Elqorvane 引擎每秒处理数百万个数据点，以识别人类交易者通常会错过的信号。
覆盖率不是营销数字。它定义了在做出任何分配决策之前允许模型评估的资产池。该集合之外的资产在设计上被排除在外。
Elqorvane 是围绕一个约束构建的：每个输出都必须是可解释的。该系统不会孤立地生成预测。它将每个建议与产生该建议的特定数据输入联系起来，因此可以审查推理。
当市场快速变化时，这一点最为重要。无法解释自身风险的模型在经济低迷时期是一种负担，而不是优势。
此过程中的任何阶段都依赖于猜测。每个步骤都会产生一个定义的输出，为下一步提供支持。
该系统汇总了所跟踪货币对的流动性、交易量和订单簿深度，并持续刷新，而不是按固定时间表刷新。
预测模型会筛选传入数据中的异常情况（流动性稀薄、价差异常或相关风险），并从考虑范围中删除标记的资产。
根据优化的战略目标重新平衡投资组合。执行时间考虑了交易时的滑点和订单簿深度。
资本保全优先于捕捉上涨机会。系统根据实时波动性而不是固定的百分比阈值应用动态止损调整。
相关性分析在持有的头寸上持续运行，当多种资产在经济低迷时期开始一起移动时，可以减少风险敞口。
| 场景 | 传统基准 | Elqorvane 方法 |
|---|---|---|
| 市场回撤 | 保留完整曝光 | 通过光阑调整减少曝光 |
| 相关抛售 | 静态分配 | 触发动态再平衡 |
| 快速反弹 | 延迟重返 | 重新入境持续评估 |
场景是用于解释方法的说明性模型。它们不代表历史表现或保证结果。
不同的投资者使用相同的引擎来实现不同的目标。底层数据处理不会改变。
通过多元化的人工智能选择实现长期资本增长，并随着市场状况的变化而重新平衡。
使用跟踪货币对组的实时动量信号捕获短期波动性。
对现有投资组合进行被动风险对冲，利用相关数据减少重叠风险。
完整的答案可在专门的常见问题解答页面上找到。以下是两个最常见的问题。
该系统实时监控流动性深度，并在情况急剧恶化时触发自动断路器，以保护本金。
来自中心化和去中心化交易所的订单簿数据、社会情绪反馈和宏观经济指标为相同的基础模型提供支持。