Velyra Platform 将大量市场和投资组合数据转换为少量经过排名的、可解释的建议。下面的每个阶段都旨在消除过程中的猜测。
该平台利用多个市场的定价、宏观经济和波动性数据，这些数据在整个交易日而不是按固定时间间隔刷新。
这为底层模型提供了当前状况的视图，因此建议反映了当前情况而不是过时的快照。
统计和机器学习模型可以识别历史价格行为的模式，并测试这些模式在不同市场体制中的表现如何。
模型会滚动重新训练，这使得平台能够在新数据取代旧假设时进行调整。
每个候选策略不仅根据预计回报进行评分，还根据波动性、回撤历史以及与用户现有持仓的相关性进行评分。
这种排名可以防止高回报、高波动性的异常值在没有适当背景的情况下主导推荐列表。
提出的建议及其背后的推理：数据输入、回测窗口和所应用的假设。
用户可以将任何建议追溯到其支持数据，而不是接受没有上下文的数字。
回溯测试和预测建模只有在其背后的流程受到严格约束的情况下才有用。下面的工作流程概述了 Velyra Platform 如何构建和验证每个策略。
市场数据是从获得许可的金融数据提供商处提取的，并在进入模型管道之前与二级来源进行交叉检查，从而降低了将错误输入输入建议的风险。
候选策略根据跨越多个市场周期（包括收缩期）的历史数据进行运行，以观察给定方法在压力下而不是仅在有利条件下的表现。
在部署之前，每个模型都会根据之前未见过的数据进行测试。此步骤旨在捕获过度拟合，其中策略之所以显得强大只是因为它被调整为与过去的数据过于紧密地匹配。
现场表演是根据回溯测试的预期进行监控的。当出现有意义的差异时，模型会被标记为需要审查和重新校准，而不是任其运行。
所有输入都可追溯到指定的提供者并带有时间戳，从而允许对任何建议进行审计回其源数据。
每项建议中都内置了头寸规模和多元化限制，以限制对任何单一资产或行业的敞口，无论回测结果如何有利。
以下场景反映了用户建立二次收入流或重新评估现有投资组合的常见起点。
每月可支配收入但市场经验有限的用户在投入资金之前，使用该平台将回测策略与简单的储蓄基准进行比较。
结果：知情的分配决定拥有现有股票投资组合的用户通过平台的相关性分析来运行它，以确定持仓重叠的地方以及经过回测的替代方案可能会减少整体风险的地方。
结果：降低集中风险个体户用户根据历史回撤数据而不是假设，对如何在具有不同流动性状况的策略之间分配一部分不规则收入进行建模。
结果：流动性意识规划将再投资与外部配置进行比较的企业主使用该平台的基准测试工具来权衡预计的风险调整回报与业务相关的资本成本。
结果：比较决策框架分析型用户在信任系统之前往往会询问系统如何得出某个数字。以下答案解决了有关方法、培训和数据处理的最常见问题。
每个策略均根据一组加权标准进行评分，包括历史回报、波动性、回撤深度以及与常见资产类别的相关性。权重是固定和公开的，不会根据具体情况进行调整，因此相同的标准一致适用于所有建议。
模型根据来自许可金融数据提供商的多年历史定价和宏观经济数据集进行训练。训练数据按滚动计划刷新，以便模型的参考框架不会随着市场条件的变化而保持静态。
策略是根据原始训练集中保留的样本外数据进行验证的。仅在其所构建的数据上表现良好的策略在达到面向用户的推荐之前就会被丢弃。
用户帐户数据在传输过程中和静态时均进行加密。根据英国监管，该平台不提供个性化财务建议；它提供数据驱动的分析，旨在支持而不是取代用户自己的判断或独立的专业建议。
是的。每个建议都包含对回测窗口的引用以及用于生成它的数据输入，允许用户检查潜在的推理，而不是接受表面上的数字。