方法论
Jynovini Falevik 从市场来源获取实时数据流，并通过在扩展时间序列上训练的统计模型来处理它们。目标不是预测每次波动，而是将统计上相关的变化与正常波动范围内的变化区分开来。
该系统应用顺序过滤器：原始数据的标准化、非显着异常值的去除以及多个时间窗口的聚合。只有超过预定义置信度阈值的信号才会转发到决策级别，与无人值守的手动分析相比，减少了误报数量。
每列代表一个数据聚合周期；高度示意性地说明了过滤信号的强度，而不是实际的市场价值。
风险管理
Jynovini Falevik的智能止损系统不依赖于手动设置的静态百分比。该阈值是根据该工具的当前波动性、与投资组合中其他资产的相关性以及模型检测到的市场阶段动态重新计算的。
主要目标是在不利阶段保存资本，同时保持参与有利变动而不过早退出的可能性。
虚线：传统静态阈值。突出显示的区域：自适应阈值的说明性趋势，根据观察到的波动性重新计算。图表用于解释目的，并非来自真实市场数据。
平台模块
每个模块独立运行，但共享相同的数据基础设施，以确保预测分析、风险管理和报告之间的一致性，即使受监控的仪器数量增加也是如此。
在多资产时间序列上校准的统计模型可以识别重复出现的模式并估计短期和中期的可能情况。预测伴随着置信区间，而不是作为确定性呈现。
该模块计算总投资组合风险，标记对个别资产或相关部门的过度集中，并应用与用户设置的风险状况一致的投资组合优化规则。
随着每个新处理周期更新的仪表板显示性能、当前回撤和主动止损阈值的状态。该模块通过标准连接器与现有财务数据流集成，无需更换现有基础设施。
运营方法论
该过程分为不同且可验证的阶段。如果不经过整个验证周期，就不会生成任何建议。
实时市场信息被收集、标准化和时间同步。在进入分析阶段之前会报告任何丢失或异常的数据。
预测模型处理干净的数据，将检测到的模式与参考时间序列进行比较，并计算与每个信号相关的置信水平。
仅将超过验证阈值的信号作为建议提供，并附有建议的止损阈值和模型的摘要理由。
方法
Jynovini Falevik 的诞生是为了让没有专门从事统计建模的内部团队的交易者和分析师能够进行定量分析。生产中使用的每个模型在发布之前都会根据历史数据进行测试，并持续监控准确性是否有任何下降。
我们不提供绝对正确的预测：模型估计的是概率，而不是确定性，每项建议都附有在采取行动之前评估其可靠性水平所需的信息。
常见技术问题
市场和投资组合数据根据适用立法设想的最小化原则和目的进行处理。外部源的访问凭据与分析数据分开管理，并且不会与提供服务严格必要的流程之外的第三方共享。
是的。 Jynovini Falevik 支持金融领域常用的市场源和 API 的标准连接器，无需更换现有基础设施即可进行集成。初始设置需要映射可用的数据源。
处理时间取决于传入数据的数量和频率。该架构旨在增量处理流程，从而减少新数据到达和信号更新之间的时间，而不会在峰值阶段累积延迟。
每个手动分析周期都会导致市场走势出现延迟。 Jynovini Falevik 旨在缩小这一差距，同时保持每项建议如何运作的透明度。