发动机
该平台是围绕单一管道构建的：读取数据，预测其影响，并在向用户提供任何建议之前限制负面影响。
持续吸收股票、固定收益和数字资产市场的定价、波动性、流动性和宏观指标，并标准化为单一结构化数据集。
统计和机器学习模型生成前瞻性场景，每个场景都按置信区间加权，而不是作为单一结果呈现。
头寸规模、风险限额和相关性检查会自动应用，从而降低投资组合对任何单一数据错误或市场冲击的敏感性。
方法论
Braystones 不会直接部署训练后的模型。每个策略都会经过固定顺序的验证步骤，并记录结果以供以后查看。
来自交易所、市场数据提供商和宏观经济来源的原始数据在使用前会进行协调并检查是否存在差距或异常。
波动率、流动性深度和跨资产相关性等指标均已导出并附加到每个时间序列中。
候选策略根据模型以前未见过的历史数据运行，涵盖多个市场周期和条件。
在允许任何策略分配资本之前，先设定最大回撤、风险敞口上限和相关性限制。
现场表演不断与回测预测进行比较；超出定义阈值的偏差会触发审查。
技术验证声明：策略使用样本外和前瞻性测试方法进行评估，并在牛市、熊市和横盘市场条件下评估绩效，而不是在单一有利时期进行评估。
每个策略均根据风险调整回报、最大回撤以及不同市场制度的一致性进行评分。无法证明跨多个周期稳定性的策略不会推广到实时分配。
平台
仪表板在一个视图中显示当前头寸、模型置信度和风险约束，其结构使得分析师可以将任何建议追溯到其基础数据。
关于Braystones
Braystones 的构建前提是，投资建议只有可以追溯到生成它的数据时才有用。该平台是为需要展示其工作而不仅仅是结论的团队而设计的。
该引擎将相同的分析、预测和缓解渠道应用于股票、宏观工具和数字资产，为资产管理者和企业策略师提供一致的框架，无论相关市场如何。
应用领域
分析、预测和缓解是恒定的。变化的是每个用户配置文件期望的约束集和报告格式。
资产管理公司在投入资金之前使用 Braystones 根据历史波动性和回撤模式筛选候选头寸。风险敞口限额是根据策略设定的，并随着市场状况的变化自动执行。
报告是围绕归因构建的：哪个信号产生了仓位，以及该信号在类似条件下的历史表现如何。
减少人工筛选时间，在分配之前而不是在减少之后就出现风险标记。
企业策略师使用相同的引擎来模拟库存（包括数字资产头寸）如何应对利率变化或流动性收缩等宏观变化。
产出被构建为情景范围而不是单一预测，支持董事会级别的讨论而不是取代它。
在董事会报告周期之前更清楚地了解不利情况，并可以调整约束设置以匹配组织的风险偏好。
关于风险和安全的问题
不会。Braystones 并不能消除波动性；它衡量它并限制对其的暴露。数字资产头寸的规模根据定义的风险限制进行调整，当波动性超过为给定策略设置的阈值时，平台会进行标记。
每项策略在获准分配实时资本之前，都会在多个市场周期中根据之前从未见过的历史数据进行测试。上面的方法部分和我们的文档中提供了完整的详细信息。
根据回测预测持续监控现场表演。超出定义阈值的偏差会触发自动审查，并在需要时减少分配，直到找出原因为止。
访问受到角色的限制，数据在传输过程中和静态时都被加密。管理访问被记录，并且客户识别信息与用于训练和运行模型的分析数据集分开。
是的。该平台旨在向现有框架提供信号和风险数据，而不是取代它。输出可以导出或整合，以便投资或财务团队保留最终决定权。
