数据收集
主要加密货币交易所的价格、订单簿、交易量和流动性指标的持续汇总。原始数据在任何处理之前都会被清理。
该系统并不试图预测每一个市场走势。当结构风险增加时，它会减少暴露，并在情况稳定时恢复暴露。
动态暴露阈值限制每个头寸的潜在损失。这些阈值不是固定的：当测量的波动性超过资产的通常间隔时，它们会自动收紧。
价格、数量和流动性由预测模型持续处理。在影响分配决策之前，每个信号都会根据其历史可靠性进行加权。
处理周期的简化图。每个步骤都会产生一条可以事后查阅的轨迹。
摄取、建模和执行形成一个闭环。如果没有经过验证的前一步骤的结果，任何步骤都无法进行。
主要加密货币交易所的价格、订单簿、交易量和流动性指标的持续汇总。原始数据在任何处理之前都会被清理。
统计模型评估短期风险情景的概率。使用每批新数据重新计算结果，而不锁定单个预测。
当超过风险阈值时，风险暴露将自动重新校准。该操作将被记录并在执行历史记录中保持可见。
Termélaison 并未针对原始产量进行优化。目标是限制市场不利阶段的损失程度，即使这意味着在快速上涨期间减少参与。
这种方法针对的是那些将资本保值视为可持续增长先决条件的投资者，而不是那些寻求最大限度地承受波动性的投资者。
波动率平滑原理的图示。不代表实际历史表现。
界面显示主动风险参数、调整历史记录和当前仓位。单一建议背后没有隐藏任何内容：每个操作都有记录。
习惯传统市场的投资者最常想到的三点。
Termélaison 不充当托管机构。资产仍保留在投资者或其中介选择的托管基础设施上； AI引擎传输调整指令，它永远不会占有资金。
决策参数——风险阈值、信号权重、调整历史记录——在界面中可见。模型本身并未发布，但它触发的每个动作都会被追踪并可以事后证明是合理的。
该引擎在任何重新分配之前都会评估市场深度。当资产流动性减少时，优先减少相应的敞口，以限制调整期间对市场的影响。