我们列出了每个输出背后的推理，而不是仅仅要求对结果的信心。以下部分描述了模型的作用、数据的来源以及如何表示不确定性。
预测是通过将时间序列回归与情绪加权调整层相结合来生成的。每个层对最终输出的贡献都会被记录下来，因此推荐可以追溯到其组成信号，而不是被视为单个不透明的分数。
市场数据来自获得许可的交易所源和公开文件，并滚动更新。情感输入是从结构化文本源中提取的，并使用已发布的权重范围（而不是专有的黑匣子）进行评分。
每个输出都与方差估计和规定的置信区间配对。每个配置文件都设置风险承受能力，当波动性超过模型校准范围时，分配建议会自动调整。
该平台并不试图完全自动化决策。它缩小了决策空间并显示了推理，将最终的分配选择留给用户。
入门资本不会改变可用的分析模块。它仅更改优化引擎可以实际建议的分配大小。
提供英国金融服务法规要求的身份验证详细信息。此阶段无需提供存款证明。
回答一份简短的结构化调查问卷，用于校准优化引擎应用的方差容差。
存入您打算分配的资金。期初余额没有平台规定的下限。
接收根据您持有的资产调整的预测和情绪数据，并随着头寸变化而更新分配建议。
| 等级 | 最低资本 | 可用模块 |
|---|---|---|
| 入门者 | 0 英镑 | 预测建模、情感分析 |
| 成长 | 0 英镑 | 完整的模块集，包括投资组合优化 |
| 缩放 | 0 英镑 | 完整的模块集，具有更广泛的资产关联映射 |
随着分配资本的增加，优化引擎会扩大其根据建议考虑的相关资产的数量。这会自动发生，不需要重新注册或等级升级。
底层模型是不变的。用例之间的变化是时间范围、风险上限以及哪些信号权重最大。
在规划周期最终确定之前，企业使用更长期的预测输出来根据预测的市场条件对预算假设进行压力测试。
个人用户比较现有持股的相关数据，以确定集中风险，否则在较小的账户规模下无法衡量这一风险。
当情绪偏差超出校准范围时，优化引擎会显示重新平衡选项，旨在减少风险敞口而无需完全退出头寸。
Rong Nganvuong 的构建前提是数据驱动的投资分析不应要求机构账户最低限度才能访问。该平台的输出旨在接受审查和质疑，而不是未经审查就遵循。
适用于情绪和时间序列输入的权重范围已在平台文档中发布。确切的模型参数没有完全公开，与专有预测系统的标准做法一致，但输入类别及其相对影响没有隐藏。
帐户数据在传输过程中和静态时均进行加密。身份验证遵循英国金融服务身份验证指南。在进行任何存款之前，基金托管安排会在账户设置流程中完整披露。
费用结构在账户注资之前披露，并且不会根据存款规模而改变。较小的账户不会被收取较高的比例费率来抵消较低的绝对余额。
是的。所有预测均以置信区间发布，而不是呈现为确定性。按资产类别的历史预测准确性可根据要求提供，但不保证以相同的速度持续。
不会。该平台提供分析输出来为决策提供信息。它不构成受监管的财务建议，用户对任何分配决定保留完全酌情权。