Az Quilverynth egy folyamatosan frissített prediktív modell segítségével dolgozza fel a piaci és működési adatokat, strukturált ajánlásokat és napi beszámolót készít az ajánlások teljesítményéről. Olyan szakemberek számára készült, akik helyi íróasztal nélkül kezelik a bevételt vagy a tőkét.
A távmunkások, a digitális nomádok és az önirányító befektetők általában több időzónában, platformon és pénznemben dolgoznak egyszerre. A piacmozgató információk egyenetlenül érkeznek, és a szokásos jelzések, amelyekre egy asztali kereskedő támaszkodik – kihallgatott kommentárok, helyi hírciklusok, rögzített menetrend – nem ugyanúgy elérhetők.
Az eredmény nem adathiány. Hiányzik a konzisztens értelmezési módszer a helyek és időzónák közötti mozgás során. Az Quilverynth ennek a hiányosságnak a közvetlen orvoslására készült, egy olyan modellel, amely folyamatosan fut, függetlenül attól, hogy a felhasználó honnan van bejelentkezve.
A rendszer három funkció köré szerveződik, amelyek egymás után futnak: a releváns adatok folyamatos bevitele, a valószínű rövid távú mozgások statisztikai modellezése, és ennek a kimenetnek ajánlássá fordítása meghatározott megbízhatósági szinttel.
Az Quilverynth motorja egyetlen előrejelzést sem ad ki, és nem hagyja statikusan. A bemenetek frissítése gördülő alapon történik, és minden új adatpontot a rendszer a meglévő modellállapothoz viszonyít, mielőtt bármilyen ajánlást módosítana. Ez csökkenti annak valószínűségét, hogy az ajánlás olyan információkon alapuljon, amelyek már elavultak, mire a felhasználó elolvassa.
Az árakat, a mennyiséget és a releváns külső adatokat a rendszer nem rögzített időközönként, hanem szinte folyamatos ütemezés szerint gyűjti be, így a modell nem egy elavult pillanatkép alapján működik.
A történelmi mintázatfelismerést a jelenlegi feltételekkel kombinálják, hogy valószínűségekkel súlyozott képet kapjanak a valószínű rövid távú irányról, nem pedig egy garantált eredményről.
Minden ajánlást bizalmi sáv kísér, amely alapot ad a felhasználónak a döntés meghozatalához, ahelyett, hogy minden jelet egyenlőként kezelne.
Mielőtt egy ajánlás megjelenne, a modell a közelmúltbeli volatilitási feltételek alapján futtatja azt, hogy ellenőrizze, hogyan viselkedett volna hasonló múltbeli stressz esetén.
A folyamat egyszerűsített nézete: a nyers adatokat megtisztítják és normalizálják, mielőtt elérnék a modellt, és minden modell kimenet naplózásra kerül, mielőtt olvasható ajánlássá konvertálná.
Az átlátszóság a gyakorlatban azt jelenti, hogy a felhasználónak nem kell a modell pontosságát a hitre vetnie. A rendszer minden napra vonatkozó ajánlásokat a későbbi eredmények mellett naplózza, és mindkettő ugyanabban a jelentésben.
A jelentés formátuma napról napra változatlan marad, így a hetek vagy hónapok közötti összehasonlítások értelmesek maradnak. Ha egy ajánlás alulteljesíti a megadott megbízhatósági sávot, az adott példányt a rendszer megtartja a nyilvántartásban, nem pedig eltávolítja.
A cél nem az, hogy hibátlan múltra tekintsenek vissza, amit egyetlen prediktív rendszer sem tud őszintén kínálni. Ennek célja, hogy elegendő előzményt adjon a felhasználóknak ahhoz, hogy saját maguk ítéljék meg a modell viselkedését saját feltételeik és időhorizontjuk szerint.
A kockázati keret nélküli előrejelzés magabiztos, de törékeny döntéseket hoz. Az alábbi lépések azt írják le, hogy az ajánlás miként kerül át a nyers adatokból olyasmivé, amelyre a felhasználó bizonyos hátrányokkal reagálhat.
A beérkező adatokat a rendszer ellenőrzi a hiányosságok, a duplikáció és az időzítési inkonzisztenciák szempontjából, mielőtt elérné a modellt, csökkentve a hibás bemenetekre épülő döntések esélyét.
A modell egy valószínűséggel súlyozott ajánlást állít elő egy megbízhatósági sávval együtt, nem pedig egyetlen rögzített utasítást.
Az ajánlott pozícióméret a megadott konfidenciaszinthez képest korlátozott, így az alacsonyabb megbízhatóságú jelek ennek megfelelően kisebb javasolt kitettséget hordoznak.
A tényleges eredmény az eredeti ajánláshoz képest még aznap rögzítésre kerül, lezárva a hurkot a következő elemzési ciklus megkezdése előtt.
Ugyanaz a mögöttes modell különböző döntési igényeket támogat, attól függően, hogy a bevétel egy vállalkozás távoli működtetésétől vagy egy személyes befektetési pozíció kezelésétől függ.
A több devizanemet használó cégtulajdonosnak tudnia kell, hogy az árfolyam-mozgás várhatóan mikor csökkenti az árrést egy közelgő átutaláskor. Ahelyett, hogy rögzített ütemezés szerint konvertálná az alapokat, a tulajdonos ellenőrzi a napi jelentést a devizapárok megbízhatósági sávjaira vonatkozóan, mielőtt eldönti, hogy most vagy visszatartja-e az átutalást.
Szemléltető előny: kevesebb átutalást hajtanak végre kedvezőtlen rövid távú kilengések során.A kereskedési pulthoz állandó hozzáféréssel nem rendelkező befektető a modell forgatókönyv-szimulációs kimenetét használja annak eldöntésére, hogy a jelenlegi volatilitási feltételek hasonlítanak-e a lehívást megelőző elmúlt időszakokra. Az egyensúly helyreállítására vagy a tartásra vonatkozó döntést az összehasonlítás ellenében hozzák meg, nem pedig a pletykák vagy a rövid távú árzaj ellen.
Szemléltető előny: a naplózott történelmi összehasonlításon alapuló döntések, nem az érzelmek.A változó havi jövedelemmel rendelkező tanácsadó a napi jelentést a folyamatos manuális kutatás kisebb erőfeszítést igénylő alternatívájaként használja, naponta egyszer felülvizsgálja a bizalmi sávot és a kitettségi útmutatást, ahelyett, hogy folyamatosan figyelné a piacokat.
Szemléltető előny: csökkenti a kézi piacfelügyeletre fordított időt.
Az Quilverynth-et azon az alapfeltevésen fejlesztették ki, hogy a prediktív modellezés akkor hasznos, ha a határait egyértelműen meghatározzák. A platform nem garantálja az eredményeket, és jelentéseinek egyetlen része sem utal ennek ellenkezőjére.
Amit biztosít, az egy konzisztens, naplózott folyamat: adatbevitel, modellezés, eredmény rögzítése. Azok a felhasználók, akik meg akarják érteni, hogyan jutottak el egy ajánláshoz, a napi jelentések segítségével nyomon követhetik azt, ahelyett, hogy egyetlen címsorra hagyatkoznának.
Az alábbi kérdések a modell karbantartásának és a felhasználói adatok kezelésének módjára vonatkoznak, nem pedig a teljesítményre vonatkozó marketingállításokra.
A modell súlyozását a rendszer folyamatosan felülvizsgálja, amint új eredményadatok gyűlnek össze. Az alapul szolgáló modellverzió minden változását a rendszer egy referenciaazonosítóval rögzíti, amely a napi jelentésben látható, így a felhasználók nyomon követhetik, mikor változott a viselkedés.
A motor a piaci ár- és volumenadatokat, valamint a vonatkozó makro- és szektorszintű mutatókat veszi alapul. Minden bemeneti forrásnak meghatározott frissítési időköze van, és az adott forrás késedelme vagy kimaradása a jelentésben megjelölésre kerül, nem pedig csendben.
Igen. A megbízhatósági sáv statisztikai valószínűséget ír le, nem bizonyosságot. Azok az időszakok, amikor a tényleges eredmény a megadott sávon kívülre esett, a napi jelentési előzményekben megmarad, nem pedig kizárva, ami része a módszertan őszinte megőrzésének.
A fiók- és használati adatokat csak addig őrizzük meg, ameddig a jelentéskészítéshez és a szolgáltatás fenntartásához szükséges, az alábbi adatvédelmi nyilatkozattal összhangban. A felhasználók részleteket kérhetnek a számlájukkal kapcsolatos adatokról.
Nem. Az Quilverynth elemzéseket és ajánlásokat készít. Az ebből eredő döntések végrehajtása a felhasználóra és az általa választott brókerre vagy platformra marad.
Adatvédelmi nyilatkozat: Az Quilverynth kizárólag az elemzés, a jelentéskészítés és a fiókadminisztráció érdekében dolgozza fel a fiók- és használati adatokat. Az adatokat harmadik félnek nem értékesítjük. A tárolt adatokhoz hozzáférés-szabályozást és titkosítást alkalmaznak az Egyesült Királyságban működő pénzügyi elemzési platformok szokásos iparági gyakorlatának megfelelően.
Az irányítópulthoz való hozzáférés tartalmazza az aktuális napi ajánlásokat, a mögöttük lévő bizalmi sávokat, valamint az ezen az oldalon hivatkozott történeti jelentésarchívumot. Nem kötelező egyetlen ajánlás alapján sem cselekedni.