Kiirendage investeerimisprotsessi AWS Low Code-No Code teenustega

Viimastel aastatel on toimunud tohutu paradigma muutus selles, kuidas institutsionaalsed varahaldurid hangivad ja integreerivad oma investeerimisprotsessi mitut andmeallikat. Riskikorrelatsioonide sagedaste muutuste, ootamatute volatiilsuse allikate ja passiivsetest strateegiatest tuleneva konkurentsi suurenemise tõttu kasutavad varahaldurid konkurentsieelise saavutamiseks ja riskiga kohandatud tulude parandamiseks laiemat hulka kolmandate osapoolte andmeallikaid. Mitmest andmeallikast kasu hankimise protsess võib aga olla äärmiselt keeruline. Varahaldurite andmetehnika meeskonnad on andmete hankimise ja eeltöötlusega ülekoormatud, samas kui andmeteaduse meeskonnad kaevandavad andmeid investeeringute jaoks.

Kolmanda osapoole või alternatiivsed andmed viitavad investeerimisprotsessis kasutatavatele andmetele, mis on pärit väljaspool traditsioonilisi turuandmete pakkujaid. Institutsionaalsed investorid täiendavad sageli oma traditsioonilisi andmeallikaid kolmandate isikute või alternatiivsete andmetega, et saada oma investeerimisprotsessis eelist. Tavaliselt tsiteeritud näidete hulka kuuluvad, kuid mitte ainult, satelliitpildistamine, krediitkaardiandmed ja sotsiaalmeedia tunded. Fondijuhid investeerivad igal aastal välistesse andmekogudesse ligi 3 miljardit dollarit, kusjuures aastased kulutused kasvavad 20–30 protsenti.

Saadaolevate kolmandate osapoolte ja alternatiivsete andmekogumite eksponentsiaalse kasvuga on võimalus kiiresti analüüsida, kas uus andmestik lisab uusi investeeringute teadmisi, investeeringute haldamise sektoris konkurentsivõimeliseks eristajaks. AWS-i koodita madala koodiga (LCNC) andmed ja AI-teenused võimaldavad mittetehnilistel meeskondadel teha esialgset andmete sõelumist, seada prioriteediks andmete sisestamine, kiirendada ülevaate saamiseks kuluvat aega ja vabastada väärtuslikke tehnilisi ressursse – luues püsiva konkurentsieelise.

Selles ajaveebi postituses arutame, kuidas saate institutsionaalse varahaldurina kasutada AWS LCNC andmeid ja tehisintellekti teenuseid, et laiendada esialgset andmete analüüsi ja prioriteetide seadmise protsessi tehnilistest meeskondadest kaugemale ning kiirendada teie otsuste tegemist. AWS LCNC teenustega saate kiiresti tellida ja hinnata erinevaid kolmandate osapoolte andmekogumeid, eeltöödelda andmeid ja kontrollida nende ennustusvõimet masinõppe (ML) mudelite abil ilma ühtki koodijuppi kirjutamata.

Lahenduse ülevaade

Meie kasutusjuhtum on analüüsida välise andmestiku aktsiahinna ennustamisvõimet ja tuvastada selle funktsioonide tähtsus – millised väljad mõjutavad aktsiahinna jõudlust kõige rohkem. See toimib esmase läbimise testina, et teha kindlaks, millist andmestiku mitmest väljast tuleks traditsiooniliste kvantitatiivsete metoodikate abil täpsemalt hinnata, et see sobiks teie investeerimisprotsessiga. Seda tüüpi esmase läbimise testi saavad analüütikud kiiresti teha, säästes aega ja võimaldades teil andmekogumi kasutuselevõttu kiiremini prioritiseerida. Samal ajal, kui kasutame sihtnäitena aktsiahinda, võib kasutada ka muid mõõdikuid, nagu kasumlikkus, hindamissuhted või kauplemismahud. Kõik selle kasutusjuhtumi jaoks kasutatud andmestikud on avaldatud keeles AWS-i andmevahetus.

Järgmine diagramm selgitab täielikku arhitektuuri ja AWS LCNC teenuseid, mida kasutatakse otsuste tegemiseks.

Meie lahendus koosneb järgmistest sammudest ja lahendustest:

1. Andmete sissevõtmine: AWS-i andmevahetus avaldatud alternatiivsete andmekogumite tellimiseks ja nende allalaadimiseks Amazoni lihtne salvestusteenus (Amazon S3) kopp.
2. Andmetöötlus: AWS Glue DataBrew andmetöötluseks ja Amazon S3-sse salvestatud andmete teisendamiseks.
3. Masinõpe: Amazon SageMakeri lõuend prognoosimiseks aegridade prognoosimudeli koostamiseks ja andmete mõju prognoosile tuvastamiseks.
4. Ärianalüüs: Amazon QuickSight või Amazon SageMaker Canvas, et vaadata üle funktsioonide tähtsus prognooside jaoks otsuste tegemisel.

Andmete sissevõtmine

AWS-i andmevahetus muudab pilves kolmanda osapoole andmete leidmise, tellimise ja kasutamise lihtsaks. Saate sirvida AWS-i andmevahetuse kataloogi ja leida andmetooteid, mis on teie ettevõtte ja tellima teenusepakkujate andmetele ilma täiendava töötlemiseta ja ETL-i protsessi pole vaja. Pange tähele, et paljud pakkujad pakuvad tasuta esmaseid tellimusi, mis võimaldavad teil oma andmeid analüüsida ilma, et peaksite esmalt tasuma.

Sel juhul otsige ja tellige AWS-i andmevahetuses järgmised andmekogumid:

• 20-aastased päevalõpu aktsiaandmed 10 parima USA ettevõtte kohta turukapitali järgi avaldatud Alpha Vantage. See tasuta andmekogum sisaldab 20. septembril 10 5. aasta 2020. septembril 10. aasta turukapitalisatsiooni järgi XNUMX aasta ajaloolisi andmeid XNUMX suurima USA aktsia kohta. Andmekogum sisaldab järgmist XNUMX sümbolit – AAPL: Apple Inc.; AMZN: Amazon.com, Inc.; BRK-A: Berkshire Hathaway Inc. (A-klass); FB: Facebook, Inc.; GOOG: Alphabet Inc.; JNJ: Johnson & Johnson; MA: Mastercard Incorporated; MSFT: Microsoft Corporation V: Visa Inc.; ja WMT: Walmart Inc.
• Peamised andmeväljad hõlmavad
  • Avatud: päevane avahind
  • Kõrge: päeva kõrgeim hind
  • Madal: päevane madal hind
  • Sulgemine: päevane sulgemishind
  • Maht: päeva kauplemismaht
  • Korrigeeritud sulgemine: jagatud ja dividendidega korrigeeritud päeva sulgemishind
  • Split Ratio: uute ja vanade aktsiate arvu suhe jõustumiskuupäeval
  • Dividend: rahalise dividendi väljamakse summa
• S3 Lühikeste intresside ja väärtpaberite finantseerimise andmed avaldatud S3 partnerid. See andmekogum sisaldab järgmisi välju:

Väli	Kirjeldus
Ärikuupäev	Kursi jõustumise kuupäev
Turvatunnused	Turvaidentifikaatorid sisaldavad Sedol, ISIN, FIGI, Ticker, Bloomberg ID
Nimi	Väärtpaberi nimi
Pakkumise määr	Turu komposiitfinantseerimise tasu, mida makstakse olemasolevate lühikeste positsioonide eest
Pakkumise määr	Turu kombineeritud laenutasu, mis on teenitud pikkade omanike poolt laenutatud olemasolevate aktsiate eest
Viimane määr	Sel kuupäeval laenatud täiendavate aktsiate eest teenitud turu kombineeritud laenutasu (hetkemäär)
Rahvarohkus	Hoogunäitaja mõõdab igapäevast lühikeseks jäämist ja katvaid sündmusi võrreldes turu ujuvajaga
Lühike huvi	Reaalajas lühiintress, mida väljendatakse aktsiate arvus
Lühihuvi Notional	Lühiintress * Hind (USD)
ShortInterestPct	Reaalajas lühiintress, mis on väljendatud protsendina omakapitali ujuvast väärtusest
S3 Float	Kaubeldavate aktsiate arv, sealhulgas lühikeseks müümisel tekkinud sünteetilised pikad aktsiad
S3SIPctFloat	Reaalajas lühikese intressiprognoos jagatud S3 ujukiga
Indikatiivne Saadavus	S3 prognoositav saadaolev laenatav kogus
Kasutamine	Reaalajas lühike intress jagatud laenutatava kogupakkumisega
DaystoCover10 Day	See on likviidsusmõõt = lühike intress / 10 päeva keskmine ADTV
DaystoCover30 Day	See on likviidsusmõõt = lühike intress / 30 päeva keskmine ADTV
DaystoCover90 Day	See on likviidsusmõõt = lühike intress / 90 päeva keskmine ADTV
Algne SI	Lühiajaline intress

Andmete hankimiseks peate esmalt otsima AWS-i andmevahetuses andmestikku ja tellima andmestiku:

Kui andmekogumite väljaandja on teie tellimistaotlused heaks kiitnud, on teil saadaval andmestikud, mis saate oma S3 ämbrisse alla laadida.

valima Lisage töö automaatse ekspordi sihtkoht, esitage S3 ämbri üksikasjad ja laadige alla andmestik:

Alpha Vantage'i andmestiku hankimiseks korrake samme. Kui olete lõpetanud, on mõlemad andmestikud teie S3 ämbris.

Andmetehnika

Kui andmestik on teie S3 ämbrites, saate seda kasutada AWS Glue DataBrew andmete teisendamiseks. AWS Glue DataBrew pakub enam kui 350 eelehitatud teisendust, et automatiseerida andmete ettevalmistamise ülesandeid (nt anomaaliate filtreerimine, vormingute standardimine ja kehtetute väärtuste parandamine), mis muidu nõuaksid päevi või nädalaid käsitsi kodeeritud teisenduste kirjutamist.

Konsolideeritud kureeritud andmekogumi loomiseks AWS DataBrew's prognoosimiseks tehke alltoodud toimingud. Üksikasjaliku teabe saamiseks vaadake seda blogi.

1. Looge DataBrew' andmestikud.
2. Laadige DataBrewi andmestikud DataBrew projektidesse.
3. Koostage DataBrew retseptid.
4. Käivitage DataBrew tööd.

Looge DataBrew' andmekogusid: AWS Glue DataBrew's a andmestik tähistab andmeid, mis laaditakse üles S3 ämbrist. Loome kaks DataBrew andmestikku – nii päevalõpu aktsiahinna kui ka S3 lühikese intressi jaoks. Andmestiku loomisel sisestate S3 ühenduse üksikasjad ainult üks kord. Sellest hetkest alates pääseb DataBrew teie eest aluseks olevatele andmetele juurde.

Laadige DataBrewi andmestikud DataBrew projektidesse: AWS Glue DataBrew's a projekt on teie andmete analüüsi ja ümberkujundamise jõupingutuste keskpunkt. DataBrew projekt koondab DataBrew andmestikud ja võimaldab teil arendada andmete teisendust (DataBrew retsept). Siingi loome kaks DataBrew projekti päevalõpu aktsiahinna ja S3 lühikese intressi jaoks.

Koostage DataBrew retseptid: DataBrewis a retsept on andmete teisendamise etappide kogum. Saate neid samme oma andmestikule rakendada. Kasutusjuhtumi jaoks ehitame kaks teisendust. Esimene muudab aktsiahinna päevalõpu ajatempli veeru vormingut nii, et andmestikku saab ühendada S3 lühikese intressiga:

Teine teisendus kureerib andmed ja selle viimane samm tagab, et ühendame andmekogumid üheks kureeritud andmekogumiks. Lisateavet hoone andmete teisendamise retseptide kohta leiate siit blogi.

DataBrew töökohti: Pärast DataBrew retseptide loomist saate esmalt käivitada päeva lõpu aktsiahinna DataBrew töö, millele järgneb S3 lühikese intressiga retsept. Vaadake seda blogi ühe koondandmestiku loomiseks. Salvestage lõplik kureeritud andmekogum S3 ämbrisse.

Täielik andmetöötluse töövoog näeb välja järgmine:

Masinõpe

Pärast andmetöötlust loodud kureeritud andmekogumit saate kasutada Amazon SageMakeri lõuend prognoosimudeli loomiseks ja funktsioonide mõju analüüsiks prognoosile. Amazon SageMakeri lõuend pakub ärikasutajatele visuaalset point-and-click liidest, mis võimaldab neil iseseisvalt mudeleid luua ja täpseid ML-ennustusi genereerida, ilma et oleks vaja ML-i kogemust või kirjutada ühte koodirida.

Amazon SageMaker Canvasis aegridade prognoosimudeli loomiseks järgige alltoodud samme. Üksikasjaliku teabe saamiseks vaadake seda blogi:

1. Valige SageMaker Canvasis kureeritud andmestik.
2. Looge aegridade prognoosimudel.
3. Analüüsige tulemusi ja funktsioonide tähtsust.

Looge aegridade prognoosimudel: kui olete andmestiku valinud, valige prognoositav sihtveerg. Meie puhul on selleks aktsiatickeri sulgemishind. SageMaker Canvas tuvastab automaatselt, et see on aegridade prognoosimise probleemiavaldus.

Aegridade prognoosimiseks peate mudeli konfigureerima järgmiselt. Kauba ID jaoks valige börsimärgi nimi. Pidage meeles, et meie andmekogus on 10 parima aktsia börsikursihinnad. Valige ajatempli jaoks ajatempli veerg ja lõpuks sisestage päevade arv, mida soovite tulevikus prognoosida [Forecast Horizon].

Nüüd olete mudeli ehitamiseks valmis. SageMaker Canvas pakub mudeli koostamiseks kahte võimalust: Quick Build ja Standard Build. Meie puhul kasutame "Standard Build".

Standardne koostamine võtab mudeli ja kasutusviiside ehitamiseks aega umbes kolm tundi Amazoni prognoos, aegridade prognoosimisteenus, mis põhineb prognoosimismootorina ML-il. Prognoos loob väga täpseid prognoose traditsiooniliste ja süvaõppemudelite mudelite kogumise kaudu, ilma et oleks vaja ML kogemust.

Kui mudel on ehitatud, saate nüüd vaadata mudeli jõudlust (ennustuse täpsust) ja funktsioonide tähtsust. Nagu allolevalt jooniselt näha, määratleb mudel Crowding ja DaysToCover10Day kui kaks peamist prognoosiväärtust määravat funktsiooni. See on kooskõlas meie turuintuitsiooniga, kuna rahvahulk on impulsi indikaator, mis mõõdab igapäevast lühikeseks jäämist ja katab sündmusi, ning lühiajaline lühiintress on likviidsusnäitaja, mis näitab investorite positsioneerimist aktsias. Nii hoog kui ka likviidsus võivad põhjustada hindade volatiilsust.

See tulemus näitab, et neil kahel funktsioonil (või väljal) on tihe seos aktsiahindade liikumistega ja neid saab kasutuselevõtuks ja edasiseks analüüsiks eelistada.

Äriteave

Aegridade prognoosimise kontekstis kasutatakse mõistet backtesting viitab prognoosimeetodi täpsuse hindamise protsessile, kasutades olemasolevaid ajaloolisi andmeid. Protsess on tavaliselt iteratiivne ja kordub mitme ajaloolistes andmetes esineva kuupäeva jooksul.

Nagu me juba arutasime, kasutab SageMaker Canvas aegridade prognoosimise mootorina Amazon Forecasti. Prognoos loob mudeli koostamise protsessi osana tagasitesti. Nüüd saate ennustaja üksikasju vaadata, logides sisse Amazon Forecasti. Mudeli seletatavuse sukeldumise sügavamaks mõistmiseks vaadake seda blogi.

Amazon Forecast pakub täiendavaid üksikasju ennustamismõõdikute kohta, nagu kaalutud absoluutne protsendiviga (WAPE), ruutkeskmine viga (RMSE), keskmine absoluutprotsendiline viga (MAPE) ja keskmine absoluutne skaleeritud viga (MASE). Ennustajate kvaliteediskoore saate eksportida Amazon Forecastist.

Amazon Forecast käivitab esitatud aegridade andmestiku jaoks ühe tagasitesti. Tagasitesti tulemused on allalaadimiseks saadaval kasutades Ekspordi tagasitesti tulemused nuppu. Eksporditud tagasitesti tulemused laaditakse alla S3 ämbrisse.

Nüüd joonistame tagasitesti tulemused Amazon QuickSightis. Amazon QuickSighti tagasitesti tulemuste visualiseerimiseks looge QuickSighti kaudu ühendus Amazon S3 andmestikuga ja looge visualiseering.

Koristage

Selles lahenduses kasutatavad AWS-teenused on oma olemuselt hallatavad ja serverivabad. SageMaker Canvas on loodud pikkade jooksvate ML-treeningu läbiviimiseks ja on alati sees. Veenduge, et logiksite SageMaker Canvasest selgelt välja. Palun viita dokumendid rohkem üksikasju.

Järeldus

Selles ajaveebipostituses arutasime, kuidas saate institutsionaalse varahaldurina kasutada AWS-i madala koodikoodita (LCNC) andmeid ja tehisintellekti teenuseid, et kiirendada väliste andmekogumite hindamist, laadides esialgse andmekogumi sõelumise mittetehnilistele töötajatele. Selle esmase analüüsi saab teha kiiresti, et aidata teil otsustada, millised andmestikud tuleks kasutuselevõtuks ja edasiseks analüüsiks eelistada.

Näitasime samm-sammult, kuidas andmeanalüütik saab AWS-i andmevahetuse kaudu hankida uusi kolmanda osapoole andmeid, kasutada andmete eeltöötlemiseks AWS Glue DataBrew koodita ETL-teenuseid ja hinnata, millised andmestiku funktsioonid mõjutavad mudeli prognoosi kõige rohkem. .

Kui andmed on analüüsiks valmis, kasutab analüütik SageMaker Canvast ennustava mudeli koostamiseks, selle sobivuse hindamiseks ja oluliste funktsioonide tuvastamiseks. Meie näites näitasid mudeli MAPE (.05) ja WAPE (.045) head sobivust ning näitasid „Crowding” ja „DaysToCover10Day” andmestiku signaalidena, millel on prognoosile suurim mõju. See analüüs kvantifitseeris, millised andmed mudelit kõige enam mõjutasid ja seetõttu võiks neid edasiseks uurimiseks ja teie alfa-signaalidesse või riskijuhtimisprotsessi potentsiaalseks kaasamiseks eelistada. Ja sama oluline on see, et seletatavusskoorid näitavad, millised andmed mängivad prognoosi määramisel suhteliselt vähe rolli ja võivad seetõttu olla edasise uurimise jaoks madalama prioriteediga.

Kolmanda osapoole finantsandmete võimekuse kiiremaks hindamiseks teie investeerimisprotsessi toetamiseks vaadake üle Finantsteenuste andmeallikad, mis on saadaval AWS-i andmevahetuses, ja anna DataBrew ja Lõuend proovi täna.

---

Autoritest

Boriss Litvin on peamine lahendusarhitekt, kes vastutab finantsteenuste sektori innovatsiooni eest. Ta on endine Quanti ja FinTechi asutaja, kes on kirglik süstemaatilise investeerimise vastu.

Meenakshisundaram Thandavarayan on AWS-iga AI/ML vanemspetsialist. Ta aitab kõrgtehnoloogilisi strateegilisi kontosid nende AI ja ML teekonnal. Ta on väga kirglik andmepõhise AI vastu.

Camillo Anania on Ühendkuningriigis asuv AWS-iga startup-lahenduste vanemarhitekt. Ta on kirglik tehnoloog, kes aitab igas suuruses idufirmadel üles ehitada ja kasvada.

Dan Sinnreich on AWS-i vanem tootejuht, kelle eesmärk on anda ettevõtetele võimalus teha ML-iga paremaid otsuseid. Varem ehitas ta suurtele institutsionaalsetele investoritele portfelli analüüsiplatvorme ja mitme varaklassi riskimudeleid.