方法论
Fetiru Boselu 生成的每个分配建议在到达帐户之前都会经过三个不同的分析层。不允许任何单一信号主导决策。
定价、数量和新闻流数据会被持续摄取，并在影响任何模型输出之前进行数据卫生筛选。
将当前状况与数十年的市场周期进行比较，以确定结构相似的时期，并按统计显着性而不是新近度进行加权。
在调整任何头寸之前，引擎会预测一系列下行情景并相应调整风险敞口，而不是在波动出现后做出反应。
未达到统计显着性阈值的输入将被直接丢弃，而不是平滑为平均值。我们宁愿处理较少的数据，也不愿处理不可靠的数据。
运作方式
Fetiru Boselu 的设计假设其用户既没有时间也没有意愿全天监控市场。界面被故意限制：少量明确的建议，每项都可以追溯到产生它的数据。
每个模型决策都会记录其影响因素，以便家长在学校接送之间查看其投资组合时可以简单地理解位置发生变化的原因。
透明度
与选择性披露结果的全权管理者不同，Fetiru Boselu 持续发布其日志。下面的格式说明了每个条目的呈现方式；已发布的日志本身可根据要求提供。
公共日志格式的说明性表示。已发布的记录中完整提供了单独的条目、时间戳和方法说明。
为什么它很重要
只有当分析引擎改变了家庭必须投入的投资时间和注意力时，分析引擎才有用。下面的比较直接反映了这种权衡。
手动投资组合审查通常意味着协调电子表格、阅读市场评论以及在深夜权衡相互矛盾的观点。 Fetiru Boselu 将该流程压缩为在工作日开始之前交付的单一、有数据支持的建议。
电子表格核对的周末
回顾了煮咖啡所需的时间
预测风险层不断重新评估下行情景，在手动季度审查浮出水面之前标记集中度或波动性风险。
在审查时事后发现风险
在分配变化之前持续建模风险
常见问题
这些是我们最常被投资者问到的问题，他们具有分析头脑，但自己质疑引擎的时间有限。
账户和投资组合数据在传输过程中和静态时都经过加密，并且访问仅限于需要它来执行模型的系统。我们不会出于营销目的向第三方出售或共享投资组合数据。
基础模型按照固定的时间表重新训练，而不是响应短期市场波动，这可以防止引擎对噪音反应过度。再训练结合了最新的验证数据，同时保留历史模式权重。
没有预测模型可以完全消除尾部风险。风险建模层旨在尽可能减少波动信号升高之前的风险敞口，但极端、低概率事件仍可能导致损失。我们披露此限制而不是暗示其他情况。
是的。账户持有人可以随时暂停自动分配更改，同时保留对引擎持续建议的可见性，并在方便时恢复自动化。
有关模型治理的更多详细信息，请参阅我们的 平台文档。