背景
管理自己资本的专业人士每天都要处理大量超出手动分析能力的数据：报价、新闻、结果报告和宏观经济指标同时出现，而且往往是相互矛盾的。当目标是实现收入来源多样化时，这种超载会增加冲动而非谨慎做出决策的风险。
大量的新闻和市场数据使得很难确定哪些内容与每个职位有效相关。
在情绪波动较大的时期，在情绪压力下做出的决定往往会变得更糟。
分散的来源——报告、经纪平台、专业网络——很少以系统的方式交叉引用。
当资产在市场压力下意外相关时，评估投资组合的实际风险会变得更加困难。
我们的方法
Quantel Verdancia 生成的每项建议均来自记录的流程：数据摄取、统计验证和可解释风险评分的计算。没有捷径，也没有保证回报的承诺——有一个一致的方法，以相同的方式应用于分析的每项资产。
对于那些将主要专业活动与管理自己的投资结合起来并且没有时间持续监控市场的人来说，这一规则尤其重要。
技术
该系统将历史数据与短时间更新的市场信息相结合，应用统计模型（包括机器学习技术）来估计不同风险场景的概率。实际上，这意味着投资组合的风险评分会不断重新计算，而不是仅在定期报告中进行审查。
结果不是对资产价格的精确预测，而是有助于在做出决定之前校准风险的概率估计。
核心原则： 首先保护缺点。该模型的首要任务是在提出任何额外收益机会之前先发出风险恶化的信号。
战略利益
以下三点描述了系统的日常使用方式，无论用户是管理单个投资组合还是并行管理多个收入来源。
分析不是单独咨询经纪平台、报告和新闻，而是集中在每个资产和每个投资组合的单个指标中，允许使用相同的标准比较不同的头寸。
添加新的资产类别或收入来源不需要按比例增加手动工作：引擎对分析中包含的每个新元素应用相同的建模过程。
风险评分会随着新数据的到来而更新，并在超出用户定义的阈值时发出警报，以便您在季度或年度审核之前做出反应。
方法论透明度
我们选择解释整个过程，而不是推荐或成功故事。该方法对于所有用户都是相同的，并且可以在任何阶段进行审核。
步骤01
在进入模型之前，收集并规范化市场数据、宏观经济指标和用户提供的有关投资组合本身的信息。
步骤02
统计和机器学习模型计算风险评分，其中包含可识别的组成部分，例如近期的波动性或资产之间的相关性。
步骤03
结果以建议和警报的形式呈现，而不是自动执行。最终决定权始终由用户决定。
常见问题解答
数据在传输过程中和静态时都经过加密，并且帐户访问仅限于经过身份验证的用户。敏感的投资组合信息仅用于计算呈现给用户的风险评分。
可以通过导入投资组合数据或连接到兼容的来源来支持分析。集成的确切覆盖范围取决于源平台，并在初始配置过程中详细说明。
模型产生概率估计，而不是确定性。风险评分作为明智决策的支持，必须与用户自己的标准一起解释，绝不作为结果的保证。
