方法论
大多数决策工具都停留在数据的可视化上。 Oljefondet 更进一步，根据历史证明的信号可靠性为每个建议分配一个权重。
这些模型不断地根据历史和更新的数据集进行训练，并发现变量之间的关系，否则需要数周的时间进行手动分析。结果以概率加权场景的形式呈现，而不是没有上下文的单一建议。
插图：每个场景的加权概率
每个建议之后都会针对现有暴露进行相关性检查，并显示置信度值，以显示相似信号观察到的历史偏差有多少。这使得可以根据实际的下行风险而不是仅仅根据其大小来确定措施的优先顺序。
插图：每个风险类别的偏差分布
由于该架构建立在流动数据的基础上，因此建议会随着新数据点的出现而更新。无论是一名分析师还是整个团队同时监控多个职位，都使用相同的基础设施。
插图：随着时间的推移更新频率
技术严谨
该过程分为三个步骤，每个步骤都被记录下来，以便分析师可以验证建议为何如此。
01
在进行建模之前，不断收集市场数据、宏观经济指标和替代数据集，并清除已知的误差源。
02
统计和机器学习模型寻找重复的关系和正态分布的偏差，并标记超过预定义阈值的信号。
03
信号根据历史准确性进行排名，并编译成具有相关置信度值的建议，以供人工评估。
| 参数 | 描述 |
|---|---|
| 数据来源 | 市场数据、宏观经济指标、公开的公司报告 |
| 更新频率 | 连续的，基于流数据而不是周期性批次 |
| 模型架构 | 具有单独验证的统计模型和机器学习模型的集合 |
| 验证方法 | 根据实际结果进行验证，并在性能日志中持续发布 |
| 整合 | API 访问和导出到常用分析和投资组合工具 |
关于平台
Oljefondet 的开发出发点很简单：建议的好坏取决于事后检查的能力。因此，每个模型都被记录下来，每个建议都带有时间戳。
使用该平台的分析师和投资者已经拥有自己的风险管理程序，并且想要计算机辅助的补充而不是专业评估的替代品。
透明度
所有建议都会随时间记录下来，并与实际结果进行比较。该日志可供审阅，发布后无法编辑。
下表显示了日志的格式。平台内有完整且持续更新的日志。
| 日期 | 型号 | 类别 | 状态 |
|---|---|---|---|
| 2024-01-08 | 情感模型A | 市场情绪 | 已确认 |
| 2024-01-15 | 风险模型C | 投资组合风险 | 正在评估中 |
| 2024-01-22 | 趋势模型B | 部门轮换 | 已确认 |
| 2024-01-29 | 情感模型A | 市场情绪 | 偏差已登记 |
可追溯性
每个型号
发表后编辑
不允许
结果登记
不论型号
历史准确性在平台中显示为按模型和时间段细分的折线图，因此可以随着时间的推移跟踪推荐与实际结果之间的偏差，而不是汇总为单个数字。
建议在发布时带有时间戳。实际结果会在事后记录，并自动链接到原始建议，无论结果如何。
使用领域
相同的基础模型适用于不同的决策情况，具体取决于目的是投资组合管理、市场评估还是内部运营。
这些模型可以识别现有头寸之间的相关性，并提出调整建议，以减少个别事件的整体风险，而无需完全重组投资组合。
大量的文本和交易数据被编译成持续更新的情绪指标，并且可以与市场的历史转折点进行比较。
分析有关资源使用和吞吐量的内部数据以发现瓶颈，以便可以根据实际模式而不是假设做出有关优先级的决策。
问题与解答
加载用于分析的数据与用于改进模型的训练数据分开存储，并且不在客户之间共享。访问控制和存储位置可以作为集成之前技术评估的一部分进行审查。
这些模型会针对训练中未包含的新数据进行持续测试，并自动标记与预期准确性的偏差。由于结果发布在性能日志中，因此可以随着时间的推移识别系统偏差，而不是保持无形。
大多数设置都是从通过 API 将建议导出到现有分析工具开始，无需更改现有工作流程。更深层次的集成，例如与投资组合系统的直接连接，将根据案例单独评估。
是的。这些建议旨在作为决策支持，每个用户都可以调整权重或忽略个别信号。此类调整与模型的原始建议分开记录，以保持可验证性。
结果以与命中相同的方式记录在性能日志中，并用于调整未来相关信号的权重。失败的建议不会从日志中删除。
在连接自己的数据之前，首先检查性能日志并自行评估准确性。大多数团队都是从较小的规模开始，并在比较几个月的结果后扩大规模。
