Northfernwayt kör stokastisk modellering mot fleråriga datamängder för att identifiera strategier med mätbar historisk prestanda, och exekverar sedan beslutsstöd från vilken plats som helst med en stabil anslutning.
Varje rekommendation som utfärdas av Northfernwayt är resultatet av en definierad sekvens, inte en enda ogenomskinlig förutsägelse. Stegen nedan beskriver hur rådata blir ett handlingsbart beslut.
Marknads-, transaktions- och operationella datauppsättningar samlas in och normaliseras mot ett gemensamt tidsindex, vilket tar bort överlevnadsluckor och korrigerar för tidszonsinkonsekvenser som är vanliga i gränsöverskridande data.
Kandidatstrategier tillämpas mot rullande historiska fönster för att fastställa variansintervall, avdragningsfrekvens och återhämtningsperioder under olika förhållanden.
Omsampling i Monte Carlo-stil genererar en fördelning av rimliga resultat för varje strategi, snarare än att förlita sig på en enda historisk väg.
Strategier som överskrider fördefinierade risktröskelvärden exkluderas automatiskt innan någon utdata når beslutslagret som presenteras för användaren.
Den underliggande systemlogiken behandlar varje rekommendation som en sannolikhetsvägd produktion, inte en garanti. Konfidensintervall följer med varje resultat, och strategier omvärderas löpande när ny data kommer in i datasetet.
Plattformen är byggd av tre samordnade komponenter. Var och en fungerar oberoende men delar en gemensam datauppsättning, vilket minskar risken för inkonsekventa utdata över moduler.
Inkommande marknads- och verksamhetsdata bearbetas kontinuerligt, med omräknade positioner utfärdade med fasta intervall snarare än endast on-demand. Detta minskar fördröjningen mellan en förändring av underliggande förhållanden och en uppdatering av aktiva rekommendationer, vilket är viktigt när man arbetar över tidszoner utan ett fast schema.
Exponeringsgränser beräknas per strategi baserat på historiskt neddragningsbeteende, inte fasta procentsatser. När den simulerade variansen överskrider den konfigurerade toleransen, reducerar motorn positionsstorleken automatiskt innan ändringen visas för användaren, snarare än i efterhand.
Modeller tränas om på en fast kadens med hjälp av ett expanderande datafönster, med testning utanför urvalet tillämpas innan någon uppdaterad modell ersätter den som för närvarande är i produktion. Versionshistorik behålls så att prestanda kan tillskrivas en specifik modelliteration.
Northfernwayt designades kring en begränsning som är gemensam för oberoende operatörer och mobilinvesterare: oregelbundna åtkomstfönster och variabel anslutning. Systemet utfärdar beslut i förväg där det är möjligt och behåller tillståndet lokalt när en anslutning avbryts, och återupptar synkroniseringen när åtkomsten har återställts.
Konfiguration hanteras en gång per strategiuppsättning. Därefter körs det analytiska lagret enligt sitt eget schema, och användaren granskar utdata snarare än att hantera input kontinuerligt.
Istället för att förlita sig på vittnesmål, dokumenterar Northfernwayt hur backtesting är uppbyggt så att metodiken kan bedömas på sina egna villkor.
Strategier testas mot minst fem års historiska data där det finns tillgängligt, med användning av perioder utanför urvalet som uteslutits från den initiala modellträningen för att minska överanpassningsbias.
Källdata kontrolleras för luckor, dubbletter av poster och framåtblickande bias före inkludering. Datauppsättningar med olösta integritetsproblem flaggas och exkluderas från aktiva modellindata.
Historiska resultat rapporteras tillsammans med deras variansintervall och testperiod, snarare än som en enda rubrik, så förutsättningarna bakom ett resultat förblir synliga.
Svaren nedan tar upp de vanligaste frågorna före introduktionen, och täcker datahantering, integration och automatiseringsgränser.
Data behandlas i syfte att generera strategirekommendationer och säljs inte till tredje part. Lagringstider och bearbetningsomfång anges i plattformens datahanteringsdokumentation som tillhandahålls under onboarding.
Automationsnivåer är konfigurerbara. Vissa användare kräver manuell bekräftelse innan exekvering; andra tillåter systemet att agera inom fördefinierade riskparametrar. Båda lägena använder samma underliggande modellutgång.
Systemet behåller det senaste bekräftade tillståndet lokalt och initierar inte nya positioner när det är frånkopplat. Vid återanslutning stämmer den av tillståndet innan schemalagda omberäkningar återupptas.
Backtestade resultat beskriver hur en strategi betedde sig under historiska förhållanden. De rapporteras med variansintervall snarare än som fasta förväntningar, och marknadsförhållandena kan skilja sig från alla historiska testperioder.
Integration beror på kontoleverantörens tillgängliga API-åtkomst. Integrationer som stöds listas under installationen, och leverantörer som inte stöds kan granskas på begäran.
Tekniska supportfrågor relaterade till integration eller datakonfiguration hanteras via kontaktkanalen som anges på kontaktsidan, vanligtvis inom en arbetsdag, australisk tid.
Onboarding börjar med en granskning av dina datakällor och riskparametrar, följt av en backtestkörning mot din specifika konfiguration innan någon strategi aktiveras för automatisk användning.
Vanlig installationsgranskning tar en till tre arbetsdagar, beroende på antalet anslutna datakällor.