Gyorsítsa fel a befektetési folyamatot az AWS Low Code-No Code szolgáltatásokkal

Az elmúlt néhány évben óriási paradigmaváltás ment végbe abban, hogy az intézményi vagyonkezelők hogyan szereznek be és integrálnak több adatforrást befektetési folyamataikba. A kockázati összefüggések gyakori eltolódása, a volatilitás váratlan forrásai és a passzív stratégiák miatti növekvő verseny miatt az eszközkezelők harmadik féltől származó adatforrások szélesebb körét alkalmazzák, hogy versenyelőnyt szerezzenek és javítsák a kockázattal kiigazított hozamot. A több adatforrásból származó előnyök kinyerésének folyamata azonban rendkívül nagy kihívást jelenthet. Az eszközkezelők adatmérnöki csapatai túlterheltek az adatgyűjtéssel és az előfeldolgozással, míg az adattudományi csapatok adatokat bányásznak a befektetési betekintés érdekében.

A harmadik féltől származó vagy alternatív adatok a befektetési folyamat során felhasznált, a hagyományos piaci adatszolgáltatókon kívülről származó adatokra vonatkoznak. Az intézményi befektetők gyakran bővítik hagyományos adatforrásaikat harmadik féltől származó vagy alternatív adatokkal, hogy előnyt szerezzenek befektetési folyamatukban. A tipikusan idézett példák közé tartozik, de nem kizárólagosan, a műholdas képalkotás, a hitelkártyaadatok és a közösségi média hangulata. Az alapkezelők évente közel 3 milliárd dollárt fektetnek be külső adatkészletekbe, és az éves kiadások 20-30 százalékkal nőnek.

A rendelkezésre álló harmadik féltől származó és alternatív adatkészletek exponenciális növekedésével az a képesség, hogy gyorsan elemezhető, hogy egy új adatkészlet hozzáad-e új befektetési betekintést, versenyképes megkülönböztető tényező a befektetéskezelési ágazatban. Az AWS kód nélküli alacsony kódú (LCNC) adatok és mesterséges intelligencia szolgáltatások lehetővé teszik a nem műszaki csapatok számára, hogy elvégezzék a kezdeti adatszűrést, priorizálják az adatok beépítését, felgyorsítsák a betekintéshez szükséges időt, és értékes technikai erőforrásokat szabadítanak fel – ezzel tartós versenyelőnyt teremtve.

Ebben a blogbejegyzésben megvitatjuk, hogyan használhatja intézményi eszközkezelőként az AWS LCNC-adatokat és az AI-szolgáltatásokat a kezdeti adatelemzési és rangsorolási folyamat túlméretezése érdekében a műszaki csapatokon túl, és felgyorsíthatja a döntéshozatalt. Az AWS LCNC szolgáltatásokkal gyorsan előfizethet és kiértékelhet különféle harmadik féltől származó adatkészleteket, előfeldolgozhat adatokat, és ellenőrizheti azok prediktív erejét gépi tanulási (ML) modellek segítségével anélkül, hogy egyetlen kódrészletet is meg kellene írnia.

Megoldás áttekintése

Felhasználási esetünk egy külső adatkészlet részvényár-előrejelző képességének elemzése, és a jellemzők fontosságának azonosítása – mely mezők befolyásolják leginkább a részvényárfolyam teljesítményét. Ez egy első lépéses tesztként szolgál annak meghatározására, hogy egy adatkészlet több mezője közül melyiket kell alaposabban értékelni a hagyományos kvantitatív módszerek segítségével, hogy illeszkedjen a befektetési folyamathoz. Az ilyen típusú első lépéses tesztet az elemzők gyorsan elvégezhetik, így időt takaríthat meg, és gyorsabban rangsorolhatja az adatkészletek beépítését. Ezenkívül, miközben a részvényárfolyamot használjuk célpéldaként, más mérőszámok is használhatók, mint például a jövedelmezőség, az értékelési arányok vagy a kereskedési volumen. Az ehhez a használati esethez használt összes adatkészlet a következő nyelven került közzétételre: AWS adatcsere.

A következő diagram bemutatja a végpontok közötti architektúrát és a döntések meghozatalához használt AWS LCNC szolgáltatásokat:

Megoldásunk a következő lépésekből és megoldásokból áll:

1. Adatbevitel: AWS Data Exchange a közzétett alternatív adatkészletekre való feliratkozáshoz és a Amazon egyszerű tárolási szolgáltatás (Amazon S3) vödör.
2. Adatkezelés: AWS ragasztó DataBrew adatkezeléshez és az Amazon S3-ban tárolt adatok átalakításához.
3. Gépi tanulás: Amazon SageMaker Canvas idősoros előrejelzési modell felépítéséhez az előrejelzéshez és az adatok előrejelzésre gyakorolt ​​hatásának azonosításához.
4. Üzleti intelligencia: Amazon QuickSight vagy az Amazon SageMaker Canvas, hogy áttekintse a funkció fontosságát az előrejelzésben a döntéshozatalhoz.

Adatbevitel

AWS adatcsere megkönnyíti a harmadik féltől származó adatok megtalálását, előfizetését és felhasználását a felhőben. Böngészhet az AWS Data Exchange katalógusában, és megtalálhatja a vállalkozása szempontjából releváns adattermékeket Iratkozz fel a szolgáltatóktól származó adatokhoz további feldolgozás nélkül, és nincs szükség ETL folyamatra. Vegye figyelembe, hogy sok szolgáltató ingyenes kezdeti előfizetést kínál, amely lehetővé teszi adatainak elemzését anélkül, hogy előzetes költségeket kellene fizetnie.

Ebben az esetben keresse meg és iratkozzon fel az alábbi adatkészletekre az AWS Data Exchange szolgáltatásban:

• 20 év végi tőzsdei adatok a 10 legjobb amerikai vállalatról piaci kapitalizáció szerint kiadta Alpha Vantage. Ez az ingyenes adatkészlet 20 év történeti adatait tartalmazza a 10. szeptember 5-i állapot szerint a 2020 legjobb amerikai részvényre vonatkozóan. Az adatkészlet a következő 10 szimbólumot tartalmazza: AAPL: Apple Inc.; AMZN: Amazon.com, Inc.; BRK-A: Berkshire Hathaway Inc. (A osztály); FB: Facebook, Inc.; GOOG: Alphabet Inc.; JNJ: Johnson & Johnson; MA: Mastercard Incorporated; MSFT: Microsoft Corporation V: Visa Inc.; és WMT: Walmart Inc.
• A legfontosabb adatmezők közé tartozik
  • Nyitva: aznapi kereskedés szerinti nyitóár
  • Magas: a kereskedés szerint magas napi ár
  • Alacsony: kereskedés szerinti alacsony ár aznap
  • Zárás: aznapi kereskedés szerinti záróár
  • Volumen: a napi kereskedési volumen
  • Adjusted Close: osztott és osztalékkorrigált napi záróár
  • Felosztási arány: az új és a régi részvények számának aránya a hatálybalépés napján
  • Osztalék: készpénzben kifizetett osztalék összege
• S3 Rövid kamat és értékpapír-finanszírozási adatok kiadta S3 partnerek. Ez az adatkészlet a következő mezőket tartalmazza:

Mező	Leírás
Üzleti dátum	Az árfolyam hatálybalépésének dátuma
Biztonsági azonosítók	A biztonsági azonosítók a következőket tartalmazzák: Sedol, ISIN, FIGI, Ticker, Bloomberg ID
Név	Biztonsági név
Ajánlati arány	Meglévő short pozíciók után fizetett piaci összetett finanszírozási díj
Ajánlati árfolyam	A hosszú tulajdonosok által kölcsönadott meglévő részvények után szerzett piaci összetett hitelezési díj
Utolsó árfolyam	Az adott napon kölcsönadott növekményes részvények után kapott piaci összetett hitelezési díj (azonnali kamatláb)
zsúfoltság	A lendületi mutató a napi shortolást és a fedezeti eseményeket méri a piaci lebegéshez viszonyítva
Rövid kamat	Valós idejű rövid kamat részvények számában kifejezve
ShortInterestNotional	Rövid kamat * Ár (USD)
ShortInterestPct	Valós idejű rövid kamat a részvény lebegtetésének százalékában kifejezve
S3 Float	A kereskedhető részvények száma, beleértve a shortolás során keletkezett szintetikus long részvényeket is
S3SIPctFloat	Valós idejű rövid kamat előrejelzés osztva az S3 float értékkel
Indikatív Elérhetőség	S3 tervezett rendelkezésre álló kölcsönözhető mennyiség
Hasznosítás	Valós idejű rövid kamat osztva a teljes kölcsönözhető kínálattal
DaystoCover10Day	Ez egy likviditási mérőszám = rövid kamat / 10 napos átlagos ADTV
DaystoCover30Day	Ez egy likviditási mérőszám = rövid kamat / 30 napos átlagos ADTV
DaystoCover90Day	Ez egy likviditási mérőszám = rövid kamat / 90 napos átlagos ADTV
Eredeti SI	Pontidőben rövid kamat

Az adatok beszerzéséhez először meg kell keresnie az adatkészletet az AWS Data Exchange szolgáltatásban, és elő kell fizetnie az adatkészletre:

Miután az adatkészletek kiadója jóváhagyja az előfizetési kérelmeit, elérhetővé válik az adatkészletek letöltése az S3 tárolójába:

választ Adja hozzá az automatikus exportálási feladat célhelyét, adja meg az S3 vödör adatait, és töltse le az adatkészletet:

Ismételje meg a lépéseket az Alpha Vantage adatkészlet beszerzéséhez. Miután elkészült, mindkét adatkészlet az S3 tárolójában lesz.

Adattechnika

Miután az adatkészlet az S3 tárolóiban van, használhatja AWS ragasztó DataBrew átalakítani az adatokat. Az AWS Glue DataBrew több mint 350 előre beépített transzformációt kínál az adat-előkészítési feladatok automatizálására (például anomáliák szűrésére, formátumok szabványosítására és érvénytelen értékek kijavítására), amelyek egyébként napokig vagy hetekig tartó, kézzel kódolt átalakításokat igényelnének.

Az AWS DataBrew-ban való előrejelzéshez konszolidált kurált adatkészlet létrehozásához hajtsa végre az alábbi lépéseket. Részletes információkért kérjük, tekintse meg ezt blog.

1. Hozza létre a DataBrew adatkészleteket.
2. Töltse be a DataBrew adatkészleteket a DataBrew projektekbe.
3. Készítse el a DataBrew recepteket.
4. Futtassa a DataBrew-feladatokat.

Hozzon létre DataBrew adatkészleteket: Az AWS Glue DataBrew programban a adatbázisba az S3 tárolóból feltöltött adatokat jelöli. Két DataBrew adatkészletet fogunk létrehozni – a nap végi részvényárfolyamhoz és az S3 short kamatokhoz egyaránt. Az adatkészlet létrehozásakor csak egyszer adja meg az S3 kapcsolat adatait. Ettől kezdve a DataBrew hozzáférhet az alapul szolgáló adatokhoz.

Töltse be a DataBrew adatkészleteket a DataBrew projektekbe: Az AWS Glue DataBrew programban a program az adatelemzési és -átalakítási erőfeszítéseinek központi eleme. A DataBrew projekt egyesíti a DataBrew adatkészleteket, és lehetővé teszi egy adatátalakítás (DataBrew recept) fejlesztését. Itt is két DataBrew projektet hozunk létre a nap végi részvényárfolyam és az S3 short kamat érdekében.

Készítse el a DataBrew recepteket: A DataBrew-ban a recept az adatátalakítási lépések halmaza. Ezeket a lépéseket alkalmazhatja adatkészletére. A használati esethez két transzformációt építünk. Az első megváltoztatja a nap végi részvényárfolyam időbélyegző oszlopának formátumát, hogy az adatkészlet az S3 rövid kamathoz kapcsolódjon:

A második átalakítás kurálja az adatokat, az utolsó lépése pedig biztosítja, hogy az adatkészleteket egyetlen kurált adatkészletbe egyesítsük. Az épületadatok átalakítási receptjeivel kapcsolatos további részletekért tekintse meg ezt blog.

DataBrew állások: A DataBrew receptek elkészítése után először a nap végi részvényárfolyam DataBrew feladatot futtathatja, majd az S3 rövid kamatozású receptet. Lásd erre blog egyetlen összevont adatkészlet létrehozásához. Mentse el a végleges kurált adatkészletet egy S3 tárolóba.

A végpontok közötti adatkezelési munkafolyamat így fog kinézni:

Gépi tanulás

Az adatkezelés után létrehozott kurált adatkészlettel használhatja Amazon SageMaker Canvas az előrejelzési modell felépítéséhez és a funkciók előrejelzésre gyakorolt ​​hatásának elemzéséhez. Amazon SageMaker Canvas vizuális point-and-click felületet biztosít az üzleti felhasználóknak, amely lehetővé teszi számukra, hogy önállóan modelleket építsenek és pontos ML előrejelzéseket generáljanak – anélkül, hogy bármilyen ML-tapasztalatot igényelnének, vagy egyetlen kódsort kellene írniuk.

Ha idősoros előrejelzési modellt szeretne felépíteni az Amazon SageMaker Canvasban, kövesse az alábbi lépéseket. Részletes információkért tekintse meg ezt blog:

1. Válassza ki a kurált adatkészletet a SageMaker Canvasban.
2. Készítse el az idősoros előrejelzési modellt.
3. Elemezze az eredményeket és a funkciók fontosságát.

Készítse el az idősoros előrejelzési modellt: Miután kiválasztotta az adatkészletet, válassza ki a megjósolni kívánt céloszlopot. Esetünkben ez lesz a tőzsdei árfolyam záró árfolyama. A SageMaker Canvas automatikusan észleli, hogy ez egy idősoros előrejelzési problémanyilatkozat.

Az idősoros előrejelzéshez a következőképpen kell konfigurálnia a modellt. A cikkazonosítóhoz válassza ki a tőzsdei árfolyam nevét. Ne feledje, hogy az adatkészletünk a 10 legjobb részvény részvényárait tartalmazza. Válassza ki az időbélyegző oszlopát az időbélyegzőhöz, és végül adja meg a napok számát, amelyeket a jövőben szeretne előre jelezni [Előrejelzési horizont].

Most készen áll a modell megépítésére. A SageMaker Canvas két lehetőséget kínál a modell felépítéséhez: Quick Build és Standard Build. A mi esetünkben a „Standard Build”-t fogjuk használni.

A Standard Build körülbelül három órát vesz igénybe a modell és a felhasználások elkészítéséhez Amazon előrejelzés, egy idősoros előrejelzési szolgáltatás, amely az ML-en alapul, mint mögöttes előrejelző motoron. A Forecast rendkívül pontos előrejelzéseket hoz létre a hagyományos és mély tanulási modellek modellegyüttesével, anélkül, hogy ML tapasztalatra lenne szükség.

A modell felépítése után áttekintheti a modell teljesítményét (előrejelzési pontossága) és a funkciók fontosságát. Amint az az alábbi ábrán látható, a modell a Crowding és a DaysToCover10Day értékeket határozza meg a két legfontosabb előrejelzési értékként. Ez megfelel piaci intuíciónknak, hiszen a zsúfoltság a napi shortolást mérő és az eseményeket lefedő momentummutató, a rövid távú rövid kamat pedig likviditási mérőszám, amely azt jelzi, hogy a befektetők hogyan helyezkednek el egy részvényben. A lendület és a likviditás egyaránt befolyásolhatja az árak ingadozását.

Ez az eredmény azt jelzi, hogy ez a két jellemző (vagy mező) szoros kapcsolatban áll a részvényárfolyamok mozgásával, és magasabb prioritást kaphatnak a bevezetéshez és a további elemzésekhez.

Üzleti intelligencia

Az idősoros előrejelzéssel összefüggésben a fogalmat backtesting egy előrejelzési módszer pontosságának értékelési folyamatára utal a meglévő történeti adatok felhasználásával. A folyamat jellemzően iteratív, és az előzményadatokban szereplő több dátumon keresztül ismétlődik.

Ahogy már megbeszéltük, a SageMaker Canvas az Amazon Forecastot használja az idősoros előrejelzés motorjaként. Az előrejelzés egy visszatesztet hoz létre a modellépítési folyamat részeként. Mostantól megtekintheti az előrejelzés részleteit, ha bejelentkezik az Amazon Forecast szolgáltatásba. A Model Explainability mélyebb merülésért lásd ezt blog.

Az Amazon Forecast további részleteket nyújt az előrejelző metrikákról, mint például a súlyozott abszolút százalékos hiba (WAPE), a négyzetes hiba (RMSE), az átlagos abszolút százalékos hiba (MAPE) és az átlagos abszolút skálázott hiba (MASE). Exportálhatja a prediktor minőségi pontszámait az Amazon Forecast szolgáltatásból.

Az Amazon Forecast egy visszatesztet futtat a megadott idősor-adatkészletre. A visszateszt eredményei letölthetők a A visszateszt eredményeinek exportálása gomb. Az exportált visszatesztek eredményei letöltődnek egy S3 tárolóba.

A visszateszt eredményeit most az Amazon QuickSightban fogjuk ábrázolni. Az Amazon QuickSight visszateszt eredményeinek megjelenítéséhez csatlakozzon az Amazon S3 adatkészletéhez a QuickSight alkalmazásból, és hozzon létre egy vizualizációt.

Tisztítsuk meg

Az ebben a megoldásban használt AWS-szolgáltatások felügyelt és kiszolgáló nélküli jellegűek. A SageMaker Canvast hosszú távú ML edzés futtatására tervezték, és mindig bekapcsolva lesz. Győződjön meg róla, hogy kifejezetten kijelentkezett a SageMaker Canvasból. Kérjük, olvassa el a dokik fül alatt találsz.

Következtetés

Ebben a blogbejegyzésben megvitattuk, hogyan használhatja intézményi eszközkezelőként az AWS alacsony kódú kód nélküli (LCNC) adatokat és AI-szolgáltatásokat a külső adatkészletek értékelésének felgyorsítására azáltal, hogy a kezdeti adatkészlet-szűrést nem műszaki személyzetre terheli. Ez az első lépéses elemzés gyorsan elvégezhető, hogy segítsen eldönteni, hogy mely adatkészleteket kell előnyben részesíteni a bevezetéshez és a további elemzésekhez.

Lépésről lépésre bemutattuk, hogyan szerezhet be egy adatelemző új harmadik féltől származó adatokat az AWS Data Exchange segítségével, hogyan használhatja az AWS Glue DataBrew kód nélküli ETL szolgáltatásokat az adatok előfeldolgozására, és értékelheti, hogy az adatkészlet mely jellemzői vannak a legnagyobb hatással a modell előrejelzésére. .

Amint az adatok elemzésre készek, az elemző a SageMaker Canvas segítségével prediktív modellt épít, értékeli annak illeszkedését és azonosítja a jelentősebb jellemzőket. Példánkban a modell MAPE (.05) és WAPE (.045) jelei jó illeszkedést jeleztek, és a „Crowding” és a „DaysToCover10Day” jeleket mutatták az adatkészletben, amelyek a legnagyobb hatással voltak az előrejelzésre. Ez az elemzés számszerűsítette, hogy mely adatok befolyásolták leginkább a modellt, és ezért fontossági sorrendbe állíthatók a további vizsgálat és az alfa-jelekbe vagy a kockázatkezelési folyamatba való esetleges beépítés során. És ami ugyanilyen fontos, a magyarázhatósági pontszámok azt jelzik, hogy mely adatok játszanak viszonylag kis szerepet az előrejelzés meghatározásában, és ezért lehetnek alacsonyabb prioritásúak a további vizsgálat során.

Ha gyorsabban szeretné felmérni, hogy a harmadik féltől származó pénzügyi adatok támogatják-e a befektetési folyamatot, tekintse át a Az AWS Data Exchange-en elérhető pénzügyi szolgáltatások adatforrásai, és adj DataBrew és a Vászon egy próba ma.

---

A szerzőkről

Borisz Litvin a fő megoldástervező, a pénzügyi szolgáltatási ágazat innovációjáért felelős. A Quant és a FinTech egykori alapítója, szenvedélye a szisztematikus befektetés.

Meenakshisundaram Thandavarayan az AWS vezető AI/ML specialistája. Segíti a csúcstechnológiás stratégiai fiókokat az AI és az ML útjukon. Nagyon szenvedélyes az adatvezérelt mesterséges intelligencia iránt.

Camillo Anania az Egyesült Királyságban székhellyel rendelkező AWS vezető startup megoldások építésze. Szenvedélyes technológus, aki bármilyen méretű induló vállalkozásnak segít felépíteni és növekedni.

Dan Sinnreich az AWS idősebb termékmenedzsere, aki arra összpontosít, hogy a vállalatokat képessé tegye arra, hogy jobb döntéseket hozzanak az ML segítségével. Korábban portfólióelemzési platformokat és több eszközosztályú kockázati modelleket épített nagy intézményi befektetők számára.