核心引擎
Namure Laguru 的分析引擎连续处理价格、交易量和波动性数据，并识别随着时间的推移难以手动维护的模式。输出不是黑匣子——每项建议都与可测量的概率和合理的风险状况相关。
回测策略
每个策略都经过结构化测试过程，将预测与多个市场周期的实际结果进行比较。这降低了模型简单地适应单个时期模式的风险。
来自不同波动状况（牛市、调整和横向盘整）的历史数据都包含在测试基础中，以便模型不会过度拟合一种类型的市场行为。
该模型在一个数据周期上进行训练，并在一个单独的未知周期上进行测试。它揭示了结果是由于真实的预测能力还是训练数据中的随机相关性。
结果以风险调整后的回报（而不仅仅是总回报）的形式报告，以便可以根据策略实际面临的波动性来评估绩效。
风险管理
该平台的风险模块旨在在下跌发生之前限制下跌，而不是在走势已经发生后做出反应。
波动率指标按时间间隔更新，并直接包含在头寸规模和信号权重的调整方式中。
对各个头寸的总投资组合风险进行监控，以避免意外的集中暴露。
当头寸超出定义的风险限制时，会立即发送通知。
风险逻辑的构建是为了处理单个交易者的投资组合和经理的整体记账，而不影响响应时间。
方法
数据处理的透明度是技术用户之间信任的先决条件。下面的过程描述了从数据输入到可执行决策的链条。
市场数据、订单簿信息和宏观指标是从互联来源收集的，并标准化为通用格式。
基于统计和机器学习的模型可以识别模式并计算不同结果的概率。
信号根据用户的风险参数和现有投资组合构成进行加权，以形成具体的建议。
该建议可通过 API 或用户界面提供，可供手动批准或自动下单。
关于平台
Namure Laguru 面向日间交易者、投资组合经理和金融科技爱好者，他们已经在数据驱动的工作中，但希望在原始数据和决策之间建立一个系统层。该平台旨在补充现有研究，而不是取代专业评估。
集成通过记录的 API 进行，因此信号可以包含在现有工作流程中，而无需更改整个平台。
常见问题
这些模型使用来自互联交易平台的市场数据以及公开的宏观经济指标。特定的数据提供者取决于所交易的市场并在设置时进行配置。
该平台公开了一个基于 REST 的 API，可以通过编程方式提取信号、风险参数和投资组合状态。授予访问权限时，将审查文档和身份验证方法。
延迟取决于数据源的更新频率和所选的市场类型。当接收到新数据时，信号会连续传送，而不是以固定的、较慢的间隔传送。
是的。可以配置风险参数、风险限额和头寸规模，以便基于实际投资组合而不是通用标准配置文件提出建议。
业绩报告是根据几个市场周期的样本外回测得出的，重点是风险调整后的回报，而不是孤立的总回报。请求访问时会详细审查该方法。