Braventhix 生成的每条推荐都会经历三个不同的阶段。每个阶段都是可审计的，因此用户可以将给定的决策追溯到其底层输入，而不是将模型视为封闭的盒子。
在进行任何建模之前，市场数据、宏观经济指标和账户级信号会被持续摄取并标准化为单个结构化数据集。
随机建模技术生成可能结果的分布而不是单一预测，对波动性给予明确的权重而不是对其进行折扣。
模型输出被转换为头寸规模和时间参数，并根据每个用户在账户级别设置的风险承受能力和时间范围进行校准。
技术说明： 随着交易时段内市场状况的变化，实时波动率评估会重新调整风险敞口建议的权重，而不是仅仅依赖于日终重新计算。
Braventhix 不依赖推荐，而是为每个活动模型发布公共性能日志。条目在推荐时带有时间戳，并且不会进行回顾性编辑，因此记录反映了模型当时实际所说的内容。
| 公制 | 它测量什么 | 如何验证 |
|---|---|---|
| 历史准确性 | 在审查期间与后续市场走势相匹配的方向预测的比例。 | 在推荐时记录，任何注册用户都可以查看，而不是事后计算。 |
| 模型信心 | 模型本身分配给给定推荐的概率权重，与输出一起公开。 | 在生成时捕获；置信度分数一旦发布就不会被修改。 |
| 净收益 | 扣除费用和估计滑点后已实现的资本变化，以百分比表示。 | 按固定时间表而不是根据请求对关联帐户活动进行核对。 |
每个功能都旨在减少已经在管理客户交付且无法全职合理监控市场的自由职业者所需的手动分析量。
头寸规模会根据滚动波动率指数自动调整，从而在情况恶化时减少风险敞口，而无需用户直接监控市场。
在几秒钟内即可对多个数据源进行协调并进行相关性评分，从而无需在客户承诺之间交叉引用单独的市场报告。
分配指令根据可用流动性窗口进行排序，以限制市场影响，而不是作为单个未经校准的大宗订单执行。
自由职业者的收入很少会按固定的时间表到达。 Braventhix 的假设是，资本将在合约之间的不可预测的时期内处于未分配状态，并且大多数用户研究在此期间资金应该流向何处的时间有限。
该平台不承担单一风险偏好。相反，它会要求一个时间范围和一个容差范围，然后将该上下文应用于它为该帐户生成的每个建议。
下面的两个场景说明了相同的基础模型如何根据用户设置的时间范围和风险参数做出不同的响应。
自由职业者完成合同并持有剩余资本，预计在下次聘用确认之前有八周的时间间隔。
Braventhix 将其归类为短期配置，并偏重对波动性较低的工具的建议，优先考虑资本回报而不是该窗口内的增长。
一位拥有稳定聘用人员并且在下一次现金需求之前有更长的跑道的顾问希望储备资金能够发挥作用，而不是停滞不前。
该模型扩展了配置范围，扩大了允许的波动范围，并在用户规定的风险承受范围内提供了更高贝塔值的机会。
这些答案是为想要了解 Braventhix 背后的机制而不仅仅是结果的用户编写的。
帐户和交易数据在传输过程中和静态时均进行加密。 Braventhix 内的访问是有范围的，以便建模过程仅读取分析所需的字段，并且原始帐户凭据永远不会存储在我们的基础设施上。
市场和波动性输入持续刷新，而不是按固定的每日周期刷新。预测模型按计划重新训练，重新训练间隔与每个模型的性能日志一起发布。
每个推荐在生成时都会带有时间戳，并且之后不可编辑。注册用户可以查看他们订阅的任何模型的完整日志，包括表现不佳的条目。