Optimalizácia rozhodovania riadená AI
Namure Laguru prevádza veľké množstvo trhových údajov na konkrétne odporúčania v reálnom čase. Modely sú spätne testované oproti historickým scenárom, takže rozhodnutia sú založené na merateľných štatistikách – nie na emóciách.
Hlavný motor
Analytický mechanizmus Namure Laguru nepretržite spracováva údaje o cene, objeme a volatilite a identifikuje vzory, ktoré je v priebehu času ťažké manuálne udržiavať. Výstup nie je čierna skrinka – každé odporúčanie je spojené s merateľnou pravdepodobnosťou a odôvodneným rizikovým profilom.
Stratégia spätne testovaná
Každá stratégia prechádza štruktúrovaným testovacím procesom, kde sa predpovede porovnávajú so skutočnými výsledkami počas viacerých trhových cyklov. Tým sa znižuje riziko, že sa model jednoducho prispôsobí vzorom jedného obdobia.
Historické údaje z rôznych režimov volatility – býčie trhy, korekcie a bočná konsolidácia – sú zahrnuté do testovacej bázy, aby model nebol príliš prispôsobený jednému typu trhového správania.
Model je trénovaný v jednom dátovom období a testovaný v samostatnom, neznámom období. Odhaľuje, či sú výsledky výsledkom skutočnej prediktívnej schopnosti alebo náhodnej korelácie v tréningových údajoch.
Výsledky sa vykazujú ako výnosy upravené o riziko – nielen hrubé výnosy –, aby bolo možné posúdiť výkonnosť vo vzťahu k volatilite, ktorej bola stratégia skutočne vystavená.
Riadenie rizika
Rizikové moduly platformy sú navrhnuté tak, aby obmedzili pokles skôr, ako k nemu dôjde, než aby reagovali po tom, čo už došlo k pohybu.
Indikátory volatility sa aktualizujú v intervaloch a sú priamo zahrnuté v spôsobe úpravy veľkosti pozícií a váh signálov.
Celkové riziko portfólia sa monitoruje naprieč pozíciami, aby sa predišlo neúmyselnej koncentrovanej expozícii.
Keď sa pozícia posunie mimo definovaných limitov rizika, okamžite sa odošle upozornenie.
Logika rizika je zostavená tak, aby zvládla portfólio jednotlivých obchodníkov aj celkové vedenie účtovníctva manažéra bez kompromisov v časoch odozvy.
Metóda
Transparentnosť spracovania údajov je predpokladom dôvery medzi technickými používateľmi. Nižšie uvedený proces popisuje reťazec od zadávania údajov po spustiteľné rozhodnutie.
Údaje o trhu, informácie o knihe objednávok a makro indikátory sa zhromažďujú z pripojených zdrojov a normalizujú sa do spoločného formátu.
Štatistické modely a modely založené na strojovom učení identifikujú vzory a vypočítavajú pravdepodobnosť rôznych výsledkov.
Signály sa vážia podľa rizikových parametrov používateľa a existujúceho zloženia portfólia, aby sa vytvorilo konkrétne odporúčanie.
Odporúčanie je dostupné cez API alebo používateľské rozhranie, pripravené na manuálne schválenie alebo automatické zadávanie objednávok.
O platforme
Namure Laguru je zameraný na denných obchodníkov, portfóliových manažérov a fintech nadšencov, ktorí už pracujú na základe údajov, ale chcú systematickú vrstvu medzi nespracovanými údajmi a rozhodnutiami. Platforma je navrhnutá tak, aby dopĺňala existujúci výskum – nie nahrádzala odborné hodnotenie.
Integrácia prebieha prostredníctvom zdokumentovaného API, takže signály môžu byť zahrnuté do existujúcich pracovných postupov bez toho, aby bola potrebná úplná zmena platformy.
Často kladené otázky
Modely využívajú trhové dáta z prepojených obchodných platforiem, ako aj verejne dostupné makroekonomické ukazovatele. Konkrétni poskytovatelia údajov závisia od trhu, na ktorom sa obchoduje, a konfigurujú sa pri nastavovaní.
Platforma odhaľuje API založené na REST, kde je možné programovo získavať signály, rizikové parametre a stav portfólia. Po udelení prístupu sa kontroluje dokumentácia a metóda autentifikácie.
Latencia závisí od frekvencie aktualizácie zdroja údajov a zvoleného typu trhu. Signály sa dodávajú nepretržite, keď sa prijímajú nové údaje, a nie v pevných, pomalších intervaloch.
áno. Rizikové parametre, limity expozície a veľkosti pozícií je možné nakonfigurovať tak, aby odporúčania boli založené na skutočnom portfóliu a nie na všeobecnom štandardnom profile.
Výkonnosť sa vykazuje na základe spätných testov mimo vzorky počas niekoľkých trhových cyklov so zameraním skôr na rizikovo upravený výnos než na izolovaný hrubý výnos. Metodika sa podrobne preskúma pri žiadosti o prístup.