该过程分为四个连续步骤。它们中的每一个都已注册，这使您可以追溯审核平台发布的任何推荐。
从多个来源收集一系列价格、交易量、流动性和宏观经济指标，并在单一、持续更新的基础上进行标准化。
随机分析模型生成不同时间范围的概率场景，而不是单个确定性预测。
每个场景都会与之前定义的风险敞口和波动率限制进行比较。超出风险承受范围的场景在到达用户之前就会被丢弃。
由此产生的建议包括产生它的逻辑，允许投资者在做出决定之前评估假设。
下面是公开表现日志的摘录。每行对应一个封闭的评估周期，包含历史数据——该表中没有对未来结果的预测。
| 期间 | 策略 | 模拟返回 | 最大回撤 | 预测准确性 |
|---|---|---|---|---|
| 2024 年 1 月至 3 月 | 保守派 | +6.1% | -4.2% | 71.8% |
| 2024 年 4 月至 6 月 | 中等 | +9.4% | -7.9% | 69.3% |
| 2024 年 7 月至 9 月 | 中等 | -2.7% | -11.4% | 64.1% |
| 2024 年 10 月至 12 月 | 保守派 | +5.0% | -3.6% | 74.6% |
在回溯测试环境中模拟的历史数据，用于说明模型如何工作。过去的表现，无论是模拟的还是真实的，并不构成对未来结果的保证。
三个模块协同工作，以缩短可用数据量与需要做出的决策之间的距离。
每个受监控资产的变化范围估计值，根据平台收到的每批新数据进行重新计算。
根据资产与投资者自己定义的风险限额之间的相关性提出重新配置建议。
在合并变化之前，当受监控的资产超出配置的风险参数时发出通知。
相同的模块服务于不同的情况，并根据每种情况调整风险参数和时间范围。
管理部门使用实时风险警报来校准保护头寸，减少投资组合在预测模型确定的高波动情况下的净敞口。
个人投资者利用投资组合优化在相关性较低的资产之间分配头寸，用预先定义的参数取代针对短期消息做出的决策，从而降低了交易中情绪因素的权重。
Valitância 的构建前提是谨慎的投资者需要了解建议背后的原因，而不仅仅是接受建议。因此，模型的每个步骤（从数据摄取到风险过滤）都会被记录下来并可供咨询。
这并不能消除任何投资决策固有的风险。目标是使这种风险变得可见和可衡量，而不是假设。
了解完整的方法论以下问题反映了评估将人工智能模型纳入决策过程的人员最常提出的问题。
根据定义，低概率、高影响的事件在历史数据中没有足够的先例来准确预测。该模型并不尝试预测事件本身 - 它维护风险过滤器，当观察到的波动性超过配置的阈值时，自动减少风险暴露，限制损害而不是预测原因。
随着新的市场信息到达综合来源，数据库不断更新。预测模型会定期重新计算，并且每次新周期完成时都会修改任何有效的建议。
发布的所有建议以及产生这些建议的数据和假设都记录在公共日志中。在性能日志部分中，命中和未命中历史记录仍然可见，包括表现不佳的时期。
