Northfernwayt kjører stokastisk modellering mot flerårige datasett for å identifisere strategier med målbar historisk ytelse, og utfører deretter beslutningsstøtte fra ethvert sted med en stabil forbindelse.
Hver anbefaling utstedt av Northfernwayt er resultatet av en definert sekvens, ikke en eneste ugjennomsiktig prediksjon. Trinnene nedenfor skisserer hvordan rådata blir en handlingsdyktig beslutning.
Markeds-, transaksjons- og operasjonelle datasett samles inn og normaliseres mot en felles tidsindeks, og fjerner overlevelseshull og korrigerer for tidssone-inkonsekvenser som er vanlige i grenseoverskridende data.
Kandidatstrategier brukes mot rullende historiske vinduer for å etablere variansområder, nedtrekkingsfrekvens og gjenopprettingsperioder under forskjellige forhold.
Resampling i Monte Carlo-stil genererer en fordeling av plausible utfall for hver strategi, i stedet for å stole på en enkelt historisk vei.
Strategier som overskrider forhåndsdefinerte risikoterskler ekskluderes automatisk før noen utdata når beslutningslaget som presenteres for brukeren.
Den underliggende systemlogikken behandler hver anbefaling som en sannsynlighetsvektet utgang, ikke en garanti. Konfidensintervaller følger med hvert resultat, og strategier reevalueres på rullerende basis etter hvert som nye data kommer inn i datasettet.
Plattformen er bygget av tre koordinerte komponenter. Hver opererer uavhengig, men deler et felles datasett, noe som reduserer risikoen for inkonsistente utdata på tvers av moduler.
Innkommende markeds- og driftsdata behandles kontinuerlig, med omkalkulerte posisjoner utstedt med faste intervaller i stedet for kun på forespørsel. Dette reduserer etterslepet mellom en endring i underliggende forhold og en oppdatering av aktive anbefalinger, noe som betyr noe når du arbeider på tvers av tidssoner uten en fast tidsplan.
Eksponeringsgrenser beregnes per strategi basert på historisk nedtrekksatferd, ikke faste prosenter. Når simulert variasjon overskrider den konfigurerte toleransen, reduserer motoren posisjonsstørrelsen automatisk før endringen vises til brukeren, i stedet for i etterkant.
Modeller blir omskolert på en fast tråkkfrekvens ved hjelp av et utvidende datavindu, med testing utenfor prøven brukt før en oppdatert modell erstatter den som er i produksjon. Versjonshistorikk beholdes slik at ytelsen kan tilskrives en spesifikk modelliterasjon.
Northfernwayt ble designet rundt en begrensning som er felles for uavhengige operatører og mobilinvestorer: uregelmessige tilgangsvinduer og variabel tilkobling. Systemet tar beslutninger på forhånd der det er mulig og holder status lokalt når en tilkobling faller, og gjenopptar synkroniseringen når tilgangen er gjenopprettet.
Konfigurasjon håndteres én gang per strategisett. Etter det kjører det analytiske laget på sin egen tidsplan, og brukeren vurderer utdata i stedet for å administrere input kontinuerlig.
I stedet for å stole på attester, dokumenterer Northfernwayt hvordan backtesting er konstruert slik at metodikken kan vurderes på sine egne premisser.
Strategier testes mot minimum fem år med historiske data der de er tilgjengelige, ved bruk av perioder utenfor prøven som er ekskludert fra innledende modelltrening for å redusere overtilpasningsskjevhet.
Kildedata sjekkes for hull, dupliserte oppføringer og fremtidsskjevhet før inkludering. Datasett med uløste integritetsproblemer flagges og ekskluderes fra aktive modellinndata.
Historiske resultater rapporteres sammen med variansområdet og testperioden, i stedet for som en enkelt overskrift, slik at betingelsene bak et resultat forblir synlige.
Svarene nedenfor tar for seg spørsmålene som oftest stilles før onboarding, og dekker datahåndtering, integrasjon og automatiseringsgrenser.
Data behandles med det formål å generere strategianbefalinger og selges ikke til tredjeparter. Oppbevaringsperioder og behandlingsomfang er angitt i plattformens datahåndteringsdokumentasjon gitt under onboarding.
Automatiseringsnivåer kan konfigureres. Noen brukere krever manuell bekreftelse før utførelse; andre tillater systemet å handle innenfor forhåndsdefinerte risikoparametere. Begge modusene bruker samme underliggende modellutgang.
Systemet beholder den siste bekreftede tilstanden lokalt og starter ikke nye posisjoner mens den er frakoblet. Ved ny tilkobling avstemmer den tilstand før den gjenopptar planlagte omberegninger.
Tilbaketestede resultater beskriver hvordan en strategi opptrådte under historiske forhold. De rapporteres med variansområder i stedet for som faste forventninger, og markedsforholdene kan avvike fra enhver historisk testperiode.
Integrasjon avhenger av kontoleverandørens tilgjengelige API-tilgang. Støttede integrasjoner er oppført under oppsett, og ikke-støttede leverandører kan gjennomgås på forespørsel.
Forespørsler om teknisk støtte relatert til integrasjon eller datakonfigurasjon håndteres via kontaktkanalen som er oppført på kontaktsiden, vanligvis innen én virkedag, australsk østlig tid.
Onboarding begynner med en gjennomgang av datakildene og risikoparameterne dine, etterfulgt av en tilbaketestkjøring mot din spesifikke konfigurasjon før noen strategi aktiveres for automatisert bruk.
Vanlig gjennomgang av oppsett tar én til tre virkedager, avhengig av antall tilkoblede datakilder.