分析引擎技术架构
每个建议在呈现给用户之前都会经历四个不同的阶段，从原始数据收集到历史验证。
数据摄取
从公共和私人金融来源持续收集市场动态、宏观经济数据和价格序列。
标准化
原始数据被标准化，异常值被过滤，时间序列与共同基础对齐。
预测建模
统计模型可识别资产之间的相关性并估计可能的市场情景。
通过回测验证
每个策略在提供之前都会在不同于训练阶段的历史时期进行模拟。
多元化分析工具
每个模块都针对投资组合的特定维度——分配、风险、相关性——以产生量化的建议。
动态分配
根据所持资产的波动性调整投资组合配置。
系统性风险评分
为每个头寸分配对市场、信贷和流动性冲击的暴露评级。
情景模拟
预测宏观经济变化对投资组合整体价值和风险的影响。
相关性检测
识别高度相关的资产以限制意外的风险集中。
回测报告
逐个时期记录每个测试策略的历史表现。
再平衡警报
报告实际分配与用户定义的目标分配之间的偏差。
风险不是一个抽象变量
该引擎将投资组合划分为同质风险类别，测量头寸之间的互相关性，然后计算市场、信用和流动性风险的净敞口。
触发阈值可由用户调整，并同样应用于每次重新计算，无需中间手动干预。
分析模式活动配置文件的具体应用
除了主要活动之外，寻求多样化收入的用户的三个代表性概况。
员工储蓄多元化
目标：通过每月而不是每日监控，将几年来积累的储蓄分配到雇主提供的产品之外。
测试新的资产类别
目标：通过回溯测试评估将商品和货币整合到迄今为止专注于股票的投资组合中的兴趣。
内部模型的交叉验证
目标：在做出任何分配决定之前，将个人管理假设与引擎产生的回测结果进行比较。
数据来源及验证方法
最常见的问题涉及数据的来源和回测的可靠性。
平台使用的数据从哪里来？
数据来自公认的金融数据提供商和公共市场，并不断更新价格序列和宏观经济指标。
回测是如何进行的？
每个策略都是在不同于用于训练模型的历史时期进行模拟的，以限制对已知数据过度拟合的风险。
过去的表现能否保证未来的结果？
不会。回测衡量的是策略在已经发生的市场周期中的稳健性。它不构成对未来业绩的保证，也不应如此解释。
分析涵盖哪些资产类别？
股票、债券、ETF、货币和商品。覆盖范围取决于每种仪器可用的数据源。
您需要先进的金融知识才能使用该平台吗？
建议对风险和分配有基本的了解。这些报告旨在保持可读性，无需投资组合经理培训。