深度学习模型
经过价格、交易量和波动性时间序列训练的网络比传统技术指标更早地识别趋势模式和转折点。
那些在没有分析框架的情况下进行投资的人通常会根据当下的情绪做出决定：惊慌失措地卖出，出于希望而持有亏损头寸，或者在已经疲惫不堪的趋势中后期入场。 Cumbre Rendorio 用算法过程取代了这种模式，该算法过程不断评估风险并根据定义的规则而不是根据投资者的情绪采取行动。
我们的目标不是绝对确定地预测市场，而是在情况恶化时减少风险敞口，并在短期噪音不足以证明改变方向时维持纪律。
该平台将预测模型与明确的执行规则相结合。每个组件在风险管理流程中都有特定的功能。
经过价格、交易量和波动性时间序列训练的网络比传统技术指标更早地识别趋势模式和转折点。
退出门槛根据近期资产波动情况重新计算，避免在平静的市场中过早关闭，并在高度不确定的情况下更快地做出反应。
系统根据可用市场深度评估入场时机，减少执行影响并提高平均开仓价格。
从数据采集到最终推荐的整个过程在几秒钟内执行，中间步骤无需人工干预。
价格、数量和市场指标持续从多个来源获取，将信息整合到一个可分析的流中。
该模型模拟不同的价格轨迹，以估计不同波动条件下发生重大损失的概率。
系统将分析转化为具体行动：调整曝光、激活输出保护或维持当前位置。
在高度不确定的时期系统地减少暴露。
该图表代表了没有自动退出规则的策略与由 Cumbre Rendorio 管理的动态止损策略之间的历史回测模拟。主要差异出现在市场跌幅最大的部分，优化的投资组合减少了跌幅的幅度。
这种可视化并不是对未来结果的预测。它基于应用于历史数据的回测模型，其目的是说明保护机制，而不是保证一定的性能。
这些模型根据价格、交易量和波动性的历史序列进行训练，并定期重新训练以纳入新的市场条件。学习的重点是识别风险模式，而不是确定地预测资产的未来价格。
保护机制的作用与任何投资组合规模成比例。对于少量资金，其好处主要体现在退出纪律上，而不是欧元的绝对影响上，从逻辑上讲，欧元随着投资资本的增加而增长。
该平台旨在连接到标准市场数据源。与特定提供商集成的可用性取决于每个帐户的配置；技术细节可以查阅文档。
在极端波动的情况下，止损阈值会更频繁地重新计算。该系统优先考虑减少暴露而不是捕获不确定的恢复。