Percepat proses investasi dengan layanan AWS Low Code-No Code

Beberapa tahun terakhir telah terjadi pergeseran paradigma yang luar biasa dalam cara manajer aset institusional mencari dan mengintegrasikan berbagai sumber data ke dalam proses investasi mereka. Dengan seringnya pergeseran korelasi risiko, sumber volatilitas yang tak terduga, dan meningkatnya persaingan dari strategi pasif, manajer aset menggunakan serangkaian sumber data pihak ketiga yang lebih luas untuk mendapatkan keunggulan kompetitif dan meningkatkan pengembalian yang disesuaikan dengan risiko. Namun, proses penggalian manfaat dari berbagai sumber data bisa sangat menantang. Tim rekayasa data manajer aset dibebani dengan akuisisi dan prapemrosesan data, sementara tim ilmu data menambang data untuk wawasan investasi.

Data pihak ketiga atau alternatif mengacu pada data yang digunakan dalam proses investasi, yang bersumber di luar penyedia data pasar tradisional. Investor institusi sering menambah sumber data tradisional mereka dengan pihak ketiga atau data alternatif untuk mendapatkan keunggulan dalam proses investasi mereka. Contoh yang dikutip secara umum termasuk, namun tidak terbatas pada, pencitraan satelit, data kartu kredit, dan sentimen media sosial. Manajer investasi menginvestasikan hampir $3 miliar per tahun dalam kumpulan data eksternal, dengan pengeluaran tahunan meningkat sebesar 20–30 persen.

Dengan pertumbuhan eksponensial dari kumpulan data pihak ketiga dan alternatif yang tersedia, kemampuan untuk menganalisis dengan cepat apakah kumpulan data baru menambah wawasan investasi baru merupakan pembeda kompetitif dalam industri manajemen investasi. Data tanpa kode rendah (LCNC) AWS dan layanan AI memungkinkan tim nonteknis untuk melakukan penyaringan data awal, memprioritaskan orientasi data, mempercepat waktu untuk wawasan, dan membebaskan sumber daya teknis yang berharga—menciptakan keunggulan kompetitif yang bertahan lama.

Dalam postingan blog ini, kami membahas bagaimana, sebagai manajer aset institusional, Anda dapat memanfaatkan data AWS LCNC dan layanan AI untuk menskalakan analisis data awal dan proses prioritas di luar tim teknis dan mempercepat pengambilan keputusan Anda. Dengan layanan AWS LCNC, Anda dapat dengan cepat berlangganan dan mengevaluasi beragam kumpulan data pihak ketiga, data praproses, dan memeriksa daya prediktifnya menggunakan model pembelajaran mesin (ML) tanpa menulis satu kode pun.

Ikhtisar solusi

Kasus penggunaan kami adalah untuk menganalisis kekuatan prediksi harga saham dari kumpulan data eksternal dan mengidentifikasi kepentingan fiturnya—bidang mana yang paling berdampak pada kinerja harga saham. Ini berfungsi sebagai uji lulus pertama untuk mengidentifikasi mana dari beberapa bidang dalam kumpulan data yang harus dievaluasi lebih dekat menggunakan metodologi kuantitatif tradisional agar sesuai dengan proses investasi Anda. Jenis uji first-pass ini dapat dilakukan dengan cepat oleh analis, menghemat waktu dan memungkinkan Anda memprioritaskan orientasi dataset dengan lebih cepat. Selain itu, saat kita menggunakan harga saham sebagai contoh target, metrik lain seperti profitabilitas, rasio penilaian, atau volume perdagangan juga dapat digunakan. Semua kumpulan data yang digunakan untuk kasus penggunaan ini dipublikasikan di Pertukaran Data AWS.

Diagram berikut menjelaskan arsitektur end-to-end dan layanan AWS LCNC yang digunakan untuk mendorong keputusan:

Solusi kami terdiri dari langkah-langkah dan solusi berikut:

1. Penyerapan data: AWS Data Exchange untuk berlangganan kumpulan data alternatif yang dipublikasikan dan mengunduhnya Layanan Penyimpanan Sederhana Amazon (Amazon S3).
2. Rekayasa data: DataBrew Lem AWS untuk rekayasa data dan transformasi data yang disimpan di Amazon S3.
3. Pembelajaran mesin: Kanvas Amazon SageMaker untuk membangun model peramalan deret waktu untuk prediksi dan mengidentifikasi dampak data pada ramalan.
4. Intelijen bisnis: Amazon QuickSight atau Amazon SageMaker Canvas untuk meninjau kepentingan fitur pada prakiraan untuk pengambilan keputusan.

Penyerapan data

Pertukaran Data AWS memudahkan untuk menemukan, berlangganan, dan menggunakan data pihak ketiga di cloud. Anda dapat menelusuri katalog AWS Data Exchange dan menemukan produk data yang relevan dengan bisnis Anda dan berlangganan ke data dari penyedia tanpa pemrosesan lebih lanjut, dan tidak memerlukan proses ETL. Perhatikan bahwa banyak penyedia menawarkan langganan awal gratis, yang memungkinkan Anda menganalisis data mereka tanpa harus mengeluarkan biaya di muka terlebih dahulu.

Untuk kasus penggunaan ini, cari dan berlangganan set data di bawah ini di AWS Data Exchange:

• Data Saham Akhir Hari Selama 20 Tahun untuk 10 Perusahaan Teratas AS berdasarkan Kapitalisasi Pasar diterbitkan oleh Keunggulan Alfa. Kumpulan data gratis ini berisi data historis selama 20 tahun untuk 10 saham AS teratas menurut kapitalisasi pasar per 5 September 2020. Kumpulan data berisi 10 simbol berikut—AAPL: Apple Inc.; AMZN: Amazon.com, Inc.; BRK-A: Berkshire Hathaway Inc. (Kelas A); FB: Facebook, Inc.; GOOG: Alphabet Inc.; JNJ: Johnson & Johnson; MA: Mastercard Dimasukkan; MSFT: Microsoft Corporation V: Visa Inc.; dan WMT: Walmart Inc.
• Termasuk bidang data utama
  • Buka: harga pembukaan as-traded untuk hari itu
  • Tinggi: harga tinggi as-traded untuk hari itu
  • Rendah: harga rendah as-traded untuk hari itu
  • Tutup: harga penutupan as-traded untuk hari itu
  • Volume: volume perdagangan untuk hari itu
  • Penutupan yang Disesuaikan: harga penutupan harian yang dibagi dan disesuaikan dengan dividen
  • Split Ratio: rasio jumlah saham baru terhadap jumlah lama pada tanggal efektif
  • Dividen: jumlah pembayaran dividen tunai
• S3 Data Bunga Pendek dan Keuangan Sekuritas diterbitkan oleh Mitra S3. Kumpulan data ini berisi bidang-bidang berikut:

Bidang	Deskripsi Produk
Tanggal Bisnis	Tanggal efektif untuk tarif
ID keamanan	Pengidentifikasi keamanan berisi Sedol, ISIN, FIGI, Ticker, Bloomberg ID
Nama	Nama Keamanan
Tarif Penawaran	Biaya pembiayaan gabungan pasar dibayarkan untuk posisi pendek yang ada
Tarif Tawaran	Biaya pinjaman komposit pasar yang diperoleh untuk saham yang ada pada pinjaman oleh pemegang lama
Tarif Terakhir	Biaya pinjaman komposit pasar yang diperoleh untuk saham inkremental yang dipinjamkan pada tanggal tersebut (kurs spot)
Kesesakan	Indikator momentum mengukur pemendekan harian dan mencakup peristiwa relatif terhadap float pasar
Bunga Pendek	Bunga short real-time dinyatakan dalam jumlah saham
Bunga PendekNosional	Bunga Pendek * Harga (USD)
Bunga Pendek Pct	Bunga short real-time dinyatakan sebagai persentase dari float ekuitas
S3Mengambang	Jumlah saham yang dapat diperdagangkan termasuk long sintetis yang diciptakan oleh short selling
S3SIPctFloat	Proyeksi short interest real-time dibagi dengan float S3
Ketersediaan Indikatif	S3 memproyeksikan kuantitas pinjaman yang tersedia
Pemanfaatan	Bunga pendek real-time dibagi dengan total pasokan yang dapat dipinjamkan
Hari hingga Sampul 10 Hari	Ini adalah ukuran likuiditas = bunga pendek / ADTV rata-rata 10 hari
Hari hingga Sampul 30 Hari	Ini adalah ukuran likuiditas = bunga pendek / ADTV rata-rata 30 hari
Hari hingga Sampul 90 Hari	Ini adalah ukuran likuiditas = bunga pendek / ADTV rata-rata 90 hari
SI asli	Point in time bunga pendek

Untuk mendapatkan data, pertama-tama Anda akan mencari set data di AWS Data Exchange dan berlangganan set data tersebut:

Setelah penerbit set data menyetujui permintaan langganan Anda, set data akan tersedia untuk diunduh ke bucket S3 Anda:

Pilih Tambahkan tujuan tugas ekspor otomatis, berikan detail bucket S3, dan unduh kumpulan data:

Ulangi langkah-langkah tersebut untuk mendapatkan dataset Alpha Vantage. Setelah selesai, Anda akan memiliki kedua set data di bucket S3 Anda.

Rekayasa data

Setelah kumpulan data ada di bucket S3 Anda, Anda dapat menggunakannya DataBrew Lem AWS untuk mengubah data. AWS Glue DataBrew menawarkan lebih dari 350 transformasi siap pakai untuk mengotomatiskan tugas persiapan data (seperti memfilter anomali, menstandardisasi format, dan memperbaiki nilai yang tidak valid) yang jika tidak, akan memerlukan berhari-hari atau berminggu-minggu untuk menulis transformasi kode tangan.

Untuk membuat kumpulan data terkonsolidasi untuk perkiraan di AWS DataBrew, lakukan langkah-langkah di bawah ini. Untuk informasi rinci, silakan lihat ini blog.

1. Buat kumpulan data DataBrew.
2. Muat kumpulan data DataBrew ke dalam proyek DataBrew.
3. Bangun resep DataBrew.
4. Jalankan pekerjaan DataBrew.

Buat Kumpulan Data DataBrew: Di AWS Glue DataBrew, a kumpulan data mewakili data yang diunggah dari bucket S3. Kami akan membuat dua set data DataBrew—untuk harga saham akhir hari dan bunga short S3. Saat Anda membuat kumpulan data, Anda memasukkan detail koneksi S3 hanya sekali. Sejak saat itu, DataBrew dapat mengakses data yang mendasarinya untuk Anda.

Muat kumpulan data DataBrew ke dalam proyek DataBrew: Di AWS Glue DataBrew, a proyek adalah inti dari analisis data dan upaya transformasi Anda. Proyek DataBrew menyatukan kumpulan data DataBrew dan memungkinkan Anda mengembangkan transformasi data (resep DataBrew). Di sini sekali lagi, kami akan membuat dua proyek DataBrew, untuk harga saham akhir hari dan bunga pendek S3.

Bangun resep DataBrew: Di DataBrew, a resep adalah sekumpulan langkah-langkah transformasi data. Anda dapat menerapkan langkah-langkah ini ke kumpulan data Anda. Untuk kasus penggunaan, kami akan membangun dua transformasi. Yang pertama akan mengubah format kolom stempel waktu harga saham akhir hari sehingga dataset dapat digabungkan ke S3 short interest:

Transformasi kedua mengkurasi data, dan langkah terakhirnya memastikan kami menggabungkan kumpulan data menjadi satu kumpulan data pilihan. Untuk detail selengkapnya tentang membuat resep transformasi data, lihat ini blog.

pekerjaan DataBrew: Setelah pembuatan resep DataBrew, Anda dapat menjalankan terlebih dahulu pekerjaan DataBrew harga saham akhir hari diikuti dengan resep bunga pendek S3. Lihat ini blog untuk membuat satu kumpulan data terkonsolidasi. Simpan kumpulan data akhir yang dikurasi ke dalam keranjang S3.

Alur kerja rekayasa data end-to-end akan terlihat seperti ini:

Pembelajaran mesin

Dengan kumpulan data hasil kurasi yang dibuat pasca-rekayasa data, Anda dapat menggunakannya Kanvas Amazon SageMaker untuk membuat model perkiraan dan menganalisis dampak fitur pada perkiraan. Kanvas Amazon SageMaker memberi pengguna bisnis antarmuka tunjuk-dan-klik visual yang memungkinkan mereka membangun model dan menghasilkan prediksi ML yang akurat sendiri—tanpa memerlukan pengalaman ML apa pun atau harus menulis satu baris kode pun.

Untuk membuat model perkiraan deret waktu di Amazon SageMaker Canvas, ikuti langkah-langkah di bawah ini. Untuk informasi rinci, lihat ini blog:

1. Pilih set data yang dikuratori di SageMaker Canvas.
2. Bangun model peramalan deret waktu.
3. Menganalisis hasil dan kepentingan fitur.

Bangun model peramalan deret waktu: Setelah Anda memilih dataset, pilih kolom target yang akan diprediksi. Dalam kasus kami, ini akan menjadi harga penutupan ticker saham. SageMaker Canvas secara otomatis mendeteksi bahwa ini adalah pernyataan masalah peramalan deret waktu.

Anda harus mengonfigurasi model sebagai berikut untuk perkiraan deret waktu. Untuk ID item, pilih nama ticker saham. Ingat, kumpulan data kami memiliki harga ticker saham untuk 10 saham teratas. Pilih kolom stempel waktu untuk stempel waktu, dan terakhir, masukkan jumlah hari yang ingin Anda perkirakan di masa mendatang [Forecast Horizon].

Sekarang Anda siap untuk membangun model. SageMaker Canvas menyediakan dua opsi untuk membuat model: Pembuatan Cepat dan Pembuatan Standar. Dalam kasus kami, kami akan menggunakan "Standard Build".

Standard Build membutuhkan waktu sekitar tiga jam untuk membangun model dan penggunaannya Prakiraan Amazon, layanan peramalan deret waktu berdasarkan ML sebagai mesin peramalan yang mendasarinya. Prakiraan membuat prakiraan yang sangat akurat melalui penyatuan model model pembelajaran tradisional dan mendalam tanpa memerlukan pengalaman ML.

Setelah model dibuat, kini Anda dapat meninjau performa model (akurasi prediksi) dan kepentingan fitur. Seperti dapat dilihat dari gambar di bawah, model mengidentifikasi Crowding dan DaysToCover10Day sebagai dua fitur teratas yang mendorong nilai perkiraan. Ini sejalan dengan intuisi pasar kami, karena crowding adalah indikator momentum yang mengukur shorting harian dan mencakup peristiwa, dan short interest jangka pendek adalah ukuran likuiditas, yang menunjukkan bagaimana posisi investor dalam suatu saham. Momentum dan likuiditas dapat mendorong volatilitas harga.

Hasil ini menunjukkan bahwa kedua fitur (atau field) ini memiliki keterkaitan yang erat dengan pergerakan harga saham dan dapat diprioritaskan lebih tinggi untuk onboarding dan analisis lebih lanjut.

Intelijen bisnis

Dalam konteks peramalan deret waktu, pengertian tentang backtesting mengacu pada proses penilaian akurasi suatu metode peramalan dengan menggunakan data historis yang ada. Prosesnya biasanya iteratif dan berulang selama beberapa tanggal yang ada dalam data historis.

Seperti yang telah kita bahas, SageMaker Canvas menggunakan Amazon Forecast sebagai mesin untuk perkiraan deret waktu. Prakiraan membuat backtest sebagai bagian dari proses pembangunan model. Anda sekarang dapat melihat detail prediktor dengan masuk ke Amazon Forecast. Untuk pemahaman mendalam tentang Penjelasan Model, lihat ini blog.

Amazon Forecast memberikan detail tambahan tentang metrik prediktor seperti kesalahan persentase absolut tertimbang (WAPE), kesalahan kuadrat rata-rata akar (RMSE), kesalahan persentase absolut rata-rata (MAPE), dan kesalahan skala absolut rata-rata (MASE). Anda dapat mengekspor skor kualitas prediktor dari Amazon Forecast.

Amazon Forecast menjalankan satu pengujian ulang untuk set data deret waktu yang disediakan. Hasil backtest tersedia untuk diunduh menggunakan Ekspor hasil backtest tombol. Hasil backtest yang diekspor diunduh ke bucket S3.

Kami sekarang akan memplot hasil backtest di Amazon QuickSight. Untuk memvisualisasikan hasil backtest di Amazon QuickSight, hubungkan ke dataset di Amazon S3 dari QuickSight dan buat visualisasi.

Membersihkan

Layanan AWS yang dimanfaatkan dalam solusi ini dikelola dan bersifat tanpa server. SageMaker Canvas dirancang untuk menjalankan pelatihan ML jangka panjang dan akan selalu aktif. Pastikan Anda secara eksplisit keluar dari SageMaker Canvas. Silakan lihat dokumen lebih lanjut.

Kesimpulan

Dalam postingan blog ini, kami membahas bagaimana, sebagai pengelola aset institusional, Anda dapat memanfaatkan data AWS low-code no-code (LCNC) dan layanan AI untuk mempercepat evaluasi kumpulan data eksternal dengan memindahkan penyaringan kumpulan data awal ke personel nonteknis. Analisis first-pass ini dapat dilakukan dengan cepat untuk membantu Anda memutuskan set data mana yang harus diprioritaskan untuk orientasi dan analisis lebih lanjut.

Kami mendemonstrasikan langkah demi langkah bagaimana analis data dapat memperoleh data pihak ketiga baru melalui AWS Data Exchange, menggunakan layanan ETL tanpa kode AWS Glue DataBrew untuk melakukan praproses data dan mengevaluasi fitur mana dalam kumpulan data yang memiliki dampak paling besar pada perkiraan model .

Setelah data siap dianalisis, analis menggunakan SageMaker Canvas untuk membuat model prediktif, mengevaluasi kecocokannya, dan mengidentifikasi fitur yang signifikan. Dalam contoh kami, model MAPE (.05) dan WAPE (.045) menunjukkan kecocokan yang baik dan menunjukkan "Crowding" dan "DaysToCover10Day" sebagai sinyal dalam kumpulan data dengan dampak terbesar dari perkiraan. Analisis ini mengukur data apa yang paling memengaruhi model dan oleh karena itu dapat diprioritaskan untuk penyelidikan lebih lanjut dan kemungkinan dimasukkan ke dalam sinyal alfa atau proses manajemen risiko Anda. Dan sama pentingnya, skor kemampuan menjelaskan menunjukkan data apa yang memainkan peran yang relatif kecil dalam menentukan perkiraan dan oleh karena itu dapat menjadi prioritas yang lebih rendah untuk penyelidikan lebih lanjut.

Untuk lebih cepat mengevaluasi kemampuan data keuangan pihak ketiga untuk mendukung proses investasi Anda, tinjau Sumber data Layanan Finansial tersedia di AWS Data Exchange, dan memberi Pembuatan Data dan Kanvas mencoba hari ini.

---

Tentang Penulis

Boris Litvin adalah Arsitek Solusi Utama, yang bertanggung jawab atas inovasi industri Jasa Keuangan. Dia adalah mantan pendiri Quant dan FinTech, bersemangat tentang investasi sistematis.

Meenakshisundaram Thandavarayan adalah spesialis AI/ML Senior dengan AWS. Dia membantu akun strategis berteknologi tinggi dalam perjalanan AI dan ML mereka. Dia sangat bersemangat tentang AI yang digerakkan oleh data.

Camillo Anania adalah Arsitek Solusi Startup Senior dengan AWS yang berbasis di Inggris. Dia adalah seorang teknolog yang bersemangat membantu perusahaan rintisan dalam berbagai ukuran untuk membangun dan tumbuh.

Dan Sinnreich adalah Sr. Product Manager dengan AWS, berfokus pada pemberdayaan perusahaan untuk membuat keputusan yang lebih baik dengan ML. Dia sebelumnya membangun platform analitik portofolio dan model risiko kelas multi-aset untuk investor institusional besar.