Velyra Platform analyseert historisch marktgedrag en live datastromen om risico-aangepaste aanbevelingen te doen, waardoor werkende professionals een gedisciplineerde manier krijgen om te evalueren waar extra kapitaal harder zou kunnen werken.
Velyra Platform converteert grote hoeveelheden markt- en portefeuillegegevens naar een klein aantal gerangschikte, verklaarbare aanbevelingen. Elke onderstaande fase is bedoeld om giswerk uit het proces te verwijderen.
Het platform maakt gebruik van prijs-, macro-economische en volatiliteitsgegevens van meerdere markten, die gedurende de handelsdag worden vernieuwd in plaats van met vaste tussenpozen.
Dit geeft de onderliggende modellen een actueel beeld van de omstandigheden, zodat aanbevelingen de huidige omstandigheden weerspiegelen in plaats van verouderde momentopnamen.
Statistische en machine learning-modellen identificeren patronen in historisch prijsgedrag en testen hoe deze patronen stand hielden in verschillende marktregimes.
Modellen worden voortdurend bijgeschoold, waardoor het platform zich kan aanpassen naarmate nieuwe gegevens oudere aannames vervangen.
Elke kandidaatstrategie wordt niet alleen gescoord op basis van het verwachte rendement, maar ook op basis van volatiliteit, trekkingsgeschiedenis en correlatie met de bestaande bezittingen van een gebruiker.
Deze rangschikking ontmoedigt uitschieters met een hoog rendement en een hoge volatiliteit om de lijst met aanbevelingen te domineren zonder de juiste context.
Aanbevelingen worden gepresenteerd met de redenering erachter: de gegevensinvoer, het backtest-venster en de toegepaste aannames.
Gebruikers kunnen elke suggestie terugvoeren op de ondersteunende gegevens, in plaats van een cijfer zonder context te accepteren.
Backtesting en voorspellende modellen zijn alleen nuttig als het proces erachter gedisciplineerd is. De onderstaande workflow schetst hoe Velyra Platform elke strategie bouwt en valideert.
Marktgegevens worden afkomstig van gelicentieerde financiële gegevensleveranciers en vergeleken met een secundaire bron voordat ze in de modelpijplijn terechtkomen, waardoor het risico wordt verkleind dat er onjuiste input in een aanbeveling wordt opgenomen.
Kandidaatstrategieën worden vergeleken met historische gegevens die meerdere marktcycli bestrijken, inclusief perioden van krimp, om te observeren hoe een bepaalde aanpak zich onder stress zou hebben gedragen in plaats van alleen onder gunstige omstandigheden.
Voordat het model wordt geïmplementeerd, wordt het getest op gegevens die het nog niet eerder heeft gezien. Deze stap is bedoeld om overfitting tegen te gaan, waarbij een strategie alleen sterk lijkt omdat deze is afgestemd om gegevens uit het verleden te nauw aan te sluiten.
Live optredens worden getoetst aan de backtested verwachting. Wanneer er sprake is van een betekenisvolle afwijking, wordt het model gemarkeerd voor beoordeling en herkalibratie, in plaats van dat het ongecontroleerd kan worden uitgevoerd.
Alle invoer is herleidbaar naar een genoemde provider en voorzien van een tijdstempel, waardoor elke aanbeveling kan worden teruggeluisterd naar de brongegevens.
Positiegrootte- en diversificatielimieten zijn in elke aanbeveling ingebouwd om de blootstelling aan een bepaald actief of een afzonderlijke sector te beperken, ongeacht hoe gunstig een backtest ook mag lijken.
De onderstaande scenario's weerspiegelen gemeenschappelijke uitgangspunten voor gebruikers die een secundaire inkomstenstroom opbouwen of een bestaande portefeuille opnieuw beoordelen.
Een gebruiker met een besteedbaar maandinkomen maar beperkte marktervaring gebruikt het platform om backteststrategieën te vergelijken met een eenvoudige spaarbenchmark voordat hij kapitaal vastlegt.
Resultaat: geïnformeerde toewijzingsbeslissingEen gebruiker met een bestaande aandelenportefeuille doorloopt de correlatieanalyse van het platform om vast te stellen waar posities elkaar overlappen en waar een backtested alternatief de totale blootstelling zou kunnen verminderen.
Resultaat: verminderd concentratierisicoEen zelfstandige gebruiker modelleert hoe een deel van het onregelmatige inkomen kan worden toegewezen aan strategieën met verschillende liquiditeitsprofielen, op basis van historische opnamegegevens in plaats van aannames.
Resultaat: liquiditeitsbewust plannenEen bedrijfseigenaar die herinvestering vergelijkt met externe allocatie, gebruikt de benchmarkingtools van het platform om het verwachte, voor risico gecorrigeerde rendement af te wegen tegen de kosten van kapitaal dat in het bedrijf vastzit.
Resultaat: vergelijkend beslissingskaderAnalytische gebruikers vragen zich vaak af hoe een systeem tot een cijfer komt voordat ze het vertrouwen. De onderstaande antwoorden gaan in op de meest voorkomende vragen over methodologie, training en gegevensverwerking.
Elke strategie wordt gescoord op basis van een gewogen reeks criteria, waaronder historisch rendement, volatiliteit, diepte van de drawdown en correlatie met gewone activaklassen. De weging ligt vast en wordt openbaar gemaakt, en wordt niet per geval aangepast, zodat dezelfde criteria consistent op de aanbevelingen van toepassing zijn.
Modellen worden getraind op meerjarige historische prijzen en macro-economische datasets afkomstig van gelicentieerde financiële dataproviders. Trainingsgegevens worden volgens een voortschrijdend schema vernieuwd, zodat het referentiekader van het model niet statisch blijft naarmate de marktomstandigheden evolueren.
Strategieën worden gevalideerd op basis van gegevens buiten de steekproef die zijn achtergehouden uit de oorspronkelijke trainingsset. Een strategie die alleen goed presteert op basis van de gegevens waarop deze is gebaseerd, wordt weggegooid voordat deze tot een gebruikersgerichte aanbeveling komt.
Gegevens van gebruikersaccounts worden zowel tijdens de overdracht als in rust gecodeerd. Het platform biedt geen gepersonaliseerd financieel advies onder Britse regelgeving; het presenteert datagestuurde analyses die bedoeld zijn om het eigen oordeel of onafhankelijk professioneel advies van een gebruiker te ondersteunen en niet te vervangen.
Ja. Elke aanbeveling bevat een verwijzing naar het backtest-venster en de gegevensinvoer die is gebruikt om deze te genereren, waardoor een gebruiker de onderliggende redenering kan beoordelen in plaats van een cijfer op het eerste gezicht te accepteren.
Krijg toegang tot Velyra Platform om de backtesting van de strategieprestaties, de voor risico's gecorrigeerde rankings en de redenering achter elke aanbeveling te bekijken.
Toegang tot het platformEr is geen creditcard vereist om de methodologie en monsteranalyse te beoordelen.