بهینه سازی سبد دارایی های خودکار و شخصی شده با ترکیب ESG و داده های مالی در آمازون FinSpace

همانطور که در پست قبلی ما در مورد این موضوع توضیح داده شد، داده های محیطی، اجتماعی و حکومت (ESG) به یک داده مکمل ضروری برای ارزیابی ریسک و عملکرد یک شرکت در کنار داده های مالی و جایگزین سنتی تبدیل شده است. سرمایه گذاران نهادی و مدیران دارایی به طور فزاینده ای داده های ESG را در تصمیمات سرمایه گذاری ادغام می کنند، زیرا سرمایه گذاری مسئولانه یا پایدار از جایگاه به جریان اصلی حرکت می کند. این امر با این واقعیت برجسته می شود که 40٪ از 110 تریلیون دلار دارایی های مالی جهانی که به طور حرفه ای مدیریت می شوند دارای ملاحظات ESG هستند.

ادغام داده های ESG در تصمیم گیری سرمایه گذاری بی اهمیت نیست. منبع یابی، تمیز کردن، پردازش، یکپارچه سازی و تجزیه و تحلیل داده های ESG به تلاش دستی قابل توجهی نیاز دارد، و حتی اگر شرکت به فناوری مناسب مجهز نباشد، حتی بیشتر. به همین دلیل است که 59 درصد از مدیران دارایی و سرمایه گذاران نهادی داده ها را به عنوان مانعی برای یکپارچه سازی ESG گزارش می دهند.

یکی از نمونه های یک چالش خاص، عدم استانداردسازی است، که همچنان باعث تکثیر داده های ESG، از معیارهای گزارش شده تا نحوه ساختار داده ها می شود. علاوه بر این، قوانین مرتبط با ESG در حال تحول به این معنی است که عامل ESG که امروزه به عنوان ماده تعریف می شود، ممکن است در آینده یکسان نباشد.

علاوه بر این، برای مدیران دارایی، گرد هم آوردن چندین منبع داده گام مهمی در غلبه بر عدم استانداردسازی است. و ما دیده ایم که مشتریان از چند منبع گرفته تا بیش از ۴۰ منبع داده (که هزاران نهاد را پوشش می دهند) استفاده می کنند.

Greenwashing یک چالش در کل صنعت است: تنظیم کننده های مالی جهانی با راه اندازی مقرراتی که نیازمند گزارش دقیق تر محصول ESG و برچسب گذاری دانه بندی محصول ESG است، گام هایی برای رسیدگی به موضوع شستشوی سبز برمی دارند. ما این را در اروپا با مقررات افشای مالی پایدار (SFDR) و نقشه راه مالی پایدار و در ایالات متحده همانطور که توسط SEC اعلام شده است، دیده ایم.

AWS به مشتریان خدمات مالی کمک می کند تا در این محیط در حال تغییر حرکت کنند. مشتریان خدمات مالی به ابر روی می آورند، جایی که گردآوری چندین منبع داده ESG، که در قالب های مختلف (چه ساختار یافته و چه بدون ساختار) قرار دارند، هرگز آسان تر نبوده است.

دو سرویس خاص AWS وجود دارد که به خوبی به چالش های ارائه شده توسط داده های ESG کمک می کند:

Amazon Finspace یک سرویس مدیریت داده و تجزیه و تحلیل داده ها کاملاً مدیریت شده است که ذخیره ، کاتالوگ ، تهیه و تجزیه و تحلیل داده های صنعت مالی را در مقیاس آسان می کند. این باعث می شود زمانی که برای مشتریان صنعت خدمات مالی (FSI) برای یافتن ، دسترسی و تجزیه و تحلیل انواع داده های مالی و ESG کاهش می یابد.

AWS Data Exchange خدمتی است که باعث می شود مشتریان AWS بتوانند از داده های شخص ثالث در AWS Cloud پیدا کنند ، مشترک شوند و از آن استفاده کنند. به عنوان مشترک ، می توانید هزاران محصول ارائه دهنده داده های واجد شرایط را پیدا کرده و مشترک کنید.

Exchange Data Amazon Finspace و AWS برای ساده سازی و تسریع ارزیابی های مالی و تصمیم گیری بر اساس تجزیه و تحلیل داده ها طراحی شده اند. این امر با سهولت استفاده و توانایی های موجود در Finspace و انواع محصولات داده موجود در تبادل داده AWS فعال می شود.

در این پست ، ما نشان می دهیم که چگونه می توان با استفاده از داده های AWS Data Exchange و Finspace برای یک مورد خاص استفاده کرد: به طور خودکار پرتفوی دارایی های بهینه شده را بر اساس ترجیحات کاربر (مانند حداقل/حداکثر ٪ هر سهام موجود در نمونه کارها) شناسایی کرده و ترکیب کنید و ترکیب کنید. مجموعه داده های مختلف ESG ، از تبادل داده AWS ، با داده های مالی از منابع داده شخص ثالث.

شرح مجموعه

در این پست ، ما از مجموعه داده های زیر استفاده خواهیم کرد:

این توضیحات مجموعه داده های Analytics Analytics است که در تبادل داده AWS نشان داده شده است:

وی گفت: "این مجموعه داده آزمایشی NLP در مقیاس صنعتی است که در مورد رونوشت های فراخوانی درآمدی اعمال می شود تا به ثمر برسد تا در زمان واقعی و در سطح شرکت در مورد مسائل ESG به ثمر برسد. این شرکت در 12،000 شرکت در سطح جهان برای پیگیری نمونه کارها و قرار گرفتن در معرض شرکت ، امتیازات خاص شرکت را فراهم می کند. امتیاز دهی از احساسات خالص تقسیم شده توسط کل منفی است. و POSاستخراج در متن ، و در هر موضوع ESG. همچنین شامل شماری است که این نمرات را تشکیل می دهد.*روزانه مجموعه داده های مشترک مشترک به روزرسانی می شود. "

برای کسب اطلاعات بیشتر در مورد AWS Partner Alarity Analytics به سایت www. amenityanalytics.com مراجعه کنید

این توضیحات مجموعه داده Reprisk همانطور که در تبادل داده AWS نشان داده شده است:

"Reprisk ESG Data Feed Feeds Feeds صادرات داده های قابل تنظیم از معیارهای Reprisk ESG و تجزیه و تحلیل است که به راحتی در سیستم های داخلی یا شخص ثالث ادغام می شوند. فید داده های Reprisk ESG برای نمایش سیستماتیک و نظارت بر ESG و نظارت بر مسائل مربوط به مشاغل مربوط به مشتری ، سرمایه گذاری و/یا تأمین کنندگان خدمت می کند. در این نمونه ، شما به فید داده های استاندارد Reprisk ESG برای جهان متوسط شرکت Dow Jones دسترسی دارید.

برای کسب اطلاعات بیشتر در مورد Reprisk به https://reprisk.com/ مراجعه کنید

علاوه بر این ، برای قیمت سهام تاریخی ، ما از مجموعه داده های مالی یاهو استفاده خواهیم کرد. این مجموعه داده برای اهداف تظاهرات استفاده می شود و می تواند با یک مجموعه داده دیگر در بازار مورد نظر شما جایگزین شود.

به منظور اجرای این پست ، می توانید از نسخه آزمایشی Analytical و Reprisk Datast نیز استفاده کنید ، اما در این حالت ، مجموعه داده های قابل توجهی کوچکتر در دسترس خواهید بود که منجر به نتایج کم معنی تر خواهد شد.

نتایج نشان داده شده در پایان این پست بر اساس مجموعه داده هایی است که کمی بزرگتر از مجموعه داده های آزمایشی هستند.

معماری و گردش کار

شکل 1: گردش کار عملکردی بهینه سازی نمونه کارها

1 - ما دو مجموعه داده ESG را که در بند بالا شرح داده شده است ، از ADX می گیریم و آنها را در کاتالوگ داده های Finspace بارگذاری می کنیم.

2 - ما به محیط Finspace دسترسی پیدا می کنیم ، دو مجموعه داده ESG را از فهرست داده های Finspace بارگیری می کنیم ، سپس مجموعه داده سوم را از Finance Yahoo بارگذاری می کنیم.

دو مجموعه داده ESG حاوی نمرات ESG برای همان زیر مجموعه شرکت ها است. این نمرات ESG توسط دو ارائه دهنده داده های مختلف با معیارهای مختلف محاسبه می شود ، بنابراین نمی توان آنها را مستقیماً مقایسه یا ترکیب کرد. ما عادی سازی این نمرات را اجرا می کنیم تا بعداً بتوانیم آنها را ترکیب کنیم.

• گزینه شخصی سازی: برای اجرای مرحله عادی سازی ، باید آستانه/ضرایب دلخواه را تعریف کنیم. می توانید از مقادیر ارائه شده استفاده کنید ، یا می توانید آنها را متناسب با نیاز خود تغییر دهید یا سناریوهای مختلف را کشف کنید.

مجموعه داده های مالی یاهو شامل قیمت سهام تاریخی است. ما این مجموعه داده را مستقیماً در محیط Finspace بارگذاری می کنیم و از قیمت سهام تنظیم شده تاریخی برای محاسبه ٪ بازده استفاده می کنیم ، در نتیجه مقایسه بازده سهام را که بعداً اجرا خواهیم کرد ، امکان پذیر می کنیم.

هنگامی که ما درصد بازده و نمرات ESG را عادی کردیم ، همه این مجموعه داده ها را در یک مجموعه داده کار واحد (یعنی DataFrame) ترکیب می کنیم.

3 - برای هر سهام ، اکنون ما ٪ بازده و دو نمره ESG را داریم. ما یک منطق تجاری دلخواه را برای تعریف نمره نهایی ESG که برای هر سهام در نظر گرفته می شود ، اعمال می کنیم. این نمره نهایی ESG نمره ای است که به بهینه سازی نمونه کارها ارائه می شود که بعداً اجرا خواهیم کرد.

• گزینه شخصی سازی: هر کاربر ممکن است بخواهد "سس مخفی" خود را در اینجا بمالد تا این نمرات را ترکیب کند. به عنوان مثال ، اگر کاربر نمرات حاکمیت شرکت ها (به عنوان مثال ، "G" ESG) را که از یک ارائه دهنده داده داده شده است ، سوق دهد ، ممکن است او "G" را از آن ارائه دهنده داده انتخاب کند و E و S را از دیگری بگیردارائه دهندگان داده. ممکن است کاربر دیگری بخواهد نمرات مختلف ESG را به طور متوسط داشته باشد ، شاید با وزنهای مختلف. شما می توانید منطقی را که در این پست ارائه داده ایم متناسب با نیازهای شما یا کشف سناریوهای مختلف تغییر دهید.

4 - در اینجا ما مفهوم واریانس ESG و سپس واریانس ESG را معرفی می کنیم: با توجه به مجموعه داده های اولیه (تجزیه و تحلیل تسهیلات و Reprisk) ، حاوی نمرات ESG ، واریانس این نمرات ESG را با گذشت زمان محاسبه می کنیم. این همان چیزی است که ما به عنوان واریانس ESG یا نوسانات ESG می نامیم. هرچه نوسانات ESG بالاتر باشد ، میزان نمره ESG تغییر می کند.

در این مرحله ، ما الزاماتی را که بعداً برای تعریف بهترین نمونه کارها ما استفاده می شود ، تعیین می کنیم. به طور خاص ، ما حداقل و حداکثر درصد مجاز برای هر سهام را تعیین می کنیم ، حداقل بازده نمونه کارها مورد نیاز مورد نیاز ما و تنظیم شده است تا نمونه کارها وزنی برابر را محاسبه و به ثمر برساند.

• گزینه شخصی سازی: هر کاربر می تواند و باید این ترجیحات را متناسب با نیازهای خود پیکربندی کند و سناریوهای مختلف را کشف کند.

5 - این مرحله اصلی است که در آن از داده های تهیه شده و تنظیمات تعریف شده برای تعیین حداقل نمونه کارها واریانس ESG ، یک مرز کارایی ESG به سبک Markowitz و نمونه کارها که حداکثر نسبت شارپ اصلاح شده در مرز را به حداکثر می رساند ، استفاده می شود. نسبت شارپ اصلاح شده با استفاده از نوسانات ESG (شرح داده شده در مرحله 4) بر خلاف نوسانات بازده محاسبه می شود و ما 0 را نرخ ریسک می دانیم.

• گزینه شخصی سازی: ما تصمیم گرفتیم 0 را به عنوان نرخ ریسک تنظیم کنیم و می توانید به راحتی آن را به نرخ ریسک بدون ریسک که ترجیح می دهید تغییر دهید.

پس از اتمام تجزیه و تحلیل ، ما پرتفوی های حاصل را به عنوان یک مرزی با بهره وری ESG به سبک Markowitz و به عنوان یک نمودار پای نشان می دهیم که ترکیب نمونه کارها بهینه را نشان می دهد.

تصویر زیر معماری های فنی را نشان می دهد:

شکل 2: گردش کار فنی بهینه سازی نمونه کارها

مرحله 1 در AWS Exchange Exchange و Finspace Web UI اجرا شده است ، و هدف از جمع آوری کاتالوگ داده Finspace با مجموعه داده های ESG مورد نیاز است.

مراحل 2 تا 5 در نوت بوک های مدیریت شده Jupyter در Finspace اجرا می شود. Finspace این مراحل را بر روی یک خوشه مدیریت شده Amazon EMR EMR اجرا می کند ، و این کار به صورت شفاف برای کاربر که نوت بوک ها را اجرا می کند انجام می شود.

برپایی

برای اجرای معماری شرح داده شده در این پست ، به یک حساب کاربری AWS و یک محیط Finspace نیاز دارید.

اگر یک حساب کاربری AWS ندارید ، می توانید یکی از آنها را پس از ثبت نام برای راهنمای AWS ایجاد کنید. این بهترین روش برای جلوگیری از استفاده از کاربر root حساب AWS برای این کارها است. شما می توانید برای ایجاد یک کاربر هویت AWS و مدیریت دسترسی AWS (IAM) برای اجرای وظایف شرح داده شده در این پست ، راهنمای کاربر ایجاد IAM را دنبال کنید.

اگر محیط Finspace ندارید ، می توانید یکی از آنها را به دنبال ایجاد یک محیط Amazon Finspace ایجاد کنید.

دریافت داده از تبادل داده AWS

برای دسترسی به "ESG SAFEGUARD - مجموعه داده های احساسات رونوشت" و "Reprisk ESG Data Feed: Dow Jones Any Industrial Company Universe" ، می توانید دستورالعمل های شرح داده شده در نحوه دریافت داده ها از تبادل داده AWS را دنبال کنید.

شما باید دو بار دستورالعمل های فوق را اجرا کنید:

به صورت اختیاری ، اگر می خواهید یک راهنمای جامع تر را مرور کنید ، تمام گزینه های اشتراک تبادل داده AWS را شرح دهید ، می توانید مستندات مربوط به "مشترک شدن به یک محصول حاوی داده های مبتنی بر پرونده" را در مشترک شدن به یک محصول داده در AWS مرور کنید. راهنمای کاربر تبادل داده.

نحوه بارگیری داده ها در کاتالوگ داده های Finspace

گزینه های مختلفی برای بارگیری و فهرست نویسی داده ها در Finspace وجود دارد ، همانطور که در نحوه بارگذاری دستی داده ها در Amazon Finspace و نحوه بارگیری برنامه نویسی داده ها در Amazon Finspace توضیح داده شده است. همچنین می توانید داده ها را با استفاده از نوت بوک های Amazon Finspace API و از Finspace Jupyter ، همانطور که در این پست نشان داده شده است ، در Finspace بارگذاری کنید.

برای اهداف این پست ، با استفاده از UI وب Finspace ، داده ها را در Finspace بارگذاری خواهیم کرد. مستندات شرح داده شده در نحوه بارگیری دستی داده ها را در Amazon Finspace برای هر دو مجموعه Analytics Analyity و Retrisk که در پاراگراف قبلی مشترک شده اید ، دنبال کنید.

در پایان این مراحل ، یک کاتالوگ داده Finspace با دو مجموعه داده جمع خواهید شد.

در تصویر زیر ، می توانید از طریق دسته های موجود در صفحه ناوبری سمت چپ مرور کنید یا ESG را انتخاب کنید که نتایج را نشان می دهد.

شکل 3: جستجوی مجموعه داده ESG در کاتالوگ داده های Finspace

همچنین می توانید از عملکرد جستجوی کلمه کلیدی برای جستجوی کاتالوگ برای مجموعه داده های مربوطه استفاده کنید.

شکل 4: استفاده از کاتالوگ داده های Finspace برای فیلتر کردن نتایج جستجو

بسته به ترجیحات خود می توانید به راحتی دسته ها و زمینه/مقادیر/مقادیر متصل به هر مجموعه داده را پیکربندی و تغییر دهید.

تجزیه و تحلیل گام به گام

اکنون که این دو مجموعه داده در Finspace بارگذاری شده اند ، ما تجزیه و تحلیل بهینه سازی نمونه کارها را اجرا می کنیم.

پس از ورود به UI وب Finspace ، همانطور که در تصویر زیر نشان داده شده است ، "به نوت بوک بروید" را انتخاب کنید.

شکل 5: برای رفتن به Notebook به Finspace Managed Jupiter Notebook روی Notebook کلیک کنید

نوت بوک "ESG Optimizer Public demo. ipynb" را بارگیری کرده و با انتخاب نماد برجسته شده در تصویر بارگذاری کنید (همچنین می توانید آن را بکشید و رها کنید).

شکل 6: نوت بوک Amazon Finspace

• برای باز کردن نوت بوک بارگذاری شده دوبار کلیک کنید.
• همانطور که در تصویر زیر نشان داده شده است ، هسته Finspace Pyspark را انتخاب کنید.

شکل 7: هسته Finspace را انتخاب کنید

• شناسه DataSet و Dataview ID از Analytics Anality را جایگزین کنید و با مواردی که در محیط خود دارید ، در سلول زیر قرار دهید.

شکل 7: شناسه Dataset و DataView ID برای انتخاب نمای خاص در مجموعه داده مورد استفاده استفاده می شود

همانطور که در تصویر زیر نشان داده شده است ، نوت بوک حاوی خلاصه ای از مراحل اجرا است.

شکل 8: این لیست بخش هایی است که تجزیه و تحلیل نمونه کارها ESG را تشکیل می دهد

• تمام سلولها را در نوت بوک اجرا کنید تا مراحل زیر را اجرا کنید:

1. ایجاد و اتصال به یک خوشه Spark Managed Finspace.

2. وابستگی های بسته را وارد کنید.

با اجرای این سلول ها ، ما کتابخانه های مورد استفاده مانند CVXPY را برای بهینه سازی محدب و Matplotlib برای نمودارها وارد می کنیم.

3. بارگذاری و ترکیب نمایش داده های Finspace و داده های قیمت را در DataFrames Spark.

با اجرای این سلول ها ، ما دو مجموعه داده را از کاتالوگ داده های Finspace وارد می کنیم ، تبدیل نمره آلفا ، از حروف (AAA ، AA ، ...) را به عددی ، از 0 تا 1 اجرا می کنیم و تاریخ را به چهارم می پردازیم. سپس دو مجموعه داده را با هم ترکیب می کنیم و داده های قیمت بازار را بارگیری می کنیم.

4- به آرامی داده ها را کاوش کنید.

با اجرای این سلول ها ، طرح ها را چاپ می کنیم و برخی از ردیف های داده را پیش نمایش می دهیم.

5- داده ها را برای ورودی بهینه سازی آماده کنید.

با استفاده از این سلول ها ، ما دو ماتریس مستقل ایجاد می کنیم: ابتدا یک ماتریس حاوی بازده مورد انتظار از ارزشهای تاریخی سهام ایجاد کنید ، سپس یک ماتریس کواریانس از نمرات ESG (یعنی نوسانات نمره ESG) را در تمام اوراق بهادار موجود در نمونه کارها ایجاد می کنیم.

6. محدودیت های بهینه سازی و هدف ابزار را تعریف کنید.

با اجرای این سلول ها ، ما عملکرد ESG_VOLATILION_OPTIMIZER را تعریف می کنیم ، که حداقل نمونه کارها واریانس ESG و آنالیز واریانس میانگین را محاسبه می کند. هر دوی اینها با توجه به نوسانات نمره ESG محاسبه می شوند.

برای به دست آوردن این نتایج ، می توانیم حداقل و حداکثر درصد دارایی های خود را برای هرگونه امنیت تعیین کنیم ، و همچنین بازده هدف را برای واریانس انتخاب کنیم.

7. تعیین اوراق بهادار ESG بهینه.

با اجرای این سلول ها ، ما حداقل/حداکثر درصد را تنظیم خواهیم کرد ، هدف باز می گردد ، و ما با عملکرد ESG_VOLATILIBLE_OPTIMIZER تعریف می کنیم که در مرحله 6 تعریف شده است. Frontier کارآیی ، و نمونه کارها که نسبت شارپ اصلاح شده در مرز را به حداکثر می رساند.

ما همچنین نمونه هایی از پرتفوی های تولید شده توسط عملکرد Optimizer (تصویر زیر) را چاپ می کنیم. این ستون ها هستند: شناسه نمونه کارها ، نوسانات ESG ، درصد بازده ، نسبت شارپ اصلاح شده در نمونه کارها و سپس لیست سهام موجود در نمونه کارها. اینها تیکرهایی هستند که ما برای اهداف این پست در نظر داریم. شما می توانید داده های خود را اضافه کنید (به عنوان مثال ، تجزیه و تحلیل کامل و قابل استفاده مجدد از مجموعه داده های Reprisk یا سایر مجموعه داده های مورد نظر خود) برای تغییر لیست تیک در صورت لزوم.

شکل 9: این نمونه ای از پرتفوی های ایجاد شده و به ثمر رسیده توسط عملکرد بهینه سازی نمونه کارها ESG است

8. طرح Markowitz Style ESG Frontier و نمونه کارها بهینه.

با اجرای این سلول ها ، ما راندمان مرز را چاپ می کنیم. هر نقطه از مرز برای بازده درصدی معینی حداقل نمونه کارها نوسانات ESG است. نقطه سیاه و نقطه قرمز به ترتیب حداقل واریانس ESG و بالاترین نمونه کارها اصلاح شده شارپ را به ترتیب برجسته می کنند.

شکل 10: مرزهای کارآیی نمونه کارها ESG ، بر اساس نوسانات نمره ESG

این نمودار به ما چه می گوید؟با توجه به بازده درصد ، نوسانات نمره ESG ، محدودیت هایی که ما ارائه دادیم و جهان نمونه کارها ما ، این مرزآمدی است که ما می گیریم. اگر ما یک نمونه کارها داشته باشیم که در سمت راست مرز باشد ، می توانیم آن را به صورت افقی به مرز منتقل کنیم و انتظار داریم با نوسانات نمره ESG پایین ، بازده های مشابهی داشته باشیم.

با مشخص شدن نمونه کارها بهینه ، بر اساس داده های ما و بر اساس پارامترهای انتخاب شده ما ، سپس به عنوان نمودار پای ترسیم می شود.

شکل 11: ترکیب نمونه کارها بهینه ، بر اساس داده ها و محدودیت هایی که ما ارائه دادیم.

9. دلتا بین نمونه کارها با وزن مساوی و نمونه کارها بهینه.

با اجرای سلولها در این بخش ، ما اختلاف سهام را بین نمونه کارها بهینه و نمونه کارها با وزن برابر محاسبه و ترسیم می کنیم.

شکل 12: نمودار آبشار که تفاوت بین نمونه کارها بهینه نشان داده شده در شکل 11 و نمونه کارها با وزن برابر را نشان می دهد.

10. محدودیت های بهینه سازی سه بعدی و هدف ابزار را تعریف کنید.

اکنون ما مرز کارآیی خود را داریم و نمونه کارها بهینه را شناسایی کرده ایم. این مورد را در نظر می گیریم که می خواهیم در تجزیه و تحلیل خود نه تنها درصد بازده و نوسانات ESG ، بلکه نمره مطلق ESG را نیز در نظر بگیریم.

برای درک اینکه چرا این امر منطقی است ، این سناریو را در نظر بگیرید: ما می توانیم سهام با نوسانات کم (که خوب است) و سهام دیگری با نوسانات بالا (که بد است) داشته باشیم. و فقط با توجه به این اطلاعات ، سهام را با نوسانات پایین تر انتخاب می کنیم. اگر نمره ESG مطلق را نیز در نظر بگیریم ، می توانیم دریابیم که سهام با نوسانات پایین دارای نمره ESG پایین (که بد است) و نوسانات کم است اما نزدیک به ارزش است که برای نمونه کارها ما قابل قبول نیست.

از طرف دیگر ، می توانیم متوجه شویم که سهام با نوسانات نمره ESG بالا میانگین نمره ESG بسیار خوبی دارد. آیا این قابل قبول است؟این به نوسانات بستگی دارد ، اما حداقل می دانیم که این سهام دارای نمره ESG متوسط است که برای نمونه کارها ما قابل قبول است ، در مقایسه با اولین سهام که نبود.

با توجه به این توجه ، ما می خواهیم مرز راندمان را محاسبه و ترسیم کنیم و در عین حال نمرات ESG را نیز در بر می گیرد. آنچه ما به دست می آوریم سطحی است که محور z (نمره ESG) به ما می گوید که نمره ESG است. در این بخش سلولها بهینه ساز و محدودیت های مورد نیاز برای ترسیم سطح مرزی راندمان را تعریف می کنیم ، سپس ما را اجرا می کنیمبهینه ساز

11. نقشه کارایی سه بعدی طرح.

با اجرای اولین سلول در این بخش ، سطح را همانطور که در تصویر زیر نشان داده شده است ، ترسیم می کنیم.

شکل 13: مرزی کارایی سه بعدی ، اضافه کردن نمره مطلق ESG به مرز راندمان نشان داده شده در شکل 10.

این نمودار به ما چه می گوید؟مرز رانداری را که در بخش 8 ترسیم کردیم در نظر بگیرید و تصور کنید که این مرز را برای هر مقدار از نمره ESG ترسیم کنید. ما برای هر نمره ESG مرز متفاوتی کسب خواهیم کرد (هر یک از این مرزها دارای نمونه کارها Max Sharpe و Min Variance خود را خواهند داشت). سپس ، تصور کنید که هر یک از این مرزها را در یک سطح جمع کنید: این سطحی است که ما در بالا ترسیم کردیم.

خط متراکم و نقطه دار به ترتیب برای هر مقدار از نمره ESG ، به ترتیب حداکثر شارپ و حداقل اوراق بهادار واریانس را برجسته می کند.

برای آسان تر درک این مسئله ، ما انیمیشن زیر را ایجاد کردیم که سطح فوق را از زوایای مختلف نشان می دهد. آخرین سلول موجود در نوت بوک برای ترسیم همان نمودار با زاویه متفاوت (درجه چرخش) استفاده می شود و می توانید چندین بار آن را اجرا کنید تا هر بار نمای متفاوتی از سطح بدست آورید (یعنی زاویه بالاتر یا درجهچرخش ، سطح).

شکل 14: برای درک بهتر شکل سطح می توانید با هر زاویه ای سطح را در شکل 13 بچرخانید و مشاهده کنید.

مجموعه داده هایی که در این پست استفاده کردیم برای اهداف تظاهرات است. Finspace به گونه ای طراحی شده است که شما را قادر می سازد بدون اینکه نگران زیرساخت های مورد نیاز برای اجرای تجزیه و تحلیل و مدیریت داده ها باشید ، روی تجزیه و تحلیل داده های مالی تمرکز کنید. با استفاده از تبادل داده AWS و مجموعه داده های خود ، می توانید این تجزیه و تحلیل را با استفاده از مجموعه داده های اضافی و گسترده تر اجرا کنید: جهان گسترده تر نمونه کارها ، تاریخ عمیق تر و نمرات/معیارهای بیشتر.

برخی از نمونه های پسوند به این تجزیه و تحلیل عبارتند از: استفاده از نوسانات قیمت و نسبت شارپ ، به جای نوسانات نمره ESG و نسبت شارپ اصلاح شده و اضافه کردن شاخص مرجع یا معیار. همچنین می توانید از گزینه های شخصی سازی ذکر شده در بالا استفاده کنید و این تجزیه و تحلیل را بیشتر اضافه کنید و به محدودیت های بهینه سازی نمونه کارها خود اضافه کنید.

همانطور که در بالا نشان داده ایم ، از خط به مرز راندمان سطح حرکت می کنید ، می توانید ابعاد خود (نمره مطلق ESG ، در تجزیه و تحلیل ما) را نیز در نظر بگیرید تا مرز را تنظیم کنید.

پاک کردن

در صورتی که نمی خواهید استفاده از Finspace را ادامه دهید ، و می خواهید تمام منابع مستقر شده با این پست (داده ها ، تجزیه و تحلیل و غیره) را حذف کنید ، می توانید روش زیر را دنبال کنید ، نشان می دهد که چگونه می توانید منابع را پاک کنید:

1) محیط Finspace را حذف کنید. توجه داشته باشید که وقتی یک محیط را حذف می کنید ، تمام دارایی ها (نوت بوک های Jupyter ، داده ها و غیره) را که در آن محیط دارید حذف می کنید. برای حذف محیط Finspace:

• به صفحه فرود آمازون Finspace بروید و محیط ها را انتخاب کنید.
• نام محیط را انتخاب کرده و سپس دکمه "حذف" را انتخاب کنید.

2) تجزیه و تحلیل تسهیلات و داده های Reprisk را که در سطل سرویس ذخیره سازی ساده آمازون (Amazon S3) قرار داده اید حذف کنید.

3) اشتراک از آنالیز و ترمیم مجدد با پیروی از لغو اشتراک از یک راهنمای محصول.

نتیجه

در این پست ، ما به شما نشان داده ایم که چگونه می توانید مجموعه داده های مختلف ESG را از تبادل داده AWS (آنالیزهای قابل استفاده و Reprisk) دریافت کنید ، از Finspace برای عادی سازی و ترکیب این مجموعه داده ها با داده های قیمت بازار استفاده کنید ، و سپس مرز راندمان نمونه کارها و پرتفوی های بهینه را بر اساس محاسبه کنید. کاربر محدودیت هایی را ارائه داد (یعنی درصد حداقل/حداکثر درصد سهام و سایر موارد).

تجزیه و تحلیل ارائه شده در این پست به عنوان یک الگوی قابل تنظیم ارائه شده است: شما می توانید از آن همانطور که در این پست توضیح داده شده است استفاده کنید ، یا می توانید آن را با استفاده از داده های خود اجرا کنید و تجزیه و تحلیل را برای تغییر نیازها ، که در بالا به عنوان گزینه های شخصی سازی برجسته شده است ، اجرا کنید.

همچنین می توانید این تجزیه و تحلیل را گسترش دهید ، به عنوان مثال با اضافه کردن یک معیار/شاخص ، از نوسانات "سنتی" و نسبت شارپ و اضافه کردن محدودیت های اضافی مانند حداکثر نوسانات مجاز در نمونه کارها استفاده کنید. در حالت دوم ، می توانید محدودیت هایی را به عنوان ورودی به عملکرد بهینه سازی اضافه کنید.

می توانید داده های بیشتری را از Analytics Analyity ، Reprisk و سایر ارائه دهندگان در تبادل داده AWS پیدا کنید.

می توانید تجزیه و تحلیل اضافی Finspace موجود در نمونه های Amazon Finspace را در مخزن Gihub پیدا کنید.

ما از نظرات شما در مورد این پست و هرگونه تحلیل دیگری که می خواهید اجرا کنید استقبال می کنیم.

این پست فقط برای اهداف آموزشی است و به معنای ارائه مشاوره سرمایه گذاری نیست.

دیگو کلمباتو

دیگو کلمباتو یک معمار ارشد راه حل های شریک در AWS است. او بیش از 15 سال تجربه در طراحی و ارائه پروژه های تحول دیجیتال برای شرکت ها به ارمغان می آورد. در AWS ، دیگو با شرکا و مشتریان همکاری می کند و توصیه می کند که چگونه از فن آوری های AWS برای ترجمه نیازهای تجاری به راه حل ها استفاده می کند. معماری های فناوری اطلاعات و تجارت الگوریتمی برخی از احساسات او هستند و او همیشه برای شروع مکالمه در این مباحث باز است.

جیمز دیویس

جیمز دیویس یک تحلیلگر ارشد مالی در آمازون است. وی بیش از 8 سال تجربه مالی شرکت دارد ، به طور خاص روی راه حل های فنی برای به حداقل رساندن محدودیت های نیروی کار ، بهینه سازی تخصیص منابع و ناکارآمدی های کشف شده است. در آمازون ، جیمز با عملیات تحویل روستایی و فوق العاده روستایی در زمینه افزایش دسترسی به مشتریان ضمن کاهش هزینه تحویل ، کار می کند. وی دارای کارشناسی ارشد علوم مهندسی مالی از انستیتوی فناوری استیونز است.