1
实时数据聚合
该系统从多个来源收集市场数据、经济指标和交易量并对其进行标准化，并在营业日内不断更新。
当今的金融市场产生的数据量远远超过单个投资者的处理能力。新闻、价格变化、交易量和宏观经济指标都在不断更新，手动分析它们需要大多数人没有的时间。
在缺乏结构化方法的情况下，决策最终会受到情绪偏见（恐惧、兴奋、损失厌恶）的驱动，而不是对现有数据进行连贯的分析。结果往往是宣布的战略与实际执行的行动不一致。
该过程分为三个不同的阶段，旨在使从原始数据到最终建议的路径即使对于那些没有经过技术培训的人也能理解。
该系统从多个来源收集市场数据、经济指标和交易量并对其进行标准化，并在营业日内不断更新。
预测模型处理汇总数据以识别重复出现的模式并估计可能的场景，从而隔离对风险影响最大的变量。
结果被转化为用简单语言表达的操作指示，并简要说明为什么建议采取某种行动。
该平台的好处直接来自于模型处理数据、时间和所涉及资本规模的方式。
预测模型在不利情况发生之前估计其概率，从而允许以更明智的方式校准暴露。
数据监控每天 24 小时连续进行，减少了用户频繁的手动检查的需要。
无论管理的资本量有多少，分析逻辑都保持不变，使得小型和大型投资组合都可以使用该方法。
Zelqorium Recensione 的创建是为了提供 Zelqorium 平台的独立分析，特别关注数据的可验证性和预测模型所用方法的清晰度。
我们的目标是帮助非技术用户在考虑采用基于人工智能的推荐系统之前了解其实际工作原理。
与许多自动化金融工具典型的封闭数据不同，该平台的绩效记录是公开的并由用户社区审查。
| 观察期 | 应用模型类型 | 验证状态 |
|---|---|---|
| 当前季度 | 多元化投资组合的预测分析 | 已验证 |
| 上一季度 | 风险管理模型 | 已验证 |
| 本期 | 自动连续监控 | 审核中 |
下面我们回答了那些首次评估基于人工智能的分析工具的人最常提出的疑问。
不需要。该界面旨在以简单的语言返回建议，无需编程或数据科学技能。用户看到的是已经解释的结果，而不是原始代码或模型。
数据监控是自动化且连续的。用户所需的干预通常仅限于定期审查生成的建议，而不需要持续监控。
数据根据机构金融部门普遍采用的标准进行处理，对模型运行所必需的信息的访问受到限制。