01 — 建模
预测建模
基于历史序列和图书订单数据训练的深度学习模型，经过校准以估计不同时间窗口内的价格变动概率。
市场挑战
当今的市场会以毫秒为单位产生微小的价格变化。人类分析师无论准备得多么充分，都需要几秒钟或几小时来解释相当数量的信息，而这种延迟会导致错失机会或迟到。
人工智能引擎
每个组件独立运行且可审计，从而可以审查其对最终建议的贡献。
01 — 建模
基于历史序列和图书订单数据训练的深度学习模型，经过校准以估计不同时间窗口内的价格变动概率。
02 — 仲裁
相关资产之间的持续比较，以识别临时价格差异，并在执行之前使用用户可配置的风险限额。
03 — 基础设施
分布式处理在数据摄取和信号生成之间具有超低延迟，旨在在高峰市场容量下保持性能。
方法论
每个阶段都会被记录下来，因此可以随时查看信号背后的推理。
市场数据、订单深度和宏观经济变量均从标准化来源收集，并具有同步时间戳，以避免系列之间的不匹配。
该引擎评估历史模式和当前条件，为每个信号以及对结果影响最大的变量生成置信度得分。
该建议会提供其统计依据和相关风险级别，将执行与否的最终决定权交给用户。
使用案例
参数设置根据用户的时间范围和风险承受能力而有所不同。
该模型可以识别分钟窗口内的交易量异常和微趋势，并为每笔交易确定进入和退出点以及明确的置信水平。
对于管理较大投资组合的团队，系统会按资产和行业计算总风险敞口，标记超出内部定义限制的集中度。
该引擎将当前分配与用户定义的目标进行比较，并提出增量调整建议，以最大限度地减少财政影响和交易成本。
常见问题解答
数据在静态和传输过程中均使用行业标准协议进行加密存储。对代理连接凭证的访问是通过有限的权限令牌进行管理的，可以随时从用户的帐户中撤销。
Zavavo Ferino 通过 API 与公开市场标准交易接口的提供商集成。确切的兼容性取决于代理，并且可以在激活任何自动执行之前进行验证。
回测结果是根据样本外时段分段的历史数据计算的，以减少过度拟合。始终指示与每个报告指标相关的样本大小和置信区间。