核心引擎
原始波动如何成为可行的策略
引擎运行三个协调的进程。每个阶段都会将大型、嘈杂的数据集缩小为离散的、排名较高的推荐。
01 预测建模
历史价格序列、订单簿深度和宏观经济指标被输入到训练有素的模型中，该模型可以预测短期和中期价格路径，并根据每个新数据更新进行更新。
02 贝叶斯推理
预测是根据先验概率分布进行加权的，因此随着新证据的到来，置信区间会收紧或扩大，而不是将每个信号视为独立的。
03 实时信号处理
过滤后的信号按预期值和风险调整回报进行排名，然后作为具有规定置信区间的单个建议出现。
数据流：原始饲料→归一化→预测模型→贝叶斯重新加权→排名推荐。每个步骤都会被记录下来，因此给定的输出可以追溯到其源输入。
透明度
公共绩效分类账
无论结果是否有利，每条建议都带有时间戳并发布。下表显示了与实时系统中使用的相同格式的示例性分类帐条目。
| 日期 | 资产类别 | 人工智能推荐 | 增量/结果 |
|---|---|---|---|
| 2024-09-03 | 股票 — 富时 250 指数 | 减少接触 | 与基准相比 +1.4% |
| 2024-09-17 | 外汇 — 英镑/美元 | 按住，拉紧停止 | +0.6% |
| 2024-10-02 | 固定收益——金边债券 | 增加持续时间 | -0.3% |
| 2024-10-21 | 商品 — 布伦特原油 | 减少接触 | +2.1% |
| 2024-11-08 | 股票 — 标准普尔 500 指数 | 保持 | -0.2% |
验证方法：条目在发布推荐时自动记录，发布后不可编辑。结果是根据固定的 30 天范围内的相关基准来衡量的。过去的表现并不代表未来的结果。
对于远程投资者
没有持续关注的监督
Bright Fundale 专为异步决策而构建。建议、置信区间和风险标记都会排队等待审核，因此可以从任何司法管辖区和时区管理投资组合，而无需持续检查价格。
- 审核窗口设置一次，每日涂抹
- 警报阈值可按资产类别配置
- 同步频率连续，背景
- 访问基于浏览器，无需本地安装
风险管理
资本保值作为设计约束
系统在优化回报之前经过调整以限制回撤。每项建议都带有相关的风险预算。
风险参数
- 每个资产类别的最大头寸规模
- 波动率调整的止损水平
- 未平仓头寸的相关性限制
- 每个投资组合的每日提款上限
自动对冲
- 当相关风险超过阈值时触发平仓
- 每次模型更新时重新计算对冲比率
- 随时可用手动超控
安全协议
- 数据馈送中断期间保留建议
- 低于阈值的置信度分数会被标记，而不是隐藏
- 记录所有操作以供事后审核
方法论
操作和技术问题
底层数据从哪里来？
市场数据来源于获得许可的交易所信息和公共宏观经济发布。不会从未经许可的来源抓取任何数据。
从信号到推荐的典型延迟是多少？
在正常负载下，管道在大约 40 毫秒内完成摄取、建模和排序。终端中会显示每个会话的延迟。
使用该平台需要哪些硬件或软件？
Bright Fundale 在现代浏览器中运行。无需本地安装、专用硬件或超出标准宽带连接的最小带宽。
账本条目如何验证？
条目在有问题时带有时间戳并被锁定以防止编辑。每月的导出可供账户持有人进行独立审查。
可以手动覆盖建议吗？
是的。每个自动操作都包含手动覆盖控制，并且覆盖与原始建议一起记录。