Επιταχύνετε την επενδυτική διαδικασία με τις υπηρεσίες AWS Low Code-No Code

Τα τελευταία χρόνια παρατηρήθηκε μια τεράστια αλλαγή παραδείγματος στον τρόπο με τον οποίο οι διαχειριστές θεσμικών περιουσιακών στοιχείων προμηθεύονται και ενσωματώνουν πολλαπλές πηγές δεδομένων στην επενδυτική τους διαδικασία. Με συχνές αλλαγές στις συσχετίσεις κινδύνου, απροσδόκητες πηγές αστάθειας και αυξανόμενο ανταγωνισμό από παθητικές στρατηγικές, οι διαχειριστές περιουσιακών στοιχείων χρησιμοποιούν ένα ευρύτερο σύνολο πηγών δεδομένων τρίτων για να αποκτήσουν ανταγωνιστικό πλεονέκτημα και να βελτιώσουν τις αποδόσεις προσαρμοσμένες στον κίνδυνο. Ωστόσο, η διαδικασία εξαγωγής οφελών από πολλαπλές πηγές δεδομένων μπορεί να είναι εξαιρετικά δύσκολη. Οι ομάδες μηχανικής δεδομένων των διαχειριστών περιουσιακών στοιχείων είναι υπερφορτωμένες με την απόκτηση και την προεπεξεργασία δεδομένων, ενώ οι ομάδες επιστήμης δεδομένων εξορύσσουν δεδομένα για επενδυτικές πληροφορίες.

Τα δεδομένα τρίτων ή εναλλακτικών μερών αναφέρονται σε δεδομένα που χρησιμοποιούνται στην επενδυτική διαδικασία, τα οποία προέρχονται εκτός των παραδοσιακών παρόχων δεδομένων της αγοράς. Οι θεσμικοί επενδυτές συχνά αυξάνουν τις παραδοσιακές πηγές δεδομένων τους με δεδομένα τρίτων ή εναλλακτικών μερών για να αποκτήσουν πλεονέκτημα στην επενδυτική τους διαδικασία. Τα τυπικά αναφερόμενα παραδείγματα περιλαμβάνουν, αλλά δεν περιορίζονται σε, δορυφορική απεικόνιση, δεδομένα πιστωτικών καρτών και συναίσθημα μέσων κοινωνικής δικτύωσης. Οι διαχειριστές κεφαλαίων επενδύουν σχεδόν 3 δισεκατομμύρια δολάρια ετησίως σε εξωτερικά σύνολα δεδομένων, με τις ετήσιες δαπάνες να αυξάνονται κατά 20-30%.

Με την εκθετική ανάπτυξη των διαθέσιμων συνόλων δεδομένων τρίτων και εναλλακτικών, η δυνατότητα γρήγορης ανάλυσης εάν ένα νέο σύνολο δεδομένων προσθέτει νέες επενδυτικές πληροφορίες αποτελεί ανταγωνιστικό παράγοντα διαφοροποίησης στον κλάδο διαχείρισης επενδύσεων. Δεδομένα χαμηλού κωδικού (LCNC) AWS και υπηρεσίες AI δίνουν τη δυνατότητα στις μη τεχνικές ομάδες να πραγματοποιούν τον αρχικό έλεγχο δεδομένων, να δίνουν προτεραιότητα στην ενσωμάτωση δεδομένων, να επιταχύνουν τις πληροφορίες χρόνου και να ελευθερώνουν πολύτιμους τεχνικούς πόρους, δημιουργώντας ένα διαρκές ανταγωνιστικό πλεονέκτημα.

Σε αυτήν την ανάρτηση ιστολογίου, συζητάμε πώς, ως θεσμικός διαχειριστής περιουσιακών στοιχείων, μπορείτε να αξιοποιήσετε τα δεδομένα AWS LCNC και τις υπηρεσίες AI για να κλιμακώσετε την αρχική ανάλυση δεδομένων και τη διαδικασία ιεράρχησης πέραν των τεχνικών ομάδων και να επιταχύνετε τη λήψη των αποφάσεών σας. Με τις υπηρεσίες AWS LCNC, μπορείτε να εγγραφείτε γρήγορα και να αξιολογήσετε διάφορα σύνολα δεδομένων τρίτων, να προεπεξεργάζεστε δεδομένα και να ελέγχετε την προγνωστική τους ισχύ χρησιμοποιώντας μοντέλα μηχανικής εκμάθησης (ML) χωρίς να γράψετε ούτε ένα κομμάτι κώδικα.

Επισκόπηση λύσεων

Η περίπτωση χρήσης μας είναι να αναλύσουμε την προγνωστική δύναμη της τιμής της μετοχής ενός εξωτερικού συνόλου δεδομένων και να προσδιορίσουμε τη σημασία των χαρακτηριστικών του—ποια πεδία επηρεάζουν περισσότερο την απόδοση της τιμής της μετοχής. Αυτό χρησιμεύει ως δοκιμή πρώτης διέλευσης για να προσδιορίσει ποια από τα πολλαπλά πεδία σε ένα σύνολο δεδομένων θα πρέπει να αξιολογηθεί πιο προσεκτικά χρησιμοποιώντας παραδοσιακές ποσοτικές μεθοδολογίες για να ταιριάζει με την επενδυτική σας διαδικασία. Αυτός ο τύπος δοκιμής πρώτης επιτυχίας μπορεί να γίνει γρήγορα από τους αναλυτές, εξοικονομώντας χρόνο και επιτρέποντάς σας να δώσετε πιο γρήγορα προτεραιότητα στην ενσωμάτωση δεδομένων. Επίσης, ενώ χρησιμοποιούμε την τιμή της μετοχής ως παράδειγμα στόχου, θα μπορούσαν επίσης να χρησιμοποιηθούν και άλλες μετρήσεις όπως η κερδοφορία, οι δείκτες αποτίμησης ή ο όγκος συναλλαγών. Όλα τα σύνολα δεδομένων που χρησιμοποιούνται για αυτήν την περίπτωση χρήσης δημοσιεύονται στο Ανταλλαγή δεδομένων AWS.

Το παρακάτω διάγραμμα εξηγεί την αρχιτεκτονική από άκρο σε άκρο και τις υπηρεσίες AWS LCNC που χρησιμοποιούνται για τη λήψη αποφάσεων:

Η λύση μας αποτελείται από τα ακόλουθα βήματα και λύσεις:

1. Απορρόφηση δεδομένων: AWS Data Exchange για συνδρομή στα δημοσιευμένα εναλλακτικά σύνολα δεδομένων και λήψη τους στο Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3) κάδος.
2. Μηχανική δεδομένων: AWS Glue Data Brew για τη μηχανική δεδομένων και τον μετασχηματισμό των δεδομένων που είναι αποθηκευμένα στο Amazon S3.
3. Μηχανική εκμάθηση: Καμβάς Amazon SageMaker για τη δημιουργία ενός μοντέλου πρόβλεψης χρονοσειρών για την πρόβλεψη και τον προσδιορισμό του αντίκτυπου των δεδομένων στην πρόβλεψη.
4. Επιχειρηματική ευφυΐα: Amazon QuickSight ή το Amazon SageMaker Canvas για να ελέγξετε τη σημασία των χαρακτηριστικών για την πρόβλεψη για τη λήψη αποφάσεων.

Κατάποση δεδομένων

Ανταλλαγή δεδομένων AWS διευκολύνει την εύρεση, την εγγραφή και τη χρήση δεδομένων τρίτων στο cloud. Μπορείτε να περιηγηθείτε στον κατάλογο AWS Data Exchange και να βρείτε προϊόντα δεδομένων που σχετίζονται με την επιχείρησή σας και συνεισφέρω στα δεδομένα από τους παρόχους χωρίς περαιτέρω επεξεργασία και δεν χρειάζεται διαδικασία ETL. Λάβετε υπόψη ότι πολλοί πάροχοι προσφέρουν δωρεάν αρχικές συνδρομές, οι οποίες σας επιτρέπουν να αναλύετε τα δεδομένα τους χωρίς να χρειάζεται να επιβαρυνθείτε πρώτα με κόστος.

Για αυτήν την περίπτωση χρήσης, αναζητήστε και εγγραφείτε στα παρακάτω σύνολα δεδομένων στο AWS Data Exchange:

• Δεδομένα μετοχών 20 ετών για το τέλος της ημέρας για τις 10 κορυφαίες εταιρείες των ΗΠΑ κατά κεφαλαιοποίηση αγοράς δημοσιεύθηκε από Alpha Vantage. Αυτό το δωρεάν σύνολο δεδομένων περιέχει ιστορικά δεδομένα 20 ετών για τις 10 κορυφαίες μετοχές των ΗΠΑ κατά κεφαλαιοποίηση στις 5 Σεπτεμβρίου 2020. Το σύνολο δεδομένων περιέχει τα ακόλουθα 10 σύμβολα—AAPL: Apple Inc. AMZN: Amazon.com, Inc. BRK-A: Berkshire Hathaway Inc. (Κλάση Α). FB: Facebook, Inc. GOOG: Alphabet Inc.; JNJ: Johnson & Johnson; MA: Mastercard Incorporated; MSFT: Microsoft Corporation V: Visa Inc.; και WMT: Walmart Inc.
• Τα βασικά πεδία δεδομένων περιλαμβάνουν
  • Open: ως διαπραγματεύσιμη τιμή ανοίγματος για την ημέρα
  • Υψηλό: υψηλή τιμή διαπραγμάτευσης για την ημέρα
  • Χαμηλή: ως διαπραγματεύσιμη χαμηλή τιμή για την ημέρα
  • Κλείσιμο: τιμή κλεισίματος κατά τη διαπραγμάτευση για την ημέρα
  • Όγκος: όγκος συναλλαγών για την ημέρα
  • Προσαρμοσμένο Κλείσιμο: διαιρεμένη και προσαρμοσμένη με μέρισμα τιμή κλεισίματος ημέρας
  • Split Ratio: αναλογία νέου προς παλιό αριθμό μετοχών κατά την ημερομηνία έναρξης ισχύος
  • Μέρισμα: ποσό πληρωμής μερίσματος σε μετρητά
• S3 Στοιχεία Χρηματοοικονομικών Επιτοκίων και Τίτλων δημοσιεύθηκε από Συνεργάτες S3. Αυτό το σύνολο δεδομένων περιέχει τα ακόλουθα πεδία:

Πεδίο	Περιγραφή
Ημερομηνία Εργασίας	Ημερομηνία έναρξης ισχύος για την τιμή
Ταυτότητες ασφαλείας	Τα αναγνωριστικά ασφαλείας περιέχουν Sedol, ISIN, FIGI, Ticker, Bloomberg ID
Όνομα	Όνομα ασφάλειας
Ποσοστό προσφοράς	Αγορά σύνθετη αμοιβή χρηματοδότησης που καταβάλλεται για υφιστάμενες αρνητικές θέσεις
Ποσοστό προσφοράς	Αγορά σύνθετη προμήθεια δανεισμού που κερδίζεται για υφιστάμενες μετοχές με δάνειο από κατόχους long
Τελευταία τιμή	Αγορά σύνθετη προμήθεια δανεισμού που κερδίζεται για στοιχειώδεις μετοχές που έχουν δανειστεί εκείνη την ημερομηνία (επιτόκιο άμεσης παράδοσης)
Συνωστισμός	Ο δείκτης ορμής μετρά ημερήσια βραχυκύκλωση και κάλυψη γεγονότων σε σχέση με τη διακύμανση της αγοράς
Σύντομο ενδιαφέρον	Σύντομο ενδιαφέρον σε πραγματικό χρόνο εκφρασμένο σε αριθμό μετοχών
ShortInterestNotional	ShortInterest * Τιμή (USD)
ShortInterestPct	Το βραχυπρόθεσμο επιτόκιο σε πραγματικό χρόνο εκφράζεται ως ποσοστό διακύμανσης ιδίων κεφαλαίων
S3Float	Ο αριθμός των διαπραγματεύσιμων μετοχών συμπεριλαμβανομένων των συνθετικών longs που δημιουργούνται από ανοικτές πωλήσεις
S3SIPctFloat	Πρόβλεψη βραχυπρόθεσμου ενδιαφέροντος σε πραγματικό χρόνο διαιρεμένη με το float S3
Ενδεικτική Διαθεσιμότητα	S3 προβλεπόμενη διαθέσιμη δανειζόμενη ποσότητα
Χρησιμοποίηση	Οι βραχυπρόθεσμοι τόκοι σε πραγματικό χρόνο διαιρούμενοι με τη συνολική προσφορά δανεισμού
DaystoCover10Day	Είναι μέτρο ρευστότητας = βραχυπρόθεσμος τόκος / μέσος όρος ADTV 10 ημερών
DaystoCover30Day	Είναι μέτρο ρευστότητας = βραχυπρόθεσμος τόκος / μέσος όρος ADTV 30 ημερών
DaystoCover90Day	Είναι μέτρο ρευστότητας = βραχυπρόθεσμος τόκος / μέσος όρος ADTV 90 ημερών
Πρωτότυπο SI	Σημείο σε χρόνο σύντομο ενδιαφέρον

Για να λάβετε τα δεδομένα, θα αναζητήσετε πρώτα το σύνολο δεδομένων στο AWS Data Exchange και θα εγγραφείτε στο σύνολο δεδομένων:

Μόλις ο εκδότης των συνόλων δεδομένων εγκρίνει τα αιτήματα συνδρομής σας, θα έχετε τα σύνολα δεδομένων διαθέσιμα για λήψη στον κάδο S3:

Αγορά Προσθήκη προορισμού εργασίας αυτόματης εξαγωγής, δώστε τις λεπτομέρειες του κάδου S3 και κατεβάστε το σύνολο δεδομένων:

Επαναλάβετε τα βήματα για να λάβετε το σύνολο δεδομένων Alpha Vantage. Μόλις ολοκληρωθεί, θα έχετε και τα δύο σύνολα δεδομένων στον κάδο S3 σας.

Μηχανική δεδομένων

Μόλις το σύνολο δεδομένων βρίσκεται στους κάδους S3 σας, μπορείτε να χρησιμοποιήσετε AWS Glue Data Brew να μετασχηματίσει τα δεδομένα. Το AWS Glue DataBrew προσφέρει πάνω από 350 προκατασκευασμένους μετασχηματισμούς για την αυτοματοποίηση εργασιών προετοιμασίας δεδομένων (όπως φιλτράρισμα ανωμαλιών, τυποποίηση μορφών και διόρθωση μη έγκυρων τιμών) που διαφορετικά θα απαιτούσαν ημέρες ή εβδομάδες εγγραφής μετασχηματισμών με το χέρι.

Για να δημιουργήσετε ένα ενοποιημένο επιμελημένο σύνολο δεδομένων για πρόβλεψη στο AWS DataBrew, εκτελέστε τα παρακάτω βήματα. Για λεπτομερείς πληροφορίες, ανατρέξτε σε αυτό blog.

1. Δημιουργήστε τα σύνολα δεδομένων DataBrew.
2. Φόρτωση συνόλων δεδομένων DataBrew σε έργα DataBrew.
3. Δημιουργήστε τις συνταγές DataBrew.
4. Εκτελέστε τις εργασίες DataBrew.

Δημιουργήστε DataBrew Datasets: Στο AWS Glue DataBrew, α σύνολο δεδομένων αντιπροσωπεύει δεδομένα που μεταφορτώνονται από τον κάδο S3. Θα δημιουργήσουμε δύο σύνολα δεδομένων DataBrew—τόσο για τιμή μετοχής στο τέλος της ημέρας όσο και για βραχυπρόθεσμο ενδιαφέρον S3. Όταν δημιουργείτε το σύνολο δεδομένων σας, εισάγετε τα στοιχεία σύνδεσης S3 μόνο μία φορά. Από εκείνο το σημείο, η DataBrew μπορεί να έχει πρόσβαση στα υποκείμενα δεδομένα για εσάς.

Φορτώστε τα σύνολα δεδομένων DataBrew σε έργα DataBrew: Στο AWS Glue DataBrew, α σχέδιο είναι το επίκεντρο των προσπαθειών ανάλυσης και μετασχηματισμού δεδομένων σας. Ένα έργο DataBrew συγκεντρώνει τα σύνολα δεδομένων DataBrew και σας δίνει τη δυνατότητα να αναπτύξετε έναν μετασχηματισμό δεδομένων (συνταγή DataBrew). Και εδώ, θα δημιουργήσουμε δύο έργα DataBrew, για τιμή μετοχής στο τέλος της ημέρας και βραχυπρόθεσμο ενδιαφέρον S3.

Δημιουργήστε τις συνταγές DataBrew: Στο DataBrew, α συνταγή είναι ένα σύνολο βημάτων μετασχηματισμού δεδομένων. Μπορείτε να εφαρμόσετε αυτά τα βήματα στο σύνολο δεδομένων σας. Για την περίπτωση χρήσης, θα δημιουργήσουμε δύο μετασχηματισμούς. Το πρώτο θα αλλάξει τη μορφή της στήλης χρονικής σήμανσης τιμής μετοχής τέλους ημέρας, έτσι ώστε το σύνολο δεδομένων να μπορεί να ενωθεί με το βραχυπρόθεσμο ενδιαφέρον S3:

Ο δεύτερος μετασχηματισμός επιμελείται τα δεδομένα και το τελευταίο του βήμα διασφαλίζει ότι ενώνουμε τα σύνολα δεδομένων σε ένα ενιαίο επιλεγμένο σύνολο δεδομένων. Για περισσότερες λεπτομέρειες σχετικά με τη δημιουργία συνταγών μετασχηματισμού δεδομένων, ανατρέξτε σε αυτό blog.

Εργασίες DataBrew: Μετά τη δημιουργία των συνταγών DataBrew, μπορείτε να εκτελέσετε πρώτα την εργασία DataBrew τιμής μετοχής στο τέλος της ημέρας ακολουθούμενη από τη συνταγή σύντομου ενδιαφέροντος S3. Ανατρέξτε σε αυτό blog για να δημιουργήσετε ένα ενιαίο ενοποιημένο σύνολο δεδομένων. Αποθηκεύστε το τελικό επιλεγμένο σύνολο δεδομένων σε έναν κάδο S3.

Η ροή εργασιών μηχανικής δεδομένων από άκρο σε άκρο θα μοιάζει με αυτό:

Εκμάθηση μηχανών

Με το επιμελημένο σύνολο δεδομένων που δημιουργήθηκε μετά τη μηχανική δεδομένων, μπορείτε να χρησιμοποιήσετε Καμβάς Amazon SageMaker για να δημιουργήσετε το μοντέλο πρόβλεψής σας και να αναλύσετε τον αντίκτυπο των χαρακτηριστικών στην πρόβλεψη. Καμβάς Amazon SageMaker παρέχει στους επιχειρησιακούς χρήστες μια οπτική διεπαφή point-and-click που τους επιτρέπει να δημιουργούν μοντέλα και να δημιουργούν ακριβείς προβλέψεις ML μόνοι τους—χωρίς να απαιτείται εμπειρία ML ή να χρειάζεται να γράψουν ούτε μια γραμμή κώδικα.

Για να δημιουργήσετε ένα μοντέλο πρόβλεψης χρονοσειρών στον καμβά Amazon SageMaker, ακολουθήστε τα παρακάτω βήματα. Για λεπτομερείς πληροφορίες, ανατρέξτε σε αυτό blog:

1. Επιλέξτε το επιλεγμένο σύνολο δεδομένων στον καμβά SageMaker.
2. Δημιουργήστε το μοντέλο πρόβλεψης χρονοσειρών.
3. Αναλύστε τα αποτελέσματα και τη σημασία των χαρακτηριστικών.

Δημιουργήστε το μοντέλο πρόβλεψης χρονοσειρών: Αφού επιλέξετε το σύνολο δεδομένων, επιλέξτε τη στήλη-στόχο που θα προβλεφθεί. Στην περίπτωσή μας, αυτή θα είναι η τιμή κλεισίματος της μετοχής. Το SageMaker Canvas εντοπίζει αυτόματα ότι πρόκειται για δήλωση προβλήματος πρόβλεψης χρονοσειρών.

Θα πρέπει να διαμορφώσετε το μοντέλο ως εξής για την πρόβλεψη χρονοσειρών. Για το αναγνωριστικό στοιχείου, επιλέξτε το όνομα του δείκτη μετοχής. Θυμηθείτε ότι το σύνολο δεδομένων μας έχει τιμές μετοχών για τις 10 κορυφαίες μετοχές. Επιλέξτε τη στήλη χρονικής σήμανσης για τη χρονική σήμανση και, τέλος, εισαγάγετε τον αριθμό των ημερών που θέλετε να προβλέψετε στο μέλλον [Ορίζοντας πρόβλεψης].

Τώρα είστε έτοιμοι να φτιάξετε το μοντέλο. Το SageMaker Canvas παρέχει δύο επιλογές για τη δημιουργία του μοντέλου: Quick Build και Standard Build. Στην περίπτωσή μας, θα χρησιμοποιήσουμε το "Standard Build".

Το Standard Build διαρκεί περίπου τρεις ώρες για την κατασκευή του μοντέλου και τις χρήσεις Πρόβλεψη του Αμαζονίου, μια υπηρεσία πρόβλεψης χρονοσειρών που βασίζεται στο ML ως την υποκείμενη μηχανή πρόβλεψης. Το Forecast δημιουργεί εξαιρετικά ακριβείς προβλέψεις μέσω της συνομοίωσης μοντέλων παραδοσιακών και μοντέλων βαθιάς μάθησης χωρίς να απαιτείται εμπειρία ML.

Μόλις κατασκευαστεί το μοντέλο, μπορείτε τώρα να ελέγξετε την απόδοση του μοντέλου (ακρίβεια πρόβλεψης) και τη σημασία των χαρακτηριστικών. Όπως φαίνεται από το παρακάτω σχήμα, το μοντέλο προσδιορίζει το Crowding και το DaysToCover10Day ως τα δύο κορυφαία χαρακτηριστικά που οδηγούν τις τιμές πρόβλεψης. Αυτό είναι σύμφωνο με τη διαίσθηση της αγοράς μας, καθώς ο συνωστισμός είναι ένας δείκτης ορμής που μετρά τις καθημερινές βραχυκυκλώσεις και καλύπτει γεγονότα, και το βραχυπρόθεσμο βραχυπρόθεσμο επιτόκιο είναι ένα μέτρο ρευστότητας, που δείχνει πώς τοποθετούνται οι επενδυτές σε μια μετοχή. Τόσο η δυναμική όσο και η ρευστότητα μπορούν να οδηγήσουν στην αστάθεια των τιμών.

Αυτό το αποτέλεσμα υποδεικνύει ότι αυτά τα δύο χαρακτηριστικά (ή πεδία) έχουν στενή σχέση με τις κινήσεις των τιμών των μετοχών και μπορούν να τεθούν σε υψηλότερη προτεραιότητα για ενσωμάτωση και περαιτέρω ανάλυση.

Επιχειρηματική ευφυΐα

Στο πλαίσιο της πρόβλεψης χρονοσειρών, η έννοια του backtesting αναφέρεται στη διαδικασία αξιολόγησης της ακρίβειας μιας μεθόδου πρόβλεψης χρησιμοποιώντας υπάρχοντα ιστορικά δεδομένα. Η διαδικασία είναι τυπικά επαναληπτική και επαναλαμβάνεται σε πολλές ημερομηνίες που υπάρχουν στα ιστορικά δεδομένα.

Όπως έχουμε ήδη συζητήσει, το SageMaker Canvas χρησιμοποιεί το Amazon Forecast ως μηχανή για την πρόβλεψη χρονοσειρών. Το Forecast δημιουργεί ένα backtest ως μέρος της διαδικασίας δημιουργίας μοντέλου. Μπορείτε πλέον να προβάλετε τις λεπτομέρειες του προγνωστικού μέσου πραγματοποιώντας είσοδο στο Amazon Forecast. Για βαθύτερη κατανόηση της δυνατότητας επεξήγησης του μοντέλου, ανατρέξτε σε αυτό blog.

Το Amazon Forecast παρέχει πρόσθετες λεπτομέρειες σχετικά με τις μετρήσεις πρόβλεψης, όπως το σταθμισμένο απόλυτο ποσοστό σφάλματος (WAPE), το ριζικό μέσο τετραγωνικό σφάλμα (RMSE), το μέσο απόλυτο ποσοστό σφάλματος (MAPE) και το μέσο απόλυτο σφάλμα κλίμακας (MASE). Μπορείτε να εξάγετε βαθμολογίες ποιότητας πρόβλεψης από το Amazon Forecast.

Το Amazon Forecast εκτελεί ένα backtest για το παρεχόμενο σύνολο δεδομένων χρονοσειράς. Τα αποτελέσματα του backtest είναι διαθέσιμα για λήψη χρησιμοποιώντας το Εξαγωγή αποτελεσμάτων δοκιμής κουμπί. Τα εξαγόμενα αποτελέσματα του backtest μεταφορτώνονται σε έναν κάδο S3.

Τώρα θα σχεδιάσουμε τα αποτελέσματα backtest στο Amazon QuickSight. Για να οπτικοποιήσετε τα αποτελέσματα του backtest στο Amazon QuickSight, συνδεθείτε στο σύνολο δεδομένων στο Amazon S3 από το QuickSight και δημιουργήστε μια οπτικοποίηση.

εκκαθάριση

Οι υπηρεσίες AWS που αξιοποιούνται σε αυτήν τη λύση είναι διαχειριζόμενες και χωρίς διακομιστή. Το SageMaker Canvas έχει σχεδιαστεί για να εκτελεί μακροχρόνια εκπαίδευση ML και θα είναι πάντα ενεργό. Βεβαιωθείτε ότι έχετε αποσυνδεθεί ρητά από το SageMaker Canvas. Παρακαλώ αναφερθείτε σε τα έγγραφα Για περισσότερες πληροφορίες.

Συμπέρασμα

Σε αυτήν την ανάρτηση ιστολογίου, συζητήσαμε πώς, ως θεσμικός διαχειριστής περιουσιακών στοιχείων, μπορείτε να αξιοποιήσετε δεδομένα και υπηρεσίες τεχνητής νοημοσύνης χαμηλού κώδικα AWS χωρίς κώδικα (LCNC) για να επιταχύνετε την αξιολόγηση εξωτερικών συνόλων δεδομένων μεταφορτώνοντας την αρχική εξέταση δεδομένων σε μη τεχνικό προσωπικό. Αυτή η ανάλυση πρώτης διέλευσης μπορεί να γίνει γρήγορα για να σας βοηθήσει να αποφασίσετε ποια σύνολα δεδομένων πρέπει να έχουν προτεραιότητα για ενσωμάτωση και περαιτέρω ανάλυση.

Δείξαμε βήμα προς βήμα πώς ένας αναλυτής δεδομένων μπορεί να αποκτήσει νέα δεδομένα τρίτων μέσω του AWS Data Exchange , να χρησιμοποιήσει τις υπηρεσίες ETL χωρίς κώδικα AWS Glue DataBrew για την προεπεξεργασία δεδομένων και την αξιολόγηση των χαρακτηριστικών σε ένα σύνολο δεδομένων που έχουν τον μεγαλύτερο αντίκτυπο στην πρόβλεψη του μοντέλου .

Μόλις τα δεδομένα είναι έτοιμα για ανάλυση, ένας αναλυτής χρησιμοποιεί τον καμβά SageMaker για να δημιουργήσει ένα μοντέλο πρόβλεψης, να αξιολογήσει την εφαρμογή του και να εντοπίσει σημαντικά χαρακτηριστικά. Στο παράδειγμά μας, το MAPE (05) και το WAPE (045) του μοντέλου έδειξαν καλή τακτοποίηση και έδειξαν το "Crowding" και το "DaysToCover10Day" ως τα σήματα στο σύνολο δεδομένων με το μεγαλύτερο αντίκτυπο σε σχέση με την πρόβλεψη. Αυτή η ανάλυση ποσοτικοποίησε ποια δεδομένα επηρέασαν περισσότερο το μοντέλο και, επομένως, θα μπορούσε να δοθεί προτεραιότητα για περαιτέρω διερεύνηση και πιθανή συμπερίληψη στα σήματα άλφα ή στη διαδικασία διαχείρισης κινδύνου. Και εξίσου σημαντικό, οι βαθμολογίες επεξήγησης υποδεικνύουν ποια δεδομένα διαδραματίζουν σχετικά μικρό ρόλο στον προσδιορισμό της πρόβλεψης και επομένως μπορούν να αποτελέσουν χαμηλότερη προτεραιότητα για περαιτέρω έρευνα.

Για να αξιολογήσετε πιο γρήγορα την ικανότητα των οικονομικών δεδομένων τρίτων να υποστηρίζουν την επενδυτική σας διαδικασία, ανατρέξτε στο Πηγές δεδομένων Financial Services διαθέσιμες στο AWS Data Exchange, και δώστε DataBrew και καμβάς μια δοκιμή σήμερα.

---

Σχετικά με τους Συγγραφείς

Μπόρις Λίτβιν είναι ο Principal Solution Architect, υπεύθυνος για την καινοτομία στον κλάδο των Χρηματοοικονομικών Υπηρεσιών. Είναι πρώην ιδρυτής της Quant και της FinTech, παθιασμένος με τις συστηματικές επενδύσεις.

Meenakshisundaram Thandavarayan είναι Ανώτερος ειδικός AI/ML με AWS. Βοηθά στρατηγικούς λογαριασμούς υψηλής τεχνολογίας στο ταξίδι τους σε AI και ML. Είναι πολύ παθιασμένος με την τεχνητή νοημοσύνη που βασίζεται σε δεδομένα.

Καμίλο Ανανία είναι Senior Startup Solutions Architect με AWS με έδρα το Ηνωμένο Βασίλειο. Είναι ένας παθιασμένος τεχνολόγος που βοηθά startups οποιουδήποτε μεγέθους να χτίσουν και να αναπτυχθούν.

Νταν Σινράιχ είναι Διευθυντής Προϊόντων Sr. με AWS, που επικεντρώνεται στην ενδυνάμωση των εταιρειών να λαμβάνουν καλύτερες αποφάσεις με την ML. Παλαιότερα κατασκεύασε πλατφόρμες ανάλυσης χαρτοφυλακίου και μοντέλα κινδύνου πολλαπλών περιουσιακών στοιχείων για μεγάλους θεσμικούς επενδυτές.