01
预测建模
该平台处理历史和实时数据流，以识别创收机会发生有意义变化之前的模式，并在它们变得明显之前对其进行标记。
适应引擎
大多数分析工具对每个用户应用单一模型。相反，Stonewell 会观察您如何应对波动性、回撤和机会，然后相应地调整其输出。这不是一个静态仪表板；这是一个学习系统，它会随着对您的了解的加深而缩小推荐范围。
该平台处理历史和实时数据流，以识别创收机会发生有意义变化之前的模式，并在它们变得明显之前对其进行标记。
每条建议都会根据您过去的决定构建的风险承受能力进行权衡，而不是在注册时完成的通用调查问卷。
在可能的情况下，该模型倾向于具有有限的下行空间和有意义的上行空间的策略，而不是在所有可用选项中均匀分布风险敞口。
方法论
该过程故意是连续的。每个阶段都依赖于前一阶段确认的数据，这使系统保持可审计而不是不透明。
不断收集市场反馈、历史绩效记录和用户特定活动，为模型进行的每次评估提供当前和历史参考点。
该引擎识别与有利或不利结果相关的重复出现的条件，然后将它们与您个人对波动和损失的容忍度进行交叉引用。
提出的建议附有明确的推理，涵盖预期结果范围以及模型修改其立场的条件。
结果被反馈到系统中。当建议的执行超出预期范围时，模型会针对未来类似的场景调整其权重。
自动化风险承受能力学习
Stonewell 不会要求您选择固定的风险类别，而是根据实际情况下做出的决策推断您的实际容忍度：您接受哪些建议，拒绝哪些建议，以及当结果与预期不一致时您如何应对。
这会产生一个随着环境变化而逐渐变化的档案，这对于收入要求和可用资金很少长期保持不变的远程专业人士来说很重要。
说明当模型根据观察到的容差重新校准时，暴露权重如何在典型周期中变化。
运营影响
自适应建模的价值最好通过它返回给没有交易大厅的专业人士的时间和注意力来衡量。
常见问题
底层引擎旨在处理额外的数据流，而不需要为每个数据流提供单独的配置文件。新来源被纳入现有风险评估中，而不是被视为孤立案例，这使得建议与您的活动规模保持一致。
在提供任何建议之前，传入的数据会根据历史记录进行验证和协调。如果数据点与既定模式发生冲突，则会对其进行标记以供审查，而不是自动采取行动。
是的。每项建议都与促成该建议的因素一起提出，包括相关的风险参数，因此可以审查其逻辑，而不是盲目相信。
该模型将您决策的突然转变视为有意义的信号，并相应地调整其权重。它不需要手动重置，但您可以根据需要直接查看和调整您的个人资料。
它是为需要结构化指导而不是原始数据的专业人士而构建的。不需要任何建模经验，但对自己的收入和风险状况的基本了解将帮助您很好地使用它。
有关实施或范围的其他问题。 联系我们。