AI-vezérelt döntésoptimalizálás
Az Namure Laguru valós időben nagy mennyiségű piaci adatot konvertál konkrét cselekvési javaslatokká. A modellek visszatesztelve vannak a történelmi forgatókönyvekhez képest, így a döntések mérhető statisztikákon – nem érzelmeken – alapulnak.
Core motor
Az Namure Laguru elemzőmotorja folyamatosan feldolgozza az ár-, mennyiség- és volatilitási adatokat, és azonosítja azokat a mintákat, amelyeket nehéz manuálisan fenntartani az idő múlásával. A kimenet nem egy fekete doboz – minden ajánlás mérhető valószínűséghez és indokolt kockázati profilhoz kapcsolódik.
Visszatesztelt stratégia
Minden stratégia strukturált tesztelési folyamaton megy keresztül, ahol az előrejelzéseket több piaci cikluson keresztül hasonlítják össze a tényleges eredményekkel. Ez csökkenti annak kockázatát, hogy a modellt egyszerűen egyetlen időszak mintázataihoz igazítsák.
A különböző volatilitási rezsimekből – bikapiacok, korrekciók és oldalirányú konszolidáció – származó múltbeli adatok szerepelnek a tesztbázisban, hogy a modellt ne illesszük túl egyfajta piaci viselkedéshez.
A modellt egy adatperióduson tanítják, és egy külön, ismeretlen perióduson tesztelik. Felfedi, hogy az eredmények valódi előrejelző képességnek vagy a képzési adatok véletlenszerű korrelációjának köszönhetők-e.
Az eredményeket kockázattal kiigazított hozamként jelentik – nem csak bruttó hozamként –, így a teljesítmény a stratégiát ténylegesen kitett volatilitáshoz viszonyítva értékelhető.
Kockázatkezelés
A platform kockázati moduljait úgy tervezték, hogy korlátozzák a hátrányokat, mielőtt azok bekövetkeznének, ahelyett, hogy egy lépés után reagálnának.
A volatilitásjelzők intervallumonként frissülnek, és közvetlenül szerepelnek a pozícióméretek és a jelsúlyok beállításában.
A portfólió teljes kockázatát a pozíciók között figyelik a nem szándékos koncentrált kitettség elkerülése érdekében.
Ha egy pozíció a meghatározott kockázati határokon kívülre kerül, azonnal értesítést küldünk.
A kockázati logika úgy készült, hogy kezelje mind az egyes kereskedők portfólióját, mind a menedzser általános könyvelését, anélkül, hogy a válaszidőt veszélyeztetné.
módszer
Az adatfeldolgozás átláthatósága a technikai felhasználók bizalmának előfeltétele. Az alábbi folyamat az adatbeviteltől a végrehajtható döntésig tartó láncot írja le.
A piaci adatokat, az ajánlati könyvadatokat és a makromutatókat a csatlakoztatott forrásokból gyűjtik össze, és egy közös formátumba normalizálják.
A statisztikai és gépi tanuláson alapuló modellek azonosítják a mintákat, és kiszámítják a különböző eredmények valószínűségét.
A jelzéseket a felhasználó kockázati paramétereihez és a meglévő portfólió-összetételhez képest súlyozzák, hogy konkrét ajánlást alkossanak.
Az ajánlás API-n vagy felhasználói felületen keresztül érhető el, készen áll a kézi jóváhagyásra vagy az automatikus megrendelés leadására.
A platformról
Az Namure Laguru olyan napi kereskedőket, portfóliómenedzsereket és fintech-rajongókat céloz meg, akik már adatvezérelten dolgoznak, de szisztematikus réteget szeretnének a nyers adatok és a döntés között. A platform célja, hogy kiegészítse a meglévő kutatásokat – nem helyettesíti a szakmai értékelést.
Az integráció dokumentált API-n keresztül történik, így a jelek a meglévő munkafolyamatokba beépíthetők anélkül, hogy teljes platformváltásra lenne szükség.
Gyakran ismételt kérdések
A modellek a kapcsolódó kereskedési platformok piaci adatait, valamint nyilvánosan elérhető makrogazdasági mutatókat használnak. Az egyes adatszolgáltatók a kereskedési piactól függenek, és a beállításkor konfigurálják őket.
A platform egy REST-alapú API-t tesz elérhetővé, ahol a jelzések, a kockázati paraméterek és a portfólió állapota programozottan lehívható. A dokumentációt és a hitelesítési módot a hozzáférés megadásakor felülvizsgálják.
A késleltetés az adatforrás frissítési gyakoriságától és a kiválasztott piactípustól függ. A jelek továbbítása folyamatosan történik, amikor új adat érkezik, nem pedig rögzített, lassabb időközönként.
Igen. A kockázati paraméterek, a kitettségi limitek és a pozícióméretek úgy konfigurálhatók, hogy az ajánlások a tényleges portfólión alapuljanak, nem pedig egy általános standard profilon.
A teljesítményről a mintán kívüli utólagos tesztek alapján számolnak be több piaci cikluson keresztül, a kockázattal kiigazított hozamra helyezve a hangsúlyt az elszigetelt bruttó hozam helyett. A módszertant a hozzáférés kérésekor részletesen áttekintjük.