Northfernwayt exécute une modélisation stochastique sur des ensembles de données pluriannuels pour identifier des stratégies avec des performances historiques mesurables, puis exécute une aide à la décision depuis n'importe quel endroit disposant d'une connexion stable.
Chaque recommandation émise par Northfernwayt est le résultat d’une séquence définie, et non d’une seule prédiction opaque. Les étapes ci-dessous décrivent comment les données brutes deviennent une décision exploitable.
Les ensembles de données de marché, transactionnelles et opérationnelles sont collectés et normalisés par rapport à un indice temporel commun, éliminant ainsi les écarts de survie et corrigeant les incohérences de fuseau horaire courantes dans les données transfrontalières.
Les stratégies candidates sont appliquées à des fenêtres historiques glissantes pour établir des plages de variance, une fréquence de prélèvement et des périodes de récupération dans différentes conditions.
Le rééchantillonnage de type Monte Carlo génère une distribution de résultats plausibles pour chaque stratégie, plutôt que de s’appuyer sur une seule trajectoire historique.
Les stratégies dépassant les seuils de risque prédéfinis sont automatiquement exclues avant qu'un résultat n'atteigne la couche de décision présentée à l'utilisateur.
La logique du système sous-jacent traite chaque recommandation comme un résultat pondéré en fonction de sa probabilité, et non comme une garantie. Des intervalles de confiance accompagnent chaque résultat et les stratégies sont réévaluées au fur et à mesure que de nouvelles données entrent dans l'ensemble de données.
La plateforme est construite à partir de trois composants coordonnés. Chacun fonctionne indépendamment mais partage un ensemble de données commun, réduisant ainsi le risque de résultats incohérents entre les modules.
Les données de marché et opérationnelles entrantes sont traitées en continu, avec des positions recalculées émises à intervalles fixes plutôt qu'à la demande uniquement. Cela réduit le décalage entre un changement des conditions sous-jacentes et une mise à jour des recommandations actives, ce qui est important lorsque l'on travaille sur plusieurs fuseaux horaires sans horaire fixe.
Les limites d'exposition sont calculées par stratégie sur la base du comportement historique en matière de baisse, et non de pourcentages fixes. Lorsque la variance simulée dépasse la tolérance configurée, le moteur réduit automatiquement la taille de la position avant que le changement ne soit signalé à l'utilisateur, plutôt qu'après coup.
Les modèles sont recyclés à une cadence fixe à l'aide d'une fenêtre de données en expansion, avec des tests hors échantillon appliqués avant qu'un modèle mis à jour ne remplace celui actuellement en production. L'historique des versions est conservé afin que les performances puissent être attribuées à une itération de modèle spécifique.
Northfernwayt a été conçu autour d'une contrainte commune aux opérateurs indépendants et aux investisseurs mobiles : des fenêtres d'accès irrégulières et une connectivité variable. Le système prend des décisions à l'avance lorsque cela est possible et conserve l'état localement lorsqu'une connexion est interrompue, reprenant la synchronisation une fois l'accès rétabli.
La configuration est gérée une fois par ensemble de stratégies. Après cela, la couche analytique s'exécute selon son propre calendrier et l'utilisateur examine les résultats plutôt que de gérer les entrées en continu.
Plutôt que de s'appuyer sur des témoignages, Northfernwayt documente la manière dont le backtesting est construit afin que la méthodologie puisse être évaluée selon ses propres termes.
Les stratégies sont testées sur au moins cinq années de données historiques lorsqu'elles sont disponibles, en utilisant des périodes hors échantillon exclues de la formation initiale du modèle afin de réduire le biais de surajustement.
Les données sources sont vérifiées pour détecter les lacunes, les entrées en double et les biais d'anticipation avant leur inclusion. Les ensembles de données présentant des problèmes d'intégrité non résolus sont signalés et exclus des entrées du modèle actif.
Les résultats historiques sont présentés avec leur plage de variance et leur période de test, plutôt que sous la forme d'un seul chiffre principal, de sorte que les conditions derrière un résultat restent visibles.
Les réponses ci-dessous répondent aux questions les plus fréquemment soulevées avant l'intégration, concernant la gestion des données, l'intégration et les limites de l'automatisation.
Les données sont traitées dans le but de générer des recommandations stratégiques et ne sont pas vendues à des tiers. Les durées de conservation et la portée du traitement sont définies dans la documentation de traitement des données de la plateforme fournie lors de l'intégration.
Les niveaux d'automatisation sont configurables. Certains utilisateurs nécessitent une confirmation manuelle avant l'exécution ; d'autres permettent au système d'agir dans le cadre de paramètres de risque prédéfinis. Les deux modes utilisent la même sortie de modèle sous-jacente.
Le système conserve localement le dernier état confirmé et n'initie pas de nouvelles positions lorsqu'il est déconnecté. À la reconnexion, il réconcilie l'état avant de reprendre les recalculs programmés.
Les résultats backtestés décrivent le comportement d’une stratégie dans des conditions historiques. Ils sont présentés avec des plages de variance plutôt que sous forme d'attentes fixes, et les conditions du marché peuvent différer de toute période de test historique.
L'intégration dépend de l'accès API disponible du fournisseur de compte. Les intégrations prises en charge sont répertoriées lors de la configuration et les fournisseurs non pris en charge peuvent être examinés sur demande.
Les requêtes d'assistance technique liées à l'intégration ou à la configuration des données sont traitées via le canal de contact répertorié sur la page Contact, généralement dans un délai d'un jour ouvrable, heure de l'Est de l'Australie.
L'intégration commence par un examen de vos sources de données et de vos paramètres de risque, suivi d'un backtest sur votre configuration spécifique avant qu'une stratégie ne soit activée pour une utilisation automatisée.
L'examen typique de la configuration prend un à trois jours ouvrables, en fonction du nombre de sources de données connectées.