Northfernwayt esegue la modellazione stocastica rispetto a set di dati pluriennali per identificare strategie con prestazioni storiche misurabili, quindi esegue il supporto decisionale da qualsiasi luogo con una connessione stabile.
Ogni raccomandazione emessa da Northfernwayt è il risultato di una sequenza definita, non di una singola previsione opaca. I passaggi seguenti descrivono come i dati grezzi diventano una decisione attuabile.
I set di dati di mercato, transazionali e operativi vengono raccolti e normalizzati rispetto a un indice temporale comune, eliminando i divari di sopravvivenza e correggendo le incoerenze di fuso orario comuni nei dati transfrontalieri.
Le strategie candidate vengono applicate rispetto a finestre storiche consecutive per stabilire intervalli di varianza, frequenza di prelievo e periodi di recupero in condizioni diverse.
Il ricampionamento in stile Monte Carlo genera una distribuzione di risultati plausibili per ciascuna strategia, anziché fare affidamento su un unico percorso storico.
Le strategie che superano le soglie di rischio predefinite vengono escluse automaticamente prima che qualsiasi output raggiunga il livello decisionale presentato all'utente.
La logica del sistema sottostante tratta ogni raccomandazione come un risultato ponderato in base alla probabilità, non come una garanzia. Gli intervalli di confidenza accompagnano ciascun risultato e le strategie vengono rivalutate su base continuativa man mano che nuovi dati entrano nel set di dati.
La piattaforma è costituita da tre componenti coordinati. Ciascuno opera in modo indipendente ma condivide un set di dati comune, riducendo il rischio di output incoerenti tra i moduli.
I dati operativi e di mercato in entrata vengono elaborati continuamente, con posizioni ricalcolate emesse a intervalli fissi anziché solo su richiesta. Ciò riduce il ritardo tra un cambiamento nelle condizioni sottostanti e un aggiornamento delle raccomandazioni attive, che è importante quando si lavora attraverso fusi orari senza un programma fisso.
I limiti di esposizione sono calcolati per strategia in base al comportamento storico dei drawdown, non a percentuali fisse. Quando la varianza simulata supera la tolleranza configurata, il motore riduce automaticamente il dimensionamento della posizione prima che la modifica venga resa visibile all'utente, anziché dopo.
I modelli vengono riqualificati con cadenza fissa utilizzando una finestra di dati in espansione, con test fuori campione applicati prima che qualsiasi modello aggiornato sostituisca quello attualmente in produzione. La cronologia delle versioni viene conservata in modo che le prestazioni possano essere attribuite a una specifica iterazione del modello.
Northfernwayt è stato progettato attorno a un vincolo comune agli operatori indipendenti e agli investitori mobili: finestre di accesso irregolari e connettività variabile. Il sistema prende decisioni in anticipo ove possibile e mantiene lo stato localmente quando una connessione si interrompe, riprendendo la sincronizzazione una volta ripristinato l'accesso.
La configurazione viene gestita una volta per ogni set di strategie. Successivamente, il livello analitico viene eseguito secondo la propria pianificazione e l'utente rivede gli output anziché gestire gli input in modo continuo.
Piuttosto che fare affidamento su testimonianze, Northfernwayt documenta come è costruito il backtesting in modo che la metodologia possa essere valutata secondo i propri termini.
Le strategie vengono testate rispetto a un minimo di cinque anni di dati storici, ove disponibili, utilizzando periodi fuori campione esclusi dall'addestramento iniziale del modello per ridurre le distorsioni da overfitting.
I dati di origine vengono controllati per verificare la presenza di lacune, voci duplicate e distorsioni look-ahead prima dell'inclusione. I set di dati con problemi di integrità irrisolti vengono contrassegnati ed esclusi dagli input del modello attivo.
I risultati storici vengono riportati insieme al loro intervallo di varianza e al periodo di test, anziché come un unico dato principale, in modo che le condizioni alla base di un risultato rimangano visibili.
Le risposte seguenti rispondono alle domande più comunemente sollevate prima dell'onboarding, riguardanti la gestione dei dati, l'integrazione e i limiti dell'automazione.
I dati vengono elaborati allo scopo di generare raccomandazioni strategiche e non vengono venduti a terzi. I periodi di conservazione e l'ambito del trattamento sono stabiliti nella documentazione sul trattamento dei dati della piattaforma fornita durante l'onboarding.
I livelli di automazione sono configurabili. Alcuni utenti richiedono la conferma manuale prima dell'esecuzione; altri permettono al sistema di agire entro parametri di rischio predefiniti. Entrambe le modalità utilizzano lo stesso output del modello sottostante.
Il sistema conserva l'ultimo stato confermato localmente e non avvia nuove posizioni mentre è disconnesso. Alla riconnessione, riconcilia lo stato prima di riprendere i ricalcoli pianificati.
I risultati backtested descrivono come si è comportata una strategia in condizioni storiche. Sono riportati con intervalli di varianza piuttosto che come aspettative fisse e le condizioni di mercato possono differire da qualsiasi periodo storico di test.
L'integrazione dipende dall'accesso API disponibile del fornitore dell'account. Le integrazioni supportate vengono elencate durante la configurazione e i fornitori non supportati possono essere esaminati su richiesta.
Le richieste di supporto tecnico relative all'integrazione o alla configurazione dei dati vengono gestite tramite il canale di contatto elencato nella pagina dei contatti, in genere entro un giorno lavorativo, ora della costa orientale dell'Australia.
L'onboarding inizia con una revisione delle origini dati e dei parametri di rischio, seguita da un'esecuzione di backtest sulla configurazione specifica prima che qualsiasi strategia venga abilitata per l'uso automatizzato.
La revisione tipica della configurazione richiede da uno a tre giorni lavorativi, a seconda del numero di origini dati connesse.