分析エンジンの技術アーキテクチャ
各推奨事項は、ユーザーに提示される前に、生データの収集から履歴検証までの 4 つの異なる段階を経ます。
データの取り込み
公的および民間の金融源から市場フィード、マクロ経済データ、価格シリーズを継続的に収集します。
標準化
生データは標準化され、外れ値がフィルタリングされ、時系列が共通のベースに揃えられます。
予測モデリング
統計モデルは資産間の相関関係を特定し、起こりそうな市場シナリオを推定します。
バックテストによる検証
各戦略は、利用可能になる前のトレーニング段階とは異なる歴史的な期間にわたってシミュレーションされます。
多様化のための分析ツール
各モジュールは、定量化された推奨事項を生成するために、ポートフォリオの特定の側面 (配分、リスク、相関関係) に対処します。
動的割り当て
保有資産で測定されたボラティリティに基づいてポートフォリオの配分を調整します。
システミックリスクスコアリング
各ポジションに市場、信用、流動性ショックに対するエクスポージャー格付けを割り当てます。
シナリオシミュレーション
ポートフォリオの全体的な価値とリスクに対するマクロ経済変動の影響を予測します。
相関検出
相関性の高い資産を特定して、意図しないリスクの集中を制限します。
バックテストレポート
テストされた各戦略の履歴パフォーマンスを期間ごとに文書化します。
リバランスアラート
実際の割り当てとユーザー定義のターゲット割り当ての間の偏差をレポートします。
リスクは抽象的な変数ではありません
このエンジンは、ポートフォリオを同種のリスク クラスに分割し、ポジション間の相互相関を測定して、市場リスク、信用リスク、および流動性リスクに対する正味エクスポージャーを計算します。
トリガーしきい値はユーザーが調整でき、中間の手動介入なしで各再計算に同様に適用されます。
パターンを分析するアクティブなプロファイルの具体的なアプリケーション
主な活動に加えて収入の多様化を目指すユーザーの 3 つの代表的なプロフィール。
従業員の貯蓄の多様化
目的: 雇用主が提供する製品を超えて、数年間にわたって蓄積された貯蓄を、毎日ではなく毎月監視しながら分配すること。
新しい資産クラスのテスト
目的: バックテストを通じて、これまで株式に集中していたポートフォリオにコモディティと通貨を統合することの関心を評価します。
内部モデルの相互検証
目的: 割り当てを決定する前に、個人の管理仮説とエンジンによって生成されたバックテスト結果を比較すること。
データソースと検証方法
最もよくある質問は、データの出所とバックテストの信頼性に関するものです。
プラットフォームで使用されるデータはどこから来たのでしょうか?
データは認知された金融データプロバイダーと公開市場から集約され、価格シリーズとマクロ経済指標が継続的に更新されます。
バックテストはどのように行われますか?
各戦略は、既知のデータに過剰適合するリスクを制限するために、モデルのトレーニングに使用されたものとは異なる過去の期間にわたってシミュレーションされます。
過去の実績は将来の結果を保証しますか?
いいえ。バックテストは、すでに発生した市場サイクルに対する戦略の堅牢性を測定します。これは将来のパフォーマンスを保証するものではなく、そのように解釈されるべきではありません。
どの資産クラスが分析の対象となっていますか?
株式、債券、ETF、通貨、商品。適用範囲は、各機器で利用可能なデータ ソースによって異なります。
プラットフォームを使用するには高度な金融知識が必要ですか?
リスクと配分についての基本的な理解を推奨します。レポートは、ポートフォリオ マネージャーのトレーニングを受けていなくても読みやすいように設計されています。
直感的な意思決定から定量的な意思決定へ
Mont Rendoire ターミナルは、ポジションを毎月監視しながら、上記の割り当て、リスク スコアリング、バックテスト モジュールへのアクセスを提供します。
ターミナルにアクセスする