方法论
该模型生成的每个建议在呈现之前都会经过三个不同的处理阶段。这种结构旨在消除情绪偏见并使决策基于历史和实时数据。
01
该模型吸收主要交易所的价格历史记录、订单深度和链上活动，在任何分析开始之前对数据进行标准化。
02
历史回测应用于多个市场周期，以识别具有统计上一致行为的模式，而不是孤立的事件。
03
实时波动率监控根据当前市场状况筛选每个信号，丢弃超出定义风险参数的建议。
该管道连续运行，而不是按固定时间表运行。这使得模型能够在新数据可用时调整其输出，而不是依赖于在单个时间点形成的一组静态假设。
战略优势
手动交易决策经常受到短期情绪的影响。该平台旨在使用一致、可重复的标准将信号与噪声分离。
根据历史回撤数据得出的波动阈值确定头寸规模和过滤，从而限制不稳定时期的风险敞口。
在生成建议之前，短期价格噪音会被过滤掉，从而减少对每个市场变动做出反应的诱惑。
无论是分析单一资产还是多元化投资组合，都适用相同的建模过程，无需对每个头寸进行额外的手动研究。
-38%
与未过滤持有相比，最大回撤的平均减少
性能证明
下图反映了人工智能优化投资组合与同期被动市场基准相比的 12 个月回测。
每月回测收益分布、人工智能优化投资组合与基线基准（说明性时期）。
| 公制 | 基准测试 | 型号 |
|---|---|---|
| 12 个月回测 Alpha | — | +9.4% |
| 最大回撤 | -52% | -32% |
| 波动性（年化） | 68% | 44% |
| 重新平衡频率 | 手册 | 连续 |
过去的表现，包括回测结果，并不是未来回报的可靠指标。加密货币市场高度波动，资本面临风险。显示的数字来自历史模拟，并不代表保证的结果。此内容不构成财务建议。
访问
该平台的结构使得有限的资本不会妨碍访问用于较大投资组合的相同建模基础设施。
学生级别
专为那些首次测试以数据为主导的加密方法的人而设计，可降低平台费用并可访问完整的回测档案。
关于平台
digitalnodeit 的开发是为了让学生和早期职业投资者能够访问机构分析中使用的同一类别的预测模型，并以适合较小投资组合和教育用途的格式呈现。
模型产生的每个输出都可以追溯到定义的数据源和记录的回测周期，而不是不透明的预测。