تسريع عملية الاستثمار مع خدمات AWS Low Code-No Code

شهدت السنوات القليلة الماضية تحولًا هائلاً في النموذج في كيفية قيام مديري الأصول المؤسسية بتجميع مصادر البيانات المتعددة ودمجها في عملية الاستثمار الخاصة بهم. مع التحولات المتكررة في علاقات المخاطر ، والمصادر غير المتوقعة للتقلبات ، والمنافسة المتزايدة من الاستراتيجيات السلبية ، يستخدم مديرو الأصول مجموعة أوسع من مصادر بيانات الطرف الثالث لاكتساب ميزة تنافسية وتحسين العوائد المعدلة حسب المخاطر. ومع ذلك ، فإن عملية استخراج الفوائد من مصادر بيانات متعددة يمكن أن تكون صعبة للغاية. إن فرق هندسة البيانات لمديري الأصول مثقلة بالحصول على البيانات والمعالجة المسبقة ، بينما تقوم فرق علوم البيانات باستخراج البيانات من أجل رؤى الاستثمار.

تشير بيانات الطرف الثالث أو البيانات البديلة إلى البيانات المستخدمة في عملية الاستثمار ، والتي يتم الحصول عليها من خارج مزودي بيانات السوق التقليديين. يعمل المستثمرون المؤسسيون في كثير من الأحيان على زيادة مصادر بياناتهم التقليدية ببيانات طرف ثالث أو بيانات بديلة لاكتساب ميزة في عملية الاستثمار الخاصة بهم. تشمل الأمثلة التي يتم الاستشهاد بها عادةً ، على سبيل المثال لا الحصر ، التصوير عبر الأقمار الصناعية وبيانات بطاقات الائتمان ومشاعر وسائل التواصل الاجتماعي. يستثمر مديرو الصناديق ما يقرب من 3 مليارات دولار سنويًا في مجموعات البيانات الخارجية ، مع زيادة الإنفاق السنوي بنسبة 20-30 في المائة.

مع النمو الهائل لمجموعات البيانات البديلة والجهات الخارجية المتاحة ، فإن القدرة على التحليل السريع لما إذا كانت مجموعة البيانات الجديدة تضيف رؤى استثمارية جديدة هي عامل تفاضل تنافسي في صناعة إدارة الاستثمار. تُمكِّن بيانات AWS بدون رمز منخفض (LCNC) وخدمات الذكاء الاصطناعي الفرق غير الفنية من إجراء فحص البيانات الأولي ، وتحديد أولويات إعداد البيانات ، وتسريع الوقت المستغرق في الرؤى ، والموارد التقنية القيمة المجانية - مما يؤدي إلى إنشاء ميزة تنافسية دائمة.

في منشور المدونة هذا ، نناقش كيف يمكنك ، بصفتك مديرًا للأصول المؤسسية ، الاستفادة من بيانات AWS LCNC وخدمات الذكاء الاصطناعي لتوسيع نطاق تحليل البيانات الأولية وعملية تحديد الأولويات بما يتجاوز الفرق الفنية وتسريع عملية اتخاذ القرار. باستخدام خدمات AWS LCNC ، يمكنك الاشتراك بسرعة في مجموعات البيانات المتنوعة التابعة لجهات خارجية وتقييمها ، وبيانات المعالجة المسبقة ، والتحقق من قوتها التنبؤية باستخدام نماذج التعلم الآلي (ML) دون كتابة جزء واحد من التعليمات البرمجية.

حل نظرة عامة

تتمثل حالة الاستخدام الخاصة بنا في تحليل القوة التنبؤية لأسعار الأسهم لمجموعة بيانات خارجية وتحديد أهميتها - المجالات التي تؤثر بشكل كبير على أداء سعر السهم. يعد هذا بمثابة اختبار اجتياز أولًا لتحديد الحقول المتعددة في مجموعة البيانات التي يجب تقييمها عن كثب باستخدام المنهجيات الكمية التقليدية لتلائم عملية الاستثمار الخاصة بك. يمكن إجراء هذا النوع من اختبار النجاح الأول بسرعة بواسطة المحللين ، مما يوفر الوقت ويسمح لك بتحديد أولويات إعداد مجموعة البيانات بسرعة أكبر. أيضًا ، بينما نستخدم سعر السهم كمثال هدفنا ، يمكن أيضًا استخدام مقاييس أخرى مثل الربحية أو نسب التقييم أو أحجام التداول. يتم نشر جميع مجموعات البيانات المستخدمة لحالة الاستخدام هذه باللغة تبادل بيانات AWS.

يشرح الرسم التخطيطي التالي البنية الشاملة وخدمات AWS LCNC المستخدمة لتوجيه القرارات:

يتكون حلنا من الخطوات والحلول التالية:

1. استيعاب البيانات: AWS Data Exchange للاشتراك في مجموعات البيانات البديلة المنشورة وتنزيلها على خدمة تخزين أمازون البسيطة دلو (أمازون S3).
2. هندسة البيانات: AWS Glue Data Brew لهندسة البيانات وتحويل البيانات المخزنة في Amazon S3.
3. التعلم الالي: قماش أمازون سيج ميكر لبناء نموذج توقع السلاسل الزمنية للتنبؤ وتحديد تأثير البيانات على التنبؤ.
4. ذكاء الأعمال: أمازون QuickSight أو Amazon SageMaker Canvas لمراجعة أهمية الميزة للتنبؤ باتخاذ القرار.

استيعاب البيانات

تبادل بيانات AWS يجعل من السهل العثور على بيانات الجهات الخارجية والاشتراك فيها واستخدامها في السحابة. يمكنك تصفح كتالوج AWS Data Exchange والعثور على منتجات البيانات ذات الصلة بعملك و الاشتراك إلى البيانات من الموفرين دون أي معالجة إضافية ، ولا حاجة لعملية ETL. لاحظ أن العديد من مقدمي الخدمة يقدمون اشتراكات أولية مجانية ، مما يسمح لك بتحليل بياناتهم دون الحاجة إلى تكبد تكاليف أولية.

بالنسبة لحالة الاستخدام هذه ، ابحث في مجموعات البيانات أدناه واشترك فيها في AWS Data Exchange:

• 20 عامًا من بيانات الأسهم في نهاية اليوم لأفضل 10 شركات أمريكية حسب القيمة السوقية نشرت من قبل ألفا فانتاج. تحتوي مجموعة البيانات المجانية هذه على 20 عامًا من البيانات التاريخية لأكبر 10 أسهم أمريكية حسب القيمة السوقية اعتبارًا من 5 سبتمبر 2020. تحتوي مجموعة البيانات على الرموز العشرة التالية - AAPL: Apple Inc .؛ AMZN: Amazon.com، Inc. BRK-A: شركة Berkshire Hathaway Inc. (الفئة أ) ؛ FB: Facebook، Inc. GOOG: Alphabet Inc. ؛ JNJ: Johnson & Johnson؛ ماجستير: ماستركارد إنكوربوريتد ؛ MSFT: Microsoft Corporation V: Visa Inc .؛ و WMT: شركة Walmart Inc.
• تشمل حقول البيانات الرئيسية
  • الفتح: سعر افتتاح اليوم كما هو متداول
  • مرتفع: أعلى سعر تداول لهذا اليوم
  • منخفض: السعر المنخفض كما تم تداوله لهذا اليوم
  • الإغلاق: سعر إغلاق اليوم كما هو متداول
  • الحجم: حجم التداول لهذا اليوم
  • الإغلاق المعدل: سعر الإغلاق المقسم والأرباح المعدل لليوم
  • نسبة التجزئة: نسبة عدد الأسهم الجديد إلى القديم في تاريخ السريان
  • توزيعات الأرباح: مبلغ توزيع الأرباح النقدية
• S3 قصير الفائدة وبيانات تمويل الأوراق المالية نشرت من قبل شركاء S3. تحتوي مجموعة البيانات هذه على الحقول التالية:

الحقل	الوصف
تاريخ العمل	التاريخ الفعلي للسعر
معرفات الأمان	تحتوي معرفات الأمان على Sedol و ISIN و FIGI و Ticker و Bloomberg ID
الاسم	اسم الأمان
سعر العرض	رسوم تمويل السوق المركبة المدفوعة للمراكز القصيرة الحالية
سعر العطاء	رسم الإقراض المركب في السوق المكتسب للأسهم الحالية على سبيل القرض من قبل حاملي العقود الطويلة
آخر سعر	رسوم الإقراض المركب في السوق المكتسبة للأسهم المتزايدة المعارة في ذلك التاريخ (السعر الفوري)
التزاحم	يقيس مؤشر الزخم البيع اليومي ويغطي الأحداث المتعلقة بتعويم السوق
مصلحة قصيرة	يتم التعبير عن الاهتمام القصير في الوقت الفعلي بعدد الأسهم
قصيرة الفائدة العاطفية	سعر فائدة قصير * (بالدولار الأمريكي)
ShortInterestPct	يتم التعبير عن الفائدة القصيرة في الوقت الفعلي كنسبة مئوية من تعويم حقوق الملكية
S3Float	عدد الأسهم القابلة للتداول بما في ذلك العقود الطويلة الاصطناعية الناتجة عن البيع على المكشوف
S3SIPctFloat	إسقاط الفائدة القصيرة في الوقت الحقيقي مقسومًا على تعويم S3
التوافر الإرشادي	الكمية المتاحة القابلة للإعارة المتوقعة S3
استغلال	فائدة قصيرة في الوقت الحقيقي مقسومة على إجمالي المعروض القابل للإقراض
DaystoCover10 يوم	إنه مقياس سيولة = فائدة قصيرة / متوسط ​​ADTV لمدة 10 أيام
DaystoCover30 يوم	إنه مقياس سيولة = فائدة قصيرة / متوسط ​​ADTV لمدة 30 أيام
DaystoCover90 يوم	إنه مقياس سيولة = فائدة قصيرة / متوسط ​​ADTV لمدة 90 أيام
الأصل SI	نقطة في وقت قصير الفائدة

للحصول على البيانات ، سوف تبحث أولاً عن مجموعة البيانات في AWS Data Exchange والاشتراك في مجموعة البيانات:

بمجرد موافقة ناشر مجموعات البيانات على طلبات الاشتراك الخاصة بك ، سيكون لديك مجموعات البيانات المتاحة لك لتنزيلها إلى حاوية S3 الخاصة بك:

أختار إضافة وجهة وظيفة التصدير التلقائي، وقدم تفاصيل حاوية S3 ، وقم بتنزيل مجموعة البيانات:

كرر الخطوات للحصول على مجموعة بيانات Alpha Vantage. بمجرد الانتهاء ، سيكون لديك كلتا مجموعتي البيانات في دلو S3.

هندسة البيانات

بمجرد أن تكون مجموعة البيانات في حاويات S3 الخاصة بك ، يمكنك استخدامها AWS Glue Data Brew لتحويل البيانات. تقدم AWS Glue DataBrew أكثر من 350 تحويلًا مُبنى مسبقًا لأتمتة مهام إعداد البيانات (مثل تصفية الحالات الشاذة وتوحيد التنسيقات وتصحيح القيم غير الصالحة) التي تتطلب بخلاف ذلك أيامًا أو أسابيع من كتابة تحويلات مشفرة يدويًا.

لإنشاء مجموعة بيانات منظمة موحدة للتنبؤ في AWS DataBrew ، قم بتنفيذ الخطوات التالية. للحصول على معلومات مفصلة ، يرجى الرجوع إلى هذا مدونة.

1. قم بإنشاء مجموعات البيانات DataBrew.
2. قم بتحميل مجموعات بيانات DataBrew في مشاريع DataBrew.
3. بناء وصفات DataBrew.
4. قم بتشغيل مهام DataBrew.

قم بإنشاء مجموعات بيانات DataBrew: في AWS Glue DataBrew ، أ بيانات تمثل البيانات التي تم تحميلها من حاوية S3. سننشئ مجموعتي بيانات DataBrew - لكل من سعر السهم في نهاية اليوم والفائدة القصيرة S3. عند إنشاء مجموعة البيانات الخاصة بك ، تقوم بإدخال تفاصيل اتصال S3 مرة واحدة فقط. من تلك النقطة ، يمكن لـ DataBrew الوصول إلى البيانات الأساسية نيابة عنك.

قم بتحميل مجموعات البيانات DataBrew في مشاريع DataBrew: في AWS Glue DataBrew ، أ تنفيذ المشاريع هي حجر الزاوية في تحليل البيانات وجهود التحول. يجمع مشروع DataBrew مجموعات بيانات DataBrew ويمكّنك من تطوير تحويل البيانات (وصفة DataBrew). هنا مرة أخرى ، سننشئ مشروعين DataBrew ، لسعر السهم في نهاية اليوم والفائدة القصيرة S3.

بناء وصفات DataBrew: في DataBrew ، أ وصفة هي مجموعة من خطوات تحويل البيانات. يمكنك تطبيق هذه الخطوات على مجموعة البيانات الخاصة بك. بالنسبة لحالة الاستخدام ، سنقوم ببناء تحولين. سيغير الخيار الأول تنسيق عمود الطابع الزمني لأسعار الأسهم في نهاية اليوم بحيث يمكن ضم مجموعة البيانات إلى الفائدة القصيرة S3:

ينظم التحويل الثاني البيانات ، وتضمن خطوته الأخيرة ضم مجموعات البيانات في مجموعة بيانات واحدة منظمة. لمزيد من التفاصيل حول بناء وصفات تحويل البيانات ، يرجى الرجوع إلى هذا مدونة.

وظائف DataBrew: بعد إنشاء وصفات DataBrew ، يمكنك تشغيل وظيفة DataBrew لسعر السهم في نهاية اليوم متبوعة بوصفة S3 ذات الفائدة القصيرة. الرجوع إلى هذا مدونة لإنشاء مجموعة بيانات واحدة مدمجة. احفظ مجموعة البيانات النهائية المنسقة في حاوية S3.

سيبدو سير عمل هندسة البيانات الشامل كما يلي:

تعلم الآلة

باستخدام مجموعة البيانات المنسقة التي تم إنشاؤها هندسة ما بعد البيانات ، يمكنك استخدام قماش أمازون سيج ميكر لبناء نموذج التنبؤ الخاص بك وتحليل تأثير الميزات على التنبؤ. قماش أمازون سيج ميكر يزود مستخدمي الأعمال بواجهة مرئية للتأشير والنقر تسمح لهم ببناء نماذج وإنشاء تنبؤات ML دقيقة بأنفسهم - دون الحاجة إلى أي خبرة في تعلم الآلة أو الحاجة إلى كتابة سطر واحد من التعليمات البرمجية.

لإنشاء نموذج توقع السلاسل الزمنية في Amazon SageMaker Canvas ، اتبع الخطوات التالية. للحصول على معلومات مفصلة ، راجع هذا مدونة:

1. حدد مجموعة البيانات المنسقة في SageMaker Canvas.
2. بناء نموذج التنبؤ بالسلاسل الزمنية.
3. تحليل النتائج وأهمية الميزة.

بناء نموذج التنبؤ بالسلاسل الزمنية: بمجرد تحديد مجموعة البيانات ، حدد العمود الهدف الذي سيتم توقعه. في حالتنا ، سيكون هذا هو سعر إغلاق مؤشر الأسهم. يكتشف SageMaker Canvas تلقائيًا أن هذا عبارة عن بيان مشكلة للتنبؤ بالسلسلة الزمنية.

سيتعين عليك تكوين النموذج على النحو التالي للتنبؤ بالسلسلة الزمنية. لمعرف العنصر ، حدد اسم مؤشر الأسهم. تذكر أن مجموعة البيانات الخاصة بنا تحتوي على أسعار مؤشر الأسهم لأعلى 10 أسهم. حدد عمود الطابع الزمني للطابع الزمني ، وأخيرًا ، أدخل عدد الأيام التي تريد توقعها في المستقبل [أفق التنبؤ].

أنت الآن جاهز لبناء النموذج. يوفر SageMaker Canvas خيارين لبناء النموذج: Quick Build و Standard Build. في حالتنا ، سوف نستخدم "الإصدار القياسي".

يستغرق البناء القياسي حوالي ثلاث ساعات لبناء النموذج والاستخدامات توقعات الأمازون، خدمة التنبؤ بالسلاسل الزمنية القائمة على التعلم الآلي كمحرك أساسي للتنبؤ. تُنشئ التوقعات تنبؤات دقيقة للغاية من خلال تجميع نماذج نماذج التعلم التقليدية والعميقة دون الحاجة إلى خبرة في تعلم الآلة.

بمجرد بناء النموذج ، يمكنك الآن مراجعة أداء النموذج (دقة التنبؤ) وأهمية الميزة. كما يتضح من الشكل أدناه ، يحدد النموذج Crowding و DaysToCover10Day باعتبارهما أهم ميزتين تقودان قيم التنبؤ. يتماشى هذا مع حدسنا في السوق ، حيث أن الازدحام هو مؤشر زخم يقيس البيع اليومي ويغطي الأحداث ، والفائدة قصيرة الأجل هي مقياس للسيولة ، مما يشير إلى كيفية وضع المستثمرين في الأسهم. يمكن أن يؤدي كل من الزخم والسيولة إلى تقلب الأسعار.

تشير هذه النتيجة إلى أن هاتين الميزتين (أو الحقول) لهما علاقة وثيقة مع تحركات أسعار الأسهم ويمكن إعطاؤهما أولوية أعلى للإعداد والتحليل الإضافي.

ذكاء الأعمال

في سياق التنبؤ بالسلاسل الزمنية ، فإن فكرة backtesting يشير إلى عملية تقييم دقة طريقة التنبؤ باستخدام البيانات التاريخية الحالية. عادة ما تكون العملية تكرارية وتتكرر على مدار تواريخ متعددة موجودة في البيانات التاريخية.

كما ناقشنا بالفعل ، يستخدم SageMaker Canvas Amazon Forecast كمحرك للتنبؤ بالسلسلة الزمنية. تنشئ التوقعات اختبارًا رجعيًا كجزء من عملية بناء النموذج. يمكنك الآن عرض تفاصيل المتنبئ عن طريق تسجيل الدخول إلى Amazon Forecast. للحصول على فهم أعمق حول إمكانية شرح النموذج ، يرجى الرجوع إلى هذا مدونة.

توفر Amazon Forecast تفاصيل إضافية عن مقاييس التوقع ، مثل خطأ النسبة المئوية المطلقة الموزونة (WAPE) ، وجذر متوسط ​​مربع الخطأ (RMSE) ، ومتوسط ​​خطأ النسبة المئوية المطلقة (MAPE) ، ومتوسط ​​الخطأ المطلق (MASE). يمكنك تصدير درجات جودة المتنبئ من Amazon Forecast.

تقوم Amazon Forecast بتشغيل اختبار خلفي واحد لمجموعة بيانات السلاسل الزمنية المتوفرة. تتوفر نتائج الاختبار الخلفي للتنزيل باستخدام ملف تصدير نتائج الاختبار الخلفي زر. يتم تنزيل نتائج الاختبار الخلفي التي تم تصديرها إلى حاوية S3.

سنقوم الآن برسم نتائج الاختبار الخلفي في Amazon QuickSight. لتصور نتائج الاختبار الخلفي في Amazon QuickSight ، اتصل بمجموعة البيانات في Amazon S3 من QuickSight وقم بإنشاء تصور.

تنظيف

خدمات AWS التي يتم الاستفادة منها في هذا الحل تتم إدارتها وبلا خوادم بطبيعتها. تم تصميم SageMaker Canvas لتشغيل تدريب ML طويل الأمد وسيكون دائمًا قيد التشغيل. تأكد من تسجيل الخروج صراحةً من SageMaker Canvas. يرجى الرجوع إلى المستندات لمزيد من التفاصيل.

وفي الختام

في منشور المدونة هذا ، ناقشنا كيف يمكنك ، بصفتك مديرًا للأصول المؤسسية ، الاستفادة من بيانات AWS ذات الشفرة المنخفضة (LCNC) وخدمات الذكاء الاصطناعي لتسريع تقييم مجموعات البيانات الخارجية عن طريق إلغاء تحميل فحص مجموعة البيانات الأولية إلى موظفين غير تقنيين. يمكن إجراء تحليل المرور الأول هذا بسرعة لمساعدتك في تحديد مجموعات البيانات التي يجب منحها الأولوية للإعداد والتحليل الإضافي.

أظهرنا خطوة بخطوة كيف يمكن لمحلل البيانات الحصول على بيانات جهة خارجية جديدة من خلال AWS Data Exchange ، واستخدام خدمات AWS Glue DataBrew بدون كود ETL للمعالجة المسبقة للبيانات وتقييم الميزات في مجموعة البيانات التي لها أكبر تأثير على توقعات النموذج .

بمجرد أن تصبح البيانات جاهزة للتحليل ، يستخدم المحلل SageMaker Canvas لبناء نموذج تنبؤي وتقييم مدى ملاءمته وتحديد الميزات المهمة. في مثالنا ، أشار كل من MAPE (.05) و WAPE (.045) الخاص بالنموذج إلى توافق جيد وأظهر "الازدحام" و "DaysToCover10Day" كإشارات في مجموعة البيانات ذات التأثير الأكبر على التوقعات. حدد هذا التحليل البيانات الأكثر تأثيرًا على النموذج ، وبالتالي يمكن تحديد أولوياتها لمزيد من التحقيق وإدراجها المحتمل في إشارات ألفا أو عملية إدارة المخاطر. وعلى نفس القدر من الأهمية ، تشير درجات قابلية التفسير إلى البيانات التي تلعب دورًا ضئيلًا نسبيًا في تحديد التنبؤ ، وبالتالي يمكن أن تكون ذات أولوية أقل لمزيد من التحقيق.

لتقييم قدرة البيانات المالية للجهات الخارجية بشكل أسرع على دعم عملية الاستثمار الخاصة بك ، قم بمراجعة مصادر بيانات الخدمات المالية المتاحة على AWS Data Exchange ، وتعطي داتابرو و لوحة جدارية (لوحة كانفس) محاولة اليوم.

---

حول المؤلف

بوريس ليتفين هو مهندس الحلول الرئيسي ، والمسؤول عن الابتكار في صناعة الخدمات المالية. وهو مؤسس سابق في Quant and FinTech ، شغوف بالاستثمار المنهجي.

ميناكشيسوندارام ثاندافارايان هو متخصص أول في الذكاء الاصطناعي / تعلم الآلة مع AWS. إنه يساعد الحسابات الإستراتيجية ذات التقنية العالية في رحلة الذكاء الاصطناعي والتعلم الآلي. إنه متحمس للغاية بشأن الذكاء الاصطناعي المستند إلى البيانات.

كاميلو أنانيا هو مهندس أول لحلول بدء التشغيل مع AWS ومقره في المملكة المتحدة. إنه تقني شغوف يساعد الشركات الناشئة من أي حجم على البناء والنمو.

دان سنريتش هو مدير منتج كبير مع AWS ، ويركز على تمكين الشركات من اتخاذ قرارات أفضل باستخدام ML. قام سابقًا ببناء منصات تحليلات المحفظة ونماذج مخاطر فئات الأصول المتعددة للمستثمرين المؤسسيين الكبار.