预测信号
该模型识别统计上重复出现的市场模式，并根据其历史验证为每个信号分配一个置信水平，而不是简单的价格警报。
应用于加密资产的定量分析
基于测试模型而非直觉的投资决策
Corail Placange 结合了预测模型和严格的回溯测试，帮助金融和工程专业的学生构建一种理性的方法来进入加密资产市场，远离社交网络的噪音。
连续监测参数
按资产和市场周期划分的已实现波动率和风险评分
咨询方法论
应用于加密资产的定量分析
Corail Placange 结合了预测模型和严格的回溯测试，帮助金融和工程专业的学生构建一种理性的方法来进入加密资产市场，远离社交网络的噪音。
加密资产会产生大量相互矛盾的信号：公告、孤立的价格变动、未经证实的评论。对于新手投资者来说，区分可行的信号和情绪化的市场反应需要一个分析框架，而不是意见。
对于每项跟踪的资产，我们的比较表比较了每日回报的历史离散度以及模型在同一时期生成的信号的验证频率。
Corail Placange 产生的每个信号都来自每一步记录的可重复过程，而不是黑匣子。
价格、交易量和链上指标是从多个市场来源汇总的，然后在进行任何计算之前清除异常值。
该模型计算趋势、波动性和流动性指标，并针对每项受监控的资产定期更新。
决策规则在连续的历史时期进行测试，以限制单个市场序列的过度拟合偏差。
仅当其历史验证率超过上游定义并记录在回测报告中的置信阈值时，才会发出信号。
波动阈值、持仓规模限制和退出规则在执行前设定，以减少市场情绪决策的影响。
回测结果反映了过去的表现，并根据历史数据重新计算。它们不构成未来业绩的保证。
三个组件协同工作，将大量市场数据转化为结构化决策。
该模型识别统计上重复出现的市场模式，并根据其历史验证为每个信号分配一个置信水平，而不是简单的价格警报。
每项资产都会收到一个更新的分数，该分数是根据其已实现的波动性、流动性及其与受监控投资组合的其余部分的相关性计算得出的。
拟议的分配考虑了用户定义的风险约束，并在资产之间的相关性发生显着变化时建议重新平衡。
发布测试参数是为了对结果进行批判性解读，这是对定量模型进行任何认真评估的必要条件。
| 参数 | 描述 |
|---|---|
| 资产宇宙 | 具有足够资本和流动性以限制执行风险的加密资产。 |
| 测试窗口 | 多个历史时期，包括上涨、下跌和高波动阶段。 |
| 重新平衡频率 | 根据检测到的波动情况进行调整，而不是以任意固定间隔进行调整。 |
| 对比参考 | 同一测试期内被动持有资产的回报率。 |
历史上发现的高波动时期会触发建议风险敞口的自动减少，并记录在每个回测报告中。
具有适度入门资本的学生可以为每个职位设置最大风险阈值。然后，该模型会建议减少对波动性得分超过此阈值的资产的分配，而无需每日手动干预。此示例仅供教育目的，并不反映保证的结果。
无论使用何种方法，加密资产投资仍然不稳定。 Corail Placange 工具可以减少某些决策偏差，但不能消除市场风险。根据过去的数据无法保证未来的表现。
该平台专为渐进式入场金额而设计。评分引擎适用于用户选择的头寸大小，模型本身没有施加最低阈值。
市场数据来自公认的交易平台和链上数据提供商。每个来源都记录在与模型相关的方法报告中。
Corail Placange 提供对完整模型文档及其回溯测试结果的访问，以便在做出任何财务承诺之前进行批判性阅读。
请求访问演示查看文档不需要信用卡。对执行功能的访问仍需经过身份验证。