Strukturelle Veränderungen bei der Preisfindung von Vermögenswerten.

Aussehen des Modells.

Beschreibung des Modells

Der Hauptzweck des Activity Detector-Modells besteht darin, strukturelle Veränderungen bei der Preisfindung von Finanzanlagen durch Analyse der Volatilität und des Handelsvolumens zu erkennen. Das Modell erkennt starke Ausschläge bei diesen Indikatoren, bewertet ihre Bedeutung und klassifiziert sie als anomal oder nicht. Wenn Anomalien festgestellt werden, benachrichtigt das System den Nutzer umgehend und hilft ihm, schnell auf Veränderungen der Marktbedingungen zu reagieren.

Methoden zur Analyse der Volatilität und des Handelsvolumens

Activity Detector verfolgt dynamisch die Veränderungen der Volatilität und der Liquidität eines Vermögenswerts, indem es die Zeitreihen der Marktdaten in Echtzeit analysiert. Um dies zu tun, verwendet er:

• Verwendet annähernde statistische Schätzungen der durchschnittlichen und momentanen Volatilitäts- und Volumenwerte.
• Wendet Glättungsfilter und adaptive Algorithmen an, um das Rauschen in den Daten zu minimieren und signifikante Veränderungen hervorzuheben.
• Analysiert Perioden mit beschleunigten Volatilitäts- und Volumenänderungen, indem es sie mit dem historischen Kontext des Marktverhaltens des Vermögenswerts vergleicht.
• Wendet Schwellenwerte und dynamische Anpassung an, um falsche Signale zu eliminieren.

Definition von abnormaler Aktivität

Abnormale Aktivität wird auf der Grundlage mehrerer Faktoren gleichzeitig bestimmt:

1. Der Grad der Abweichung der aktuellen Volatilität und des Volumens von ihren typischen Werten über ähnliche Zeiträume.
2. Änderungsrate von Marktparametern: starke Sprünge in Preisen, Volumen und Spreads werden analysiert.
3. Kontextparameter: Die allgemeinen Marktbedingungen und makroökonomischen Faktoren werden berücksichtigt, wobei natürliche Perioden erhöhter Aktivität (z. B. während der Veröffentlichung wichtiger Wirtschaftsnachrichten) ausgeschlossen werden.

Einsatz von maschinellem Lernen

Der Activity Detector verwendet Algorithmen des maschinellen Lernens, um die Genauigkeit seiner Analysen zu verbessern, aber spezifische Modelle werden nicht veröffentlicht. Zu den wichtigsten Grundsätzen der Nutzung von KI durch das System gehören:

• Training des Modells auf historischen Daten, um typische und atypische Muster des Marktverhaltens zu erkennen.
• Automatische Aktualisierung der statistischen Schwellenwerte und logischen Abhängigkeiten auf der Grundlage des dynamischen Marktverhaltens.