Vnokrandu zpracovává velké objemy tržních informací a aplikuje prediktivní modely podrobené přísnému zpětnému testování, které jsou určeny pro profesionály, kteří chtějí diverzifikovat svůj příjem, aniž by svou pracovní dobu věnovali finanční analýze.
Prozkoumejte metodikuTrhy generují objemy informací, které se každou minutu mění: ceny, objem, zprávy, makroekonomické ukazatele a korelace mezi aktivy. Lidský analytik může některá z těchto dat zkontrolovat, ale jen stěží je může zpracovat v reálném čase bez únavy nebo zaujatosti.
Nejedná se o omezení úsilí, ale rozsahu. Když počet proměnných překročí kapacitu pro trvalou pozornost, rozhodnutí mají tendenci spoléhat se spíše na mentální zkratky než na důkazy. Vnokrandu přenáší toto zpracování do systému navrženého tak, aby fungoval neustále a systematicky.
Každý výsledek poskytovaný platformou pochází z ověřitelného procesu výpočtu, nikoli z intuitivní prognózy.
Prediktivní modely identifikují historické vzorce v chování aktiv a odhadují pravděpodobné scénáře předtím, než se zhmotní v ceně, poskytují kvantitativní základnu pro předvídání pohybů spíše než pro reakci na ně.
Každá strategie zahrnuje mechanismy zmírňování rizika kalibrované na aktuální volatilitu aktiva, takže expozice se automaticky upraví, když se podmínky na trhu stanou méně předvídatelné.
Stejný výpočetní stroj, který vyhodnocuje portfolio, vyhodnocuje paralelně stovky kombinací aktiv, což umožňuje rozšířit pokrytí analýzy, aniž by se čas strávený uživatelem zvýšil ve stejném poměru.
Vnokrandu se zrodil z pozorování, že většina automatizovaných investičních nástrojů sděluje výsledky, aniž by vysvětlila, jak byly získány. Náš přístup je odlišný: každá strategie dostupná na platformě prochází zdokumentovaným procesem zpětného testování, než je přístupná uživatelům.
Spolupracujeme s profesionály, kteří již mají aktivní kariéru a hledají druhý zdroj příjmů řízený podle kvantitativních kritérií, nikoli s příslibem zaručené ziskovosti. Platforma je navržena tak, aby zkrátila čas na správu, nikoli aby odstranila odpovědnost uživatele za vlastní rozhodnutí.
Namísto uvádění ohlasů popisujeme technický proces, kterým každý model prochází, než je dostupný na platformě.
Historické řady a tržní data v reálném čase se shromažďují z různých finančních zdrojů.
Algoritmy identifikují korelace a opakující se chování v různých tržních cyklech.
Každá strategie je vystavena scénářům vysoké volatility, aby bylo možné měřit její chování mimo příznivé podmínky.
Pouze modely, které překročí definované prahové hodnoty robustnosti, se přesunou do fáze pod dohledem.
Poznámka k historickým výsledkům. Výnosy získané při zpětném testování jsou indikátory robustnosti modelu vůči minulým datům, nejsou zárukou budoucích výsledků. Podmínky na trhu se mění a každé investiční rozhodnutí zahrnuje riziko.
Pro ty, kteří již spravují pozice v různých aktivech, Vnokrandu zahrnuje další vrstvy analýzy současného portfolia: identifikaci koncentrací rizik, nezřejmé korelace mezi pozicemi a navrhované úpravy alokace na základě nedávného chování trhu.
Pro profesionály s primární kariérou mimo finanční sektor platforma automatizuje sledování ověřených strategií, takže kontrola rozhodnutí je omezena na pravidelné sledování spíše než na každodenní analýzu trhu.
Modely jsou napájeny zavedenými zdroji tržních dat, včetně historických cenových řad, objemu obchodů a veřejných makroekonomických ukazatelů. Zdrojový mix je zdokumentován pro každou dostupnou strategii.
Prediktivní modely jsou neustále přepočítávány, jak přicházejí nová data o trhu. Zátěžové testování a revalidace robustnosti jsou prováděny pravidelně, aby se potvrdilo, že současné podmínky zůstávají v rámci očekávaných parametrů.
Není potřeba. Platforma je navržena tak, aby komplexnost prediktivní analýzy a řízení rizik byla řešena interně. Uživatel obdrží interpretovatelná doporučení a může upravit úroveň expozice bez nutnosti programování nebo interpretace statistických modelů.
Každá strategie zahrnuje prahové hodnoty kontroly rizik, které spouštějí kontrolu, když se pozorované chování výrazně odchyluje od toho, co bylo očekáváno při ověřovacím testování.