为什么这很重要
大多数专业人士都会在会议之间的短时间内回顾市场数据，依靠头条新闻和滞后指标来形成观点。在高波动时期，这种方法在结构上处于不利地位：当肉眼可以看到某种模式时，采取行动的机会通常已经过去了。
Ravensorq 的构建就是为了直接解决这一差距。该平台不是要求个人在时间压力下解释原始数据，而是不断处理这些数据并提出一组浓缩的、排序的结论——减少了保持知情所需的认知负担，同时又不降低每个结论背后的严谨性。
方法论
Ravensorq 生成的每条建议都会经历三个不同的阶段。该过程故意是连续的，以便任何输出都可以追溯到产生它的数据和假设。
市场信息、定价数据和相关宏观经济指标是连续获取的，而不是按照固定的时间表获取的，因此模型始终根据市场的当前状态而不是陈旧的快照来运行。
统计和机器学习模型评估多种情况下的概率分布，在考虑头寸之前（而不仅仅是之后）标记波动性或相关性风险升高的情况。
输出会根据您既定的目标和风险承受能力进行过滤，生成相关操作的简短列表，而不是您必须自己解释的通用信号源。
零黑匣子
每个帐户都会收到一份每日报告，总结了模型观察到的内容、生成了哪些建议以及先前建议的执行情况。季度总结或年度回顾不会受到任何阻碍。
这很重要，因为对自动化系统的信心应该通过证据获得，而不是假设。每日报告旨在让您根据自己的目标验证平台的逻辑，以便根据您的条件逐步建立信任。
实际应用
当投资组合偏重于单一行业或资产类别时，模型会显示相关风险敞口，并建议根据现有持有规模调整对冲头寸，而不是一般的多元化建议。
对于探索新资产类别的专业人士来说，该平台突出了早期趋势数据以及该趋势历史性逆转的条件，支持更明智的切入点。
当头寸超出他们在入职期间定义的风险参数时，用户会收到通知，而不是在每周结束时手动检查风险。
关于Ravensorq
Ravensorq 是为那些已经熟悉财务推理的个人（分析师、工程师和操作员）开发的，他们没有时间在整个工作日监控市场。该平台无意取代该判断；它的目的是为其提供结构更好的证据。
基础模型会持续进行审查和重新校准，反映出市场状况不是静态的这一事实，并且快速停止学习的预测系统将成为一种负债而不是一种资产。
方法论和常见问题解答
账户和投资组合数据在传输过程中和静态时均经过加密。对原始模型输出和用户数据的访问受到内部限制和记录，并且数据绝不会出售或与第三方广告商共享。
通过将每项建议的预期结果与其实际结果进行比较来评估准确性，这种比较包含在每日报告中，而不是汇总到单个标题数据中。模型是迭代的：随着新的市场数据的出现，它们会被重新训练，并且没有一个模型是绝对正确的。
入职流程首先是一份简短的调查问卷，涵盖您现有的持股、风险承受能力和收入目标。此信息用于校准向您显示的建议；它不会授予 Ravensorq 对您的帐户的全权控制权。