How does the model decide what to recommend?

Each strategy is scored against a weighted set of criteria including historical return, volatility, drawdown depth, and correlation with common asset classes. The weighting is fixed and disclosed, not adjusted case by case, so the same criteria apply consistently across recommendations.

What data was used to train the models?

Models are trained on multi-year historical pricing and macroeconomic datasets sourced from licensed financial data providers. Training data is refreshed on a rolling schedule so that the model's frame of reference does not remain static as market conditions evolve.

How is model overfitting addressed?

Strategies are validated on out-of-sample data that was withheld from the original training set. A strategy that performs well only on the data it was built on is discarded before it reaches a user-facing recommendation.

What compliance and security measures are in place?

User account data is encrypted in transit and at rest. The platform does not provide personalised financial advice under UK regulation; it presents data-driven analysis intended to support, not replace, a user's own judgement or independent professional advice.

Can a recommendation be traced back to its source data?

Yes. Every recommendation includes a reference to the backtest window and data inputs used to generate it, allowing a user to review the underlying reasoning rather than accepting a figure at face value.

Datu izlūkošana personīgajam kapitālam

Atpakaļpārbaudītas stratēģijas tiem, kas dažādo, pārsniedzot vienu ienākumu

Velyra Platform analizē vēsturisko tirgus uzvedību un reāllaika datu straumes, lai izstrādātu ar risku pielāgotus ieteikumus, sniedzot strādājošiem profesionāļiem disciplinētu veidu, kā novērtēt, kur papildu kapitāls varētu strādāt vairāk.

Piekļūstiet platformai Skatīt metodoloģiju

10 gadu atskats Katra platformā parādītā stratēģija tiek pārbaudīta, salīdzinot ar desmit gadu vēsturiskiem tirgus datiem, pirms tā sasniedz ieteikumu.

Kā tas darbojas

Lēmumu optimizācija balstās uz strukturētiem datiem, nevis intuīciju

Velyra Platform pārvērš lielus tirgus un portfeļa datu apjomus nelielā skaitā ranžētu, izskaidrojamu ieteikumu. Katrs turpmākais posms ir paredzēts, lai novērstu minējumus no procesa.

Nepārtraukta datu uzņemšana

Platforma izmanto cenu noteikšanas, makroekonomikas un nepastāvības datus vairākos tirgos, kas tiek atsvaidzināti visu tirdzniecības dienu, nevis fiksētos intervālos.

Tas pamatā esošajiem modeļiem sniedz pašreizējo priekšstatu par apstākļiem, tāpēc ieteikumi atspoguļo pašreizējos apstākļus, nevis novecojušus momentuzņēmumus.

Prognozējošā modelēšana

Statistikas un mašīnmācīšanās modeļi nosaka vēsturiskās cenu uzvedības modeļus un pārbauda, kā šie modeļi saglabājās dažādos tirgus režīmos.

Modeļi tiek nepārtraukti apmācīti, kas ļauj platformai pielāgoties, jo jauni dati aizstāj vecākus pieņēmumus.

Riska koriģēts rangs

Katra kandidāta stratēģija tiek vērtēta ne tikai pēc prognozētās atdeves, bet arī pēc nepastāvības, izņemšanas vēstures un korelācijas ar lietotāja esošajiem īpašumiem.

Šis ranžējums attur lielas atdeves un nepastāvības novirzes no dominēšanas ieteikumu sarakstā bez atbilstoša konteksta.

Vienkāršā valodas izvade

Ieteikumi ir sniegti kopā ar to pamatojumu: datu ievadi, atpakaļpārbaudes logu un izmantotajiem pieņēmumiem.

Lietotāji var izsekot jebkuram ieteikumam tā atbalsta datiem, nevis pieņemt attēlu bez konteksta.

Metodoloģija

Stingrība tiek piemērota, pirms ieteikums sasniedz lietotāju

Atpakaļpārbaude un paredzamā modelēšana ir noderīgas tikai tad, ja process ir disciplinēts. Tālāk esošajā darbplūsmā ir aprakstīts, kā Velyra Platform veido un apstiprina katru stratēģiju.

Datu iegūšana un pārbaude

Tirgus dati tiek iegūti no licencētiem finanšu datu nodrošinātājiem un pirms ievadīšanas modeļa konveijerā tiek salīdzināti ar sekundāro avotu, tādējādi samazinot risku, ka ieteikumā tiks ievadīti kļūdaini dati.

Vēsturiskā atpakaļpārbaude

Kandidātu stratēģijas tiek izmantotas, pamatojoties uz vēsturiskiem datiem, kas aptver vairākus tirgus ciklus, tostarp kontrakcijas periodus, lai novērotu, kā konkrētā pieeja būtu izturējusies stresa apstākļos, nevis tikai labvēlīgos apstākļos.

Ārpusizlases pārbaude

Pirms izvietošanas katrs modelis tiek pārbaudīts ar datiem, kas iepriekš nav redzēti. Šis solis ir paredzēts, lai novērstu pārmērību, kad stratēģija šķiet spēcīga tikai tāpēc, ka tā tika pielāgota, lai pārāk cieši atbilstu pagātnes datiem.

Nepārtraukta pārkalibrēšana

Tiešraides sniegums tiek uzraudzīts, salīdzinot ar iepriekš pārbaudītajām cerībām. Ja parādās būtiskas atšķirības, modelis tiek atzīmēts pārskatīšanai un atkārtotai kalibrēšanai, nevis atstāts bez atzīmes.

Datu avota pārbaude

Visas ievades ir izsekojamas līdz nosauktam pakalpojumu sniedzējam un tiek apzīmogotas ar laikspiedolu, ļaujot jebkuram ieteikumam pārbaudīt to avota datus.

Riska mazināšanas pārskats

Pozīciju lieluma un diversifikācijas ierobežojumi ir iekļauti katrā ieteikumā, lai ierobežotu jebkura atsevišķa aktīva vai sektora iedarbību neatkarīgi no tā, cik labvēlīga var šķist atpakaļpārbaude.

Lietišķā izmantošana

Kur platforma iekļaujas strādājoša profesionāļa finansēs

Tālāk minētie scenāriji atspoguļo izplatītus sākumpunktus lietotājiem, kuri veido sekundāro ienākumu plūsmu vai atkārtoti novērtē esošo portfeli.

Algots profesionālis, agrīna karjera

Pirmās daudzveidīgās pozīcijas izveide

Lietotājs ar ikmēneša rīcībā esošajiem ienākumiem, bet ierobežotu tirgus pieredzi izmanto platformu, lai pirms kapitāla piesaistīšanas salīdzinātu iepriekš pārbaudītas stratēģijas ar vienkāršu ietaupījumu etalonu.

Rezultāts: apzināts lēmums par piešķiršanu

Esošais investors, portfeļa apskats

Koncentrācijas riska pārvērtēšana

Lietotājs ar esošu akciju portfeli veic to, izmantojot platformas korelācijas analīzi, lai noteiktu, kur turējumi pārklājas un kur atpakaļpārbaudīta alternatīva varētu samazināt kopējo risku.

Rezultāts: samazināts koncentrācijas risks

Ārštata darbinieks, neregulāri ienākumi

Mainīgas naudas plūsmas modelēšana

Pašnodarbinātais lietotājs modelē, kā daļu no neregulāriem ienākumiem varētu sadalīt stratēģijām ar atšķirīgu likviditātes profilu, pamatojoties uz vēsturiskiem izņemšanas datiem, nevis pieņēmumiem.

Rezultāts: likviditāti apzinoša plānošana

Mazā uzņēmuma īpašnieks

Reinvestēšanas iespēju izvērtēšana

Uzņēmuma īpašnieks, kas salīdzina atkārtotas investīcijas ar ārēju piešķīrumu, izmanto platformas salīdzinošās novērtēšanas rīkus, lai nosvērtu prognozēto, riskam pielāgoto atdevi pret uzņēmumam piesaistītā kapitāla izmaksām.

Rezultāts: salīdzinošā lēmumu sistēma

Pārredzamība

Paskaidrota katra ieteikuma loģika

Analītiskie lietotāji mēdz jautāt, kā sistēma nonāk pie skaitļa, pirms tam uzticas. Tālāk sniegtās atbildes attiecas uz visbiežāk uzdotajiem jautājumiem par metodoloģiju, apmācību un datu apstrādi.

Kā modelis izlemj, ko ieteikt?

Katra stratēģija tiek vērtēta, pamatojoties uz svērtu kritēriju kopumu, tostarp vēsturisko atdevi, nepastāvību, izņemšanas dziļumu un korelāciju ar kopējām aktīvu klasēm. Svērums ir fiksēts un atklāts, nevis koriģēts katrā gadījumā atsevišķi, tāpēc visos ieteikumos konsekventi tiek piemēroti vieni un tie paši kritēriji.

Kādi dati tika izmantoti modeļu apmācīšanai?

Modeļi tiek apmācīti par vairāku gadu vēsturiskajām cenām un makroekonomikas datu kopām, kas iegūtas no licencētiem finanšu datu sniedzējiem. Apmācību dati tiek atsvaidzināti saskaņā ar mainīgo grafiku, lai modeļa atskaites sistēma nepaliktu statiska, mainoties tirgus apstākļiem.

Kā tiek risināta modeļa pārmērīga pielāgošana?

Stratēģijas tiek apstiprinātas, pamatojoties uz ārpusizlases datiem, kas netika iekļauti sākotnējā apmācību komplektā. Stratēģija, kas labi darbojas tikai tiem datiem, uz kuriem tā tika balstīta, tiek atmesta, pirms tiek sasniegts lietotājam paredzēts ieteikums.

Kādi atbilstības un drošības pasākumi ir ieviesti?

Lietotāja konta dati tiek šifrēti pārsūtīšanas un atpūtas laikā. Platforma nesniedz personalizētas finanšu konsultācijas saskaņā ar Apvienotās Karalistes noteikumiem; tā sniedz uz datiem balstītu analīzi, kas paredzēta, lai atbalstītu, nevis aizstātu lietotāja paša spriedumu vai neatkarīgu profesionālu padomu.

Vai ieteikumu var izsekot tā avota datiem?

Jā. Katrs ieteikums ietver atsauci uz atpakaļpārbaudes logu un tā ģenerēšanai izmantoto datu ievadi, ļaujot lietotājam pārskatīt pamatojumu, nevis pieņemt skaitli pēc nominālvērtības.