信号问题
一个典型的交易日会产生数千个价格变动、头条新闻和情绪变化。这大部分是 噪音 ——对你面前的决定影响不大的信息。其余部分，即信号，通常被埋藏在其之下，而在波动时期，也就是决策最重要的时候，两者之间的比率会进一步恶化。
第二个问题是内部的，而不是外部的。疲劳、新近偏差和损失厌恶悄悄地扭曲了判断，即使是经验丰富的交易者也是如此。这些都是有据可查的认知偏见，没有任何纪律可以完全消除它们，因为它们是在有意识的意识下运作的。
Fundara Invest 旨在介于您和噪音之间：一个客观的观察者，对每个数据点应用相同的量化标准，无论上次交易的感受如何。
机制
引擎不只是推荐仪表。其主要功能是根据从您的行为中学习的阈值来管理现有投资组合的波动性，并随着行为的变化进行调整。
价格序列、订单流数据和宏观指标被拉入滚动窗口，连续刷新，而不是按固定间隔刷新。
时间序列和波动率模型的集合估计了可能的近期价格离散，不是单一的预测，而是合理结果的分布。
您对回撤和收益的历史反应用于推断工作容忍水平，该水平随每个新会话而更新，而不是在入职时固定。
头寸规模和对冲建议会随着情况的变化而重新计算，从而将实际波动率保持在您推断的舒适范围内。
基本方法利用了随机波动率建模和贝叶斯更新：每个新的观察结果都会调整先前的估计，而不是直接替换它们，这使得模型在短暂的噪声峰值期间保持稳定。
应用逻辑
根据想要实现的位置，引擎的行为有所不同。以下是基本决策逻辑，而不是预计回报。
场景一——动态对冲
当两个先前不相关的持股在波动性飙升期间开始一起移动时，多元化的好处会迅速消失。引擎检测到这种相关性漂移，并提出部分对冲规模以恢复原始风险状况，而不是直接平仓。
相关监视器
场景二——阿尔法一代
模式识别模型会标记历史价格结构先于有利的风险调整走势的实例，并通过您当前的风险敞口限制进行过滤。该信号是根据您可用的风险预算而不是仅根据信念进行评分（不保证）和大小的。
模式置信度得分
场景三——资本保全
当实际波动率持续超过您推断的阈值时，引擎会逐渐减少净敞口，而不是立即全部退出，从而限制出售陷入暂时混乱的风险，同时仍限制进一步的回撤。
回撤协议
流程透明度
我们宁愿解释该系统是如何工作的，而不是要求您相信它。以下三个领域涵盖数据的来源、模型的测试方式以及信息的处理方式。
市场数据来自许可的交易所源和公共宏观经济发布，在任何建模开始之前汇总成统一的时间序列。差距和异常会被标记出来，而不是默默地插入。
许可的饲料预测模型在部署之前会针对波动性较高的历史时期进行压力测试，并且会滚动审查性能，而不是一次验证后不进行检查。
持续审查账户和投资组合数据在传输和静态时受到端到端加密的保护，基础设施实践符合数据处理和访问控制的 SOC2 合规标准。
SOC2 对齐早期访问正在有限的群体中推出，以便在更广泛的发布之前可以根据真实账户行为调整风险适应引擎。加入该列表并不要求您承担除收到通知之外的任何义务。