Aurévinelle によって生成される各推奨事項は、再現可能なプロセスに基づいて作成され、本番環境に導入される前に内部で文書化および監査されます。
市場の流れ、マクロ経済指標、ボラティリティデータは継続的に収集され、正規化され、モデルトレーニングのために構造化されます。
統計モデルと機械学習モデルは収益シナリオを推定し、資産クラス間の不安定な相関関係を特定します。
割り当ては、定義された収益目標と許容リスクしきい値に従って調整され、リバランスは自動的にトリガーされます。
取り込みから推奨までの処理フロー全体がログに記録されるため、監査中に各ポートフォリオ調整の原因を追跡できます。
固定ワークステーションへのアクセスや一日中安定した接続が保証されていない、頻繁に職場を変更するユーザー向けに設計されています。
ポジションは世界の主要市場で監視され、重要な動きを単一の概要テーブルに集約します。
割り当てが設定されたしきい値から逸脱すると、システムはユーザーが選択した委任モードに従ってリバランスを提案または実行します。
すべてのポートフォリオとレポートには、ローカルにインストールしたり、単一のワークステーションに依存したりすることなく、ブラウザから引き続きアクセスできます。
展開前に、各戦略は、さまざまなボラティリティ状況におけるその動作を評価するために、過去の市場データと比較されます。
反対側のグラフは、少なくとも 1 つの市場調整段階を含む 5 年間のローリング ウィンドウにわたる、標準的なベンチマーク インデックスと比較した典型的な戦略の軌跡を示しています。
パフォーマンスのギャップは、リターンのみの孤立した読み取りを避けるために、関連するボラティリティとともに表示されます。
バックテスト方法を参照してください →過去のパフォーマンスは、シミュレーションか実際かにかかわらず、将来の結果を保証するものではありません。どのような投資にもキャピタルロスのリスクが伴います。
このプラットフォームは、基礎となる意思決定プロセスの厳密さを変更することなく、望ましいレベルの関与に適応します。
頻繁に移動するユーザーのために、ポートフォリオはシステムによって継続的に監視され、通知は市場のあらゆる変化ではなく、重大と思われる逸脱に限定されます。
望ましい目標は、運用上の安心感です。つまり、1 回限りの決定が減り、事前に定義されたフレームワークに対する信頼性が高まります。
よりアクティブなプロファイルを実現するために、Aurévinelle は、特に市場の分散が高い段階でのポジションの手動または半自動調整に必要な定量的要素を提供します。
求められる精度は、事後的に文書化され参照可能な各仲裁の正当性に関するものです。
既存のアカウントとの統合は、事前のデータ移行なしで行われます。評価アクセスは、時間の約束なしで提供されます。
アクセスモデル