Počítačom podporované rozhodovanie
Oljefondet nepretržite analyzuje veľké množstvo údajov a poskytuje vážené odporúčania investorom a analytikom, ktorí chcú znížiť riziko na overiteľnom základe, nie na základe pocitu.
Metodológia
Väčšina nástrojov na rozhodovanie sa zastaví pri vizualizácii údajov. Oljefondet ide ešte ďalej a každému odporúčaniu priraďuje váhu na základe toho, ako spoľahlivý sa signál historicky ukázal byť.
Modely sú neustále trénované na historických a aktualizovaných súboroch údajov a objavujú sa vzťahy medzi premennými, ktoré by si inak vyžadovali manuálnu analýzu počas týždňov. Výsledok je prezentovaný ako pravdepodobnostne vážené scenáre, nie ako jediné odporúčanie bez kontextu.
Ilustrácia: vážená pravdepodobnosť podľa scenára
Po každom odporúčaní nasleduje kontrola korelácie s existujúcou expozíciou a hodnota spoľahlivosti, ktorá ukazuje, aká veľká historická odchýlka bola pozorovaná pre podobné signály. To umožňuje uprednostniť opatrenia podľa skutočného rizika poklesu, a nie podľa samotného rozsahu.
Ilustrácia: rozdelenie odchýlok podľa kategórie rizika
Keďže architektúra je postavená na plynulých dátach, odporúčania sa aktualizujú, keď prichádzajú nové dátové body. Používa sa rovnaká infraštruktúra bez ohľadu na to, či ide o jedného analytika alebo celého tímu, ktorý monitoruje niekoľko pozícií súčasne.
Ilustrácia: frekvencia aktualizácie v priebehu času
Technická prísnosť
Proces je rozdelený do troch krokov a každý krok je zdokumentovaný, aby si analytici mohli overiť, prečo odporúčanie vyzerá tak, ako vyzerá.
01
Údaje o trhu, makroekonomické ukazovatele a alternatívne súbory údajov sa priebežne zhromažďujú a pred pristúpením k modelovaniu sa z nich čistia známe zdroje chýb.
02
Štatistické a strojovo naučené modely hľadajú opakujúce sa vzťahy a odchýlky od normálneho rozdelenia a signalizujú signály, ktoré prekračujú vopred definovaný prah.
03
Signály sú zoradené podľa historickej presnosti a zostavené do odporúčania s pridruženou hodnotou spoľahlivosti, pripravené na posúdenie človekom.
| Parameter | Popis |
|---|---|
| Zdroje údajov | Trhové dáta, makroekonomické ukazovatele, verejne dostupné firemné reporty |
| Frekvencia aktualizácie | Nepretržité, založené skôr na streamovaní údajov než na pravidelných dávkach |
| Architektúra modelu | Súbory štatistických a strojovo učených modelov so samostatnou validáciou |
| Metóda validácie | Overenie oproti skutočnému výsledku, priebežne zverejňované v denníku výkonnosti |
| integrácia | Prístup k API a export do bežných analytických a portfóliových nástrojov |
O platforme
Oljefondet bol vyvinutý s jednoduchým východiskovým bodom: odporúčanie je len také dobré, ako je schopnosť ho následne skontrolovať. Preto je každý model zdokumentovaný a každé odporúčanie je označené časovou pečiatkou.
Platformu používajú analytici a investori, ktorí už majú svoje vlastné postupy na riadenie rizík a ktorí chcú skôr počítačovo podporovaný doplnok ako náhradu za profesionálne hodnotenie.
Transparentnosť
Všetky odporúčania sa zaznamenávajú s časom a neskôr sa porovnávajú so skutočným výsledkom. Denník je k dispozícii na kontrolu a po zverejnení ho nemožno upravovať.
Nižšie uvedená tabuľka zobrazuje formát denníka. Kompletný a priebežne aktualizovaný denník je k dispozícii vo vnútri platformy.
| Dátum | Model | Kategória | Stav |
|---|---|---|---|
| 2024-01-08 | Sentimentový model A | Trhový sentiment | Potvrdené |
| 2024-01-15 | Rizikový model C | Portfóliové riziko | Prebieha posudzovanie |
| 2024-01-22 | Trendový model B | Rotácia sektorov | Potvrdené |
| 2024-01-29 | Sentimentový model A | Trhový sentiment | Odchýlka zaregistrovaná |
Vysledovateľnosť
Podľa modelu
Úprava po zverejnení
Nie je povolené
Registrácia výsledkov
Bez ohľadu na model
Historická presnosť sa v platforme zobrazuje ako čiarový diagram rozdelený podľa modelu a časového obdobia, takže odchýlky medzi odporúčaním a skutočným výsledkom možno sledovať v priebehu času namiesto zhrnutia do jedného čísla.
Odporúčania sú po zverejnení označené časovou pečiatkou. Skutočný výsledok sa potom zaznamená a automaticky sa prepojí s pôvodným odporúčaním bez ohľadu na to, ako výsledok dopadol.
Oblasti použitia
Rovnaké podkladové modely sú prispôsobené rôznym situáciám rozhodovania v závislosti od toho, či je účelom riadenie portfólia, hodnotenie trhu alebo interné operácie.
Modely identifikujú korelácie medzi existujúcimi pozíciami a navrhujú úpravy, ktoré znižujú celkovú expozíciu voči jednotlivým udalostiam bez toho, aby vyžadovali úplnú reštrukturalizáciu portfólia.
Veľké množstvo textových a transakčných údajov sa zostavuje do meradla sentimentu, ktoré sa neustále aktualizuje a ktoré možno porovnávať s historickými zlomovými bodmi na trhu.
Interné údaje o využívaní zdrojov a priepustnosti sa analyzujú, aby sa odhalili úzke miesta, takže rozhodnutia o stanovení priorít možno robiť skôr na základe skutočných vzorov než predpokladov.
Otázky a odpovede
Údaje načítané na analýzu sú uložené oddelene od tréningových údajov používaných na zlepšenie modelov a nie sú zdieľané medzi zákazníkmi. Riadenie prístupu a umiestnenie úložiska je možné pred integráciou skontrolovať v rámci technického hodnotenia.
Modely sú priebežne testované oproti novým údajom, ktoré neboli zahrnuté do tréningu, a odchýlky od očakávanej presnosti sú automaticky označené. Vzhľadom na to, že výsledky sú publikované v denníku výkonnosti, systematické odchýlky možno identifikovať v priebehu času a nie zostať neviditeľné.
Väčšina nastavení začína exportovaním odporúčaní do existujúcich analytických nástrojov prostredníctvom rozhrania API bez toho, aby bolo potrebné meniť existujúce pracovné postupy. Hlbšia integrácia, ako je priame prepojenie s portfóliovými systémami, sa posudzuje samostatne pre každý prípad.
áno. Odporúčania slúžia ako podpora pri rozhodovaní a každý používateľ môže upraviť váženie alebo ignorovať jednotlivé signály. Takéto úpravy sa zaznamenávajú oddelene od pôvodného odporúčania modelu, aby sa zachovala overiteľnosť.
Výsledok sa zaznamenáva do denníka výkonnosti rovnakým spôsobom ako prístupy a používa sa na úpravu váženia príslušného signálu vpred. Neúspešné odporúčania sa z denníka neodstránia.
Začnite tým, že si prejdete denník výkonu a sami posúdite presnosť predtým, ako pripojíte svoje vlastné údaje. Väčšina tímov začína v menšom meradle a expanduje po porovnaní výsledkov v priebehu niekoľkých mesiacov.
