Velyra Platform analyzuje historické správanie na trhu a živé dátové toky, aby vytvoril odporúčania prispôsobené riziku, čo dáva pracujúcim profesionálom disciplinovaný spôsob, ako zhodnotiť, kde by dodatočný kapitál mohol pôsobiť tvrdšie.
Velyra Platform konvertuje veľké objemy trhových a portfóliových údajov na malý počet zoradených a vysvetliteľných odporúčaní. Každá fáza nižšie je navrhnutá tak, aby z procesu odstránila dohady.
Platforma čerpá z údajov o cenách, makroekonomických údajoch a volatilite na viacerých trhoch, ktoré sa obnovujú počas obchodného dňa a nie v pevných intervaloch.
To dáva základným modelom aktuálny pohľad na podmienky, takže odporúčania odrážajú súčasné okolnosti a nie zastarané snímky.
Štatistické modely a modely strojového učenia identifikujú vzorce historického správania cien a testujú, ako sa tieto vzorce udržali v rôznych trhových režimoch.
Modely sa priebežne preškoľujú, čo umožňuje platforme prispôsobiť sa novým údajom, ktoré nahradia staršie predpoklady.
Každá kandidátska stratégia sa hodnotí nielen podľa predpokladaného výnosu, ale aj podľa volatility, histórie čerpania a korelácie s existujúcimi držbami používateľa.
Toto hodnotenie odrádza odľahlé hodnoty s vysokou návratnosťou a vysokou volatilitou od dominancie v zozname odporúčaní bez vhodného kontextu.
Odporúčania sú prezentované s odôvodnením: vstupy údajov, okno spätného testu a použité predpoklady.
Používatelia môžu vysledovať akýkoľvek návrh späť k jeho podporným údajom, namiesto toho, aby prijali číslo bez kontextu.
Spätné testovanie a prediktívne modelovanie sú užitočné len vtedy, ak je proces, ktorý sa za nimi skrýva, disciplinovaný. Pracovný postup uvedený nižšie popisuje, ako Velyra Platform vytvára a overuje jednotlivé stratégie.
Trhové údaje sa získavajú od licencovaných poskytovateľov finančných údajov a pred vstupom do modelového potrubia sa porovnávajú so sekundárnym zdrojom, čím sa znižuje riziko začlenenia chybných vstupov do odporúčania.
Stratégie kandidátov sa opierajú o historické údaje zahŕňajúce viaceré trhové cykly vrátane období kontrakcie, aby sa zistilo, ako by sa daný prístup správal v strese, a nie iba v priaznivých podmienkach.
Pred nasadením je každý model testovaný na údajoch, ktoré predtým nevidel. Tento krok je určený na zachytenie nadmerného vybavenia, keď sa stratégia javí ako silná len preto, že bola vyladená tak, aby sa príliš zhodovala s predchádzajúcimi údajmi.
Živý výkon sa monitoruje v porovnaní so spätne testovanými očakávaniami. Ak sa objaví významná odchýlka, model sa označí príznakom na kontrolu a rekalibráciu a nie je ponechaný bez začiarknutia.
Všetky vstupy sú vysledovateľné k menovanému poskytovateľovi a sú označené časovou pečiatkou, čo umožňuje auditovanie akéhokoľvek odporúčania späť k jeho zdrojovým údajom.
Limity veľkosti pozícií a diverzifikácie sú zabudované do každého odporúčania, aby sa obmedzila expozícia voči akémukoľvek jednotlivému aktívu alebo sektoru, bez ohľadu na to, ako priaznivo môže vyzerať spätný test.
Nižšie uvedené scenáre odrážajú bežné východiskové body pre používateľov, ktorí budujú sekundárny tok príjmov alebo prehodnocujú existujúce portfólio.
Používateľ s disponibilným mesačným príjmom, ale obmedzenými skúsenosťami s trhom, používa platformu na porovnanie spätne testovaných stratégií s jednoduchým benchmarkom úspor pred investovaním kapitálu.
Výsledok: informované rozhodnutie o prideleníPoužívateľ s existujúcim akciovým portfóliom ho prevedie korelačnou analýzou platformy, aby zistil, kde sa držby prekrývajú a kde by spätne testovaná alternatíva mohla znížiť celkovú expozíciu.
Výsledok: znížené riziko koncentrácieSamostatne zárobkovo činný používateľ modeluje, ako by sa časť nepravidelného príjmu mohla rozdeliť medzi stratégie s rôznymi profilmi likvidity, pričom vychádza z historických údajov o čerpaní, a nie z predpokladov.
Výsledok: plánovanie s ohľadom na likvidituVlastník firmy, ktorý porovnáva reinvestície s externou alokáciou, používa nástroje benchmarkingu platformy na zváženie predpokladaných výnosov upravených o riziko a nákladov na kapitál viazaný v podniku.
Výsledok: porovnávací rámec rozhodovaniaAnalytickí používatelia majú tendenciu sa pýtať, ako systém dospeje k číslu predtým, ako mu uveria. Odpovede uvedené nižšie sa zaoberajú najčastejšími otázkami týkajúcimi sa metodológie, školení a spracovania údajov.
Každá stratégia sa hodnotí podľa váženého súboru kritérií vrátane historickej návratnosti, volatility, hĺbky čerpania a korelácie s bežnými triedami aktív. Váha je pevná a zverejnená, neupravuje sa prípad od prípadu, takže rovnaké kritériá platia konzistentne pre všetky odporúčania.
Modely sú trénované na viacročných historických cenových a makroekonomických súboroch údajov, ktoré pochádzajú od licencovaných poskytovateľov finančných údajov. Tréningové dáta sa obnovujú podľa priebežného plánu, takže referenčný rámec modelu nezostáva statický s vývojom trhových podmienok.
Stratégie sa overujú na údajoch mimo vzorky, ktoré boli zadržané v pôvodnom tréningovom súbore. Stratégia, ktorá funguje dobre iba na údajoch, na ktorých bola vytvorená, sa zahodí skôr, ako dosiahne odporúčanie pre používateľa.
Údaje o používateľskom účte sú pri prenose a v pokoji šifrované. Platforma neposkytuje personalizované finančné poradenstvo podľa regulácie Spojeného kráľovstva; predstavuje analýzu založenú na údajoch, ktorá má podporiť, nie nahradiť, vlastný úsudok používateľa alebo nezávislé odborné poradenstvo.
áno. Každé odporúčanie obsahuje odkaz na okno spätného testu a dátové vstupy použité na jeho vygenerovanie, čo umožňuje používateľovi preskúmať základné odôvodnenie namiesto prijatia čísla v nominálnej hodnote.
Vstúpte do Velyra Platform a pozrite si spätne testovaný výkon stratégie, hodnotenia upravené podľa rizika a zdôvodnenie každého odporúčania.
Prístup k platformeNa preskúmanie metodiky a analýzy vzoriek nie je potrebná žiadna kreditná karta.