In vermogensbeheersoftware is performance allesbepalend. Het is het verschil tussen een soepel klantgesprek en een moment waarop je moet wachten tot een dashboard is bijgewerkt. Het bepaalt of het wisselen van benchmarks direct aanvoelt of juist onderbroken wordt. En het wordt cruciaal wanneer organisaties portefeuilles over verschillende entiteiten consolideren en verwachten dat analytics moeiteloos meeschalen zonder vertraging.

Naarmate portefeuilles complexer worden en de rapportagevereisten toenemen, groeit ook de rekenbelasting op systemen. Snellere analytics zijn niet alleen een verbetering van de gebruikerservaring. Ze vormen de basis voor schaalbaarheid, betrouwbaarheid en vertrouwen.

In de afgelopen ontwikkelcycli hebben we onze Metrics-engine fundamenteel herontwikkeld om de performance aanzienlijk te verbeteren. Door over te stappen van traditionele, op loops gebaseerde berekeningen naar gevectoriseerde verwerking, hebben we de uitvoering bij grote aanvragen 2–3x versneld. De responstijden blijven nu consistent onder de 500 milliseconden.

Dit is wat er is veranderd en waarom het ertoe doet.

‍

De verborgen complexiteit achter portefeuillemétrics

Op het eerste gezicht lijken performancemétrics eenvoudig. Time-weighted return, drawdown, volatiliteit, attributie, exposure, benchmarking. Dit zijn standaardonderdelen van portefeuillerapportage.

Onder de oppervlakte zijn ze echter rekenintensief.

Elke metric vereist vaak:

• Het verwerken van lange historische tijdreeksen
• Het combineren van meerdere instrumenten binnen portefeuilles
• Het toepassen van wiskundige transformaties op duizenden datapunten
• Het dynamisch herberekenen wanneer je filters of tijdshorizons aanpast

De traditionele manier om deze berekeningen te implementeren is sequentieel. Je doorloopt de datapunten één voor één:

1. Haal de waarde op bij index 0
2. Pas de berekening toe
3. Sla het resultaat op
4. Ga naar index 1
5. Herhaal dit tot het einde van de reeks

Elk datapunt wordt afzonderlijk verwerkt. Naarmate datasets groeien, neemt de latentie evenredig toe.

Voor kleinere portefeuilles is dit acceptabel. Voor grotere portefeuilles, rapportagestructuren met meerdere entiteiten of lange tijdshorizons wordt dit al snel een bottleneck.

We wilden die bottleneck volledig wegnemen.

‍

Van sequentiële loops naar vectoroperaties

De kern van de verbetering ligt in het toepassen van een model met gevectoriseerde operaties, waardoor we gebruik kunnen maken van de “single-instruction, multiple-data” (SIMD) mogelijkheden van moderne CPU’s.

In plaats van één floatingpointwaarde per keer te berekenen, verwerkt het systeem nu meerdere waarden tegelijk via parallelisatie op CPU-niveau.

Stel je voor dat je twee tijdreeksen bij elkaar optelt.

De traditionele aanpak:

• Haal waarde A op bij index 0
• Haal waarde B op bij index 0
• Tel op
• Sla het resultaat op
• Herhaal dit voor index 1, 2, 3, enzovoort

De gevectoriseerde aanpak:

• Laad een blok waarden uit reeks A
• Laad een blok waarden uit reeks B
• Voer de optelling uit over het volledige blok in één bewerking
• Sla het resulterende blok op

Door gebruik te maken van vectoroperaties voert de processor berekeningen in bulk uit in plaats van sequentieel.

Om dit mogelijk te maken, moest een groot deel van de metricslogica worden herzien. Ongeveer 70% van de metrics is herschreven van loop-gebaseerde implementaties naar vectorgebaseerde logicastructuren. In plaats van individuele datapunten afzonderlijk te verwerken en tijdreeksen iteratief op te bouwen, worden berekeningen nu in één keer uitgevoerd op volledige arrayblokken.

Dit is geen oppervlakkige optimalisatie. Het is een structurele verandering in de manier waarop analytics worden berekend.

‍

Meetbare performancewinst

De resultaten spreken voor zich.

Bij zeer grote metric-aanvragen zijn de uitvoeringstijden met ongeveer 2–3x verbeterd. Waar sommige zware aanvragen eerder gemiddeld rond de 800–900 milliseconden lagen, worden ze nu uitgevoerd binnen 300–400 milliseconden. Nog belangrijker: de responstijden blijven nu consistent onder de 500 milliseconden, waarbij 90% van de aanvragen gemiddeld onder de 45 milliseconden blijft. Dit vermindert uitschieters en verhoogt de voorspelbaarheid.

De impact gaat verder dan alleen lagere gemiddelden. Het draait om consistentie. In adviesworkflows is betrouwbaarheid belangrijker dan piekperformance. Adviseurs moeten erop kunnen vertrouwen dat dashboards elke keer snel laden, niet alleen meestal.

Gevectoriseerde verwerking verhoogt de verwerkingscapaciteit en vermindert variatie in responstijden. Die consistentie is wat gebruikers daadwerkelijk ervaren.

‍

Wat dit betekent voor vermogensbeheerders

De meeste adviseurs houden zich niet bezig met CPU-instructiesets. Zij geven om snelheid, stabiliteit en het vermogen om groei aan te kunnen.

Dit is hoe deze architecturale verbetering zich vertaalt naar dagelijkse meerwaarde.

1. Snellere klantinteracties

Tijdens klantgesprekken moeten analytics vaak direct opnieuw worden berekend:

• Het aanpassen van tijdsperiodes
• Het vergelijken van benchmarks
• Het analyseren van attributie
• Het bijstellen van allocatieaannames

Wanneer metrics direct reageren, verlopen gesprekken vanzelfsprekend. Je kunt scenario’s zonder aarzeling verkennen. Technologie wordt een versterker in plaats van een beperking.

2. Betere verwerking van grote portefeuilles

Naarmate organisaties groeien, worden portefeuilles complexer. Structuren met meerdere entiteiten, geaggregeerde rapportages en vergelijkingen tussen portefeuilles leggen zwaardere druk op analytics-engines.

Een gevectoriseerde metrics-engine verwerkt grote datasets efficiënter en is daardoor beter geschikt voor organisaties met een aanzienlijk beheerd vermogen of complexe portefeuillestructuren.

3. Schaalbaarheid zonder kwaliteitsverlies

Sequentiële verwerkingsmodellen vertragen lineair naarmate de data groeit. Hoe groter de dataset, hoe langer de uitvoering duurt.

Gevectoriseerde verwerking vermindert dit effect door de rekenkracht efficiënter te benutten. Zo ontstaat een schaalbare basis die een groeiend klantenbestand en uitgebreidere rapportagebehoeften ondersteunt, zonder dat de performance evenredig afneemt.

‍

Wat dit betekent voor technische stakeholders

Voor CTO’s en technische beslissers is performance niet alleen een kwestie van gebruikerservaring. Het is een architecturaal signaal.

Gevectoriseerde berekeningen laten zien dat het systeem:

• Ontworpen is met rekenkundige efficiëntie als uitgangspunt
• Geoptimaliseerd is op algoritmisch niveau, niet alleen op interface-niveau
• Voorbereid is op grotere datavolumes en geavanceerdere analytics

R Het herstructureren van metrics naar vectoroperaties is geen eenvoudige ingreep. Het vraagt om zorgvuldige aandacht voor:

• Numerieke precisie
• Stabiliteit bij edge cases
• Geheugenbeheer
• Consistentie over alle metrictypes

Het is een bewuste technische investering die de langetermijnbasis van de analytics-engine versterkt.

Voor organisaties die portfolio management-systemen evalueren, is dit relevant. Naarmate rapportage-eisen toenemen en de verwachtingen rond analytics stijgen, wordt onderliggende rekenkundige efficiëntie een onderscheidende factor.

‍

Engineeren voor de lange termijn

De overstap naar SIMD-uitvoering draait niet om het besparen van een paar milliseconden. Het gaat erom te waarborgen dat portfolio-analytics robuust blijft naarmate de eisen van klanten toenemen.

Met 2–3x snellere uitvoering bij grote metric-aanvragen en responstijden die consistent onder de 500 milliseconden blijven, is de metrics-engine nu aantoonbaar efficiënter en beter schaalbaar.

Voor adviseurs betekent dit soepelere workflows.

Voor organisaties betekent het een infrastructuur die klaar is voor groei.

En voor technische stakeholders laat het zien dat de analytics-architectuur is ontworpen om te presteren binnen de complexiteit van de praktijk.