发动机的工作原理
Fair Suretendance 没有展示其成果，而是展示了它的工作。该平台建立在三个运营原则之上，这些原则共同将原始市场数据转化为分析师可以捍卫的建议。
模型经过训练可以标记波动性变化的早期指标，因此投资组合调整可以在资金回撤之前进行，而不是在资金回撤后做出反应。
该系统跨市场和资产类别连续摄取和处理数百万个数据点，无需对每个新信号进行手动重新分析。
产出通过 B2B 特定逻辑进行过滤，考虑到授权限制、流动性需求和行业风险敞口，而不是一般的零售假设。
方法论
每个投入生产的模型都已经过历史波动性测试。下面的过程描述了数据如何从原始提要转移到经过验证的推荐。
结构化和替代数据源经过标准化和时间戳处理，因此可以平等地比较来自不同来源的信号。
候选模型根据多年历史情景（包括已知的波动性加剧时期）运行，以衡量它们的表现。
只有明确定义的准确性和回撤阈值的模型才会继续前进，并且每个模型都会在新数据到达时滚动重新测试。
用于说明模型报告的代表性图表形状；不是性能保证。
应用场景
相同的底层引擎支持我们客户中常见的两种不同的决策类型：调整现有投资组合和评估新的分配。
投资组合优化
当受监控资产的行为偏离其历史相关模式时，系统会生成包含检测到的异常及其统计置信水平的重新平衡注释。
用例01
机构持有者使用 Fair Suretendance 来监控多资产投资组合，以了解通常在波动性飙升之前发生的相关性故障。交易台不会在价格变动后做出反应，而是会收到一个标记，其中包含受影响的具体头寸和建议的重新平衡范围。
市场进入分析
资本配置方案是根据历史模拟来估计承诺前的概率加权回报范围，而不是单个预测数字。
用例02
评估进入新细分市场的企业使用该平台对几种宏观经济情景下的预期回报进行建模。输出是一个范围，而不是单个数字，这让财务团队可以根据自己的风险承受能力来制定决策。
数据完整性
谨慎的投资者往往会在询问回报之前询问来源和合规性。以下是 Fair Suretendance 如何回答这两个问题。
模型利用全球指数数据、交易所级别的定价源，并选择替代数据集，所有这些都记录了源和时间戳以供以后审计。
客户和投资组合数据按照加拿大联邦法律下的个人信息保护 PIPEDA 要求进行处理。
一旦数据共享条款达成一致，您的特定任务的详细回测结果将在入职期间共享。
常见问题
模型针对已知的历史冲击时期进行回溯测试，因此它们在压力下的行为是记录下来的，而不是假设的。当实时波动率超过训练数据中看到的范围时，系统会标记其输出的置信度降低，而不是发出带有错误确定性的建议。
是的。风险承受能力参数（例如最大可接受的回撤或行业集中度限制）是在引擎生成建议之前根据任务配置的，因此输出反映了您的约束而不是一般的默认值。
数据摄取和初始分析持续运行，大多数异常标志在底层数据可用后几分钟内就会出现。正式的推荐报告（包括支持统计数据）通常每天编制一次。
建议和数据导出以与通用投资组合管理和报告工具兼容的标准格式提供。集成细节在入职期间根据您当前的堆栈确定范围。
加入我们下一批机构级分析的候补名单，并在容量可用时接收入职详细信息。