Northfernwayt uruchamia modelowanie stochastyczne na podstawie wieloletnich zbiorów danych, aby zidentyfikować strategie o mierzalnej wydajności historycznej, a następnie wykonuje wsparcie decyzyjne z dowolnego miejsca ze stabilnym połączeniem.
Każde zalecenie wydane przez Northfernwayt jest wynikiem określonej sekwencji, a nie pojedynczą nieprzejrzystą prognozą. Poniższe kroki opisują, w jaki sposób surowe dane stają się decyzją, którą można podjąć.
Zbiory danych rynkowych, transakcyjnych i operacyjnych są gromadzone i normalizowane w oparciu o wspólny indeks czasowy, co eliminuje luki w przeżywalności i koryguje niespójności dotyczące stref czasowych powszechne w danych transgranicznych.
Strategie kandydujące są stosowane wobec kroczących okien historycznych w celu ustalenia zakresów wariancji, częstotliwości wypłat i okresów odzyskiwania w różnych warunkach.
Ponowne próbkowanie w stylu Monte Carlo generuje rozkład prawdopodobnych wyników dla każdej strategii, zamiast polegać na jednej ścieżce historycznej.
Strategie przekraczające z góry określone progi ryzyka są automatycznie wykluczane, zanim jakikolwiek wynik dotrze do warstwy decyzyjnej prezentowanej użytkownikowi.
Podstawowa logika systemu traktuje każde zalecenie jako wynik ważony prawdopodobieństwem, a nie gwarancję. Przedziały ufności towarzyszą każdemu wynikowi, a strategie są poddawane ponownej ocenie na bieżąco, gdy nowe dane trafiają do zbioru danych.
Platforma zbudowana jest z trzech skoordynowanych komponentów. Każdy działa niezależnie, ale ma wspólny zestaw danych, co zmniejsza ryzyko niespójnych wyników między modułami.
Przychodzące dane rynkowe i operacyjne są przetwarzane w sposób ciągły, a przeliczone pozycje wydawane są w stałych odstępach czasu, a nie tylko na żądanie. Zmniejsza to opóźnienie między zmianą warunków podstawowych a aktualizacją aktywnych rekomendacji, co ma znaczenie w przypadku pracy w różnych strefach czasowych bez stałego harmonogramu.
Limity ekspozycji są obliczane dla każdej strategii w oparciu o historyczne zachowania związane z wypłatami, a nie stałe wartości procentowe. Gdy symulowana wariancja przekracza skonfigurowaną tolerancję, silnik automatycznie zmniejsza wielkość pozycji, zanim zmiana zostanie ujawniona użytkownikowi, a nie po fakcie.
Modele są przeszkolone w stałym rytmie przy użyciu rozszerzającego się okna danych, a przed zastąpieniem aktualnie produkowanego modelu zaktualizowanym modelem przeprowadzane są testy poza próbą. Historia wersji jest zachowywana, dzięki czemu wydajność można przypisać do konkretnej iteracji modelu.
Northfernwayt został zaprojektowany w oparciu o ograniczenia wspólne dla niezależnych operatorów i inwestorów mobilnych: nieregularne okna dostępu i zmienna łączność. System wydaje decyzje z wyprzedzeniem, jeśli to możliwe, i utrzymuje stan lokalnie w przypadku zerwania połączenia, wznawiając synchronizację po przywróceniu dostępu.
Konfiguracja jest przeprowadzana raz na zestaw strategii. Następnie warstwa analityczna działa według własnego harmonogramu, a użytkownik przegląda wyniki, zamiast w sposób ciągły zarządzać danymi wejściowymi.
Zamiast polegać na referencjach, Northfernwayt dokumentuje, w jaki sposób skonstruowane jest weryfikacja historyczna, dzięki czemu metodologię można ocenić na własnych warunkach.
Strategie są testowane na podstawie danych historycznych z co najmniej pięciu lat, jeśli są dostępne, z wykorzystaniem okresów poza próbą wyłączonych ze wstępnego uczenia modelu, aby zmniejszyć błąd polegający na nadmiernym dopasowaniu.
Przed włączeniem dane źródłowe są sprawdzane pod kątem luk, zduplikowanych wpisów i błędu przewidywania. Zbiory danych z nierozwiązanymi problemami z integralnością są oznaczane i wykluczane z danych wejściowych aktywnego modelu.
Wyniki historyczne są podawane wraz z zakresem wariancji i okresem testowania, a nie pojedynczą wartością główną, dzięki czemu warunki stojące za wynikiem pozostają widoczne.
Odpowiedzi poniżej odpowiadają na pytania najczęściej zadawane przed wdrożeniem, dotyczące przetwarzania danych, integracji i granic automatyzacji.
Dane przetwarzane są w celu wygenerowania rekomendacji strategii i nie są sprzedawane podmiotom trzecim. Okresy przechowywania i zakres przetwarzania są określone w dokumentacji dotyczącej obsługi danych platformy, przekazywanej podczas wdrażania.
Poziomy automatyzacji można konfigurować. Niektórzy użytkownicy wymagają ręcznego potwierdzenia przed wykonaniem; inne pozwalają systemowi działać w ramach wcześniej zdefiniowanych parametrów ryzyka. Obydwa tryby wykorzystują te same dane wyjściowe modelu bazowego.
System zachowuje lokalnie ostatni potwierdzony stan i nie inicjuje nowych pozycji w przypadku rozłączenia. Po ponownym podłączeniu uzgadnia stan przed wznowieniem zaplanowanych przeliczeń.
Wyniki weryfikacji historycznej opisują, jak strategia zachowywała się w warunkach historycznych. Są one zgłaszane w postaci zakresów wariancji, a nie stałych oczekiwań, a warunki rynkowe mogą różnić się od dowolnego historycznego okresu testowego.
Integracja zależy od dostępnego dostępu API dostawcy konta. Obsługiwane integracje są wymienione podczas konfiguracji, a nieobsługiwanych dostawców można sprawdzić na żądanie.
Zapytania dotyczące pomocy technicznej związane z integracją lub konfiguracją danych są obsługiwane za pośrednictwem kanału kontaktowego wymienionego na stronie Kontakt, zazwyczaj w ciągu jednego dnia roboczego czasu wschodniego australijskiego.
Wdrożenie rozpoczyna się od przeglądu źródeł danych i parametrów ryzyka, po którym następuje test historyczny w oparciu o konkretną konfigurację, zanim jakakolwiek strategia zostanie włączona do automatycznego użycia.
Typowy przegląd konfiguracji zajmuje od jednego do trzech dni roboczych, w zależności od liczby podłączonych źródeł danych.