Celarvaux 引擎在生成任何建议之前对历史序列进行多维分析 - 波动性、互相关性、季节周期。每个场景都会在之前的时间段内重播，以在播出前衡量其稳健性。
在进行任何统计处理之前，原始数据流会被标准化并消除异常情况。
这些算法可以识别多个层面的结构规律和趋势突破。
每个建议在传输给用户之前都会根据计算出的风险评分进行加权。
以下三个功能构成了该平台的操作基础，专为远程控制而设计，无需持续监督。
相关头寸和市场指标不断重新计算。与回溯测试场景的重大偏差会触发通知，而无需实际存在于固定工作站。
每个确定的机会都会获得包含历史波动性、流动性和交叉风险的综合评分。每次更新源数据时都会重新计算分数，无需人工干预。
该模型的输出被制定为按相关性分类的仲裁途径，用户负责根据自己的风险框架验证最终决策。
这些场景说明了远程工作的操作员如何依赖模型的输出来制定决策。
检测相关工具之间的估值差异，并估计在类似配置上观察到的历史收敛时间。
对过去可比周期的可能轨迹进行预测，具有明确的置信区间而不是单个值。
加权建议旨在降低投资组合的整体相关性，在市场数据的每次重大变化时重新计算。
以下答案指定了数据的来源和模型的准确性限制，没有商业公式。
这些数据来自公开市场信息和专门研究价格历史的供应商。不使用个人投资组合数据来训练通用模型。
精度根据所考虑的资产类别和期限而变化。回测结果按场景进行记录，并不构成对未来性能的保证。
随着新的市场数据的出现，模型会定期重新评估，以限制性能随时间的变化。
通过可远程咨询的网络界面进行访问。无需本地安装，允许独立于工作站使用。