O Northfernwayt executa modelagem estocástica em conjuntos de dados de vários anos para identificar estratégias com desempenho histórico mensurável e, em seguida, executa suporte à decisão a partir de qualquer local com uma conexão estável.
Cada recomendação emitida pelo Northfernwayt é a saída de uma sequência definida, não de uma única previsão opaca. As etapas abaixo descrevem como os dados brutos se tornam uma decisão acionável.
Os conjuntos de dados de mercado, transacionais e operacionais são coletados e normalizados em relação a um índice de tempo comum, eliminando lacunas de sobrevivência e corrigindo inconsistências de fuso horário comuns em dados transfronteiriços.
As estratégias candidatas são aplicadas em janelas históricas contínuas para estabelecer faixas de variação, frequência de rebaixamento e períodos de recuperação sob diferentes condições.
A reamostragem ao estilo de Monte Carlo gera uma distribuição de resultados plausíveis para cada estratégia, em vez de se basear num único caminho histórico.
As estratégias que excedem os limites de risco predefinidos são excluídas automaticamente antes que qualquer resultado chegue à camada de decisão apresentada ao usuário.
A lógica do sistema subjacente trata cada recomendação como um resultado ponderado pela probabilidade, não como uma garantia. Intervalos de confiança acompanham cada resultado e as estratégias são reavaliadas continuamente à medida que novos dados entram no conjunto de dados.
A plataforma é construída a partir de três componentes coordenados. Cada um opera de forma independente, mas compartilha um conjunto de dados comum, reduzindo o risco de resultados inconsistentes entre os módulos.
Os dados operacionais e de mercado recebidos são processados continuamente, com posições recalculadas emitidas em intervalos fixos, em vez de apenas sob demanda. Isso reduz o intervalo entre uma mudança nas condições subjacentes e uma atualização nas recomendações ativas, o que é importante ao trabalhar em fusos horários sem um cronograma fixo.
Os limites de exposição são calculados por estratégia com base no comportamento histórico de rebaixamento e não em percentagens fixas. Quando a variação simulada excede a tolerância configurada, o mecanismo reduz o dimensionamento da posição automaticamente antes que a alteração seja apresentada ao usuário, e não após o fato.
Os modelos são treinados novamente em uma cadência fixa usando uma janela de dados em expansão, com testes fora da amostra aplicados antes que qualquer modelo atualizado substitua aquele atualmente em produção. O histórico de versões é retido para que o desempenho possa ser atribuído a uma iteração de modelo específica.
O Northfernwayt foi projetado em torno de uma restrição comum a operadoras independentes e investidores móveis: janelas de acesso irregulares e conectividade variável. O sistema emite decisões antecipadamente sempre que possível e mantém o estado localmente quando uma conexão cai, retomando a sincronização assim que o acesso for restaurado.
A configuração é feita uma vez por conjunto de estratégias. Depois disso, a camada analítica é executada de acordo com seu próprio cronograma e o usuário analisa os resultados, em vez de gerenciar os insumos continuamente.
Em vez de confiar em depoimentos, o Northfernwayt documenta como o backtesting é construído para que a metodologia possa ser avaliada em seus próprios termos.
As estratégias são testadas em relação a um mínimo de cinco anos de dados históricos, quando disponíveis, usando períodos fora da amostra excluídos do treinamento inicial do modelo para reduzir o viés de overfitting.
Os dados de origem são verificados quanto a lacunas, entradas duplicadas e tendências antecipadas antes da inclusão. Conjuntos de dados com problemas de integridade não resolvidos são sinalizados e excluídos das entradas do modelo ativo.
Os resultados históricos são relatados juntamente com o intervalo de variação e o período de teste, em vez de como um único número de título, para que as condições por trás de um resultado permaneçam visíveis.
As respostas abaixo abordam as questões mais comumente levantadas antes da integração, abrangendo manipulação de dados, integração e limites de automação.
Os dados são processados com a finalidade de gerar recomendações estratégicas e não são vendidos a terceiros. Os períodos de retenção e o escopo do processamento estão definidos na documentação de tratamento de dados da plataforma fornecida durante a integração.
Os níveis de automação são configuráveis. Alguns usuários exigem confirmação manual antes da execução; outros permitem que o sistema atue dentro de parâmetros de risco predefinidos. Ambos os modos usam a mesma saída do modelo subjacente.
O sistema retém o último estado confirmado localmente e não inicia novas posições enquanto estiver desconectado. Na reconexão, ele reconcilia o estado antes de retomar os recálculos programados.
Os resultados do backtesting descrevem como uma estratégia se comportou sob condições históricas. Eles são relatados com intervalos de variação e não como expectativas fixas, e as condições de mercado podem diferir de qualquer período histórico de teste.
A integração depende do acesso à API disponível do provedor da conta. As integrações suportadas são listadas durante a configuração e os provedores não suportados podem ser revisados mediante solicitação.
As consultas de suporte técnico relacionadas à integração ou configuração de dados são tratadas por meio do canal de contato listado na página Contato, normalmente dentro de um dia útil, horário do leste da Austrália.
A integração começa com uma revisão de suas fontes de dados e parâmetros de risco, seguida por um backtest executado em sua configuração específica antes que qualquer estratégia seja habilitada para uso automatizado.
A revisão típica da configuração leva de um a três dias úteis, dependendo do número de fontes de dados conectadas.