Algorithmen der Künstlichen Intelligenz (KI) und Machine Learning-Modelle können auf historischen Daten trainiert werden, um Muster und Trends zu identifizieren, die auf zukünftige Renditen hinweisen können. Diese Modelle können verschiedene Einflussfaktoren berücksichtigen, wie wirtschaftliche Indikatoren, Unternehmensdaten und mehr.
Smavesto arbeitet mit dem statistischen Modell "Bayesian Online Changepoint Detector (BOCPD)", das verwendet wird, um Änderungspunkte in einer zeitlichen Datenreihe zu erkennen. Änderungspunkte sind Zeitpunkte, an denen sich das Verhalten oder die Verteilung der Daten signifikant ändert. Erforscht wurde der BOCD erstmalig an der Cambridge University durch Prescott und McKay.
BOCPD basiert auf dem Prinzip der Bayesianischen Statistik, bei dem Wahrscheinlichkeitsverteilungen verwendet werden, um Unsicherheit in Schätzungen zu modellieren. Bei BOCPD wird angenommen, dass die Daten vor den Änderungspunkten aus einer bestimmten Verteilung stammen und dass die Verteilung nach einem Änderungspunkt eine andere ist.
1. Anfängliche Annahmen: Der Algorithmus beginnt mit anfänglichen Annahmen über die Verteilung der Daten. Dies kann eine Annahme über den Mittelwert und die Varianz der Daten sein.
2. Aktualisierung der Schätzung: Wenn neue Datenpunkte verfügbar sind, passt der BOCPD-Algorithmus seine Schätzungen basierend auf bayesianischer Aktualisierung an. Das bedeutet, dass er die Wahrscheinlichkeitsverteilung der Daten unter Berücksichtigung der neuen Daten aktualisiert.
3. Berechnung der Änderungspunkte: Der BOCPD-Algorithmus überwacht ständig durch Schwellenwert-Beobachtung die Wahrscheinlichkeit, dass ein Änderungspunkt auftritt.
4. Fortlaufende Überwachung: Der BOCPD-Algorithmus wird fortlaufend ausgeführt, um Änderungspunkte in Echtzeit zu erkennen. Dies ermöglicht eine kontinuierliche Anpassung an sich ändernde Muster oder Bedingungen in den Daten.
Der BOCPD-Algorithmus kann in verschiedenen Anwendungen eingesetzt werden, darunter die Erkennung von Anomalien in Zeitreihendaten, die Überwachung von Prozessen und die Früherkennung von Risiken.
Das Verfahren ist daher besonders gut geeignet, Strukturbrüche wie beispielsweise Aktiencrashs oder disruptive Veränderungen zu erkennen und hierdurch frühzeitig Allokationsentscheidungen zu treffen.
