Sovrena führt Vorhersagemodelle anhand von Marktdaten aus zwei Jahrzehnten durch, um Backtest-Strategien für Nebenerwerbsinvestoren zu ermitteln, die Renditen ohne aktiven Handel erzielen möchten.
Sovrena verarbeitet strukturierte und unstrukturierte Marktdaten über eine einzige Pipeline und reduziert so die Verzögerung zwischen Signalerkennung und Entscheidung.
Marktdaten werden kontinuierlich erfasst und innerhalb von Sekunden mit historischen Musterbibliotheken abgeglichen, nicht mit Chargen am Ende des Tages. Die Latenz wird gemessen, nicht angenommen.
Jede Empfehlung geht auf eine Strategie zurück, die anhand historischer Renditen über mehrere Marktzyklen hinweg validiert wurde, und nicht auf einen einzigen günstigen Zeitraum.
Positionsgrößen- und Drawdown-Schwellenwerte werden algorithmisch festgelegt, um das Konzentrationsrisiko zu mindern, bevor Kapital gebunden wird.
Keine Strategie erreicht einen Benutzer, ohne drei aufeinanderfolgende Prüfpunkte zu passieren. Der Prozess ist dokumentiert, wiederholbar und kann auf Anfrage überprüft werden.
Kandidatenstrategien werden mit Marktdaten aus mindestens zehn Jahren, einschließlich Rezessionen und Erholungsphasen, verglichen, um herauszufinden, wie sie sich unter Stress verhalten.
Ein Datensegment wird dem Training vollständig vorenthalten. Modelle werden dagegen getestet, um zu bestätigen, dass die Leistung nicht auf eine Überanpassung zurückzuführen ist.
Vor der Aktivierung läuft eine Strategie parallel mit Live-Daten ab, ohne dass Trades ausgeführt werden, und vergleicht die prognostizierten mit den tatsächlichen Ergebnissen für einen festgelegten Zeitraum.
Jede veröffentlichte Strategie wird von einem Diagramm begleitet, in dem die prognostizierten Renditebänder im Vergleich zu den realisierten Ergebnissen über gleitende 12-Monats-Fenster dargestellt sind. Abweichungen über die angegebene Toleranz hinaus lösen eine Neukalibrierungsüberprüfung aus und die Strategie wird bis zur Lösung als inaktiv gekennzeichnet.
Die gleiche zugrunde liegende Engine liefert unterschiedliche Ergebnisse, je nachdem, ob der Benutzer persönliches Kapital zuweist oder das Betriebsrisiko in großem Maßstab bewertet.
Einzelne Anleger nutzen Sovrena, um Kapital auf Backtest-Portfolios zu verteilen, ohne die Märkte täglich zu überwachen. Empfehlungen zur Neuausrichtung werden nach einem festen Zeitplan generiert, wodurch die Notwendigkeit einer ständigen Überwachung verringert wird und gleichzeitig die Risikoparameter innerhalb eines gewählten Toleranzbands gehalten werden.
Unternehmen integrieren Sovrena, um Finanzentscheidungen vor der Kapitalbindung einem Stresstest zu unterziehen, vom Bestandsrisiko bis zum Kontrahentenrisiko. Empfehlungen erscheinen als strukturierte Berichte, die die interne Überprüfung unterstützen und nicht ersetzen sollen.
Sovrena basiert auf der Annahme, dass diskretionäre Handelsentscheidungen zu vermeidbaren Abweichungen führen. Durch die Beseitigung emotionaler Voreingenommenheit bei der Allokation wird das Risiko nicht beseitigt, aber es macht das Risiko messbar.
Jedes Modell in der Produktion wird nach einem festgelegten Zeitplan versioniert, datiert und außer Dienst gestellt. Benutzer können die Annahmen hinter jeder Live-Strategie jederzeit überprüfen, anstatt sich auf eine Blackbox zu verlassen.
Diese decken die am häufigsten von analytisch denkenden Benutzern geäußerten Bedenken ab, bevor sie Kapital investieren oder einen Workflow integrieren.
Die Daten stammen aus lizenzierten Finanzmarkt-Feeds und öffentlichen Regulierungsunterlagen. Beim Modelltraining werden keine proprietären oder nicht offengelegten Datenquellen verwendet.
Ja, jedes Modell, das auf historischen Daten trainiert wird, weist die Voreingenommenheit dieser Geschichte auf. Wir mildern dies durch Tests außerhalb der Stichprobe und regelmäßige Neukalibrierung, anstatt eine verzerrungsfreie Vorhersage zu behaupten.
Konto- und Portfoliodaten werden auf einer Infrastruktur innerhalb der EU gespeichert, in Übereinstimmung mit den DSGVO-Anforderungen für Datenresidenz und Zugriffskontrolle.
Nein. Die Backtested-Leistung beschreibt das historische Verhalten unter historischen Bedingungen. Vergangene Ergebnisse beeinflussen das Modellvertrauen; Sie können zukünftige Ergebnisse nicht mit Sicherheit vorhersagen.
Strategien, die ihre definierte Risikotoleranz verletzen, werden automatisch gekennzeichnet und bis zur manuellen Überprüfung von neuen Zuteilungen ausgeschlossen.
Nein. Die Daten werden ausschließlich zur Generierung von Empfehlungen für den Kontoinhaber verwendet und nicht zu Marketingzwecken verkauft oder weitergegeben.
Technische Grundlage: Modelltraining und Inferenzlauf auf einer Container-Infrastruktur mit verschlüsselten Daten im Ruhezustand und während der Übertragung, gehostet in der Europäischen Union.
Der Zugang zu Live-Strategien wird auf Anfrage gewährt. Vor jeder Kapitalbindung stehen historische Performancedaten zur Einsicht zur Verfügung.
Access Engine