Data Intelligence za neovisne investitore
Bold Gainorelle primjenjuje modele strojnog učenja na podatke o tržištu i portfelju, proizvodeći signale prilagođene riziku koji se javno bilježe prije nego što ishodi budu poznati i pregledani od strane zajednice koja se na njih oslanja.
Naša metodologija
Naši se modeli obučavaju na povijesnim i živim tržišnim podacima, a zatim testiraju u uvjetima izvan uzorka prije nego što se signal objavi. Svaki rezultat nosi svoje temeljne pretpostavke i raspon pouzdanosti, tako da ga možete prosuđivati prema njegovim vlastitim uvjetima, a ne uzeti na povjerenje.
Pozicije i ograničenja izloženosti pregledavaju se kontinuirano. Kada pretpostavke modela više ne vrijede, povlačimo signal i bilježimo zašto, umjesto da ga tiho uklanjamo iz vidokruga.
Sposobnosti
Svaki se signal ocjenjuje u odnosu na definirani raspon rizika prije objavljivanja, što vam daje osjećaj očekivane varijance, a ne prognozu s jednom točkom.
Platforma prati kako se vaše praćene pozicije kreću jedna u odnosu na drugu, označavajući rizik koncentracije koji je lako propustiti kada se imovina promatra zasebno.
Statistička odstupanja od očekivanih obrazaca trgovanja pojavljuju se čim se pojave, s kontekstom jesu li slična odstupanja prethodila volatilnosti u prošlosti.
S obzirom na navedenu toleranciju rizika, model predlaže strukturu raspodjele kroz praćene prilike, koje možete slobodno prilagoditi ili zanemariti u potpunosti.
Svaki se signal upisuje u javnu knjigu u trenutku kada je izdan, s vremenskom oznakom koja prethodi bilo kojem ishodu. Pretplatnici koji prate određeni signal mogu označiti unos nakon što se zatvori, što znači da zapis odražava proživljeno iskustvo, a ne kurirani istaknuti kolut.
Zatvorene unose objavljujemo na neodređeno vrijeme umjesto da nepovoljne rezultate arhiviramo zasebno. To je jedini način za koji znamo da dopustimo da provjerena izvedba govori sama za sebe.
Zahtjev za pristup punoj knjiziIlustrativni scenarij
Pretplatnik koji drži koncentriranu vlasničku poziciju upotrijebio je naše mapiranje korelacije kako bi identificirao nastajući klaster koreliranog rizika prije široko očekivane odluke o stopi. Umjesto potpunog izlaska iz pozicije, izloženost je smanjena i zaštićena proporcionalno označenom pojasu rizika, s prilagodbom zabilježenom uz izvorni signal za kasniji pregled.
Pristup se odobrava pojedinačno, nakon kratkog pregleda vaših navedenih ciljeva i tolerancije rizika.