Marble Kapitrix 是为那些希望做出合理决策而不是在没有背景的情况下做出预测的投资者而构建的。该平台将实时数据聚合与模型相结合，这些模型在投入使用之前根据历史市场周期进行验证。
每个输出都附有其背后的数据和假设，以便阅读建议的人可以评估它而不是简单地接受它。
Marble Kapitrix 生成的每条建议都会经历三个不同的阶段。它们共同旨在缩小原始数据与您可以捍卫的决策之间的差距。
市场、交易和宏观经济数据是连续获取的，而不是按照固定的报告周期获取的。这使得平台能够反映当前状况，而不是在到达仪表板时可能已经过时的快照。
在进行任何建模之前，结构化和非结构化源都会被标准化为通用格式，从而保持资产类别之间的比较一致。
模式识别模型可以识别难以手动跟踪的变量之间的关系，例如跨部门的相关波动性。当新数据可用时，每个模型都会定期重新训练。
输出是概率性的，而不是确定性的。该平台报告一系列可能的结果以及与该范围相关的置信度。
建议在提出之前会根据规定的风险承受能力和投资组合限制进行筛选，因此建议反映的是您的参数而不是通用分配。
每个建议都可以追溯到数据和产生它的模型阶段，支持合规意识团队的审计跟踪。
这一过程的透明度是有意为之的。评估人工智能支持的工具的投资者应该能够看到输出是如何得出的，而不仅仅是输出是什么。
价格、数量、流动性和宏观经济指标从多个来源收集并整理成统一的数据集。
机器学习模型扫描数据集以查找重复结构，例如波动性聚类或资产之间的超前滞后关系。
在考虑实际使用之前，候选策略会根据历史市场时期（包括压力情景）进行测试。
结果被翻译成简单语言的建议，并在每条建议旁边显示支持数据。
在任何策略达成面向客户的建议之前，都会根据以下指标进行审核。本节描述该审查的结构，而不是具体结果。
内部审查仪表板展示了每个候选策略及其在多个市场体系（包括波动加剧时期）中的历史表现。分析师可以在策略发布使用之前并排比较策略。
在单一市场条件下表现良好的模型并不一定可靠。 Marble Kapitrix 在不同的历史窗口中测试每个策略，以便性能声明与特定的、公开的条件相关，而不是与单个有利时期相关。
衡量策略在回溯测试期间经历的最大峰谷跌幅，用于评估下行风险。
跟踪策略的回报相对于其测试的更广泛市场随时间的波动程度。
比较每单位风险所产生的回报，允许公平比较不同风险水平的策略。
客户评论中引用的所有数据都是特定于策略的，并且带有所使用的回溯测试期间的时间戳，并且在分析会话期间根据要求提供，而不是作为一般营销声明发布。
相同的分析核心支持多个决策上下文，并根据用例调整输入和约束。
分配建议是根据规定的风险承受能力、时间范围和流动性要求生成的，并根据市场状况的可衡量变化触发再平衡建议。
相关资产的风险敞口受到持续监控，当集中度或波动性超过用户定义的阈值时，就会生成警报。
企业使用场景模型来评估不同的市场条件如何影响特定范围内的计划扩张或资本分配决策。
这些是机构和专业投资者在采用人工智能支持的分析工具之前最常提出的问题。
传输中和静态的数据都经过加密，对特定于客户端的数据集的访问仅限于与个人帐户关联的经过身份验证的会话。用于模型训练的数据在处理之前尽可能进行匿名处理。
每个建议都附有数据输入的摘要以及用于生成该建议的一般模型类别。如果没有评估所需的上下文，我们不会呈现输出，并且可根据要求提供给定策略的回测结果。
该平台旨在通过 API 访问与标准投资组合管理和报告系统连接。集成范围取决于客户现有的基础设施，并在初步咨询期间确定范围。
请求进行分析会议，了解 Marble Kapitrix 的方法如何应用于与您当前持有的相关历史条件，并在结果旁边显示支持数据。
请求分析总部设在毛里求斯。分析会议是根据标准数据保密协议进行的。