Swap Avoirense 生成的每个建议都带有时间戳并保存在可搜索的寄存器中。用户社区可以将发出的信号与市场上实际观察到的结果进行比较。
| 资产类别 | 产生的信号（30 天） | 匹配率 | 置信区间 |
|---|---|---|---|
| 行动 | 1,240 人 | 71.4% | ±3.2% |
| 外汇 | 860 | 68.9% | ±4.1% |
| 原料 | 410 | 64.7% | ±5.0% |
寄存器的说明性结构。创建帐户后，可以在仪表板中查看按时间范围和模型分段的最新值。
预测方向与指定期间观察到的实际运动相对应的信号比例。
与每个比率相关的统计裕度，根据样本量和结果的方差计算得出。
用户可以导出原始信号历史记录以进行独立交叉检查，无需 Swap Avoirense 团队的干预。
三个不同的分析层并行工作以产生最终的风险加权建议。
自然语言处理 (NLP) 应用于财务报告、新闻稿和新闻提要，并结合持续计算的情绪分析。
基于概率分布模拟压力场景，以估计投资组合面临意外波动的风险。
当检测到结构性市场变化时，模型会调整其参数，而不是依赖固定规则。
处理管道分为四个阶段，每个阶段均可独立审核。
通过连接到市场和新闻来源的安全 API 大量收集原始数据。
在进行任何统计计算之前，由专有的人工智能层进行清理、重复数据删除和结构化。
生成具有明确置信度评分的风险加权建议。
通过 API 手动执行或将信号直接集成到您现有的工作流程中。
该平台适应从机构分配到个人监控的自治程度。
根据风险加权建议同时优化多个资产类别的资产配置。
无需专门的定量团队即可使用以前为机构结构保留的分析工具。
基于量化和可追溯的数据而不是市场直觉来验证或质疑投资论点。
Swap Avoirense 围绕一个简单的原则构建：投资建议只有在事后可以回顾其历史时才有价值。这就是为什么我们的模型产生的每个信号仍然可见，即使结果是不正确的。
这些模型结合了自然语言处理、随机建模和强化学习，但这些模型都不是万无一失的。显示的置信度分数反映了模型在给定时间的实际不确定性。
以下答案详细介绍了该平台的内部工作原理以及所使用模型的已知限制。
随机建模模型结合了冲击场景来估计一系列可能的损失，但没有统计模型可以预测没有历史先例的事件。如果检测到结构断裂，显示的置信度分数会自动降低，并在寄存器中输入警报信号。
数据来自市场源、公共财务报告和通过 API 汇总的新闻来源。每个来源都根据其历史可靠性进行加权，并且报告来源之间的差异，而不是默默地进行平滑。
在得知实际结果之前，发出的任何信号都会在生成时加上时间戳。用户可以导出此原始历史记录以进行独立交叉检查，从而防止对显示的性能进行任何追溯更改。