该平台将数据收集、统计建模和风险评估整合在一个流程中。我们的目标不是提供原始数据，而是将其转化为可以采取行动的东西。
市场数据、交易量和宏观指标不断从多个来源收集并进行结构化，以便模型能够使用更新的数据集。
这些算法识别历史过程中的模式，并将其转化为未来发展的概率加权场景。
每项建议都附有基于历史波动性的风险评分，因此您可以评估数字背后的波动。
数据被转换成具体的行动建议，适应您的时间范围和风险状况——而不仅仅是数字的显示。
说明数据输入在分析期间如何累积和构建的方式。图表仅供参考，并不代表实际回报。
在模型投入使用之前，会根据历史数据对其进行系统测试。目的是揭示该策略在先前市场条件下的表现如何，而不是预测具体结果。
多年来收集历史价格数据、交易量和相关市场指标，以确保数据库具有代表性。
该模型根据数据子集进行训练，随后在训练期间未见过的单独时间段进行验证。
该策略在不同的市场条件下进行测试，包括高波动性和低流动性时期，以评估稳健性。
结果不断与新传入的数据进行比较，以便尽早发现与预期性能的任何偏差。
当模型在与训练时相同的数据上进行测试时，它通常看起来比实际情况更好。因此，Darven Zurem 使用一种称为“前向验证”的方法，其中模型在一个时期进行训练，并在稍后的未知时期进行测试。它更公平地展示了该战略在实践中的表现。
历史结果并不能保证未来表现。它们被用作评估策略随时间的一致性的基础。
许多不受地点限制的工作人员正在寻找不需要永久居留的收入来源。结构化数据分析可以作为决策过程中的工具，而不是其本身的解决方案。
在多个地点工作的自由 IT 顾问在项目之间分配资本时可以使用模型建议来补充自己的研究。优点是可以审查和调整的记录过程，而不是基于直觉的一次性决定。
该界面可通过任何具有互联网连接的设备进行访问。建议、风险评分和时间范围均以全面概述的形式呈现，因此无需使用固定办公室或特殊设备即可做出决策。
以下是新用户在开始使用该平台之前最常听到的问题的答案。
传统分析通常基于对各个数据点的手动审查。 Darven Zurem 连续构建大量数据，并使用在用于当前建议之前根据历史趋势进行测试的模型。
这些模型根据历史价格数据、交易量和公开市场指标进行训练。该数据库不断更新以反映当前的市场状况。
是的。在您决定将平台用于您自己的目的之前，请先审查回测结果和方法描述。有关如何执行测试的说明，请参阅方法部分。
该界面的构建使得建议和风险级别以易于理解的格式呈现。对风险和时间范围的基本了解是一个优势，但不是先决条件。
每项建议都附有基于基础模型历史波动性的风险评分。当新数据显着改变假设时，分数就会更新。
透明度声明： 所有模型均基于历史数据和统计概率。历史表现并不能保证未来的结果，任何决定都应根据您自己的风险状况和财务状况进行评估。