预测建模
按资产的波动范围估计，根据历史序列和近期市场状况计算得出，具有明显的置信区间。
问题
分析观察
加密资产市场的经验表明，小型投资组合的大部分损失并非来自长期市场方向，而是来自不受管理的波动高峰期间做出的决策。分离这两个因素是我们方法的起点。
方法论
主要加密资产的价格、数量和链上指标都会以短而恒定的周期更新。
统计和机器学习模型估计未来几个小时可能的波动范围，而不是确切的价格。
每项资产都会在用户的整个投资组合中获得相对风险评分。
系统建议根据用户声明的风险状况进行头寸调整。
不断地重新评估情况，并在风险超过定义的限制时生成警报。
算法透明
该引擎并非旨在预测资产的未来价格。相反，它估计波动性保持在给定范围内的概率，并相应调整建议的风险敞口。每个模型的参数都被记录下来并可审查，以便用户可以了解哪些变量影响每个特定的推荐。
关于方法
Manto Caudalecto 的诞生源于这样的理念：风险管理应该像进入市场本身一样容易实现。产品背后的团队利用历史和实时数据来设计可以解释、审查和质疑的曝光规则，而不是将系统呈现为一个封闭的盒子。
其目标不是承诺盈利，而是为那些资本有限的数字资产初创企业提供更严格的决策框架。
工具
按资产的波动范围估计，根据历史序列和近期市场状况计算得出，具有明显的置信区间。
当估计风险超过用户设定的阈值时，在损失发生之前，自动减仓规则。
当资产的风险评分显着偏离其初始值时，定期调整投资组合配置。
透明度
以下数据对应于特定市场时期的回顾模拟（回测）。它们并不构成对未来结果的预测。
| 模拟场景 | 时期 | 平均波动率 | 风险管理的结果 | 没有风险管理的结果 |
|---|---|---|---|---|
| 市场调整 | 90天模拟 | 高 | 逐渐减少暴露 | 恒定曝光，无需调整 |
| 边市 | 180天模拟 | 中等 | 小规模定期再平衡 | 无需重新平衡 |
| 持续反弹 | 120天模拟 | 中低 | 曝光逐渐向上调整 | 从一开始就固定曝光 |
方法论通知： 模拟基于历史数据和记录的模型行为。过去的结果，无论是模拟的还是实际的，并不能保证未来的结果。对加密资产的任何投资都存在资本损失的风险。
学生访问
该级别专为小型初始资产而设计，允许您以小型头寸探索分析引擎，保持所有资本保护限制处于活动状态。
目标是在做出任何相关投资决策之前学习风险管理。