বিগত কয়েক বছরে প্রাতিষ্ঠানিক সম্পদ ব্যবস্থাপকরা কীভাবে তাদের বিনিয়োগ প্রক্রিয়ায় একাধিক ডেটা উত্স উত্স এবং সংহত করে তার একটি অসাধারণ দৃষ্টান্তের পরিবর্তন দেখেছে৷ ঝুঁকির পারস্পরিক সম্পর্ক, অপ্রত্যাশিত উত্স এবং প্যাসিভ কৌশল থেকে প্রতিযোগিতার ক্রমবর্ধমান পরিবর্তনের সাথে, সম্পদ পরিচালকরা প্রতিযোগিতামূলক প্রান্ত অর্জন করতে এবং ঝুঁকি-সামঞ্জস্যপূর্ণ রিটার্ন উন্নত করতে তৃতীয় পক্ষের ডেটা উত্সগুলির একটি বৃহত্তর সেট নিযুক্ত করছেন। যাইহোক, একাধিক ডেটা উৎস থেকে সুবিধা বের করার প্রক্রিয়া অত্যন্ত চ্যালেঞ্জিং হতে পারে। সম্পদ ব্যবস্থাপকদের ডেটা ইঞ্জিনিয়ারিং দলগুলি ডেটা অধিগ্রহণ এবং প্রিপ্রসেসিংয়ের সাথে ওভারলোড হয়, যখন ডেটা সায়েন্স দলগুলি বিনিয়োগের অন্তর্দৃষ্টির জন্য ডেটা মাইনিং করে।
থার্ড-পার্টি বা বিকল্প ডেটা বিনিয়োগ প্রক্রিয়ায় ব্যবহৃত ডেটাকে বোঝায়, যা প্রথাগত বাজারের ডেটা প্রদানকারীদের বাইরে উৎস করা হয়। প্রাতিষ্ঠানিক বিনিয়োগকারীরা প্রায়শই তাদের বিনিয়োগ প্রক্রিয়ায় একটি প্রান্ত অর্জন করতে তৃতীয় পক্ষ বা বিকল্প ডেটা দিয়ে তাদের ঐতিহ্যগত ডেটা উত্সগুলিকে বাড়িয়ে তুলছে। সাধারণত উদ্ধৃত উদাহরণগুলির মধ্যে স্যাটেলাইট ইমেজিং, ক্রেডিট কার্ড ডেটা এবং সোশ্যাল মিডিয়া সেন্টিমেন্ট অন্তর্ভুক্ত, কিন্তু সীমাবদ্ধ নয়। ফান্ড ম্যানেজাররা বাহ্যিক ডেটাসেটে বার্ষিক প্রায় $3 বিলিয়ন বিনিয়োগ করেন, বার্ষিক ব্যয় 20-30 শতাংশ বৃদ্ধি পায়।
উপলব্ধ তৃতীয়-পক্ষ এবং বিকল্প ডেটাসেটের সূচকীয় বৃদ্ধির সাথে, একটি নতুন ডেটাসেট নতুন বিনিয়োগ অন্তর্দৃষ্টি যোগ করে কিনা তা দ্রুত বিশ্লেষণ করার ক্ষমতা বিনিয়োগ ব্যবস্থাপনা শিল্পে একটি প্রতিযোগিতামূলক পার্থক্যকারী। AWS নো-কোড লো-কোড (LCNC) ডেটা এবং AI পরিষেবাগুলি নন-টেকনিক্যাল দলগুলিকে প্রাথমিক ডেটা স্ক্রিনিং করতে, ডেটা অনবোর্ডিংকে অগ্রাধিকার দিতে, সময়-থেকে-অন্তর্দৃষ্টিকে ত্বরান্বিত করতে এবং বিনামূল্যে মূল্যবান প্রযুক্তিগত সংস্থানগুলিকে সক্ষম করে—একটি স্থায়ী প্রতিযোগিতামূলক সুবিধা তৈরি করে৷
এই ব্লগ পোস্টে, আমরা আলোচনা করি যে, কীভাবে একজন প্রাতিষ্ঠানিক সম্পদ ব্যবস্থাপক হিসেবে, আপনি প্রযুক্তিগত দলগুলির বাইরে প্রাথমিক ডেটা বিশ্লেষণ এবং অগ্রাধিকার প্রক্রিয়াকে স্কেল করতে এবং আপনার সিদ্ধান্ত গ্রহণকে ত্বরান্বিত করতে AWS LCNC ডেটা এবং AI পরিষেবাগুলি ব্যবহার করতে পারেন৷ AWS LCNC পরিষেবাগুলির সাথে, আপনি দ্রুত সাবস্ক্রাইব করতে এবং বিভিন্ন থার্ড-পার্টি ডেটাসেট, প্রিপ্রসেস ডেটা এবং তাদের ভবিষ্যদ্বাণী করার ক্ষমতা পরীক্ষা করতে সক্ষম হন মেশিন লার্নিং (ML) মডেলগুলি ব্যবহার করে একক কোড না লিখে।
সমাধান ওভারভিউ
আমাদের ব্যবহারের ক্ষেত্রে একটি বাহ্যিক ডেটাসেটের স্টক মূল্য ভবিষ্যদ্বাণী করার ক্ষমতা বিশ্লেষণ করা এবং এর বৈশিষ্ট্যের গুরুত্ব সনাক্ত করা - কোন ক্ষেত্রগুলি স্টক মূল্যের কার্যকারিতাকে সবচেয়ে বেশি প্রভাবিত করে৷ আপনার বিনিয়োগ প্রক্রিয়ার সাথে মানানসই করার জন্য ঐতিহ্যগত পরিমাণগত পদ্ধতি ব্যবহার করে ডেটাসেটের একাধিক ক্ষেত্রগুলির মধ্যে কোনটি আরও ঘনিষ্ঠভাবে মূল্যায়ন করা উচিত তা সনাক্ত করতে এটি একটি প্রথম-পাস পরীক্ষা হিসাবে কাজ করে। এই ধরনের প্রথম-পাস পরীক্ষা বিশ্লেষকদের দ্বারা দ্রুত করা যেতে পারে, সময় বাঁচায় এবং আপনাকে আরও দ্রুত ডেটাসেট অনবোর্ডিংকে অগ্রাধিকার দিতে দেয়। এছাড়াও, যখন আমরা আমাদের লক্ষ্য উদাহরণ হিসাবে স্টক মূল্য ব্যবহার করছি, অন্যান্য মেট্রিক্স যেমন লাভজনকতা, মূল্যায়ন অনুপাত, বা ট্রেডিং ভলিউমও ব্যবহার করা যেতে পারে। এই ব্যবহারের ক্ষেত্রে ব্যবহৃত সমস্ত ডেটাসেট প্রকাশিত হয়েছে AWS ডেটা এক্সচেঞ্জ.
নিম্নোক্ত চিত্রটি এন্ড-টু-এন্ড আর্কিটেকচার এবং AWS LCNC পরিষেবাগুলিকে সিদ্ধান্তগুলি চালনা করতে ব্যবহৃত ব্যাখ্যা করে:
আমাদের সমাধান নিম্নলিখিত পদক্ষেপ এবং সমাধান নিয়ে গঠিত:
- ডেটা ইনজেশন: প্রকাশিত বিকল্প ডেটাসেটগুলিতে সাবস্ক্রাইব করার জন্য এবং এগুলি ডাউনলোড করার জন্য AWS ডেটা এক্সচেঞ্জ আমাজন সিম্পল স্টোরেজ সার্ভিস (অ্যামাজন এস 3) বালতি।
- ডেটা ইঞ্জিনিয়ারিং: AWS আঠালো ডেটাব্রু ডেটা ইঞ্জিনিয়ারিং এবং আমাজন S3-তে সংরক্ষিত ডেটার রূপান্তরের জন্য।
- মেশিন লার্নিং: আমাজন সেজমেকার ক্যানভাস ভবিষ্যদ্বাণী এবং পূর্বাভাসের উপর ডেটার প্রভাব চিহ্নিত করার জন্য একটি টাইম সিরিজ পূর্বাভাস মডেল তৈরি করার জন্য।
- ব্যবসায়িক বুদ্ধি: অ্যামাজন কুইকসাইট বা অ্যামাজন সেজমেকার ক্যানভাস সিদ্ধান্ত নেওয়ার জন্য পূর্বাভাসের বৈশিষ্ট্যের গুরুত্ব পর্যালোচনা করতে।
ডেটা ইনজেশন
AWS ডেটা এক্সচেঞ্জ ক্লাউডে তৃতীয় পক্ষের ডেটা খুঁজে পাওয়া, সদস্যতা নেওয়া এবং ব্যবহার করা সহজ করে তোলে। আপনি AWS ডেটা এক্সচেঞ্জ ক্যাটালগের মাধ্যমে ব্রাউজ করতে পারেন এবং আপনার ব্যবসার সাথে প্রাসঙ্গিক ডেটা পণ্যগুলি খুঁজে পেতে পারেন এবং সাবস্ক্রাইব আর কোন প্রক্রিয়াকরণ ছাড়াই প্রদানকারীদের থেকে ডেটাতে, এবং একটি ETL প্রক্রিয়ার প্রয়োজন নেই। মনে রাখবেন যে অনেক প্রদানকারী বিনামূল্যে প্রাথমিক সাবস্ক্রিপশন অফার করে, যা আপনাকে প্রথমে অগ্রিম খরচ বহন না করে তাদের ডেটা বিশ্লেষণ করতে দেয়।
এই ব্যবহারের ক্ষেত্রে, AWS ডেটা এক্সচেঞ্জে নীচের ডেটাসেটগুলি অনুসন্ধান করুন এবং সদস্যতা নিন:
- মার্কেট ক্যাপ অনুসারে শীর্ষ 20 মার্কিন কোম্পানির জন্য 10 বছরের শেষের স্টক ডেটা দ্বারা প্রকাশিত আলফা ভ্যান্টেজ. এই বিনামূল্যের ডেটাসেটে 20 সেপ্টেম্বর, 10 পর্যন্ত বাজার মূলধন অনুসারে শীর্ষ 5 মার্কিন স্টকের জন্য 2020 বছরের ঐতিহাসিক ডেটা রয়েছে৷ ডেটাসেটে নিম্নলিখিত 10টি চিহ্ন রয়েছে—AAPL: Apple Inc.; AMZN: Amazon.com, Inc.; BRK-A: Berkshire Hathaway Inc. (ক্লাস A); FB: Facebook, Inc.; GOOG: Alphabet Inc.; JNJ: জনসন অ্যান্ড জনসন; MA: মাস্টারকার্ড ইনকর্পোরেটেড; MSFT: Microsoft Corporation V: Visa Inc.; এবং WMT: Walmart Inc.
- মূল তথ্য ক্ষেত্র অন্তর্ভুক্ত
- খোলা: দিনের জন্য ট্রেড খোলার মূল্য হিসাবে
- উচ্চ: দিনের জন্য ট্রেড করা উচ্চ মূল্য
- নিম্ন: দিনের জন্য কম দাম হিসাবে ব্যবসা
- বন্ধ করুন: দিনের জন্য বাণিজ্য বন্ধ মূল্য হিসাবে
- ভলিউম: দিনের জন্য ট্রেডিং ভলিউম
- অ্যাডজাস্টেড ক্লোজ: বিভক্ত এবং লভ্যাংশ-অ্যাডজাস্টেড ক্লোজিং প্রাইস
- বিভক্ত অনুপাত: কার্যকর তারিখে নতুন থেকে পুরানো শেয়ারের অনুপাত
- লভ্যাংশ: নগদ লভ্যাংশ প্রদানের পরিমাণ
- S3 স্বল্প সুদ এবং সিকিউরিটিজ ফাইন্যান্স ডেটা দ্বারা প্রকাশিত S3 অংশীদার. এই ডেটাসেটে নিম্নলিখিত ক্ষেত্রগুলি রয়েছে:
ক্ষেত্র | বিবরণ |
ব্যবসার তারিখ | হারের জন্য কার্যকর তারিখ |
নিরাপত্তা আইডি | নিরাপত্তা শনাক্তকারীতে Sedol, ISIN, FIGI, টিকার, ব্লুমবার্গ আইডি থাকে |
নাম | সুরক্ষার নাম |
অফার রেট | বিদ্যমান সংক্ষিপ্ত অবস্থানের জন্য প্রদত্ত বাজার যৌগিক অর্থায়ন ফি |
বিড হার | লং হোল্ডারদের দ্বারা লোনে বিদ্যমান শেয়ারের জন্য অর্জিত বাজার যৌগিক ঋণ ফি |
শেষ হার | সেই তারিখে ধার করা ক্রমবর্ধমান শেয়ারের জন্য অর্জিত বাজার যৌগিক ঋণ ফি (স্পট রেট) |
ভিড় | মোমেন্টাম ইন্ডিকেটর মার্কেট ফ্লোটের সাপেক্ষে দৈনিক শর্টিং এবং কভারিং ইভেন্ট পরিমাপ করে |
সংক্ষিপ্ত স্বার্থ | শেয়ারের সংখ্যায় রিয়েল-টাইম স্বল্প আগ্রহ প্রকাশ করা হয়েছে |
সংক্ষিপ্ত স্বার্থসংশ্লিষ্ট | স্বল্প সুদে * মূল্য (USD) |
শর্ট ইন্টারেস্ট পিক্ট | রিয়েল-টাইম স্বল্প সুদ ইক্যুইটি ফ্লোটের শতাংশ হিসাবে প্রকাশ করা হয় |
S3 ফ্লোট | সংক্ষিপ্ত বিক্রয় দ্বারা তৈরি সিন্থেটিক লং সহ ট্রেডযোগ্য শেয়ারের সংখ্যা |
S3SIPctFloat | রিয়েল-টাইম স্বল্প সুদের অভিক্ষেপ S3 ফ্লোট দ্বারা বিভক্ত |
নির্দেশক প্রাপ্যতা | S3 অনুমান উপলব্ধ ঋণযোগ্য পরিমাণ |
ইউটিলাইজেশন | মোট ঋণযোগ্য সরবরাহ দ্বারা ভাগ করা রিয়েল-টাইম স্বল্প সুদ |
DaystoCover10Day | এটি একটি তারল্য পরিমাপ = স্বল্প সুদ / 10-দিনের গড় ADTV |
DaystoCover30Day | এটি একটি তারল্য পরিমাপ = স্বল্প সুদ / 30-দিনের গড় ADTV |
DaystoCover90Day | এটি একটি তারল্য পরিমাপ = স্বল্প সুদ / 90-দিনের গড় ADTV |
আসল এসআই | সময় সংক্ষিপ্ত আগ্রহ পয়েন্ট |
ডেটা পেতে, আপনি প্রথমে AWS ডেটা এক্সচেঞ্জে ডেটাসেট অনুসন্ধান করবেন এবং ডেটাসেটে সদস্যতা নেবেন:
একবার ডেটাসেটের প্রকাশক আপনার সাবস্ক্রিপশনের অনুরোধ অনুমোদন করলে, আপনার কাছে ডেটাসেটগুলি আপনার S3 বালতিতে ডাউনলোড করার জন্য উপলব্ধ থাকবে:
নির্বাচন করা স্বয়ংক্রিয় রপ্তানি কাজের গন্তব্য যোগ করুন, S3 বাকেটের বিশদ বিবরণ প্রদান করুন এবং ডেটাসেট ডাউনলোড করুন:
আলফা ভ্যান্টেজ ডেটাসেট পেতে পদক্ষেপগুলি পুনরাবৃত্তি করুন৷ একবার সম্পন্ন হলে, আপনার S3 বালতিতে উভয় ডেটাসেট থাকবে।
ডেটা ইঞ্জিনিয়ারিং
ডেটাসেটটি আপনার S3 বালতিতে হয়ে গেলে, আপনি ব্যবহার করতে পারেন AWS আঠালো ডেটাব্রু তথ্য রূপান্তর করতে। AWS Glue DataBrew ডেটা প্রস্তুতির কাজগুলিকে স্বয়ংক্রিয় করতে 350 টিরও বেশি প্রাক-নির্মিত রূপান্তর অফার করে (যেমন অসঙ্গতিগুলি ফিল্টার করা, ফর্ম্যাটগুলি মানক করা এবং অবৈধ মান সংশোধন করা) যা অন্যথায় হ্যান্ড-কোডেড রূপান্তরগুলি লিখতে কয়েক দিন বা সপ্তাহের প্রয়োজন হবে।
AWS DataBrew-এ পূর্বাভাস দেওয়ার জন্য একটি সমন্বিত কিউরেটেড ডেটাসেট তৈরি করতে, নীচের পদক্ষেপগুলি সম্পাদন করুন৷ বিস্তারিত তথ্যের জন্য, অনুগ্রহ করে এটি পড়ুন ব্লগ.
- DataBrew ডেটাসেট তৈরি করুন।
- DataBrew প্রকল্পে DataBrew ডেটাসেট লোড করুন।
- DataBrew রেসিপি তৈরি করুন।
- DataBrew কাজ চালান।
ডেটাব্রু ডেটাসেট তৈরি করুন: AWS Glue DataBrew-এ, a ডেটা সেটটি S3 বালতি থেকে আপলোড করা ডেটা উপস্থাপন করে। আমরা দুটি DataBrew ডেটাসেট তৈরি করব—দিনের শেষের স্টক মূল্য এবং S3 স্বল্প সুদের জন্য। যখন আপনি আপনার ডেটাসেট তৈরি করেন, আপনি শুধুমাত্র একবার S3 সংযোগের বিশদ বিবরণ লিখুন। সেই বিন্দু থেকে, DataBrew আপনার জন্য অন্তর্নিহিত ডেটা অ্যাক্সেস করতে পারে।
DataBrew প্রজেক্টে DataBrew ডেটাসেট লোড করুন: AWS Glue DataBrew-এ, a প্রকল্প আপনার ডেটা বিশ্লেষণ এবং রূপান্তর প্রচেষ্টার কেন্দ্রবিন্দু। একটি DataBrew প্রকল্প DataBrew ডেটাসেটগুলিকে একত্রিত করে এবং আপনাকে একটি ডেটা ট্রান্সফরমেশন (DataBrew রেসিপি) বিকাশ করতে সক্ষম করে। এখানে আবার, আমরা দুটি DataBrew প্রকল্প তৈরি করব, দিনের শেষে স্টকের মূল্য এবং S3 স্বল্প সুদের জন্য।
DataBrew রেসিপি তৈরি করুন: ডেটাব্রুতে, ক প্রণালী ডেটা ট্রান্সফরমেশন ধাপের একটি সেট। আপনি আপনার ডেটাসেটে এই পদক্ষেপগুলি প্রয়োগ করতে পারেন৷ ব্যবহারের ক্ষেত্রে, আমরা দুটি রূপান্তর তৈরি করব। প্রথমটি দিনের শেষের স্টক প্রাইস টাইমস্ট্যাম্প কলামের বিন্যাস পরিবর্তন করবে যাতে ডেটাসেটটি S3 সংক্ষিপ্ত আগ্রহের সাথে যুক্ত হতে পারে:
দ্বিতীয় রূপান্তরটি ডেটা কিউরেট করে এবং এর শেষ ধাপটি নিশ্চিত করে যে আমরা ডেটাসেটগুলিকে একটি একক কিউরেটেড ডেটাসেটে যোগদান করি। ডেটা ট্রান্সফরমেশন রেসিপি তৈরির বিষয়ে আরও বিস্তারিত জানার জন্য, এটি পড়ুন ব্লগ.
ডেটাব্রু চাকরি: DataBrew রেসিপি তৈরির পর, আপনি প্রথমে S3 শর্ট ইন্টারেস্ট রেসিপি অনুসরণ করে ডেট-অফ-ডে স্টক মূল্য DataBrew কাজ চালাতে পারেন। এটি উল্লেখ করুন ব্লগ একটি একক একত্রিত ডেটাসেট তৈরি করতে। একটি S3 বালতিতে চূড়ান্ত কিউরেটেড ডেটাসেট সংরক্ষণ করুন।
এন্ড-টু-এন্ড ডেটা ইঞ্জিনিয়ারিং ওয়ার্কফ্লো দেখতে এইরকম হবে:
মেশিন লার্নিং
পোস্ট-ডেটা ইঞ্জিনিয়ারিং তৈরি করা কিউরেটেড ডেটাসেট দিয়ে, আপনি ব্যবহার করতে পারেন আমাজন সেজমেকার ক্যানভাস আপনার পূর্বাভাস মডেল তৈরি করতে এবং পূর্বাভাসের উপর বৈশিষ্ট্যগুলির প্রভাব বিশ্লেষণ করতে। আমাজন সেজমেকার ক্যানভাস ব্যবসায়িক ব্যবহারকারীদের একটি ভিজ্যুয়াল পয়েন্ট-এন্ড-ক্লিক ইন্টারফেস প্রদান করে যা তাদেরকে মডেল তৈরি করতে এবং নিজেরাই সঠিক ML ভবিষ্যদ্বাণী তৈরি করতে দেয়—কোনও ML অভিজ্ঞতার প্রয়োজন ছাড়াই বা কোডের একটি লাইন লিখতে হবে না।
অ্যামাজন সেজমেকার ক্যানভাসে একটি টাইম সিরিজ পূর্বাভাস মডেল তৈরি করতে, নীচের পদক্ষেপগুলি অনুসরণ করুন৷ বিস্তারিত তথ্যের জন্য, এটি পড়ুন ব্লগ:
- সেজমেকার ক্যানভাসে কিউরেটেড ডেটাসেট নির্বাচন করুন।
- সময় সিরিজের পূর্বাভাস মডেল তৈরি করুন।
- ফলাফল এবং বৈশিষ্ট্য গুরুত্ব বিশ্লেষণ.
সময় সিরিজের পূর্বাভাস মডেল তৈরি করুন: একবার আপনি ডেটাসেট নির্বাচন করলে, পূর্বাভাসের জন্য লক্ষ্য কলাম নির্বাচন করুন। আমাদের ক্ষেত্রে, এটি স্টক টিকারের কাছাকাছি মূল্য হবে। সেজমেকার ক্যানভাস স্বয়ংক্রিয়ভাবে সনাক্ত করে যে এটি একটি টাইম সিরিজ পূর্বাভাস সমস্যা বিবৃতি।
সময় সিরিজের পূর্বাভাসের জন্য আপনাকে নিম্নরূপ মডেলটি কনফিগার করতে হবে। আইটেম আইডির জন্য, স্টক টিকারের নাম নির্বাচন করুন। মনে রাখবেন, আমাদের ডেটাসেটে সেরা 10টি স্টকের জন্য স্টক টিকারের দাম রয়েছে৷ টাইম স্ট্যাম্পের জন্য টাইমস্ট্যাম্প কলামটি নির্বাচন করুন এবং অবশেষে, আপনি ভবিষ্যতে [পূর্বাভাস দিগন্ত] কত দিনের পূর্বাভাস দিতে চান তা লিখুন।
এখন আপনি মডেল তৈরি করতে প্রস্তুত. সেজমেকার ক্যানভাস মডেলটি তৈরি করার জন্য দুটি বিকল্প সরবরাহ করে: কুইক বিল্ড এবং স্ট্যান্ডার্ড বিল্ড। আমাদের ক্ষেত্রে, আমরা "স্ট্যান্ডার্ড বিল্ড" ব্যবহার করব।
স্ট্যান্ডার্ড বিল্ড মডেল এবং ব্যবহার তৈরি করতে প্রায় তিন ঘন্টা সময় নেয় আমাজন পূর্বাভাস, অন্তর্নিহিত পূর্বাভাস ইঞ্জিন হিসাবে ML-এর উপর ভিত্তি করে একটি টাইম সিরিজ পূর্বাভাস পরিষেবা। পূর্বাভাস ML অভিজ্ঞতার প্রয়োজন ছাড়াই ঐতিহ্যগত এবং গভীর শিক্ষার মডেলগুলির মডেল একত্রিত করার মাধ্যমে অত্যন্ত সঠিক পূর্বাভাস তৈরি করে।
মডেলটি তৈরি হয়ে গেলে, আপনি এখন মডেলের কার্যকারিতা (পূর্বাভাস নির্ভুলতা) এবং বৈশিষ্ট্যের গুরুত্ব পর্যালোচনা করতে পারেন। নীচের চিত্র থেকে দেখা যায়, মডেলটি Crowding এবং DaysToCover10Day-কে পূর্বাভাসের মান ড্রাইভিং দুটি শীর্ষ বৈশিষ্ট্য হিসাবে চিহ্নিত করে। এটি আমাদের বাজারের অন্তর্দৃষ্টির সাথে সামঞ্জস্যপূর্ণ, কারণ ক্রাউডিং হল একটি মোমেন্টাম সূচক যা দৈনিক শর্টিং এবং কভারিং ইভেন্টগুলিকে পরিমাপ করে এবং নিকট-মেয়াদী স্বল্প সুদ হল একটি তারল্য পরিমাপ, যা নির্দেশ করে যে বিনিয়োগকারীরা একটি স্টকে কীভাবে অবস্থান করছে৷ গতিবেগ এবং তারল্য উভয়ই মূল্যের অস্থিরতা চালাতে পারে।
এই ফলাফলটি ইঙ্গিত করে যে এই দুটি বৈশিষ্ট্য (বা ক্ষেত্র) স্টক মূল্যের গতিবিধির সাথে ঘনিষ্ঠ সম্পর্ক রয়েছে এবং অনবোর্ডিং এবং আরও বিশ্লেষণের জন্য উচ্চতর অগ্রাধিকার দেওয়া যেতে পারে।
ব্যবসায়িক বুদ্ধি
সময় সিরিজ পূর্বাভাস প্রসঙ্গে, ধারণা ব্যাকস্টেটিং বিদ্যমান ঐতিহাসিক তথ্য ব্যবহার করে পূর্বাভাস পদ্ধতির নির্ভুলতা মূল্যায়নের প্রক্রিয়াকে বোঝায়। প্রক্রিয়াটি সাধারণত পুনরাবৃত্তিমূলক এবং ঐতিহাসিক তথ্যে উপস্থিত একাধিক তারিখে পুনরাবৃত্তি হয়।
যেমনটি আমরা ইতিমধ্যে আলোচনা করেছি, সেজমেকার ক্যানভাস সময়-সিরিজের পূর্বাভাসের জন্য ইঞ্জিন হিসাবে অ্যামাজন পূর্বাভাস ব্যবহার করে। মডেল বিল্ডিং প্রক্রিয়ার একটি অংশ হিসাবে পূর্বাভাস একটি ব্যাকটেস্ট তৈরি করে। আপনি এখন Amazon Forecast-এ সাইন ইন করে ভবিষ্যদ্বাণীর বিবরণ দেখতে পারেন। মডেল ব্যাখ্যাযোগ্যতা সম্পর্কে গভীরভাবে বোঝার জন্য, এটি পড়ুন ব্লগ.
Amazon Forecast ভবিষ্যদ্বাণীকারী মেট্রিক্সের অতিরিক্ত বিবরণ প্রদান করে যেমন ওজনযুক্ত পরম শতাংশ ত্রুটি (WAPE), রুট গড় বর্গ ত্রুটি (RMSE), মানে পরম শতাংশ ত্রুটি (MAPE), এবং মানে পরম স্কেলড ত্রুটি (MASE)। আপনি Amazon Forecast থেকে ভবিষ্যদ্বাণীকারী মানের স্কোর রপ্তানি করতে পারেন।
Amazon Forecast প্রদত্ত টাইম সিরিজ ডেটাসেটের জন্য একটি ব্যাকটেস্ট চালায়। ব্যাকটেস্ট ফলাফলগুলি ব্যবহার করে ডাউনলোডের জন্য উপলব্ধ ব্যাকটেস্ট ফলাফল রপ্তানি করুন বোতাম রপ্তানি করা ব্যাকটেস্ট ফলাফল একটি S3 বালতিতে ডাউনলোড করা হয়।
আমরা এখন Amazon QuickSight-এ ব্যাকটেস্ট ফলাফল প্লট করব। Amazon QuickSight-এ ব্যাকটেস্ট ফলাফলগুলি কল্পনা করতে, QuickSight থেকে Amazon S3-এ ডেটাসেটের সাথে সংযোগ করুন এবং একটি ভিজ্যুয়ালাইজেশন তৈরি করুন৷
পরিষ্কার কর
এই সমাধানে লিভারেজ করা AWS পরিষেবাগুলি পরিচালিত এবং প্রকৃতিতে সার্ভারহীন। সেজমেকার ক্যানভাস দীর্ঘ সময় ধরে চলমান এমএল প্রশিক্ষণ চালানোর জন্য ডিজাইন করা হয়েছে এবং সর্বদা চালু থাকবে। নিশ্চিত করুন যে আপনি স্পষ্টভাবে সেজমেকার ক্যানভাস লগ অফ করেছেন৷ অনুগ্রহ করে উল্লেখ করুন ডক্স আরো বিস্তারিত জানার জন্য.
উপসংহার
এই ব্লগ পোস্টে, আমরা আলোচনা করেছি যে, কীভাবে একজন প্রাতিষ্ঠানিক সম্পদ ব্যবস্থাপক হিসেবে, আপনি AWS লো-কোড নো-কোড (LCNC) ডেটা এবং AI পরিষেবাগুলি ব্যবহার করে বাহ্যিক ডেটাসেটগুলির মূল্যায়নকে ত্বরান্বিত করতে নন-টেকনিক্যাল কর্মীদের কাছে প্রাথমিক ডেটাসেট স্ক্রীনিং অফলোড করতে পারেন৷ অনবোর্ডিং এবং আরও বিশ্লেষণের জন্য কোন ডেটাসেটগুলিকে অগ্রাধিকার দেওয়া উচিত তা সিদ্ধান্ত নিতে আপনাকে সাহায্য করার জন্য এই প্রথম-পাস বিশ্লেষণটি দ্রুত করা যেতে পারে।
আমরা ধাপে ধাপে দেখিয়েছি যে কীভাবে একজন ডেটা বিশ্লেষক AWS ডেটা এক্সচেঞ্জের মাধ্যমে নতুন তৃতীয় পক্ষের ডেটা অর্জন করতে পারে, ডেটা প্রিপ্রসেস করতে AWS Glue DataBrew no-code ETL পরিষেবাগুলি ব্যবহার করতে পারে এবং ডেটাসেটের কোন বৈশিষ্ট্যগুলি মডেলের পূর্বাভাসে সবচেয়ে বেশি প্রভাব ফেলে তা মূল্যায়ন করতে পারে। .
একবার ডেটা বিশ্লেষণের জন্য প্রস্তুত হয়ে গেলে, একজন বিশ্লেষক একটি ভবিষ্যদ্বাণীমূলক মডেল তৈরি করতে, এর উপযুক্ত মূল্যায়ন করতে এবং উল্লেখযোগ্য বৈশিষ্ট্যগুলি সনাক্ত করতে সেজমেকার ক্যানভাস ব্যবহার করেন। আমাদের উদাহরণে, মডেলের MAPE (.05) এবং WAPE (.045) একটি ভাল ফিট নির্দেশ করেছে এবং পূর্বাভাসের উপর সবচেয়ে বেশি প্রভাব ফেলে ডেটাসেটে সংকেত হিসাবে “Crowding” এবং “DaysToCover10Day” দেখিয়েছে। এই বিশ্লেষণটি পরিমাপ করে যে কোন ডেটা মডেলটিকে সবচেয়ে বেশি প্রভাবিত করেছে এবং তাই আপনার আলফা সংকেত বা ঝুঁকি ব্যবস্থাপনা প্রক্রিয়াতে আরও তদন্ত এবং সম্ভাব্য অন্তর্ভুক্তির জন্য অগ্রাধিকার দেওয়া যেতে পারে। এবং ঠিক যেমন গুরুত্বপূর্ণ, ব্যাখ্যাযোগ্যতার স্কোরগুলি নির্দেশ করে যে ডেটা পূর্বাভাস নির্ধারণে তুলনামূলকভাবে সামান্য ভূমিকা পালন করে এবং তাই আরও তদন্তের জন্য নিম্ন অগ্রাধিকার হতে পারে।
আপনার বিনিয়োগ প্রক্রিয়াকে সমর্থন করার জন্য তৃতীয় পক্ষের আর্থিক ডেটার ক্ষমতা আরও দ্রুত মূল্যায়ন করতে, পর্যালোচনা করুন AWS ডেটা এক্সচেঞ্জে উপলব্ধ আর্থিক পরিষেবা ডেটা উত্স, এবং দাও ডেটাব্রু এবং ক্যানভাস আজ একটি চেষ্টা।
লেখক সম্পর্কে
বরিস লিটভিন প্রধান সমাধান আর্কিটেক্ট, আর্থিক পরিষেবা শিল্প উদ্ভাবনের জন্য দায়ী। তিনি একজন প্রাক্তন Quant এবং FinTech প্রতিষ্ঠাতা, পদ্ধতিগত বিনিয়োগ সম্পর্কে উত্সাহী।
মীনাক্ষীসুন্দরম ঠাণ্ডাভারায়ণ AWS সহ একজন সিনিয়র AI/ML বিশেষজ্ঞ। তিনি তাদের AI এবং ML যাত্রায় হাই-টেক কৌশলগত অ্যাকাউন্টগুলিকে সাহায্য করেন। তিনি ডেটা-চালিত AI সম্পর্কে খুব উত্সাহী।
ক্যামিলো আনানিয়া UK ভিত্তিক AWS সহ একজন সিনিয়র স্টার্টআপ সলিউশন আর্কিটেক্ট। তিনি একজন উত্সাহী প্রযুক্তিবিদ যিনি যে কোনও আকারের স্টার্টআপগুলিকে তৈরি করতে এবং বৃদ্ধি পেতে সহায়তা করেন৷
ড্যান সিনরিচ AWS-এর একজন সিনিয়র প্রোডাক্ট ম্যানেজার, ML-এর সাথে আরও ভাল সিদ্ধান্ত নেওয়ার জন্য কোম্পানিগুলিকে ক্ষমতায়ন করার উপর দৃষ্টি নিবদ্ধ করে৷ তিনি পূর্বে বড় প্রাতিষ্ঠানিক বিনিয়োগকারীদের জন্য পোর্টফোলিও বিশ্লেষণ প্ল্যাটফর্ম এবং বহু-সম্পদ শ্রেণীর ঝুঁকি মডেল তৈরি করেছিলেন।
- AI
- ai শিল্প
- এআই আর্ট জেনারেটর
- আইআই রোবট
- আমাজন পূর্বাভাস
- অ্যামাজন মেশিন লার্নিং
- অ্যামাজন কুইকসাইট
- আমাজন সেজমেকার ক্যানভাস
- কৃত্রিম বুদ্ধিমত্তা
- কৃত্রিম বুদ্ধিমত্তা সার্টিফিকেশন
- ব্যাংকিং এ কৃত্রিম বুদ্ধিমত্তা
- কৃত্রিম বুদ্ধিমত্তার রোবট
- কৃত্রিম বুদ্ধিমত্তার রোবট
- কৃত্রিম বুদ্ধিমত্তা সফ্টওয়্যার
- AWS আঠালো ডেটাব্রু
- এডাব্লুএস মেশিন লার্নিং
- blockchain
- ব্লকচেইন সম্মেলন এআই
- coingenius
- কথোপকথন কৃত্রিম বুদ্ধিমত্তা
- ক্রিপ্টো সম্মেলন এআই
- গ্রাহক সমাধান
- ডাল-ই
- গভীর জ্ঞানার্জন
- অর্থনৈতিক সেবা সমূহ
- গুগল আই
- মধ্যবর্তী (200)
- মেশিন লার্নিং
- Plato
- প্লেটো এআই
- প্লেটো ডেটা ইন্টেলিজেন্স
- প্লেটো গেম
- প্লেটোডাটা
- প্লেটোগেমিং
- স্কেল ai
- বাক্য গঠন
- zephyrnet