Ruvra Fynel 将历史数据集与持续的市场输入相结合，在重复模式出现在主流仪表板中之前识别它们。模型根据新的数据点不断更新。
该平台是为已经从事投资组合管理工作的专业人士开发的，他们需要一个工具来记录其假设，而不是在没有证据的情况下承诺结果。
该模型围绕两个核心功能构建：预测分析和风险缓解。两个部分都在相同的数据库上工作，但解决不同的任务。
该模型可识别多个时间范围内价格变动、交易量和波动性的模式识别。算法精度是通过在将每个模式包含在建议中之前针对独立数据周期进行测试来实现的。
敞口是根据头寸和资产类别持续计算的。随着相关性的增加，模型会自动调整风险权重，无需手动重新计算投资组合。
所有信号都记录了它们测试的数据周期。这使得验证提出建议的原因成为可能，而不是处理黑匣子。
该过程分为四个阶段。每个阶段都被记录下来，以便以后验证结果。
市场数据、价格序列和宏观指标不断从结构化来源中检索，并清除错误和异常值。
该模型将当前数据趋势与历史模式进行比较，以评估可能的结果。
每个信号在被允许影响建议之前都会根据独立的历史时期进行测试。
经过验证的建议包含假设和风险参数，可供手动或系统控制的操作使用。
下面显示了模型如何调整其方法以适应资产类别的特征。
| 资产类别 | 典型挑战 | 模型方法 | 监测数据点 |
|---|---|---|---|
| 股份 | 新闻流中价格突然波动 | 基于行业相关性的波动性调整 | 每个部门 40 多个指标 |
| 货币 | 利率决策和宏观经济转变 | 针对历史利率周期的情景建模 | 监控 12 个货币对 |
| 原料 | 供应冲击和季节性价格波动 | 多年季节性序列的模式识别 | 8大类原料 |
数据在传输和存储过程中均被加密。对帐户数据的访问仅限于需要它来执行分析的系统，并且与分析模块本身分开记录。
该平台提供对数据提取和信号的 API 访问，因此结果可以包含在自己的投资组合系统或报告工具中，而无需手动导出。
所有策略均根据未包含在模型训练中的历史数据周期进行测试。先决条件和测试周期与结果一起记录，以便可以验证该方法。
该平台是为对投资组合管理有基本了解的用户而构建的。提出的建议带有先决条件，因此决定权仍由用户决定。
市场数据在整个交易日持续加载。根据新的回测结果以固定的节奏审查和调整模型参数。
Ruvra Fynel 是为需要有效结果而不是松散假设的专业人士而构建的。创建访问权限并查看模型如何评估您当前的职位。