金融市场每天都会产生大量数据，单个分析师或传统电子表格很难一致地解释这些数据。新闻、宏观经济指标、流动性变动和资产之间的相关性在几个小时内就会改变相关性。
对于依赖资本保值（而不仅仅是寻求最大回报）的投资者来说，这种环境需要以严格的统计数据（而不仅仅是市场直觉）将噪声与信号分开的方法。
Ancorézio Trade 的结构正是为了在这一点上发挥作用：处理大量历史和当前数据，在考虑任何建议之前应用经过测试的预测模型。
平台生成的每条推荐都会经过固定的验证序列。无论市场的紧迫性如何，我们都不会忽视任何一步。
历史序列、宏观经济指标和实时市场数据的结构化收集，在一致的基础上进行组织分析。
应用统计和机器学习模型来识别相关模式并设计风险和回报场景。
每个模型在被认为合适之前都会针对不同的历史时期进行测试，验证其在不同市场体制中的行为。
结论以客观报告的形式提出，并附有规定的前提和限制，以便投资者持续审查。
下面的数字反映了应用于不同历史窗口中模拟投资组合的模型的回顾行为。过去的表现并不能保证未来的结果。
| 分析时期 | 策略 | 累积回报 | 最大回撤 | 年化波动率 |
|---|---|---|---|---|
| 2013 – 2018 | 保守模型 | +42.10% | -6.80% | 7.90% |
| 2015 – 2020 | 保守模型 | +38.60% | -9.20% | 8.40% |
| 2018 – 2023 | 平衡模型 | +51.30% | -11.50% | 10.10% |
| 2020 – 2024 | 平衡模型 | +29.80% | -8.70% | 9.60% |
*基于历史市场系列的模拟投资组合的回测数据。它们并不代表实际的账户结果或未来回报的预测。个别结果因风险状况和投资期限而异。
每种资源都旨在扩展投资者的分析能力，使最终决策处于人为控制之下。
持续监控市场和投资组合指标，对风险或流动性的相关变化发出客观警报，无需自动买入或卖出建议。
根据经过验证的历史数据构建回报和风险情景，并提供置信区间和明确的假设供投资者审查。
定期将投资组合绩效和历史比较整合到客观文档中，减少手动数据组织的时间。
以下问题汇集了正在考虑采用人工智能辅助分析的投资者中最常见的问题。
Ancorézio Trade 的运作遵循一个指导原则：如果没有根据足够的历史数据对底层模型进行测试，就不会生成建议。这种纪律减少了短期投机倾向对长期决策的影响。
目标不是消除人类判断，而是为其提供更一致的证据基础，减少在短期压力下做出的决策中常见的认知偏差。
这些模型使用历史价格序列、公共宏观经济指标和来自专门从事金融信息的来源的市场数据，并在进行任何分析之前进行组织和审计。
人工智能对每次运行应用一致的统计标准，消除了由于疲劳、情绪压力或新近度偏差引起的变化，这在截止日期前进行的手动分析中很常见。
不会。回溯测试展示了模型在过去特定条件下的表现。它减少了方法上的不确定性，但并没有消除任何未来投资固有的风险。
平台不托管资产，也不限制流动。这些分析是对投资者已经对其选择的金融机构进行的管理的补充。
最终决定权始终由投资者或其财务顾问做出。平台提供的是结构化数据和场景，而不是自动操作指令。