Velyra Platform analyzuje historické chování trhu a živé datové toky, aby vytvořil doporučení přizpůsobená riziku, což dává pracujícím profesionálům disciplinovaný způsob, jak vyhodnotit, kde by dodatečný kapitál mohl pracovat tvrději.
Velyra Platform převádí velké objemy tržních a portfoliových dat do malého počtu seřazených a vysvětlitelných doporučení. Každá níže uvedená fáze je navržena tak, aby z procesu odstranila dohady.
Platforma čerpá z cenových, makroekonomických údajů a údajů o volatilitě na různých trzích, které se aktualizují v průběhu obchodního dne, nikoli v pevných intervalech.
To dává základním modelům aktuální pohled na podmínky, takže doporučení odrážejí současné okolnosti spíše než zastaralé snímky.
Statistické modely a modely strojového učení identifikují vzorce historického chování cen a testují, jak se tyto vzorce udržely v různých tržních režimech.
Modely jsou průběžně přeškolovány, což umožňuje platformě přizpůsobit se, protože nová data nahrazují starší předpoklady.
Každá kandidátská strategie je hodnocena nejen podle předpokládané návratnosti, ale také podle volatility, historie čerpání a korelace se stávajícími držbami uživatele.
Toto hodnocení odrazuje odlehlé hodnoty s vysokou návratností a vysokou volatilitou od dominance seznamu doporučení bez vhodného kontextu.
Doporučení jsou prezentována s odůvodněním: datové vstupy, okno zpětného testu a použité předpoklady.
Uživatelé mohou vysledovat jakýkoli návrh zpět k jeho podpůrným datům, místo aby přijali číslo bez kontextu.
Zpětné testování a prediktivní modelování jsou užitečné pouze v případě, že proces, který za nimi stojí, je disciplinovaný. Pracovní postup níže popisuje, jak Velyra Platform vytváří a ověřuje jednotlivé strategie.
Tržní údaje jsou získávány od licencovaných poskytovatelů finančních dat a před vstupem do modelového kanálu jsou porovnávány se sekundárním zdrojem, čímž se snižuje riziko zanesení chybných vstupů do doporučení.
Strategie kandidátů jsou založeny na historických datech zahrnujících více tržních cyklů, včetně období kontrakce, aby bylo možné sledovat, jak by se daný přístup choval ve stresu, nikoli pouze za příznivých podmínek.
Před nasazením je každý model testován na datech, která předtím neviděl. Tento krok je navržen tak, aby zachytil nadměrné vybavení, kdy se strategie jeví jako silná pouze proto, že byla příliš vyladěna tak, aby odpovídala minulým datům.
Živý výkon je monitorován na základě zpětně testovaných očekávání. Pokud se objeví významná divergence, model je označen pro kontrolu a rekalibraci, spíše než aby běžel nezaškrtnutý.
Všechny vstupy jsou sledovatelné k pojmenovanému poskytovateli a jsou opatřeny časovým razítkem, což umožňuje auditovat jakékoli doporučení zpět na jeho zdrojová data.
Limity velikosti pozic a diverzifikace jsou zabudovány do každého doporučení, aby se omezilo vystavení se jakémukoli jednotlivému aktivu nebo sektoru, bez ohledu na to, jak příznivý může vypadat backtest.
Níže uvedené scénáře odrážejí běžné výchozí body pro uživatele, kteří vytvářejí sekundární tok příjmů nebo přehodnocují stávající portfolio.
Uživatel s disponibilním měsíčním příjmem, ale omezenými tržními zkušenostmi, používá platformu k porovnání zpětně testovaných strategií s jednoduchým měřítkem úspor, než investuje kapitál.
Výsledek: informované rozhodnutí o přiděleníUživatel se stávajícím akciovým portfoliem jej projde korelační analýzou platformy, aby zjistil, kde se držby překrývají a kde by zpětně testovaná alternativa mohla snížit celkovou expozici.
Výsledek: snížené riziko koncentraceSamostatně výdělečně činný uživatel modeluje, jak by mohla být část nepravidelného příjmu alokována napříč strategiemi s různými profily likvidity, na základě historických údajů o čerpání, nikoli předpokladů.
Výsledek: plánování s ohledem na likvidituVlastník firmy, který porovnává reinvestice s externí alokací, používá srovnávací nástroje platformy ke zvážení předpokládaných výnosů upravených o riziko a nákladů na kapitál vázaný v podniku.
Výsledek: srovnávací rozhodovací rámecAnalytičtí uživatelé mají tendenci se ptát, jak systém dospěje k nějakému údaji, než mu uvěří. Níže uvedené odpovědi se týkají nejčastějších otázek týkajících se metodologie, školení a zpracování dat.
Každá strategie je hodnocena podle váženého souboru kritérií včetně historické návratnosti, volatility, hloubky čerpání a korelace s běžnými třídami aktiv. Váha je pevná a zveřejněná, neupravuje se případ od případu, takže stejná kritéria platí pro všechna doporučení konzistentně.
Modely jsou trénovány na víceletých historických cenových a makroekonomických souborech dat pocházejících od licencovaných poskytovatelů finančních dat. Tréninková data se obnovují podle průběžného plánu, takže referenční rámec modelu nezůstává statický, jak se vyvíjejí podmínky na trhu.
Strategie se ověřují na datech mimo vzorek, která byla odepřena z původní trénovací sady. Strategie, která funguje dobře pouze na datech, na kterých byla vytvořena, je zahozena dříve, než dosáhne doporučení pro uživatele.
Data uživatelského účtu jsou při přenosu i v klidu šifrována. Platforma neposkytuje personalizované finanční poradenství podle regulace Spojeného království; představuje analýzu založenou na datech, která má podpořit, nikoli nahradit vlastní úsudek uživatele nebo nezávislé odborné poradenství.
Ano. Každé doporučení obsahuje odkaz na okno zpětného testu a datové vstupy použité k jeho generování, což uživateli umožňuje přezkoumat základní úvahy spíše než přijmout číslo v nominální hodnotě.
Přístup k Velyra Platform a zobrazení zpětně testovaného výkonu strategie, hodnocení upraveného podle rizika a odůvodnění každého doporučení.
Přístup k platforměKe kontrole metodiky a analýzy vzorku není potřeba žádná kreditní karta.