01
预测模型
根据历史价格、交易量和流动性进行训练的模型，用于估计短期波动情景的概率。输出表示为置信范围，而不是确定性，因此最终决定仍然由操作员做出。
传统的止损系统在价格突破固定水平时被激活，不区分临时流动性调整和实际趋势变化。这会导致正确头寸过早平仓和不必要的回撤。
Sfromiledra 引擎在波动性转化为价格大幅上涨之前识别它们。分析订单分散度、市场深度和执行速度，区分信号噪声，并相应调整保护阈值。
每个组件都会处理大量市场数据，并返回仅限于用户定义的风险状况的建议，而不会替换其最终标准。
根据历史价格、交易量和流动性进行训练的模型，用于估计短期波动情景的概率。输出表示为置信范围，而不是确定性，因此最终决定仍然由操作员做出。
持续处理市场流动，以发出微观结构的相关变化信号，然后再反映在蜡烛的收盘价中。通过管道设计，数据和信号之间的延迟保持在最低限度。
随着市场状况的变化重新计算风险敞口和保护建议，可从个人账户扩展到多资产机构投资组合。
Sfromiledra 的诞生源于这样的观察：交易中很大一部分可避免的损失并非来自糟糕的分析，而是来自错误时间在情绪压力下做出的决定。该团队的目标是用可测量且可重复的过程取代这种反应。
该平台建立在一个简单的原则之上：人工智能应该为决策提供信息并保护资本，但不应不透明地运作。每个建议都附有发起它的变量，以便用户可以审核它。
流程的透明度是维持系统信任的关键。下面描述了该管道，但没有对营销进行简化。
市场信息以最小的延迟进行标准化和同步，包括在经纪商允许的情况下的价格、交易量和订单簿深度。
经过时间序列训练的神经网络可以识别反复出现的波动结构，并将其与当前的市场状态进行比较。
由此产生的信号被转化为止损水平调整或风险敞口建议，优先考虑减少回撤而不是激进的回报最大化。
根据目标的不同，同一引擎的配置也不同：中期战略覆盖或主动盘中头寸管理。
当模型检测到资产之间的相关性（市场压力的常见指标）持续增加时，风险管理团队会使用系统的建议来调整覆盖范围。决策会根据内部基准记录可衡量的结果。
在高波动性时段，系统会多次重新计算每笔交易的保护阈值，避免因市场噪音而关闭，同时在确认的趋势变化时保持明确的退出。该战略决策得到了重新调整历史的支持。
该平台通过 API 连接到市场源，并在经纪商允许的情况下连接到订单执行层。积分在信号只读模式或自动电平调整模式下执行，具体取决于用户选择的配置。
访问凭证以加密方式存储，并且专门用于与代理或数据提供商的授权连接。处理后的市场数据不会与与提供服务无关的第三方共享。
该系统包含行动限制：当价格分散超过模型训练中观察到的范围时，它会降低信号的置信度，并将资本保护优先于进入或退出优化。在任何情况下都不能保证极端市场条件下的执行，因为这也取决于经纪商可用的流动性。