Aurévinelle 生成的每项建议均来自可重复的流程，并在投入生产之前进行内部记录和审核。
市场流动、宏观经济指标和波动性数据被不断收集、标准化，然后结构化以进行模型训练。
统计和机器学习模型可估计回报场景并识别资产类别之间不稳定的相关性。
根据既定的回报目标和可承受的风险阈值调整分配，并自动触发重新平衡。
整个处理流程（从摄取到推荐）都会被记录下来，以便在审计期间追踪每个投资组合调整的来源。
专为经常更换工作场所、无法保证全天访问固定工作站或稳定连接的用户而设计。
对世界主要市场的头寸进行监控，并将重大变动汇总在一个汇总表中。
当分配偏离设定阈值时，系统根据用户选择的委托模式建议或执行重新平衡。
所有组合和报告都可以通过浏览器访问，无需本地安装或依赖于单个工作站。
在部署之前，每个策略都会与过去的市场数据进行比较，以评估其在不同波动情况下的行为。
对面的图表显示了与标准基准指数相比，典型策略在五年滚动窗口（包括至少一个市场调整阶段）中的轨迹。
绩效差距与其相关的波动性一起呈现，以避免任何单独的回报读数。
查阅回溯测试方法 →过去的表现（无论是模拟的还是实际的）并不能保证未来的结果。任何投资都存在资本损失的风险。
该平台可以适应所需的参与程度，而不会改变底层决策过程的严格性。
对于经常移动的用户，系统会持续监控投资组合，通知仅限于被视为重大的偏差，而不是每次市场变化。
期望的目标是安心操作：减少一次性决策，对预先定义的框架更有信心。
为了获得更活跃的配置文件，Aurévinelle 提供了手动或半自动调整头寸所需的定量元素，特别是在市场高度分散的阶段。
所追求的精确性涉及每次仲裁的合理性，并记录在案并可事后查阅。