ไม่กี่ปีที่ผ่านมาได้เห็นการเปลี่ยนแปลงกระบวนทัศน์อย่างมากในการที่ผู้จัดการสินทรัพย์สถาบันจัดหาและรวมแหล่งข้อมูลหลายแหล่งเข้ากับกระบวนการลงทุนของพวกเขา ด้วยการเปลี่ยนแปลงบ่อยครั้งในความสัมพันธ์ของความเสี่ยง แหล่งที่มาของความผันผวนที่ไม่คาดคิด และการแข่งขันที่เพิ่มขึ้นจากกลยุทธ์เชิงรับ ผู้จัดการสินทรัพย์จึงใช้ชุดแหล่งข้อมูลของบุคคลที่สามที่กว้างขึ้นเพื่อให้ได้เปรียบในการแข่งขันและปรับปรุงผลตอบแทนที่ปรับตามความเสี่ยง อย่างไรก็ตาม กระบวนการดึงผลประโยชน์จากแหล่งข้อมูลหลายแหล่งอาจเป็นเรื่องที่ท้าทายอย่างยิ่ง ทีมวิศวกรรมข้อมูลของผู้จัดการสินทรัพย์มีงานล้นมือในการรับข้อมูลและการประมวลผลล่วงหน้า ในขณะที่ทีมวิทยาศาสตร์ข้อมูลกำลังขุดข้อมูลสำหรับข้อมูลเชิงลึกด้านการลงทุน
ข้อมูลบุคคลที่สามหรือข้อมูลทางเลือกหมายถึงข้อมูลที่ใช้ในกระบวนการลงทุน ซึ่งได้มาจากภายนอกผู้ให้บริการข้อมูลตลาดแบบดั้งเดิม นักลงทุนสถาบันมักเพิ่มแหล่งข้อมูลแบบดั้งเดิมของตนด้วยข้อมูลบุคคลที่สามหรือข้อมูลทางเลือกเพื่อให้ได้เปรียบในกระบวนการลงทุน ตัวอย่างที่อ้างถึงโดยทั่วไปรวมถึงแต่ไม่จำกัดเพียง ภาพถ่ายดาวเทียม ข้อมูลบัตรเครดิต และความรู้สึกทางโซเชียลมีเดีย ผู้จัดการกองทุนลงทุนชุดข้อมูลภายนอกเกือบ 3 พันล้านดอลลาร์ต่อปี โดยการใช้จ่ายรายปีเพิ่มขึ้น 20–30 เปอร์เซ็นต์
ด้วยการเติบโตแบบทวีคูณของชุดข้อมูลของบุคคลที่สามและทางเลือกที่มีอยู่ ความสามารถในการวิเคราะห์ได้อย่างรวดเร็วว่าชุดข้อมูลใหม่ที่เพิ่มข้อมูลเชิงลึกด้านการลงทุนใหม่ๆ นั้นเป็นการสร้างความแตกต่างในการแข่งขันในอุตสาหกรรมการจัดการการลงทุนหรือไม่ ข้อมูล AWS no-code low-code (LCNC) และบริการ AI ช่วยให้ทีมที่ไม่เชี่ยวชาญด้านเทคนิคสามารถดำเนินการคัดกรองข้อมูลเบื้องต้น จัดลำดับความสำคัญของข้อมูลออนบอร์ด เร่งเวลาในการเข้าถึงข้อมูลเชิงลึก และทรัพยากรทางเทคนิคที่มีค่าฟรี—สร้างความได้เปรียบทางการแข่งขันที่ยั่งยืน
ในบล็อกโพสต์นี้ เราจะพูดถึงวิธีการในฐานะผู้จัดการสินทรัพย์สถาบัน คุณสามารถใช้ประโยชน์จากข้อมูล AWS LCNC และบริการ AI เพื่อปรับขนาดการวิเคราะห์ข้อมูลเริ่มต้นและกระบวนการจัดลำดับความสำคัญนอกเหนือจากทีมเทคนิค และเร่งการตัดสินใจของคุณ ด้วยบริการ AWS LCNC คุณจะสามารถสมัครรับข้อมูลและประเมินชุดข้อมูลของบุคคลที่สามที่หลากหลาย ประมวลผลข้อมูลล่วงหน้า และตรวจสอบพลังการคาดการณ์ได้อย่างรวดเร็วโดยใช้โมเดลแมชชีนเลิร์นนิง (ML) โดยไม่ต้องเขียนโค้ดแม้แต่ชิ้นเดียว
ภาพรวมโซลูชัน
กรณีการใช้งานของเราคือการวิเคราะห์พลังการทำนายราคาหุ้นของชุดข้อมูลภายนอก และระบุความสำคัญของฟีเจอร์ ซึ่งฟิลด์นี้ส่งผลกระทบต่อประสิทธิภาพของราคาหุ้นมากที่สุด สิ่งนี้ทำหน้าที่เป็นการทดสอบรอบแรกเพื่อระบุว่าฟิลด์ใดจากหลายฟิลด์ในชุดข้อมูลควรได้รับการประเมินอย่างใกล้ชิดยิ่งขึ้นโดยใช้วิธีการเชิงปริมาณแบบดั้งเดิมเพื่อให้เหมาะกับกระบวนการลงทุนของคุณ การทดสอบรอบแรกประเภทนี้สามารถทำได้อย่างรวดเร็วโดยนักวิเคราะห์ ช่วยประหยัดเวลาและช่วยให้คุณจัดลำดับความสำคัญของชุดข้อมูลได้รวดเร็วยิ่งขึ้น นอกจากนี้ ในขณะที่เราใช้ราคาหุ้นเป็นตัวอย่างเป้าหมาย เราอาจใช้เมตริกอื่นๆ เช่น ความสามารถในการทำกำไร อัตราส่วนการประเมินมูลค่า หรือปริมาณการซื้อขายได้เช่นกัน ชุดข้อมูลทั้งหมดที่ใช้สำหรับกรณีการใช้งานนี้เผยแพร่ใน การแลกเปลี่ยนข้อมูล AWS.
แผนภาพต่อไปนี้อธิบายสถาปัตยกรรมแบบ end-to-end และบริการ AWS LCNC ที่ใช้ในการขับเคลื่อนการตัดสินใจ:
โซลูชันของเราประกอบด้วยขั้นตอนและวิธีแก้ปัญหาดังต่อไปนี้:
- การนำเข้าข้อมูล: AWS Data Exchange สำหรับการสมัครชุดข้อมูลทางเลือกที่เผยแพร่และดาวน์โหลดไปยัง บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) ถัง
- วิศวกรรมข้อมูล: AWS กาว DataBrew สำหรับวิศวกรรมข้อมูลและการแปลงข้อมูลที่จัดเก็บไว้ใน Amazon S3
- การเรียนรู้ของเครื่อง: ผืนผ้าใบ Amazon SageMaker สำหรับสร้างแบบจำลองการคาดการณ์อนุกรมเวลาสำหรับการทำนายและระบุผลกระทบของข้อมูลต่อการพยากรณ์
- ระบบธุรกิจอัจฉริยะ: อเมซอน QuickSight หรือ Amazon SageMaker Canvas เพื่อตรวจสอบความสำคัญของฟีเจอร์ต่อการคาดการณ์สำหรับการตัดสินใจ
การนำเข้าข้อมูล
การแลกเปลี่ยนข้อมูล AWS ทำให้ง่ายต่อการค้นหา สมัครสมาชิก และใช้ข้อมูลของบุคคลที่สามในระบบคลาวด์ คุณสามารถเรียกดูผ่านแคตตาล็อก AWS Data Exchange และค้นหาผลิตภัณฑ์ข้อมูลที่เกี่ยวข้องกับธุรกิจของคุณและ สมัครเป็นสมาชิก ไปยังข้อมูลจากผู้ให้บริการโดยไม่ต้องดำเนินการใดๆ เพิ่มเติม และไม่จำเป็นต้องมีกระบวนการ ETL โปรดทราบว่าผู้ให้บริการหลายรายเสนอการสมัครสมาชิกครั้งแรกฟรี ซึ่งช่วยให้คุณสามารถวิเคราะห์ข้อมูลได้โดยไม่ต้องเสียค่าใช้จ่ายล่วงหน้า
สำหรับกรณีการใช้งานนี้ ให้ค้นหาและสมัครชุดข้อมูลด้านล่างใน AWS Data Exchange:
- ข้อมูลหุ้นสิ้นวันในรอบ 20 ปีสำหรับบริษัทชั้นนำ 10 อันดับแรกของสหรัฐฯ ตามมูลค่าตลาด เผยแพร่โดย อัลฟ่า แวนเทจ. ชุดข้อมูลฟรีนี้ประกอบด้วยข้อมูลย้อนหลัง 20 ปีสำหรับหุ้น 10 อันดับแรกของสหรัฐฯ ตามมูลค่าหลักทรัพย์ตามราคาตลาด ณ วันที่ 5 กันยายน 2020 ชุดข้อมูลประกอบด้วยสัญลักษณ์ 10 ตัวต่อไปนี้—AAPL: Apple Inc.; AMZN: Amazon.com, Inc.; BRK-A: Berkshire Hathaway Inc. (คลาส A); FB: เฟสบุ๊ค อิงค์; GOOG: Alphabet Inc.; JNJ: จอห์นสัน แอนด์ จอห์นสัน; แม่: Mastercard Incorporated; MSFT: Microsoft Corporation V: Visa Inc.; และ WMT: Walmart Inc.
- ช่องข้อมูลสำคัญ ได้แก่
- เปิด: ตามราคาเปิดซื้อขายสำหรับวัน
- สูง: ราคาสูง ณ วันซื้อขาย
- ต่ำ: ณ ราคาซื้อขายต่ำสำหรับวัน
- ปิด: ณ ราคาปิดการซื้อขายสำหรับวัน
- ปริมาณ: ปริมาณการซื้อขายสำหรับวัน
- ปิดปรับปรุง: แยกและราคาปิดที่ปรับเงินปันผลของวัน
- Split Ratio: อัตราส่วนของจำนวนหุ้นใหม่ต่อเก่า ณ วันที่มีผลบังคับใช้
- เงินปันผล: จำนวนเงินปันผลที่จ่ายเป็นเงินสด
- S3 ดอกเบี้ยระยะสั้นและข้อมูลการเงินหลักทรัพย์ เผยแพร่โดย พันธมิตร S3. ชุดข้อมูลนี้มีฟิลด์ต่อไปนี้:
สนาม | รายละเอียด |
วันที่ทำธุรกิจ | วันที่มีผลบังคับใช้สำหรับอัตรา |
รหัสความปลอดภัย | ตัวระบุความปลอดภัยประกอบด้วย Sedol, ISIN, FIGI, Ticker, Bloomberg ID |
Name | ชื่อความปลอดภัย |
อัตราข้อเสนอ | ค่าธรรมเนียมการจัดหาเงินทุนในตลาดที่จ่ายสำหรับตำแหน่งสั้นที่มีอยู่ |
อัตราการเสนอราคา | ค่าธรรมเนียมการกู้ยืมแบบคอมโพสิตของตลาดที่ได้รับสำหรับหุ้นที่มีอยู่โดยให้ยืมโดยผู้ถือระยะยาว |
อัตราสุดท้าย | ค่าธรรมเนียมการกู้ยืมแบบรวมตลาดที่ได้รับสำหรับหุ้นส่วนเพิ่มที่ยืมในวันนั้น (อัตราสปอต) |
เบียดเสียด | ตัวบ่งชี้โมเมนตัมวัดการย่อรายวันและครอบคลุมเหตุการณ์ที่เกี่ยวข้องกับการลอยตัวของตลาด |
ดอกเบี้ยสั้น | ดอกเบี้ยระยะสั้นแบบเรียลไทม์แสดงเป็นจำนวนหุ้น |
ShortInterestหมายเหตุ | ดอกเบี้ยระยะสั้น * ราคา (USD) |
ShortInterestเปอร์เซ็นต์ | ดอกเบี้ยระยะสั้นแบบเรียลไทม์แสดงเป็นเปอร์เซ็นต์ของตราสารทุน |
S3ลอย | จำนวนหุ้นที่ซื้อขายได้ซึ่งรวมถึงหุ้นสังเคราะห์ที่สร้างขึ้นโดยการขายชอร์ต |
S3SIPctโฟลต | ประมาณการดอกเบี้ยระยะสั้นตามเวลาจริงหารด้วยทศนิยม S3 |
ตัวบ่งชี้ความพร้อมใช้งาน | S3 คาดการณ์ปริมาณที่สามารถให้ยืมได้ |
การใช้ประโยชน์ | ดอกเบี้ยระยะสั้นตามเวลาจริงหารด้วยปริมาณการให้ยืมทั้งหมด |
DaystoCover10วัน | เป็นการวัดสภาพคล่อง = ดอกเบี้ยสั้น / ADTV เฉลี่ย 10 วัน |
DaystoCover30วัน | เป็นการวัดสภาพคล่อง = ดอกเบี้ยสั้น / ADTV เฉลี่ย 30 วัน |
DaystoCover90วัน | เป็นการวัดสภาพคล่อง = ดอกเบี้ยสั้น / ADTV เฉลี่ย 90 วัน |
เอสไอเดิม | จุดในเวลาสั้นดอกเบี้ย |
ในการรับข้อมูล ก่อนอื่นคุณจะต้องค้นหาชุดข้อมูลใน AWS Data Exchange และสมัครรับชุดข้อมูล:
เมื่อผู้เผยแพร่ชุดข้อมูลอนุมัติคำขอสมัครรับข้อมูลของคุณ คุณจะมีชุดข้อมูลพร้อมให้คุณดาวน์โหลดไปยังบัคเก็ต S3 ของคุณ:
เลือก เพิ่มปลายทางงานส่งออกอัตโนมัติระบุรายละเอียดของบัคเก็ต S3 และดาวน์โหลดชุดข้อมูล:
ทำซ้ำขั้นตอนเพื่อรับชุดข้อมูล Alpha Vantage เมื่อเสร็จแล้ว คุณจะมีทั้งชุดข้อมูลในบัคเก็ต S3 ของคุณ
วิศวกรรมข้อมูล
เมื่อชุดข้อมูลอยู่ในบัคเก็ต S3 ของคุณ คุณสามารถใช้ AWS กาว DataBrew เพื่อแปลงข้อมูล AWS Glue DataBrew นำเสนอการแปลงที่สร้างไว้ล่วงหน้ากว่า 350 รายการเพื่อให้งานเตรียมข้อมูลเป็นไปโดยอัตโนมัติ (เช่น การกรองความผิดปกติ การกำหนดรูปแบบมาตรฐาน และการแก้ไขค่าที่ไม่ถูกต้อง) ซึ่งอาจต้องใช้เวลาหลายวันหรือหลายสัปดาห์ในการเขียนการแปลงรหัสด้วยมือ
หากต้องการสร้างชุดข้อมูลที่รวบรวมไว้สำหรับการพยากรณ์ใน AWS DataBrew ให้ทำตามขั้นตอนด้านล่าง สำหรับข้อมูลโดยละเอียด โปรดดูที่นี่ บล็อก.
- สร้างชุดข้อมูล DataBrew
- โหลดชุดข้อมูล DataBrew ในโครงการ DataBrew
- สร้างสูตร DataBrew
- เรียกใช้งาน DataBrew
สร้างชุดข้อมูล DataBrew: ใน AWS Glue DataBrew ชุด แสดงข้อมูลที่อัปโหลดจากบัคเก็ต S3 เราจะสร้างชุดข้อมูล DataBrew สองชุดสำหรับทั้งราคาหุ้น ณ สิ้นวันและดอกเบี้ยชอร์ต S3 เมื่อคุณสร้างชุดข้อมูล คุณจะป้อนรายละเอียดการเชื่อมต่อ S3 เพียงครั้งเดียว จากจุดนั้น DataBrew สามารถเข้าถึงข้อมูลพื้นฐานสำหรับคุณได้
โหลดชุดข้อมูล DataBrew ในโครงการ DataBrew: ใน AWS Glue DataBrew โครงการ เป็นหัวใจสำคัญของการวิเคราะห์ข้อมูลและความพยายามในการเปลี่ยนแปลงของคุณ โครงการ DataBrew รวบรวมชุดข้อมูล DataBrew และช่วยให้คุณพัฒนาการแปลงข้อมูล (สูตร DataBrew) อีกครั้ง เราจะสร้างโครงการ DataBrew สองโครงการสำหรับราคาหุ้น ณ สิ้นวันและดอกเบี้ยชอร์ต S3
สร้างสูตร DataBrew: ใน DataBrew, a สูตร เป็นชุดขั้นตอนการแปลงข้อมูล คุณสามารถใช้ขั้นตอนเหล่านี้กับชุดข้อมูลของคุณได้ สำหรับกรณีการใช้งาน เราจะสร้างการแปลงสองแบบ อันแรกจะเปลี่ยนรูปแบบของคอลัมน์การประทับเวลาของราคาหุ้น ณ สิ้นวัน เพื่อให้สามารถรวมชุดข้อมูลเข้ากับ short interest ของ S3 ได้:
การแปลงครั้งที่สองจัดการข้อมูล และขั้นตอนสุดท้ายทำให้แน่ใจว่าเรารวมชุดข้อมูลเป็นชุดข้อมูลเดียวที่คัดสรรแล้ว สำหรับรายละเอียดเพิ่มเติมเกี่ยวกับการสร้างสูตรการแปลงข้อมูล โปรดดูที่นี่ บล็อก.
งาน DataBrew: หลังจากสร้างสูตร DataBrew แล้ว คุณสามารถเรียกใช้งาน DataBrew ราคาหุ้นสิ้นวันก่อนตามด้วยสูตรดอกเบี้ยสั้น S3 อ้างถึงสิ่งนี้ บล็อก เพื่อสร้างชุดข้อมูลรวมชุดเดียว บันทึกชุดข้อมูลสุดท้ายที่คัดสรรแล้วลงในบัคเก็ต S3
เวิร์กโฟลว์วิศวกรรมข้อมูลแบบ end-to-end จะมีลักษณะดังนี้:
การเรียนรู้เครื่อง
ด้วยชุดข้อมูลที่รวบรวมไว้ซึ่งสร้างวิศวกรรมหลังข้อมูล คุณสามารถใช้ ผืนผ้าใบ Amazon SageMaker เพื่อสร้างแบบจำลองการคาดการณ์ของคุณและวิเคราะห์ผลกระทบของฟีเจอร์ที่มีต่อการคาดการณ์ ผืนผ้าใบ Amazon SageMaker ให้ผู้ใช้ทางธุรกิจด้วยอินเทอร์เฟซแบบชี้และคลิกที่ช่วยให้พวกเขาสร้างแบบจำลองและสร้างการคาดคะเน ML ที่แม่นยำได้ด้วยตนเอง โดยไม่ต้องมีประสบการณ์ ML หรือต้องเขียนโค้ดแม้แต่บรรทัดเดียว
หากต้องการสร้างแบบจำลองการคาดการณ์อนุกรมเวลาใน Amazon SageMaker Canvas ให้ทำตามขั้นตอนด้านล่าง สำหรับข้อมูลโดยละเอียด โปรดดูที่นี่ บล็อก:
- เลือกชุดข้อมูลที่ได้รับการดูแลจัดการใน SageMaker Canvas
- สร้างแบบจำลองการคาดการณ์อนุกรมเวลา
- วิเคราะห์ผลลัพธ์และความสำคัญของคุณลักษณะ
สร้างแบบจำลองการคาดการณ์อนุกรมเวลา: เมื่อคุณเลือกชุดข้อมูลแล้ว ให้เลือกคอลัมน์เป้าหมายที่จะคาดการณ์ ในกรณีของเรา นี่จะเป็นราคาปิดของสัญลักษณ์หุ้น SageMaker Canvas จะตรวจพบโดยอัตโนมัติว่านี่เป็นคำสั่งปัญหาการคาดการณ์อนุกรมเวลา
คุณจะต้องกำหนดค่าแบบจำลองดังต่อไปนี้สำหรับการพยากรณ์อนุกรมเวลา สำหรับ ID รายการ ให้เลือกชื่อย่อหุ้น อย่าลืมว่าชุดข้อมูลของเรามีราคาหุ้นสำหรับหุ้น 10 อันดับแรก เลือกคอลัมน์ประทับเวลาสำหรับการประทับเวลา และสุดท้าย ป้อนจำนวนวันที่คุณต้องการคาดการณ์ในอนาคต [ขอบเขตการคาดการณ์]
ตอนนี้คุณพร้อมที่จะสร้างโมเดลแล้ว SageMaker Canvas มีสองตัวเลือกในการสร้างโมเดล: Quick Build และ Standard Build ในกรณีของเรา เราจะใช้ “Standard Build”
Standard Build ใช้เวลาประมาณสามชั่วโมงในการสร้างโมเดลและใช้งาน พยากรณ์อเมซอนซึ่งเป็นบริการการคาดการณ์อนุกรมเวลาโดยใช้ ML เป็นเครื่องมือคาดการณ์พื้นฐาน การพยากรณ์สร้างการพยากรณ์ที่แม่นยำสูงผ่านการรวมโมเดลของโมเดลการเรียนรู้เชิงลึกแบบดั้งเดิมและแบบลึกโดยไม่ต้องใช้ประสบการณ์ ML
เมื่อสร้างแบบจำลองแล้ว ตอนนี้คุณสามารถตรวจสอบประสิทธิภาพของแบบจำลอง (ความแม่นยำในการทำนาย) และความสำคัญของคุณลักษณะได้ ดังที่เห็นได้จากรูปด้านล่าง แบบจำลองระบุ Crowding และ DaysToCover10Day เป็นสองคุณสมบัติหลักที่ขับเคลื่อนค่าพยากรณ์ สิ่งนี้สอดคล้องกับสัญชาตญาณของตลาดของเรา เนื่องจากความแออัดเป็นตัวบ่งชี้โมเมนตัมที่ใช้วัดการสั้นรายวันและเหตุการณ์ที่ครอบคลุม และดอกเบี้ยระยะสั้นระยะสั้นเป็นมาตรวัดสภาพคล่อง ซึ่งบ่งชี้ว่านักลงทุนมีสถานะอย่างไรในหุ้น ทั้งโมเมนตัมและสภาพคล่องสามารถผลักดันความผันผวนของราคาได้
ผลลัพธ์นี้บ่งชี้ว่าคุณลักษณะทั้งสองนี้ (หรือฟิลด์) มีความสัมพันธ์อย่างใกล้ชิดกับการเคลื่อนไหวของราคาหุ้น และสามารถจัดลำดับความสำคัญให้สูงขึ้นสำหรับการเริ่มใช้งานและการวิเคราะห์เพิ่มเติม
ระบบธุรกิจอัจฉริยะ
ในบริบทของการพยากรณ์อนุกรมเวลา แนวคิดของ การทดสอบย้อนกลับ หมายถึง กระบวนการประเมินความถูกต้องของวิธีการพยากรณ์โดยใช้ข้อมูลในอดีตที่มีอยู่ กระบวนการนี้มักเกิดขึ้นซ้ำแล้วซ้ำอีกในช่วงหลายวันที่มีอยู่ในข้อมูลประวัติ
ดังที่เราได้กล่าวไปแล้ว SageMaker Canvas ใช้ Amazon Forecast เป็นเครื่องมือสำหรับการพยากรณ์อนุกรมเวลา การคาดการณ์สร้าง backtest เป็นส่วนหนึ่งของกระบวนการสร้างแบบจำลอง ตอนนี้คุณสามารถดูรายละเอียดตัวทำนายได้โดยลงชื่อเข้าใช้ Amazon Forecast สำหรับความเข้าใจเชิงลึกเกี่ยวกับความสามารถในการอธิบายโมเดล โปรดดูที่นี่ บล็อก.
Amazon Forecast ให้รายละเอียดเพิ่มเติมเกี่ยวกับเมตริกตัวทำนาย เช่น ข้อผิดพลาดเปอร์เซ็นต์สัมบูรณ์ถ่วงน้ำหนัก (WAPE) ข้อผิดพลาดค่าเฉลี่ยกำลังสองรูต (RMSE) ข้อผิดพลาดค่าเฉลี่ยเปอร์เซ็นต์สัมบูรณ์ (MAPE) และข้อผิดพลาดค่าเฉลี่ยสัมบูรณ์สเกล (MASE) คุณสามารถส่งออกคะแนนคุณภาพของตัวทำนายได้จาก Amazon Forecast
Amazon Forecast เรียกใช้การทดสอบย้อนหลังหนึ่งครั้งสำหรับชุดข้อมูลอนุกรมเวลาที่ให้มา ผลการทดสอบย้อนหลังสามารถดาวน์โหลดได้โดยใช้ ส่งออกผลการทดสอบย้อนหลัง ปุ่ม. ผลลัพธ์ backtest ที่ส่งออกจะถูกดาวน์โหลดไปยังบัคเก็ต S3
ตอนนี้ เราจะวางแผนผลลัพธ์ backtest ใน Amazon QuickSight หากต้องการแสดงภาพผลลัพธ์ backtest ใน Amazon QuickSight ให้เชื่อมต่อกับชุดข้อมูลใน Amazon S3 จาก QuickSight และสร้างการแสดงภาพ
ทำความสะอาด
บริการของ AWS ที่ใช้ประโยชน์จากโซลูชันนี้ได้รับการจัดการและไร้เซิร์ฟเวอร์โดยธรรมชาติ SageMaker Canvas ได้รับการออกแบบมาเพื่อดำเนินการฝึกอบรม ML ที่ใช้เวลานานและจะเปิดตลอดเวลา ตรวจสอบให้แน่ใจว่าคุณออกจากระบบ SageMaker Canvas อย่างชัดเจน โปรดดูที่ เอกสาร .
สรุป
ในบล็อกโพสต์นี้ เราได้พูดคุยถึงวิธีการในฐานะผู้จัดการสินทรัพย์สถาบัน คุณสามารถใช้ประโยชน์จากข้อมูล AWS low-code no-code (LCNC) และบริการ AI เพื่อเร่งการประเมินชุดข้อมูลภายนอกโดยลดภาระการคัดกรองชุดข้อมูลเริ่มต้นไปยังบุคลากรที่ไม่เชี่ยวชาญด้านเทคนิค การวิเคราะห์รอบแรกนี้สามารถทำได้อย่างรวดเร็วเพื่อช่วยคุณตัดสินใจว่าชุดข้อมูลใดควรได้รับการจัดลำดับความสำคัญสำหรับการเริ่มใช้งานและการวิเคราะห์เพิ่มเติม
เราแสดงให้เห็นทีละขั้นตอนว่านักวิเคราะห์ข้อมูลสามารถรับข้อมูลใหม่จากบุคคลที่สามผ่าน AWS Data Exchange ใช้บริการ ETL แบบไม่มีโค้ดของ AWS Glue DataBrew เพื่อประมวลผลข้อมูลล่วงหน้าและประเมินคุณลักษณะใดในชุดข้อมูลที่มีผลกระทบมากที่สุดต่อการคาดการณ์ของโมเดล .
เมื่อข้อมูลพร้อมวิเคราะห์ นักวิเคราะห์จะใช้ SageMaker Canvas เพื่อสร้างแบบจำลองเชิงคาดการณ์ ประเมินความพอดี และระบุคุณลักษณะที่สำคัญ ในตัวอย่างของเรา MAPE (.05) และ WAPE (.045) ของโมเดลระบุความเหมาะสมและแสดง “การเบียดเสียด” และ “DaysToCover10Day” เป็นสัญญาณในชุดข้อมูลที่มีผลกระทบมากที่สุดเหนือการคาดการณ์ การวิเคราะห์นี้วัดปริมาณข้อมูลที่มีอิทธิพลต่อโมเดลมากที่สุด และดังนั้นจึงสามารถจัดลำดับความสำคัญสำหรับการตรวจสอบเพิ่มเติมและรวมศักยภาพในสัญญาณอัลฟ่าหรือกระบวนการจัดการความเสี่ยงของคุณ และที่สำคัญพอๆ กัน คะแนนความสามารถในการอธิบายบ่งชี้ว่าข้อมูลใดมีบทบาทค่อนข้างน้อยในการพิจารณาการคาดการณ์ ดังนั้นจึงอาจมีความสำคัญต่ำกว่าสำหรับการตรวจสอบเพิ่มเติม
หากต้องการประเมินความสามารถของข้อมูลทางการเงินของบุคคลที่สามเพื่อสนับสนุนกระบวนการลงทุนของคุณอย่างรวดเร็วยิ่งขึ้น ให้ตรวจสอบ แหล่งข้อมูลบริการทางการเงินที่มีอยู่บน AWS Data Exchange และให้ ดาต้าบรูว์ และ ผ้าใบ วันนี้ลอง
เกี่ยวกับผู้เขียน
บอริส ลิตวิน เป็น Principal Solution Architect ซึ่งรับผิดชอบนวัตกรรมอุตสาหกรรมบริการทางการเงิน เขาเป็นอดีตผู้ก่อตั้ง Quant และ FinTech ผู้หลงใหลในการลงทุนอย่างเป็นระบบ
มีนคชีสันดาราม ทันดาวารายัน เป็นผู้เชี่ยวชาญ AI/ML อาวุโสของ AWS เขาช่วยบัญชีเชิงกลยุทธ์ที่มีเทคโนโลยีสูงในการเดินทางของ AI และ ML เขาหลงใหลเกี่ยวกับ AI ที่ขับเคลื่อนด้วยข้อมูลเป็นอย่างมาก
คามิลโล อานาเนีย เป็น Senior Startup Solutions Architect กับ AWS ในสหราชอาณาจักร เขาเป็นนักเทคโนโลยีที่มีความกระตือรือร้นในการช่วยเหลือสตาร์ทอัพทุกขนาดในการสร้างและเติบโต
แดน ซินไรช์ เป็น Sr. Product Manager ที่ AWS โดยมุ่งเน้นที่การเสริมศักยภาพให้บริษัทตัดสินใจได้ดีขึ้นด้วย ML ก่อนหน้านี้ เขาเคยสร้างแพลตฟอร์มวิเคราะห์พอร์ตโฟลิโอและแบบจำลองความเสี่ยงหลายสินทรัพย์สำหรับนักลงทุนสถาบันขนาดใหญ่
- AI
- ไอ อาร์ต
- เครื่องกำเนิดไออาร์ท
- หุ่นยนต์ไอ
- พยากรณ์อเมซอน
- อเมซอน แมชชีนเลิร์นนิง
- อเมซอน QuickSight
- ผืนผ้าใบ Amazon SageMaker
- ปัญญาประดิษฐ์
- ใบรับรองปัญญาประดิษฐ์
- ปัญญาประดิษฐ์ในการธนาคาร
- หุ่นยนต์ปัญญาประดิษฐ์
- หุ่นยนต์ปัญญาประดิษฐ์
- ซอฟต์แวร์ปัญญาประดิษฐ์
- AWS กาว DataBrew
- AWS Machine Learning AWS
- blockchain
- การประชุม blockchain ai
- เหรียญอัจฉริยะ
- ปัญญาประดิษฐ์สนทนา
- การประชุม crypto ai
- โซลูชั่นสำหรับลูกค้า
- ดัล-อี
- การเรียนรู้ลึก ๆ
- บริการทางการเงิน
- google ai
- ระดับกลาง (200)
- เรียนรู้เครื่อง
- เพลโต
- เพลโตไอ
- เพลโตดาต้าอินเทลลิเจนซ์
- เกมเพลโต
- เพลโตดาต้า
- เพลโตเกม
- ขนาดไอ
- วากยสัมพันธ์
- ลมทะเล