AWS Low Code-No Code hizmetleriyle yatırım sürecini hızlandırın

Son birkaç yıl, kurumsal varlık yöneticilerinin birden çok veri kaynağını nasıl tedarik ettikleri ve yatırım süreçlerine entegre ettikleri konusunda muazzam bir paradigma değişikliğine tanık oldu. Risk korelasyonlarındaki sık değişimler, beklenmedik volatilite kaynakları ve pasif stratejilerden kaynaklanan artan rekabet nedeniyle varlık yöneticileri, rekabet avantajı elde etmek ve riske göre ayarlanmış getirileri iyileştirmek için daha geniş bir üçüncü taraf veri kaynakları kümesi kullanıyor. Ancak, birden çok veri kaynağından fayda elde etme süreci son derece zorlu olabilir. Varlık yöneticilerinin veri mühendisliği ekipleri, veri toplama ve ön işleme ile aşırı yüklenirken, veri bilimi ekipleri yatırım bilgileri için veri madenciliği yapıyor.

Üçüncü taraf veya alternatif veriler, yatırım sürecinde kullanılan ve geleneksel piyasa veri sağlayıcılarının dışından alınan verileri ifade eder. Kurumsal yatırımcılar, yatırım süreçlerinde avantaj elde etmek için sıklıkla geleneksel veri kaynaklarını üçüncü taraf veya alternatif verilerle zenginleştiriyor. Tipik olarak alıntılanan örnekler arasında, bunlarla sınırlı olmamak üzere, uydu görüntüleme, kredi kartı verileri ve sosyal medya duyarlılığı yer alır. Fon yöneticileri harici veri setlerine yılda yaklaşık 3 milyar dolar yatırım yapıyor ve yıllık harcama yüzde 20-30 artıyor.

Mevcut üçüncü taraf ve alternatif veri setlerinin üstel büyümesiyle, yeni bir veri setinin yeni yatırım içgörüleri sağlayıp sağlamadığını hızlı bir şekilde analiz etme yeteneği, yatırım yönetimi endüstrisinde rekabetçi bir fark yaratan unsurdur. AWS no-code low-code (LCNC) verileri ve yapay zeka hizmetleri, teknik olmayan ekiplerin ilk veri taramasını gerçekleştirmesine, veri alımına öncelik vermesine, içgörü elde etme süresini hızlandırmasına ve değerli teknik kaynakları serbest bırakmasına olanak tanıyarak kalıcı bir rekabet avantajı oluşturur.

Bu blog gönderisinde, kurumsal bir varlık yöneticisi olarak, ilk veri analizini ve önceliklendirme sürecini teknik ekiplerin ötesine ölçeklendirmek ve karar alma sürecinizi hızlandırmak için AWS LCNC verilerinden ve yapay zeka hizmetlerinden nasıl yararlanabileceğinizi tartışıyoruz. AWS LCNC hizmetleriyle, tek bir kod parçası yazmadan makine öğrenimi (ML) modellerini kullanarak çeşitli üçüncü taraf veri kümelerine hızlı bir şekilde abone olabilir ve bunları değerlendirebilir, verileri önceden işleyebilir ve tahmin güçlerini kontrol edebilirsiniz.

Çözüme genel bakış

Kullanım durumumuz, harici bir veri kümesinin hisse senedi fiyatı tahmin gücünü analiz etmek ve özelliğin önemini belirlemektir; bu alanlar hisse senedi fiyatı performansını en çok etkiler. Bu, bir veri kümesindeki birden çok alandan hangisinin yatırım sürecinize uyması için geleneksel nicel metodolojiler kullanılarak daha yakından değerlendirilmesi gerektiğini belirlemek için bir ilk geçiş testi görevi görür. Bu tür ilk geçiş testi analistler tarafından hızlı bir şekilde yapılabilir, bu da zamandan tasarruf etmenizi ve veri kümesini ilk katılıma daha hızlı bir şekilde öncelik vermenizi sağlar. Ayrıca, hedef örnek olarak hisse senedi fiyatını kullanırken, karlılık, değerleme oranları veya işlem hacimleri gibi diğer ölçütler de kullanılabilir. Bu kullanım durumu için kullanılan tüm veri kümeleri şu adreste yayınlanmıştır: AWS Veri Değişimi.

Aşağıdaki diyagram, kararları yönlendirmek için kullanılan uçtan uca mimariyi ve AWS LCNC hizmetlerini açıklamaktadır:

Çözümümüz aşağıdaki adımlardan ve çözümlerden oluşmaktadır:

1. Veri alımı: Yayınlanan alternatif veri kümelerine abone olmak ve bunları şu adrese indirmek için AWS Data Exchange Amazon Basit Depolama Hizmeti (Amazon S3) kovası.
2. Veri mühendisliği: AWS Tutkal DataBrew veri mühendisliği ve Amazon S3'te depolanan verilerin dönüştürülmesi için.
3. Makine öğrenme: Amazon SageMaker Tuval tahmin için bir zaman serisi tahmin modeli oluşturmak ve verilerin tahmin üzerindeki etkisini belirlemek için.
4. İş zekası: Amazon QuickSight veya Amazon SageMaker Canvas, karar verme için tahminde özelliğin önemini incelemek için.

Veri alımı

AWS Veri Değişimi bulutta üçüncü taraf verilerini bulmayı, bunlara abone olmayı ve kullanmayı kolaylaştırır. AWS Data Exchange kataloğuna göz atabilir ve işinizle ve işinizle alakalı veri ürünlerini bulabilirsiniz. abone ol sağlayıcılardan gelen verilere herhangi bir başka işleme tabi tutulmadan ve bir ETL işlemine ihtiyaç duyulmadan. Pek çok sağlayıcının, önceden ön maliyetlere katlanmak zorunda kalmadan verilerini analiz etmenize izin veren ücretsiz başlangıç ​​abonelikleri sunduğunu unutmayın.

Bu kullanım durumu için, AWS Data Exchange'de aşağıdaki veri kümelerini arayın ve bunlara abone olun:

• Piyasa Değerine Göre İlk 20 ABD Şirketi İçin 10 Yıllık Gün Sonu Stok Verileri tarafından yayınlanan Alfa Vantage. Bu ücretsiz veri kümesi, 20 Eylül 10 itibarıyla piyasa değerine göre ilk 5 ABD hisse senedi için 2020 yıllık geçmiş verilerini içerir. Veri kümesi şu 10 simgeyi içerir: AAPL: Apple Inc.; AMZN: Amazon.com, Inc.; BRK-A: Berkshire Hathaway Inc. (Sınıf A); FB: Facebook, Inc.; GOOG: Alphabet Inc.; JNJ: Johnson & Johnson; MA: Mastercard Incorporated; MSFT: Microsoft Corporation V: Visa Inc.; ve WMT: Walmart Inc.
• Anahtar veri alanları şunları içerir:
  • Açık: gün için işlem gören açılış fiyatı
  • Yüksek: gün için işlem gören yüksek fiyat
  • Düşük: gün için işlem gören düşük fiyat
  • Kapanış: gün için işlem gören kapanış fiyatı
  • Hacim: günlük işlem hacmi
  • Düzeltilmiş Kapanış: bölünmüş ve temettüye göre ayarlanmış günün kapanış fiyatı
  • Bölünme Oranı: Yürürlük tarihindeki yeni hisse sayısının eski hisse sayısına oranı
  • Temettü: nakit temettü ödeme tutarı
• S3 Kısa Faiz ve Menkul Kıymetler Finans Verileri tarafından yayınlanan S3 ortakları. Bu veri kümesi aşağıdaki alanları içerir:

Alan	Açıklama
İş Tarihi	Oranın geçerlilik tarihi
Güvenlik kimlikleri	Güvenlik tanımlayıcıları Sedol, ISIN, FIGI, Ticker, Bloomberg ID içerir
Name	Güvenlik Adı
Teklif Oranı	Mevcut açık pozisyonlar için ödenen piyasa bileşik finansman ücreti
Teklif Oranı	Uzun vadeli sahipler tarafından ödünç verilen mevcut hisseler için kazanılan piyasa bileşik borç verme ücreti
Son Oran	O tarihte ödünç verilen artımlı hisseler için kazanılan piyasa bileşik borç verme ücreti (spot oran)
sıkıştırmakta	Momentum göstergesi, piyasa dalgalanmasına göre günlük kısa devre ve kapanış olaylarını ölçer
Kısa İlgi	Hisse sayısıyla ifade edilen gerçek zamanlı kısa faiz
Kısa İlgi Kavramsal	Kısa Faiz * Fiyat (USD)
Kısa İlgi Adet	Hisse senedi dalgalanma yüzdesi olarak ifade edilen gerçek zamanlı kısa vadeli faiz
S3Float	Açığa satış yoluyla yaratılan sentetik uzunlar dahil, alınıp satılabilir hisse sayısı
S3SIPctFloat	S3 değişkenine bölünen gerçek zamanlı kısa faiz projeksiyonu
Gösterge Kullanılabilirlik	S3 öngörülen ödünç verilebilir miktar
kullanım	Toplam borç verilebilir arza bölünen gerçek zamanlı kısa faiz
DaystoCover10Gün	Bu bir likidite ölçüsüdür = kısa faiz / 10 günlük ortalama ADTV
DaystoCover30Gün	Bu bir likidite ölçüsüdür = kısa faiz / 30 günlük ortalama ADTV
DaystoCover90Gün	Bu bir likidite ölçüsüdür = kısa faiz / 90 günlük ortalama ADTV
Orijinal SI	Kısa vadeli ilgi noktası

Verileri almak için önce AWS Data Exchange'de veri setini arayacak ve veri setine abone olacaksınız:

Veri kümelerinin yayıncısı abonelik isteklerinizi onayladığında, veri kümelerini S3 klasörünüze indirmeniz için kullanabilirsiniz:

seç Otomatik dışa aktarma işi hedefi ekle, S3 klasörünün ayrıntılarını sağlayın ve veri kümesini indirin:

Alpha Vantage veri kümesini almak için adımları tekrarlayın. Tamamlandığında, S3 klasörünüzde her iki veri kümesine de sahip olacaksınız.

Veri mühendisliği

Veri kümesi S3 klasörlerinize girdikten sonra, AWS Tutkal DataBrew verileri dönüştürmek için. AWS Glue DataBrew, aksi takdirde elle kodlanmış dönüşümler yazmak için günler veya haftalar gerektirecek veri hazırlama görevlerini (anormallikleri filtreleme, biçimleri standartlaştırma ve geçersiz değerleri düzeltme gibi) otomatikleştirmek için 350'den fazla önceden oluşturulmuş dönüşüm sunar.

AWS DataBrew'da tahmin için birleştirilmiş bir derlenmiş veri kümesi oluşturmak üzere aşağıdaki adımları gerçekleştirin. Ayrıntılı bilgi için lütfen buna bakın blog.

1. DataBrew veri kümelerini oluşturun.
2. DataBrew veri kümelerini DataBrew projelerine yükleyin.
3. DataBrew tariflerini oluşturun.
4. DataBrew işlerini çalıştırın.

DataBrew Veri Kümeleri Oluşturma: AWS Glue DataBrew'da bir veri kümesi S3 grubundan yüklenen verileri temsil eder. Hem gün sonu hisse senedi fiyatı hem de S3 kısa faiz oranı için iki DataBrew veri seti oluşturacağız. Veri kümenizi oluştururken S3 bağlantı detaylarını sadece bir kez girersiniz. Bu noktadan sonra, DataBrew sizin için temeldeki verilere erişebilir.

DataBrew veri kümelerini DataBrew projelerine yükleyin: AWS Glue DataBrew'da bir proje veri analizi ve dönüştürme çabalarınızın en önemli parçasıdır. Bir DataBrew projesi, DataBrew veri kümelerini bir araya getirir ve bir veri dönüşümü (DataBrew tarifi) geliştirmenizi sağlar. Burada yine gün sonu hisse senedi fiyatı ve S3 kısa vadeli faiz için iki DataBrew projesi oluşturacağız.

DataBrew tariflerini oluşturun: DataBrew'de bir yemek tarifi bir dizi veri dönüştürme adımıdır. Bu adımları veri kümenize uygulayabilirsiniz. Kullanım durumu için iki dönüşüm oluşturacağız. İlki, veri kümesinin S3 kısa faiziyle birleştirilebilmesi için gün sonu hisse senedi fiyatı zaman damgası sütununun biçimini değiştirecektir:

İkinci dönüşüm, verileri düzenler ve son adımı, veri kümelerini tek bir derlenmiş veri kümesinde birleştirmemizi sağlar. Veri dönüştürme tarifleri oluşturma hakkında daha fazla ayrıntı için buna bakın blog.

DataBrew işleri: DataBrew reçetelerinin oluşturulmasından sonra, önce gün sonu hisse senedi fiyatı DataBrew işini, ardından S3 kısa vadeli faiz reçetesini çalıştırabilirsiniz. buna bakın blog tek bir birleştirilmiş veri kümesi oluşturmak için. Nihai seçilmiş veri kümesini bir S3 klasörüne kaydedin.

Uçtan uca veri mühendisliği iş akışı şöyle görünecektir:

Makine öğrenme

Post-veri mühendisliği ile oluşturulan küratörlü veri seti ile, Amazon SageMaker Tuval tahmin modelinizi oluşturmak ve özelliklerin tahmin üzerindeki etkisini analiz etmek için. Amazon SageMaker Tuval iş kullanıcılarına, herhangi bir makine öğrenimi deneyimi gerektirmeden veya tek bir kod satırı yazmak zorunda kalmadan, kendi başlarına modeller oluşturmalarına ve doğru makine öğrenimi tahminleri oluşturmalarına olanak tanıyan görsel bir işaretle ve tıkla arabirimi sağlar.

Amazon SageMaker Canvas'ta bir zaman serisi tahmin modeli oluşturmak için aşağıdaki adımları izleyin. Ayrıntılı bilgi için, buna bakın blog:

1. SageMaker Canvas'ta seçilen veri kümesini seçin.
2. Zaman serisi tahmin modelini oluşturun.
3. Sonuçları ve özelliğin önemini analiz edin.

Zaman serisi tahmin modelini oluşturun: Veri kümesini seçtikten sonra, tahmin edilecek hedef sütunu seçin. Bizim durumumuzda, bu hisse senedinin kapanış fiyatı olacaktır. SageMaker Canvas, bunun bir zaman serisi tahmin sorunu bildirimi olduğunu otomatik olarak algılar.

Zaman serisi tahmini için modeli aşağıdaki gibi yapılandırmanız gerekecektir. Öğe kimliği için stok senedi adını seçin. Unutmayın, veri setimizde ilk 10 hisse senedi için hisse senedi fiyatları var. Zaman damgası için zaman damgası sütununu seçin ve son olarak gelecekte [Tahmin Ufku] tahmin etmek istediğiniz gün sayısını girin.

Artık modeli oluşturmaya hazırsınız. SageMaker Canvas, modeli oluşturmak için iki seçenek sunar: Hızlı Oluşturma ve Standart Oluşturma. Bizim durumumuzda “Standart Yapı” kullanacağız.

Standard Build, modeli oluşturmak için yaklaşık üç saat sürer ve kullanır Amazon Tahmini, temel tahmin motoru olarak makine öğrenimine dayalı bir zaman serisi tahmin hizmeti. Forecast, makine öğrenimi deneyimi gerektirmeden geleneksel ve derin öğrenme modellerinin model birleştirilmesi yoluyla son derece doğru tahminler oluşturur.

Model oluşturulduktan sonra artık model performansını (tahmin doğruluğu) ve özelliğin önemini inceleyebilirsiniz. Aşağıdaki şekilde görülebileceği gibi, model, tahmin değerlerini yönlendiren en önemli iki özellik olarak Kalabalık ve DaysToCover10Day'i tanımlar. Kalabalık, günlük açık pozisyonları ve olayları kapsayan bir ivme göstergesi olduğundan ve yakın vadeli kısa vadeli faiz, yatırımcıların bir hisse senedinde nasıl konumlandığını gösteren bir likidite ölçüsü olduğundan, bu, piyasa sezgimiz ile uyumludur. Hem ivme hem de likidite fiyat oynaklığını artırabilir.

Bu sonuç, bu iki özelliğin (veya alanın) hisse senedi fiyat hareketleriyle yakın bir ilişkisi olduğunu ve işe alım ve daha fazla analiz için daha yüksek önceliklendirilebileceğini gösterir.

İş zekası

Zaman serileri tahmini bağlamında, geriye dönük test Mevcut tarihsel verileri kullanarak bir tahmin yönteminin doğruluğunu değerlendirme sürecini ifade eder. Süreç tipik olarak yinelemelidir ve tarihsel verilerde bulunan birden fazla tarih boyunca tekrarlanır.

Daha önce tartıştığımız gibi, SageMaker Canvas, zaman serisi tahmini için motor olarak Amazon Forecast'ı kullanır. Forecast, model oluşturma sürecinin bir parçası olarak bir geriye dönük test oluşturur. Artık tahminci ayrıntılarını Amazon Forecast'te oturum açarak görüntüleyebilirsiniz. Model Açıklanabilirliği hakkında daha derin bir anlayış için buna bakın blog.

Amazon Forecast, ağırlıklı mutlak yüzde hatası (WAPE), ortalama karekök hatası (RMSE), ortalama mutlak yüzde hatası (MAPE) ve ortalama mutlak ölçeklenmiş hata (MASE) gibi tahmin edici metrikler hakkında ek ayrıntılar sağlar. Tahmin edici kalite puanlarını Amazon Forecast'ten dışa aktarabilirsiniz.

Amazon Forecast, sağlanan zaman serisi veri kümesi için bir geriye dönük test gerçekleştirir. Geriye dönük test sonuçları, kullanılarak indirilebilir. Arka test sonuçlarını dışa aktar buton. Dışa aktarılan geriye dönük test sonuçları bir S3 klasörüne indirilir.

Şimdi Amazon QuickSight'ta geriye dönük test sonuçlarını çizeceğiz. Amazon QuickSight'ta geriye dönük test sonuçlarını görselleştirmek için QuickSight'tan Amazon S3'teki veri kümesine bağlanın ve bir görselleştirme oluşturun.

Temizlemek

Bu çözümde yararlanılan AWS hizmetleri, doğası gereği yönetilir ve sunucusuzdur. SageMaker Canvas, uzun süreli makine öğrenimi eğitimi yürütmek üzere tasarlanmıştır ve her zaman açık olacaktır. Açıkça SageMaker Canvas oturumunu kapattığınızdan emin olun. Bakınız dokümanlar daha fazla ayrıntı için.

Sonuç

Bu blog gönderisinde, kurumsal bir varlık yöneticisi olarak, ilk veri kümesi taramasını teknik olmayan personele devrederek harici veri kümelerinin değerlendirmesini hızlandırmak için AWS low-code no-code (LCNC) verilerinden ve yapay zeka hizmetlerinden nasıl yararlanabileceğinizi ele aldık. Bu ilk geçiş analizi, katılım ve daha fazla analiz için hangi veri kümelerine öncelik verilmesi gerektiğine karar vermenize yardımcı olmak için hızlı bir şekilde yapılabilir.

Bir veri analistinin AWS Data Exchange aracılığıyla yeni üçüncü taraf verilerini nasıl edinebileceğini, verileri önceden işlemek için AWS Glue DataBrew kodsuz ETL hizmetlerini nasıl kullanabileceğini ve bir veri kümesindeki hangi özelliklerin modelin tahmini üzerinde en fazla etkiye sahip olduğunu nasıl değerlendirebileceğini adım adım gösterdik .

Veriler analize hazır olduğunda bir analist, tahmine dayalı bir model oluşturmak, uygunluğunu değerlendirmek ve önemli özellikleri belirlemek için SageMaker Canvas'ı kullanır. Örneğimizde, modelin MAPE (.05) ve WAPE (.045) değerleri iyi bir uyum gösterdi ve veri kümesinde tahmin üzerinde en büyük etkiye sahip sinyaller olarak "Crowding" ve "DaysToCover10Day"i gösterdi. Bu analiz, hangi verilerin modeli en çok etkilediğini ölçmüştür ve bu nedenle, daha fazla araştırma ve alfa sinyallerinize veya risk yönetimi sürecinize potansiyel olarak dahil edilmek üzere önceliklendirilebilir. Ve daha da önemlisi, açıklanabilirlik puanları, hangi verilerin tahminin belirlenmesinde nispeten az rol oynadığını gösterir ve bu nedenle daha fazla araştırma için daha düşük bir öncelik olabilir.

Üçüncü taraf mali verilerinin yatırım sürecinizi destekleme yeteneğini daha hızlı değerlendirmek için şu bilgileri gözden geçirin: AWS Data Exchange'de bulunan Finansal Hizmetler veri kaynakları, ve ver VeriBrew ve Tuval bugün bir deneyin.

---

Yazarlar Hakkında

Boris Litvin Finansal Hizmetler sektörü inovasyonundan sorumlu Baş Çözüm Mimarıdır. Sistematik yatırım konusunda tutkulu olan eski bir Quant ve FinTech kurucusudur.

Meenakshisundaram Thandavarayan AWS'de kıdemli bir AI/ML uzmanıdır. Yapay zeka ve makine öğrenimi yolculuklarında yüksek teknolojili stratejik hesaplara yardımcı olur. Veriye dayalı yapay zeka konusunda çok tutkulu.

camillo anania Birleşik Krallık merkezli AWS'de Kıdemli Başlangıç ​​Çözümleri Mimarıdır. O, her büyüklükteki girişimin kurulmasına ve büyümesine yardımcı olan tutkulu bir teknoloji uzmanıdır.

Dan Sinnreich AWS Kıdemli Ürün Yöneticisidir ve şirketleri makine öğrenimi ile daha iyi kararlar alma konusunda güçlendirmeye odaklanmıştır. Daha önce büyük kurumsal yatırımcılar için portföy analitiği platformları ve çok varlıklı sınıf risk modelleri oluşturmuştu.