Payung Hasilwan wandelt unstrukturierte Marktdaten in risikobereinigte Signale um, die anhand der historischen Leistung validiert werden, bevor sie Ihren Schreibtisch erreichen.
Jedes auf der Plattform angezeigte Signal wird mit seiner Backtest-Leistung in früheren Marktregimen gepaart, sodass Sie die Zuverlässigkeit beurteilen können, bevor Sie handeln.
Märkte passen ihre Preise schneller an, als manuelle Recherchen folgen können. Payung Hasilwan erfasst kontinuierlich Preis-, Auftragsfluss- und Nachrichtendaten und vergleicht sie mit Modellen, die bereits über historische Zyklen hinweg getestet wurden – das Signal, das Sie sehen, hat also eine bekannte Erfolgsbilanz und ist nicht nur eine Theorie.
Anschauliche Darstellung der Signalstärke im Zeitverlauf, wie sie in der Payung Hasilwan-Konsole angezeigt wird.
Der Prozess ist bewusst linear, sodass jede Empfehlung auf die Daten und Bedingungen zurückgeführt werden kann, die sie hervorgebracht haben.
Preis-Feeds, Einreichungen, Orderbuchtiefe und Nachrichtentexte werden in einem gemeinsamen Schema normalisiert, mit einem Zeitstempel versehen und abgeglichen, bevor mit der Modellierung begonnen wird.
Kandidatensignale werden über mehrere Marktbedingungen hinweg bewertet, nicht über einen einzigen Bullenmarkt hinweg, um die Wahrscheinlichkeit einer Strategie zu verringern, die erst im Nachhinein funktioniert.
Vor der Veröffentlichung werden die Strategien einem Stresstest anhand historischer Drawdowns und Volatilitätsspitzen unterzogen, wobei für jede Strategie Leistungskennzahlen beibehalten werden.
Die zugrunde liegende Modellarchitektur wird im Einklang mit der üblichen Praxis für quantitative Forschungsplattformen nicht im Detail offengelegt. Was vollständig offengelegt wird, ist die historische Leistung jeder Strategie und die Bedingungen, unter denen sie getestet wurde.
Vorhersagesignale werden angezeigt, wenn die Korrelationen zwischen den Beständen beginnen, von ihrem historischen Ausgangswert abzuweichen, und informieren Portfoliomanager im Voraus, bevor eine Neuausrichtung reaktiv statt geplant erfolgt.
Das Signal wird ausgelöst, wenn die Vermögensbeziehungen von dem Backtest-Bereich abweichen, der zur Festlegung der Portfoliogewichte verwendet wird.
Strategieteams nutzen Nachfrage- und Preissignale, um zu beurteilen, ob die aktuellen Marktbedingungen früheren Perioden ähneln, die günstigen Einstiegspunkten vorausgingen, und informieren so über den Zeitpunkt von Kapitalzusagen und nicht über die Entscheidung, sich zu engagieren.
Die Bewertungen basieren auf der Entwicklung ähnlicher historischer Bedingungen und nicht auf zukunftsgerichteten Garantien.
Payung Hasilwan wurde unter der Annahme entwickelt, dass die meisten Handelsverluste dadurch entstehen, dass unter Zeitdruck auf ungeprüften Annahmen gehandelt wird. Die Plattform dient dazu, diesen Druck zu beseitigen, indem sie datengesteuerten Entscheidungsträgern eine geprüfte Handlungsgrundlage bietet, wobei jeder Empfehlung eine historische Aufzeichnung beigefügt ist.
Das Team konzentriert sich auf Modelltransparenz und Backtesting-Genauigkeit bei Marketingaussagen. Die Plattform ist so konzipiert, dass sie sich in bestehende Arbeitsabläufe integriert, anstatt diese zu ersetzen.
Technisch versierte Händler und Risikoteams stellen sich frühzeitig die gleichen Fragen: Wie werden die Daten geschützt und hält die Plattform unter Last stand? Diese werden direkt angesprochen.
Die Daten werden während der Übertragung und im Ruhezustand verschlüsselt, wobei der Zugriff je nach Rolle eingeschränkt ist, sodass nur autorisierte Benutzer vertrauliche Portfolio- oder Strategieinformationen anzeigen können.
Die API ist darauf ausgelegt, Streaming-Marktdaten und gleichzeitige Strategieanfragen zu verarbeiten, ohne dass es zu Materiallatenz in zeitkritischen Arbeitsabläufen kommt.
Die Infrastruktur wird kontinuierlich überwacht und es sind Failover-Routinen vorhanden, sodass die Signalübermittlung nicht von einem einzelnen Fehlerpunkt abhängig ist.
Daten werden im Ruhezustand und während der Übertragung verschlüsselt, der Zugriff erfolgt rollenbasiert und kundenspezifische Daten werden nicht zum Trainieren von Modellen für andere Kunden verwendet. Aufbewahrungsfristen und Datenverarbeitungsbedingungen sind in der Servicevereinbarung festgelegt, die beim Onboarding bereitgestellt wird.
Jedes Signal wird mit den Faktoren, die dazu beigetragen haben, und dem historischen Backtest dahinter dargestellt, und nicht mit einem einzelnen undurchsichtigen Wert. Dies soll es den Benutzern ermöglichen, die Argumentation und nicht nur die Ergebnisse zu bewerten, bevor sie entscheiden, ob sie handeln.
Backtests umfassen Phasen hoher Volatilität und starker Rückgänge, und die Signalzuverlässigkeit wird normalerweise automatisch verringert, wenn die aktuellen Bedingungen außerhalb des Bereichs liegen, anhand dessen das Modell getestet wurde. Kein Modell kann die Leistung bei wirklich beispiellosen Ereignissen garantieren, und diese Einschränkung wird eher offengelegt als verborgen.
Die meisten Teams beginnen mit einem API-Zugriff und einem schreibgeschützten Datenfeed, um Signale anhand ihrer eigenen Aufzeichnungen zu validieren, bevor sie Kapital binden oder die Plattform in Live-Workflows integrieren. Die Zeitpläne hängen von der vorhandenen Infrastruktur und dem Umfang der erforderlichen Integration ab.