人工智能驱动的财富分析
通过数据分析而不是预测来保本。
Marmer Borgschap 根据数十年的市场数据测试投资策略。通过这种方式，风险在发生之前就变得可见，并且回报仍然是有依据的而不是假设的。
查看结果
经济周期中回报离散度的说明性表示。历史结果并不能保证未来回报。
Marmer Borgschap 根据数十年的市场数据测试投资策略。通过这种方式，风险在发生之前就变得可见，并且回报仍然是有依据的而不是假设的。
查看结果该模型经历三个固定步骤。每一步都是可重复、可控的，没有黑匣子。
该系统每天从公共和许可来源收集市场数据、宏观经济指标和历史价格序列。数百万个数据点被合并为一个一致的数据集。
算法在该数据集中搜索波动性、相关性和流动性的重复模式。与历史标准的偏差将立即被标记以供进一步审查。
根据识别的模式，该模型计算未来一段时间的情景。每个场景都会给出风险评级，而不是价格预测。
该模型不预测价格。它识别历史上与稳定性相关的模式并相应地调整头寸。结果是风险评估，而不是承诺。
Marmer Borgschap 专为重视安全而非短期回报的投资者而设计。该平台将数据聚合、统计分析和场景计算结合在一个连续的过程中。
每个建议都可以追溯到底层数据。没有任何内容是未经证实的，也没有任何场景是确定的。
策略是根据市场而不是假设进行测试的。下面是该评估得出的结构的说明性表示。
回测期间应计回报的指示性表示。没有对未来结果的预测。
该策略旨在实现多个市场周期的一致性，而不是某一时期的异常值。
一旦波动性偏离该策略所依据的历史模式，头寸就会减少。
模型的每次调整首先都会对之前的市场数据进行回溯测试，然后再应用于当前头寸。
该系统的建立是为了限制损失，而不是最大化机会。
位置受到持续监控。立即识别与预期风险状况的偏差。
随着波动性的增加，头寸会自动减少。没有人为延迟，决策中没有任何情绪。
增长对于保护来说是次要的。该模型选择最稳定的路线，即使这意味着较低的回报。
头寸以流动性工具持有。资金提取是通过关联账户的定期结算期（通常是几个工作日）进行的。
该模型会根据新的市场数据定期重新校准。每次重新校准都首先在历史时期进行测试，然后再应用于当前策略。
数据存储和处理在具有单独访问级别的加密环境中进行。对分析模型的访问仅限于授权系统。
风险模型对波动性的偏差做出反应，而不仅仅是对价格变动做出反应。根据预定阈值调整位置。
不会。回测显示历史一致性，但不是保证。每个场景都存在相关的不确定性。