Az Light of Learning valós idejű piaci adatokat elemzi a rendellenes ingadozások korai észlelése érdekében, és előre megelőzi a túlzott veszteségeket (MDD) egy előrejelző algoritmuson alapuló mesterséges intelligencia leállítási rendszeren keresztül. Mielőtt a befektetők érzelmileg eldöntenék, mikor adjanak el, a rendszer először reagál.
Azoknak, akik először kezdenek részvényekbe fektetni, először meg kell tanulniuk, hogyan hozzanak nyugodt döntéseket veszteségekkel szemben, ne pedig hogyan szerezzenek nyereséget.
A viselkedés-gazdaságtan kifejti, hogy az emberek körülbelül kétszer olyan érzékenyek a veszteségekre, mint az azonos méretű nyereségekre. Emiatt abban a pillanatban, amikor egy számla veszteségbe megy, a befektetők hajlamosak arra, hogy aggodalmak, semmint elemzés alapján hozzanak döntéseket.
A döntés késleltetése az eladás és a tartás közötti váltással a zuhanó piacon nem az egyéni akarat hiánya, hanem egy mindenkiben előforduló strukturális pszichológiai reakció.
A legtöbb hagyományos befektetési stratégia a felfutás során a hozam maximalizálására összpontosít, és a visszaesésre adott választ az egyéni befektető belátására bízza. A probléma az, hogy ez az ítélet valószínűleg abban a pillanatban inog meg, amikor a legnagyobb szükség van rá.
Az Light of Learning rendszerét úgy tervezték, hogy az adatok és algoritmusok értelmezzék a helyzetet, mielőtt az érzelmek belekeverednének.
A piaci adatokat, beleértve az ár-, mennyiség- és volatilitási mutatókat, folyamatosan gyűjtik és finomítják, hogy késedelem nélkül tükrözzék az aktuális feltételeket. Abból indulunk ki, hogy minél hosszabb az elemzési ciklus, annál lassabb a válasz.
Egy előrejelzési algoritmus, amely megismeri a múltbeli volatilitási mintákat és a jelenlegi piaci struktúrát, számszerűsíti a visszaesés felé való elmozdulás valószínűségét. Ez nem egy végleges prófécia, hanem közelebb áll a valószínűség-alapú korai figyelmeztetéshez.
Ha egy veszélyjelzés átlép egy küszöbértéket, az előre beállított feltételeknek megfelelően automatikusan leállítási veszteség lép fel. A védelem akkor is ugyanúgy működik, ha a befektető nem néz a képernyőre.
Nem a rövid távú profit maximalizálását célzó struktúra, hanem szisztematikus ciklikus folyamat az adatgyűjtéstől a kockázatmegelőzésig.
Folyamatosan gyűjtjük a hazai és a nemzetközi piaci adatokat, tőzsdeindexeket és volatilitáshoz kapcsolódó indexeket, hogy elemzésre alapadatokat gyűjtsünk.
A mesterséges intelligencia modellek azonosítják az összegyűjtött adatok rendellenes mintázatait és kockázati jeleit, és felmérik a lefelé mutató kockázat szintjét, amelynek az aktuális pozíciók ki vannak téve.
Ha a mért kockázati szint meghaladja a beállított kritériumokat, a rendszer előre meghatározott szabályok szerint intézkedik a veszteségi zóna blokkolására.
Az Light of Learning a hosszú távú fenntartható tőkenövekedésre készült, nem pedig a rövid távú hozamért versenyez.
Még ha az évesített megtérülési ráta magas is, ha időközben nagy veszteséget szenved el, a tőke megtérüléséhez szükséges megtérülési ráta aszimmetrikusan növekszik. Például egy 50%-os veszteség visszaszerzéséhez 100%-os hozamra van szükség, nem ugyanannyira.
Az Light of Learning azt a sorrendet követi, hogy először kontrollálja az extrém veszteségeket vagy a végkockázatot, majd megtervezi a növekedési stratégiát. A cél nem a volatilitás teljes kiküszöbölése, hanem a nehezen kilábalható visszaesések előre történő megelőzése.
Az Light of Learning nem hagyja fekete dobozként az elemzési modellt és a végrehajtási logikát. Úgy tervezték, hogy a befektetők ellenőrizhessék, mely mutatók adtak kockázati jelzéseket, és milyen kritériumok alapján hajtották végre a veszteségstopot.
Ennek az az oka, hogy hiszünk abban, hogy a folyamat átláthatósága legalább olyan fontos, mint az eredmények ahhoz, hogy a befektetők megbízhassanak a rendszerben.
Legyen a lehető legpontosabb, amennyire szükséges a döntés meghozatalához.
Az Light of Learning csak az elemzéshez szükséges minimális adatmennyiséget gyűjti össze, és titkosítást alkalmaz mind a tárolási, mind az átviteli szakaszokon. A számlahozzáférést igénylő funkciókat a tőzsdék vagy értékpapír-társaságok által biztosított nyilvános hitelesítési folyamat köti össze, és belsőleg külön hozzáférési jogosultsági rendszert hoznak létre az adatokkal való visszaélés lehetőségének csökkentése érdekében.
A prediktív modell egy olyan eszköz, amely valószínűségi kockázati szintet javasol a múltbeli adatok alapján, és nem jósolja meg véglegesen a jövőt. Ezért nem garantálja a 100%-os veszteségmegelőzést, ehelyett arra tervezték, hogy mechanikusan gyorsan rögzítse azokat a jeleket, amelyeket az ember könnyen elmulaszt az élesen ingadozó szakaszokon. A döntés alapjául szolgáló kulcsfontosságú mutatókat nyilvánosságra hozzuk, hogy a felhasználók közvetlenül ellenőrizhessék azokat.
A kezdeti beállítás a befektetési kedv és az elfogadható veszteségtartomány megadásával kezdődik. Az alapértelmezett értékek azért vannak megadva, hogy ne kelljen közvetlenül bonyolult paraméterekkel foglalkoznia, a részletes szabványok pedig a működési folyamat megfigyelése mellett módosíthatók. Maga a beállítási folyamat nem helyettesíti a befektetési döntést, hanem az értékelés keretének felépítését szolgálja.
Az Light of Learning nem siet a profitszerzésre. Először is védekezünk a hanyatlás ellen, majd tervezzük rá a növekedést.
Indítsa el az ingyenes próbaidőszakotHitelkártya regisztrációja nélkül azonnal elkezdheti.