultado real possam ser acompanhados ao longo do tempo, em vez de serem resumidos em um único número.
As recomendações são marcadas com data e hora após a publicação. O resultado real é registado posteriormente e é automaticamente ligado à recomendação original, independentemente do resultado.
Áreas de uso
Os mesmos modelos subjacentes são adaptados a diferentes situações de tomada de decisão, consoante o objectivo seja a gestão de carteiras, avaliação de mercado ou operações internas.
Os modelos identificam correlações entre posições existentes e propõem ajustes que reduzem a exposição global a eventos individuais, sem exigir uma reestruturação completa da carteira.
Grandes quantidades de dados de texto e transações são compiladas em uma medida de sentimento que é atualizada continuamente e que pode ser comparada com pontos de inflexão históricos no mercado.
Os dados internos sobre a utilização de recursos e o rendimento são analisados para descobrir estrangulamentos, para que as decisões sobre a priorização possam ser tomadas com base em padrões reais e não em suposições.
Perguntas e respostas
Os dados carregados para análise são armazenados separadamente dos dados de treinamento usados para melhorar os modelos e não são compartilhados entre clientes. O controle de acesso e o local de armazenamento podem ser revisados como parte de uma avaliação técnica antes da integração.
Os modelos são testados continuamente em relação a novos dados que não foram incluídos no treinamento, e os desvios da precisão esperada são sinalizados automaticamente. Como os resultados são publicados no registo de desempenho, os preconceitos sistemáticos podem ser identificados ao longo do tempo, em vez de permanecerem invisíveis.
A maioria das configurações começa exportando recomendações para ferramentas de análise existentes por meio de API, sem a necessidade de alterar os fluxos de trabalho existentes. Uma integração mais profunda, como a ligação direta a sistemas de portfólio, é avaliada separadamente por caso.
Sim. As recomendações destinam-se a apoiar a decisão e cada usuário pode ajustar a ponderação ou ignorar sinais individuais. Tais ajustes são registrados separadamente da recomendação original do modelo para preservar a verificabilidade.
O resultado é registrado no log de desempenho da mesma forma que os acertos e é usado para ajustar a ponderação do sinal em questão daqui para frente. As recomendações com falha não são removidas do log.
Comece analisando o registro de desempenho e avalie você mesmo a precisão, antes de conectar seus próprios dados. A maioria das equipes começa em uma escala menor e expande após comparar os resultados ao longo de alguns meses.
