Sovrena 通过单个管道处理结构化和非结构化市场数据，减少信号检测和决策之间的滞后。
市场数据被持续摄取，并在几秒钟内根据历史模式库进行评分，而不是在日终批次进行评分。延迟是测量出来的，而不是假设的。
每项建议都可以追溯到针对多个市场周期（而不是单个有利时期）的历史回报进行验证的策略。
头寸规模和回撤阈值是通过算法设定的，旨在降低资本投入前的集中风险。
如果不通过三个连续的检查点，任何策略都无法到达用户手中。该过程已记录在案，可重复，并可根据要求进行审查。
候选策略是根据至少十年的市场数据（包括衰退期和复苏期）来运行的，以揭示它们在压力下的表现。
训练中完全保留了一段数据。对模型进行测试，以确认性能不是过度拟合的产物。
在激活之前，策略会针对实时数据并行运行，而不执行交易，比较固定时期内的预测结果与实际结果。
每项已发布的策略都附有一张图表，绘制了 12 个月滚动窗口中的预测回报区间与实际结果的对比。超出规定容差的偏差会触发重新校准审核，并且该策略将被标记为非活动状态，直至解决。
相同的底层引擎提供不同的输出，具体取决于用户是配置个人资本还是大规模评估操作风险。
个人投资者使用 Sovrena 在经过回测的投资组合中分配资本，而无需每天监控市场。再平衡建议按固定时间表生成，减少了持续监督的需要，同时将风险参数保持在选定的容忍范围内。
企业在资本承诺之前集成 Sovrena 来对从库存风险到交易对手风险的财务决策进行压力测试。建议以结构化报告的形式出现，旨在支持内部审查而不是取代内部审查。
Sovrena 的建立前提是自主交易决策会引入可避免的方差。消除分配中的情绪偏见并不能消除风险，但可以使风险变得可衡量。
生产中的每个模型都按照定义的时间表进行版本控制、日期和退役。用户可以随时查看任何实时策略背后的假设，而不是依赖黑匣子。
这些涵盖了具有分析头脑的用户在投入资金或集成工作流程之前最常提出的问题。
数据取自获得许可的金融市场源和公共监管文件。模型训练中不使用专有或未公开的数据源。
是的，任何基于历史数据训练的模型都带有该历史的偏差。我们通过样本外测试和定期重新校准来缓解这一问题，而不是声称无偏差预测。
账户和投资组合数据存储在欧盟境内的基础设施上，符合 GDPR 对数据驻留和访问控制的要求。
不会。回测性能描述了历史条件下的历史行为。过去的结果告诉模型的信心；他们不能准确地预测未来的结果。
违反其定义的风险承受能力的策略会被自动标记并暂停新的分配，等待人工审核。
不会。数据仅用于为帐户持有人生成建议，不会出于营销目的出售或共享。
技术基础：模型训练和推理在容器化基础设施上运行，并在欧盟境内托管静态和传输中的加密数据。