Quilverynth zpracovává tržní a provozní data prostřednictvím neustále aktualizovaného prediktivního modelu, vytváří strukturovaná doporučení a denní přehled o tom, jak tato doporučení fungovala. Vytvořeno pro profesionály, kteří spravují příjem nebo kapitál bez místního stolu.
Vzdálení pracovníci, digitální nomádi a investoři, kteří se sami řídí, obvykle operují v několika časových pásmech, platformách a měnách najednou. Informace o pohybu trhu přicházejí nerovnoměrně a obvyklé vodítka, na které se spoléhá obchodník u stolu – zaslechnutý komentář, cykly místních zpráv, pevný harmonogram – nejsou k dispozici stejným způsobem.
Výsledkem není nedostatek dat. Jde o nedostatek konzistentní metody pro jeho interpretaci při pohybu mezi místy a časovými pásmy. Quilverynth byl vytvořen tak, aby tuto mezeru přímo řešil, s modelem, který běží nepřetržitě bez ohledu na to, odkud je uživatel přihlášen.
Systém je organizován kolem tří funkcí, které běží za sebou: nepřetržité přijímání relevantních dat, statistické modelování pravděpodobného krátkodobého pohybu a převod tohoto výstupu do doporučení s uvedenou úrovní spolehlivosti.
Motor Quilverynth nevydává jedinou předpověď a nechává ji statickou. Vstupy jsou průběžně obnovovány a každý nový datový bod je porovnáván se stavem stávajícího modelu před úpravou jakéhokoli doporučení. To snižuje pravděpodobnost, že doporučení bude založeno na informacích, které jsou již zastaralé v době, kdy je uživatel čte.
Cena, objem a relevantní externí data se stahují podle téměř nepřetržitého plánu, nikoli v pevných intervalech, takže model nefunguje ze zastaralého snímku.
Rozpoznávání historických vzorů je kombinováno se současnými podmínkami, aby se vytvořil pravděpodobnostně vážený pohled na pravděpodobný krátkodobý směr, nikoli zaručený výsledek.
Každé doporučení je doprovázeno pásmem spolehlivosti, který dává uživateli základ pro dimenzování rozhodnutí, spíše než aby všechny signály považoval za rovnocenné.
Než se objeví doporučení, model ho porovná s aktuálními podmínkami volatility, aby ověřil, jak by se chovalo při srovnatelném minulém stresu.
Zjednodušený pohled na kanál: nezpracovaná data jsou před dosažením modelu vyčištěna a normalizována a každý výstup modelu je zaprotokolován, než je převeden na čitelné doporučení.
Transparentnost v praxi znamená, že uživatel nemusí věřit přesnosti modelu. Doporučení pro každý den jsou zaprotokolována spolu s následným výsledkem a obě jsou uchovávány ve stejné zprávě.
Formát sestavy zůstává každý den konstantní, takže srovnání v týdnech nebo měsících má i nadále smysl. Pokud doporučení nedosahuje stanoveného pásma spolehlivosti, je tento případ v záznamu ponechán, nikoli odstraněn.
Záměrem není nárokovat si bezchybné výsledky, které žádný prediktivní systém nemůže upřímně nabídnout. Má uživatelům poskytnout dostatek historie, aby mohli sami posoudit chování modelu ve svých vlastních podmínkách a časovém horizontu.
Predikce bez rámce rizik má tendenci vytvářet sebevědomá, ale křehká rozhodnutí. Níže uvedené kroky popisují, jak se doporučení přesune z nezpracovaných dat na něco, s čím může uživatel jednat s definovanou nevýhodou.
Příchozí data jsou kontrolována na mezery, duplikace a časové nesrovnalosti, než se dostanou do modelu, což snižuje šanci na rozhodnutí založené na chybných vstupech.
Model vytváří pravděpodobnostně vážené doporučení spolu s pásmem spolehlivosti, spíše než jedinou pevnou instrukci.
Doporučená velikost pozice je omezena vzhledem k uvedené úrovni spolehlivosti, takže signály s nižší spolehlivostí nesou odpovídající menší navrhovanou expozici.
Skutečný výsledek je zaznamenán oproti původnímu doporučení téhož dne, čímž se smyčka uzavře před začátkem dalšího cyklu analýzy.
Stejný základní model podporuje různé potřeby rozhodování v závislosti na tom, zda příjem závisí na provozování podniku na dálku nebo na řízení osobní investiční pozice.
Majitel firmy operující v několika měnách potřebuje vědět, kdy pohyb směnného kurzu pravděpodobně naruší marži při nadcházejícím převodu. Spíše než převádění prostředků podle pevně stanoveného plánu majitel zkontroluje denní zprávu ohledně pásem spolehlivosti měnových párů, než se rozhodne, zda převést nyní nebo držet.
Ilustrativní přínos: méně převodů provedených během nepříznivých krátkodobých výkyvů.Investor bez konzistentního přístupu k trading desku používá výstup simulace scénáře modelu k rozhodnutí, zda současné podmínky volatility připomínají minulá období, která předcházela čerpání. Rozhodnutí o rebalancování nebo držení je učiněno na základě tohoto srovnání spíše než na základě fám nebo krátkodobého cenového šumu.
Ilustrativní přínos: rozhodnutí založená na zaznamenaném historickém srovnání, nikoli na sentimentu.Konzultant s proměnlivým měsíčním příjmem používá denní zprávu jako méně náročnou alternativu k neustálému ručnímu průzkumu, kdy kontroluje pásmo spolehlivosti a pokyny k expozici jednou denně, místo aby neustále monitoroval trhy.
Ilustrativní výhoda: zkrácení času stráveného manuálním sledováním trhu.
Quilverynth byl vyvinut na základě předpokladu, že prediktivní modelování je užitečné, když jsou jeho limity jasně uvedeny. Platforma nezaručuje výsledky a žádná část jejích zpráv není navržena tak, aby naznačovala něco jiného.
To, co poskytuje, je konzistentní, protokolovaný proces: data vložená, model out, výsledek zaznamenaný. Uživatelé, kteří chtějí porozumět tomu, jak bylo doporučení dosaženo, je mohou sledovat prostřednictvím denních zpráv, než aby se spoléhali na jediný nadpis.
Níže uvedené otázky se zabývají tím, jak je model udržován a jak je nakládáno s uživatelskými daty, spíše než marketingovými tvrzeními o výkonu.
Váha modelu je průběžně revidována, jak se hromadí nová výsledná data. Jakákoli změna verze základního modelu je zaznamenána proti referenčnímu ID, které je viditelné v denní zprávě, takže uživatelé mohou sledovat, kdy se chování změnilo.
Motor čerpá z údajů o tržní ceně a objemu spolu s relevantními makro a sektorovými indikátory. Každý vstupní zdroj má definovaný interval obnovy a jakékoli zpoždění nebo výpadek ve zdroji je v sestavě označen příznakem, nikoli tiše ignorován.
Ano. Pásmo spolehlivosti popisuje statistickou pravděpodobnost, nikoli jistotu. Období, kdy skutečný výsledek spadal mimo uvedené pásmo, se v historii denních zpráv spíše zachovají než vyloučí, což je součástí toho, jak je metodika udržována poctivou.
Údaje o účtu a používání jsou uchovávány pouze po dobu nezbytně nutnou pro vytváření přehledů a udržování služby v souladu s níže uvedeným prohlášením o ochraně osobních údajů. Uživatelé si mohou vyžádat podrobnosti o tom, co je na jejich účtu uchováváno.
Ne. Quilverynth vytváří analýzy a doporučení. Provedení jakéhokoli výsledného rozhodnutí zůstává na uživateli a jím zvoleném zprostředkovateli nebo platformě.
Prohlášení o ochraně osobních údajů: Quilverynth zpracovává údaje o účtu a používání výhradně za účelem generování analýzy, vytváření sestav a správy účtu. Data nejsou prodávána třetím stranám. Řízení přístupu a šifrování se uplatňují na uložená data v souladu se standardní průmyslovou praxí pro platformy finanční analýzy působící ve Spojeném království.
Přístup k řídicímu panelu zahrnuje doporučení pro aktuální den, pásma spolehlivosti za nimi a archiv historických zpráv, na který se odkazuje na této stránce. Neexistuje žádná povinnost jednat na základě jediného doporučení.