AI Investments Sp. z o.o. pragnie wyłonić Podwykonawcę prac związanych z ewaluacją i testowaniem modeli machine learning, w związku z ubieganiem się o dofinansowanie projektu pod roboczą nazwą: “GUARD - Głębokie Uczenie w Autoadaptacyjnym Równoważeniu Derywatów. Badanie i opracowanie kompleksowego modelu portfolio pozycji opcyjnych i instrumentów spot o wysokim poziomie neutralności względem czynników rynkowych zapewniającym pozytywne wyniki inwestycyjne, wraz z dynamicznym rebalancingiem

AI Investments Sp. z o.o. pragnie wyłonić Podwykonawcę prac związanych z ewaluacją i testowaniem modeli machine learning, w związku z ubieganiem się o dofinansowanie projektu pod roboczą nazwą: “GUARD - Głębokie Uczenie w Autoadaptacyjnym Równoważeniu Derywatów. Badanie i opracowanie kompleksowego modelu portfolio pozycji opcyjnych i instrumentów spot o wysokim poziomie neutralności względem czynników rynkowych zapewniającym pozytywne wyniki inwestycyjne, wraz z dynamicznym rebalancingiem poprzez złożone typy zleceń”, Numer ogłoszenia: 2026-126446-293129 Projekt: FENG.01.01-IP.01-0003/26 - GUARD - Głębokie Uczenie w Autoadaptacyjnym Równoważeniu Derywatów. GUARD - Głębokie Uczenie w Autoadaptacyjnym Równoważeniu Derywatów. Część 1: Zapytanie ofertowe nr AII/FENG/SMK/04/2026/QA (wartość szacunkowa: 2100000,00 PLN) Przedmiotem zamówienia jest wybór Podwykonawcy, który będzie świadczył usługi na rzecz Zamawiającego, w postaci prac związanych z ewaluacją i testowaniem modeli machine learning realizowanych w ramach projektu pod roboczą nazwą: “GUARD - Głębokie Uczenie w Autoadaptacyjnym Równoważeniu Derywatów. Badanie i opracowanie kompleksowego modelu portfolio pozycji opcyjnych i instrumentów spot o wysokim poziomie neutralności względem czynników rynkowych zapewniającym pozytywne wyniki inwestycyjne, wraz z dynamicznym rebalancingiem poprzez złożone typy zleceń” . Czas trwania projektu: 01.06.2027 - 30.09.2030 Wykaz prac związanych z ewaluacją i testowaniem modeli machine learning do wykonania w poszczególnych zadaniach projektu: Zadanie 1 “Badania przemysłowe nad wieloźródłową fuzją danych, ekstrakcją cech (Feature Engineering) i identyfikacją reżimów rynkowych dla niestacjonarnych szeregów czasowych. ” Zakres prac do wykonania w ramach zadania: Opracowanie strategii testów pobierania i transformacji atrybutów danych. Szacowana pracochłonność to 50 roboczodni. Opracowanie przypadków testowych w zakresie pobierania i selekcji cech. Szacowana pracochłonność to 50 roboczodni. Wykonanie testów pobierania i selekcji. Szacowana pracochłonność to 150 roboczodni. Szacowana pracochłonność w ramach Zadania 1 to 250 roboczodni. Czas trwania zadania: 01.06.2027 - 31.01.2028. Zadanie 2 “Badania przemysłowe nad architekturą głębokich modeli zabezpieczających (Deep Hedging) oraz metodami Wyjaśnialnej Sztucznej Inteligencji (XAI).” Zakres prac do wykonania w ramach zadania: Opracowanie strategii testowej ewaluacji głębokich modeli zabezpieczających (Deep Hedging). Szacowana pracochłonność to 50 roboczodni. Przygotowanie przypadków testowych dla testów technicznych ww. modeli. Szacowana pracochłonność to 50 roboczodni. Wykonanie testów technicznych ww. algorytmów. Szacowana pracochłonność 200 roboczodni. Szacowana pracochłonność w ramach Zadania 2 to 300 roboczodni. Czas trwania zadania: 01.02.2028 - 30.04.2029 . Zadanie 3 “Badania przemysłowe nad dynamicznym rebalansowaniem portfela za pomocą Uczenia ze Wzmocnieniem (RL) i generatywnych symulatorów rynkowych (Digital Twin).” Zakres prac do wykonania w ramach zadania: Opracowanie strategii testowej ewaluacji algorytmów dynamicznego rebalansowania portfela z pomocą uczenia ze wzmocnieniem i generatywnych symulatorów rynkowych. Szacowana pracochłonność to 50 roboczodni. Przygotowanie przypadków testowych dla testów technicznych ww. algorytmów. Szacowana pracochłonność to 50 roboczodni. Wykonanie testów technicznych ww. algorytmów. Szacowana pracochłonność to 200 roboczodni. Szacowana pracochłonność w ramach Zadania 3 to 300 roboczodni. Czas trwania zadania: 01.05.2029 - 31.03.2030. Zadanie 4 “ Prace rozwojowe - Walidacja modeli w środowiskach zbliżonych do rzeczywistych i architektura integracji z produktami konsorcjantów” Zakres prac do wykonania w ramach zadania: Opracowanie strategii testowej ewaluacji modułu rebalansowania i Deep Hedge oraz strategii testów integracyjnych. Szacowana pracochłonność to 50 roboczodni. Przygotowanie przypadków testowych dla testów technicznych modułu rebalansowania i Deep Hedge oraz integracji między modułem DeepHedge a platformą AI Investments. Szacowana pracochłonność to 50 roboczodni. Wykonanie testów technicznych według opracowanych przypadków testowych. Szacowana pracochłonność to 150 roboczodni. Szacowana pracochłonność w ramach Zadania 4 to 250 roboczodni. Czas trwania zadania: 01.04.2030 - 30.09.2030. Harmonogram świadczenia usługi W toku realizacji zamówienia dopuszcza się większą lub mniejszą liczbę godzin świadczenia usługi w poszczególnych miesiącach - w zależności od bieżących potrzeb procesu badawczego. Harmonogram realizacji usługi ustalany będzie z Wykonawcą z miesięcznym wyprzedzeniem, na podstawie zapotrzebowania Zleceniodawcy i możliwości Wykonawcy. Jednocześnie ze względu na konieczność zapewnienia ciągłości i sprawnego przebiegu prac B+R w projekcie: usługa powinna być świadczona w sposó Źródło: Ministerstwo Funduszy i Polityki Regionalnej, Baza Konkurencyjności Funduszy Europejskich; pobrano 2026-09-29; dane przetworzone.