OpenFacet — это прозрачная структура для создания гладких, объяснимых ценовых матриц для бриллиантов на основе наблюдаемых рыночных данных. Она опирается на лог-линейную регрессию по структурированным кортежам карат–цвет–чистота, фиксируя градиенты цен, исключая при этом нерелевантные или ненадежные данные.

Основные принципы:

• Бриллианты с сертификатом GIA¹, круглой огранки, 3EX² (огранка, полировка, симметрия), без флуоресценции
• Cushion Modified Brilliant (CMB): глубина 60–68.5%, отличная полировка и симметрия, без флуоресценции
• Гранулярность модели соответствует стандартным диапазонам карат (например, 0.30–0.39 карат)
• Интерполированные цены с использованием сглаживания в лог-пространстве по диапазонам карат
• Конкурентоспособный ценовой минимум, основанный на наименьшей публично доступной розничной цене
• Реконструированные матрицы соответствуют ограничениям монотонности³ (лучшие градации не должны стоить дешевле)

DCX Composite предоставляет эталон для розничных цен на бриллианты, алгоритмических стратегий, оценки синтетических активов и количественного анализа рынка.

Источники данных

Цены собираются из складов ведущих онлайн-ретейлеров. Источники должны:

• Публиковать SKU розничного уровня с полными данными GIA (огранка, цвет, чистота, карат, ID сертификата)
• Предоставлять актуальные или часто обновляемые цены

Мы исключаем поставщиков с непоследовательными ценами, агрессивным кэшированием или стандартами сертификации, отличными от GIA.

Логика выбора цен

Чтобы избежать нерепрезентативных выбросов, мы выбираем вторую или третью наименьшую цену за карат для определенных градаций чистоты (FL–VS1: вторая; VS2–SI2: третья) на основе рыночного поведения, поскольку самые низкие цены за карат могут отражать нетипичные камни или ошибки в листингах. Этот метод обеспечивает конкурентоспособные, но стабильные розничные цены, балансируя доступность и целостность ценообразования.

В случаях, когда требуемая комбинация цвет–чистота отсутствует в текущем окне наблюдения, система применяет ограниченный исторический поиск, запрашивая прошлые листинги (до пяти дней назад) для нахождения действительных цен, соответствующих правилам выбора. Этот подход, аналогичный методам переноса последней наблюдённой цены, используемым в финансовых индексах, таких как BCOM, обеспечивает непрерывность построения матрицы без искусственного сглаживания или оценки. Учитываются только публично указанные цены — интерполяция или синтетические цены на этом этапе не используются. Отфильтрованный набор цен затем передаётся в логику реконструкции матрицы.

В областях карат–градация, где в окне наблюдения нет ни одного корректного листинга, модель использует структурно выведенные цены, полученные из соседних диапазонов карат. Они рассчитываются через ограниченную экстраполяцию в лог-пространстве и применяются только при наличии согласованных направленных сигналов. Такие значения используются для сохранения непрерывности матрицы, а не для заполнения шума, и исключаются из поведенческих слоёв калибровки.

Реконструкция ценовой матрицы

Для каждого диапазона карат мы реконструируем полную ценовую матрицу цвет × чистота с использованием модели лог-линейной регрессии. Розничные листинги неполны — многие комбинации цвет/чистота не имеют недавних предложений, особенно в сегментах с низким спросом.

Мы предполагаем, что в пределах фиксированного диапазона карат лог-цена бриллианта $\log(p)$ изменяется плавно в зависимости от цвета и чистоты. Каждое известное наблюдение кодируется как:

• $i$: числовой индекс цвета (D=0, E=1, …, M=9)
• $j$: числовой индекс чистоты (FL=0, IF=1, …, SI2=7)
• $y = \log(p)$: лог-трансформированная цена предложения

Мы подгоняем модель вида:

$$ \log(p_{i,j}) = \beta_0 + \beta_1 \cdot (i - \bar{i}) + \beta_2 \cdot (q_j - \bar{q}) $$

Где:

• $\bar{i}, \bar{q}$: центрированные индексы (цвет, обратная чистота)
• $q_j$: оценка качества чистоты (IF → высокая → большое $q$)
• $\beta_0, \beta_1, \beta_2$: коэффициенты регрессии, полученные методом наименьших квадратов

Мы ограничиваемся бриллиантами GIA с отличной огранкой, чтобы изолировать эффекты цвета и чистоты. Для Cushion Modified Brilliant (CMB) мы заменяем оценку огранки GIA эквивалентными визуальными фильтрами: глубина 60–68.5%, полировка/симметрия EX, без флуоресценции.

Нелинейная корректировка остатков

В случаях с достаточной плотностью данных мы применяем корректировку второго этапа с использованием ALS⁴ (чередующихся наименьших квадратов). Это подгоняет модель низкого ранга к остаткам между фактическими лог-ценами и начальной регрессией, фиксируя нелинейные эффекты, упущенные начальной регрессией. Это улучшает локальную подгонку без ущерба для интерпретируемости модели.

Этот гибридный подход создаёт стабильные, гладкие и выровненные по данным ценовые поверхности, подходящие для дальнейшего моделирования.

Калибровка ограничений

После реконструкции матрицы проходят этап калибровки с ограничениями, который стабилизирует области с недостатком данных и сохраняет локальные соотношения между градациями в экономически разумных пределах. Этот слой накладывает эмпирически обоснованные границы на соседние шаги по цвету и чистоте, предотвращая неправдоподобные инверсии, чрезмерные спрэды и нестабильное поведение на краях при сохранении непрерывности по всей матрице.

Наблюдаемые рыночные листинги остаются основным сигналом. Калибровка ограничений используется для регуляризации слабо выборочных сегментов, а не для замены напрямую наблюдаемых цен там, где плотность данных достаточна.

Слой поведенческой корректировки

В пределах фиксированного диапазона карат исчезают разрывы, обусловленные самим весом, но сохраняются структурные оценочные смещения, связанные с предпочтениями по градациям. К реконструированной базовой матрице применяются два поведенческих эффекта:

• Проспект-аверсия: чувствительность к воспринимаемой потере качества при удалении от сочетаний в левом верхнем углу (D/IF), моделируемая как экспоненциальное затухание от начала координат⁵
• Премии Веблена: небольшие надбавки для высокоранговых сочетаний цвета/чистоты из-за сигнала эксклюзивности⁶

Эти корректировки применяются после реконструкции ALS или к сырым матрицам диапазона:

$$ P_{\text{adj}} = P_{\text{base}} \cdot \left[1 + \alpha e^{-\beta x} + \phi \left(1 - \frac{\text{rank}}{\text{max rank}} \right)^2 \right] $$

Где:

• $x$: манхэттенское расстояние от $(0, 0)$, приближенно отражающее глубину даунгрейда
• $\text{rank}$: индекс ячейки в порядке строк, ранжирующий редкость внутри матрицы
• $\alpha, \beta, \phi$: фиксированные гиперпараметры, калиброванные по эмпирическим отклонениям цен

Эффекты якорения здесь исключены, поскольку внутри каждой матрицы карат постоянен и учитывается отдельно на этапе междиапазонной интерполяции⁷.

Сглаживание между каратами и обеспечение монотонности

После создания опорных матриц для каждого диапазона карат (через лог-линейную регрессию и ALS) мы применяем второй этап сглаживания по значениям карат. Это повышает согласованность между соседними диапазонами и корректирует шум выборки или нерегулярные листинги, которые могут вызывать инверсии цен за карат.

Мы реализуем два последовательных преобразования:

Ядерное сглаживание (между каратами)

Для каждой ячейки цвет–чистота $(i, j)$ мы сглаживаем цены по каратам, используя гауссово-взвешенное среднее в лог-пространстве:

$$ \log P_c^{(i,j)} = \frac{\sum_k K(c, c_k) \cdot \log P_{c_k}^{(i,j)}}{\sum_k K(c, c_k)} \quad \text{с} \quad K(c, c_k) = \exp\left(-\frac{(c - c_k)^2}{2\sigma^2}\right) $$

Где:

• $c_k$: опорные диапазоны карат (например, 0.30, 0.40, …, 6.00)
• $\sigma$: ширина сглаживания, обычно 0.10 карат
• $P_{c_k}^{(i,j)}$: оценка лог-цены при карате $c_k$, цвете $i$, чистоте $j$

Это обеспечивает плавные переходы через пороги карат (например, 0.99 против 1.00 карат) и подавляет локальные аномалии.

Монотонная регрессия (по ячейкам)

После сглаживания мы обеспечиваем монотонность по каратам для каждой ячейки $(i,j)$:

$$ \log P_{c_1}^{(i,j)} \leq \log P_{c_2}^{(i,j)} \leq \cdots $$

Это выполняется с использованием изотонической регрессии через алгоритм объединения соседних нарушителей (PAVA). Он гарантирует невозрастающую последовательность лог-цен по каратам.

Поскольку бриллиант меньшего веса может быть вырезан из более тяжелого с идентичной градацией, цены за карат не должны уменьшаться с увеличением веса.

В качестве защиты от артефактов округления или побочных эффектов ядра мы применяем финальный строгий этап ограничения. Если:

$$ \log P_{c_k}^{(i,j)} < \log P_{c_{k-1}}^{(i,j)} $$

мы принудительно устанавливаем $P_{c_k}^{(i,j)} := P_{c_{k-1}}^{(i,j)}$.

Модель интерполяции цен

Мы рассматриваем цену как гладкую, лог-трансформированную функцию от карат, цвета и чистоты. Из-за нелинейной природы ценообразования бриллиантов — особенно в отношении веса в каратах — наша система использует лог-линейную интерполяцию в ценовом пространстве, а не простое линейное усреднение.

Стандартизированные ценовые матрицы вычисляются для каждого отраслевого диапазона карат (например, 0.30–0.39 карат, 0.40–0.49 карат, …, 2.0–2.99 карат), каждая из которых структурирована как матрица по цвету (D–M) и чистоте (IF–SI2).

Для интерполяции матрицы при любом промежуточном значении карат $c$ в диапазоне $[c_1, c_2]$ мы применяем геометрическую интерполяцию между двумя опорными матрицами $P_1$ и $P_2$:

$$ P_c(i,j) = \exp\left((1 - \lambda) \cdot \log P_1(i,j) + \lambda \cdot \log P_2(i,j)\right) $$

где:

• $P_c(i,j)$: интерполированная цена при карате $c$, цвете $i$, чистоте $j$
• $P_1, P_2$: опорные ценовые матрицы при $c_1, c_2$
• $\lambda = \frac{c - c_1}{c_2 - c_1}$
• $i, j$: индексы по цвету и чистоте
• Вся интерполяция выполняется в лог-пространстве для отражения мультипликативного масштабирования в рыночном поведении

Чтобы отразить чувствительность покупателей к круглым весовым порогам (например, 0.99 ct против 1.00 ct), мы применяем одностороннюю корректировку якорения — повышая цену только тогда, когда карат находится чуть ниже психологического порога:

$$ P_{\text{final}} = P_c \cdot \left[1 + \gamma e^{-\delta (t - c)} \right] \quad \text{если } c < t $$

• $t \in {0.3, 0.4, 0.5, 0.7, 0.9, 1.0, 1.5, 2.0, 3.0}$
• $\gamma \approx 0.1$, $\delta \approx 300$
• Активна только в пределах ~0.03 ct ниже $t$
• Ограничивается не более чем 80% ценового дельта для сохранения монотонного масштабирования

Этот метод гарантирует, что цены отражают реальные ограничения предложения: более высокий вес в каратах увеличивает цену за карат из-за эффектов редкости, а не только общей цены веса.

Интерполированные матрицы используются для визуального отображения, аналитического моделирования и построения индекса (например, Diamond Composite Index). Публикуются только сглаженные, лог-трансформированные выходные данные, основанные на публичных розничных данных.

DCX: Индекс композитных цен на бриллианты

DCX — это синтетический ценовой индекс, полученный из матриц OpenFacet, предназначенный для отслеживания тенденций розничных цен на бриллианты для эталонного и финансового использования.

DCX отслеживает только бриллианты круглой огранки Round Brilliant с сертификатом GIA, огранкой 3EX и без флуоресценции. Фантазийные формы исключаются из-за отсутствия стандартизированной оценки огранки и высокой вариативности ценообразования.

Примечание по визуализации: Вклад спецификаций, показанный в визуальных отображениях (например, гистограммах), основан на чистой взвешенной долларовой стоимости: карат × цена за карат × вес, масштабированной относительно наибольшего вклада. Это отличается от расчёта DCX, который использует сглаженные, интерполированные цены за карат и нормализованные веса.

Обоснование индекса: В отличие от товарных индексов (например, BCOM), которые используют арифметическое среднее по биржевым фьючерсам, DCX следует конструкции геометрического среднего, подобной потребительским индексам в стиле Джевонса. Это отражает мультипликативную природу ценообразования бриллиантов, где увеличение качества или веса в каратах умножается, а не складывается. Формулировка лог–эксп также снижает чувствительность к выбросам и обеспечивает более плавное, согласованное с масштабом поведение для спецификаций с большим разбросом цен.

Методология построения:

• Эталонная корзина: Количество спецификаций балансирует стабильность индекса с чувствительностью к рыночным изменениям; обновляется ежеквартально.
• Веса: Назначаются по оценочному глобальному объёму × ценовому обороту; периодически перебалансируются.
• Источник цен: Каждая спецификация относится к уникальной комбинации карат, цвета и чистоты (предполагается градация GIA, 3EX и отсутствие флуоресценции).

Индекс вычисляется как взвешенное геометрическое среднее цен за карат:

$$ DCX_t = \exp\left( \frac{\sum w_i \cdot \log P_{i,t}}{\sum w_i} \right) $$

где $P_{i,t}$ — оценочная цена за карат спецификации i в момент времени t, а $w_i$ — её вес.

Эта формулировка вычисляет геометрическое среднее интерполированных цен за карат, взвешенное по обороту спецификаций. Геометрическое среднее снижает влияние выбросов и соответствует мультипликативному поведению ценообразования бриллиантов по градациям и размерам.

Эта конструкция обеспечивает:

• Устойчивость к выбросам (лог-среднее сглаживает всплески)
• Репрезентативность по диапазонам карат, цвета и чистоты
• Интерпретируемость для финансовых или синтетических сценариев использования активов

DCX опирается исключительно на матрицы, построенные с использованием публично указанных розничных цен. Лабораторные или несертифицированные камни не включаются. DCX пересчитывается ежедневно и публикуется с полной прозрачностью на уровне спецификаций.

Real DCX (монетарно-нейтральная оценка)

Стандартный DCX отражает номинальные цены в долларах США — котировки предложения по природным бриллиантам с сертификатом GIA, наблюдаемые на крупных розничных платформах. Хотя это фиксирует реальное рыночное ценообразование, такой подход не отделяет стоимость бриллиантов от движений самого доллара.

Цены в USD могут меняться по причинам, не связанным с самим активом:

• Колебания валютных курсов — изменения силы USD относительно других валют
• Инфляционный дрейф — долгосрочное снижение покупательной способности доллара

Чтобы убрать эти искажения, мы рассчитываем Real DCX: монетарно-нейтральную версию индекса, корректирующую как валютную экспозицию, так и деградацию стоимости фиатной валюты. Он выражает цены на бриллианты в долларах постоянной стоимости, что делает долгосрочное сравнение более ясным. Ниже показан актуальный ряд Real DCX:

Методология

Real DCX рассчитывается следующим образом:

$$ \text{Real DCX}_t = \frac{\text{DCX}_t}{\text{DXY}_t^{0.6} \cdot \text{XAU}_t^{0.4}} $$

Где:

• DXY отражает торгово-взвешенную силу USD по отношению к основным фиатным валютам
• XAU (золото) приближенно отражает эрозию реальной стоимости USD во времени и служит нефиатным ориентиром

Построение синтетических опор

В графиках мы включаем две синтетические опорные линии: DCX/USD [DXY] и DCX/USD [XAU]. Это не самостоятельные индексы, а масштабированные проекции, показывающие, как изменялся бы номинальный DCX, если бы он определялся только силой USD (через DXY) или эффектами сохранения стоимости (через золото) соответственно.

Каждая опора рассчитывается путем пересчета номинального DCX на основе относительного движения эталонного актива от базовой даты:

Опора DXY:

$$ \text{Anchor}_{\text{DXY},t} = \text{DCX}_0 \cdot \frac{\text{DXY}_t}{\text{DXY}_0} $$

Золотая опора:

$$ \text{Anchor}_{\text{XAU},t} = \text{DCX}_0 \cdot \frac{\text{XAU}_t}{\text{XAU}_0} $$

Где $DCX_0$, $DXY_0$ и $XAU_0$ — значения на базовой опорной дате (обычно это первая дата ряда, $t=0$). Такая нормализация позволяет выполнять чистое визуальное сравнение в одном и том же масштабе USD.

Эти опоры дают направляющий контекст и помогают определить, в какой степени изменения цен DCX соответствуют макровалютным трендам или отклоняются от них из-за специфических для рынка бриллиантов условий спроса и предложения. Они не используются в расчете индекса и отображаются только в интерпретационных целях.

Логика весов

• 60% DXY: Ценообразование на бриллианты чувствительно к потокам капитала, определяемым USD, особенно на потребительских рынках, подверженных валютному риску, и в трансграничных розничных каналах.
• 40% золото: Хотя бриллианты частично обладают свойствами сохранения стоимости, они не являются денежными резервами и не служат полноценным инструментом хеджирования инфляции.

Такой состав отражает наблюдаемое рыночное поведение и может быть пересмотрен при изменении макроусловий или торговых паттернов.

Интерпретационная рамка

Использование

Real DCX — это некотируемый аналитический ряд, отображаемый рядом с номинальным DCX в интерпретационных целях. Он не используется для ценообразования, расчетов или торговли. Его роль состоит в следующем:

• Нормализовать движения цен на бриллианты в разных монетарных режимах
• Отделять рост, обусловленный рынком, от валютных эффектов
• Поддерживать макроуровневую оценку сигналов ценообразования на бриллианты

И номинальный, и реальный индексы выводятся из одних и тех же ценовых матриц OpenFacet и остаются полностью прозрачными и воспроизводимыми.

Отказ от ответственности: Композитный алмазный индекс (DCX) представляет собой эталон, основанный на модели, построенной с использованием данных из открытых розничных источников. Он не представляет собой исполнимые цены или финансовые рекомендации. Все данные проходят фильтрацию, интерполяцию и сглаживание исключительно для построения индекса. Использование на ваш страх и риск. GIA — зарегистрированная торговая марка Gemological Institute of America. Этот сайт не аффилирован и не одобрен GIA.