Az Halk Finance gépi tanulási modellekkel dolgozza fel a pénzügyi és működési adatokat; Már korai szakaszban észleli a kockázati jeleket, és mérhető adatokkal támasztja alá döntéseit.
A legtöbb befektetési döntés korlátozott mennyiségű, korlátozott ideig feldolgozott információn alapul. Az emberi figyelem elvonható, a múltbeli tapasztalatok félreértelmezhetik az új körülményeket, az érzelmi reakciók pedig időzítési hibákhoz vezethetnek. Az Halk Finance más szemszögből kezeli ezt a folyamatot: a nagy adathalmazokat folyamatosan vizsgáló modellek a megfigyelt mintákat számszerű pontszámokká alakítják, és ezeket a pontszámokat érthető ajánlásokká alakítják át.
A cél nem a döntés automatizálása; hogy láthatóvá tegyük a döntés mögött rejlő adatokat. Az egyes ajánlásokat úgy mutatjuk be, hogy nyomon követhető, hogy mely adatokból és milyen súllyal származnak. Az első rétegben gyűjtik a piaci adatokat, a hírfolyamokat és a cégjelentéseket; mintafelismerést és anomália-detektálást alkalmaznak a második rétegben; Az utolsó rétegben a kockázati pontszám és az ajánlás szövege készül.
A modell a múltbeli ármozgások, a volumenváltozások és a makrogazdasági adatok közötti összefüggéseket vizsgálja, és lehetséges forgatókönyveket mutat be valószínűségi tartományokkal. A kimenet nem egy pontos előrejelzés, hanem a várható irány és konfidencia intervallum különböző feltételek mellett. Így a döntés valószínűségi eloszláson alapul, nem egyetlen számon.
A rendszer figyeli a korreláció változásait és a volatilitás növekedését a portfólión belül; Figyelmeztetést generál, ha a megadott küszöbértékeket túllépik. A figyelmeztetések nem váltanak ki automatikus tranzakciókat, a döntés előtt további információkkal látják el a felhasználót. A pozíció mérete és időzítése a jelenlegi kockázati kilátások alapján újraértékelhető.
Az adatfolyam folyamatosan frissül mindaddig, amíg a piac nyitva van. Amikor új hír, ármozgás vagy makrogazdasági kimutatás érkezik, a vonatkozó pontszámok újraszámításra kerülnek. A késedelmet a döntés minőségét befolyásoló tényezőként figyelik és jelentik.
Minden modellkimenetet a rendszer egy időbélyeggel rögzít, amint elkészül, és változatlanul tárolja. Amikor a tényleges eredmény világossá válik, azt összehasonlítják a kezdeti előrejelzéssel, és kiszámítják az eltérést.
Ezt az összehasonlítást az érintett felhasználói közösség megtekintheti; A bejegyzéseket a közzétételt követően visszamenőleg nem szerkesztjük. Nem a sikeres eredmények kiemelése a cél; A cél az, hogy a rekord látható legyen, függetlenül az eredménytől.
A rekord melletti ellenőrző jel azt jelzi, hogy a rekordot a közösség tagjai felülvizsgálták, és megerősítették, hogy megegyezik a naplóban szereplő nyers adatokkal. A jelzés nem tartalmazza annak értékelését, hogy az eredmény nyereséges vagy sikeres; csupán megerősíti az irat sértetlenségét.
| dátum | Modell jel | Tényleges eredmény | Ellenőrzés állapota |
|---|---|---|---|
| A fiók létrehozása után az aktuális rekordok megjelennek a teljesítménynapló panelen a dátum, a jel, a tényleges eredmény és az ellenőrzési állapot mezőivel. | |||
A fenti táblázat a napló mezőszerkezetét mutatja; élő adatok szerepelnek a panelen.
Már korai szakaszban jelzi az árképzési anomáliákat és a lendületeltolódásokat a különböző szektorok közötti adatáramlások összehasonlításával.
Alternatív allokációs forgatókönyveket kínál a jelenlegi eszközallokáció kockázati tolerancia és időhorizont alapján történő újramérésével.
Olyan eszközkombinációkat javasol, amelyek megvédenek a korreláció változásaitól, összehasonlítva azokat a múltbeli forgatókönyvekkel.
A döntési folyamatok szisztematikus keretek közé helyezése nem egyszeri változás; Ez egy olyan szokás, amely folyamatosan frissül. Az Halk Finance célja, hogy ezt a szokást nyomon követhető adatokkal és egyértelmű teljesítményrekordokkal támogassa.
Indítsa el az ElemzéstA fiók létrehozásának lépései egyszerűek; Néhány percen belül elindíthatja a telepítést.