发动机
Garuda Kapitalika 引擎的每一层都处理不同的任务。它们共同减少了分析师必须手动处理的原始市场噪音，而无需消除最终决策中的人为监督。
结构化和非结构化数据（订单簿、链上流量、宏观指标和新闻情绪）被持续摄取并标准化为单个可比较的数据集。这消除了协调跨源数据格式不一致的手动工作。
刷新间隔：连续、亚分钟
该模型根据历史波动模式和当前市场结构为每项资产或头寸分配概率加权风险评分。分数以范围而不是单个数字表示，以反映数据中真正的不确定性。
输出：置信区间，而不是点估计
头寸规模和重新平衡建议是根据定义的风险承受能力生成的。每个建议都包含产生它的数据输入，因此分析师可以在批准调整之前追踪推理。
重新平衡提案：使用输入跟踪记录
设计透明度
谨慎的投资者往往不信任他们无法检查的系统。下面的工作流程的构建是为了让流程的每个步骤都会留下记录，并且该记录每天都会交付给您，而不是根据请求。
市场、链上和情绪数据流全天候被提取并带有时间戳。数据源中的差距或异常会自动标记，而不是默默地进行插值。
在任何输出达到投资组合建议之前，数据都会通过独立参考源的一致性检查。验证失败的输入将被排除并记录在审核日志中。
每天都会编制一份报告，总结模型决策、头寸变化以及上一时期的实现结果与预测结果。该报告每天以相同的格式提供，因此随着时间的推移很容易发现差异。
头寸的变化取决于理由、风险评分变动、当天使用的数据源以及模型前日预测与实际市场结果之间的比较。报告中的数据未在交付后进行追溯调整。
关于该方法
Garuda Kapitalika 的设计围绕一个简单的前提：无法解释自身推理的人工智能系统不适合机构资本。该平台中使用的每个评分模型都会在输出的同时生成输入跟踪，因此人工审核员可以在资本转移之前验证推荐的基础。
该平台不会取代投资委员会。它压缩了委员会原本需要手动审查的数据量，并标记了模型置信度较低的地方，以便可以首先将注意力集中到那里。
应用场景
这些场景描述了机构和高净值客户通常如何构建与平台的互动。结果取决于市场状况和客户设定的风险参数。
数字资产的分配是使用相关性数据而不是静态百分比来加权的，因此敞口会随着资产之间相关性的变化而调整。目标是限制单一波动机制的集中暴露。
新闻流和社会情绪根据类似情绪变化的历史价格反应进行评分和加权，为分析师提供早期的量化信号，而不是定性印象。
方法论与安全性
这些是我们在尽职调查期间最常被问到的问题。如果此处未解决您的疑虑，可以在初次咨询时直接提出。
投资组合和账户数据与用于训练通用模型的市场数据分开存储，并且不用于重新训练跨客户共享的模型。对原始客户数据的访问仅限于生成客户自己的报告所需的系统。
随着新的验证数据的到来，风险评分模型会滚动重新校准，并以固定的时间间隔进行完整的再培训周期，以纳入市场的长期结构性变化。重新校准事件会记录在每日审核日志中，以便客户可以看到模型行为何时发生变化。
该模型并未声称能够在低概率、高影响的事件发生之前对其进行预测。相反，验证层旨在快速检测异常数据模式并扩大风险评分不确定性范围，这通常会引发建议头寸规模的减少，而不是投机性反应。
是的。每个建议都与其输入跟踪和时间戳一起存储，并且可以从客户的报告历史记录中检索，与已交付的每日报告一致。
Garuda Kapitalika 是为那些希望为人工智能辅助决策提供系统的、可审计的基础，而不是承诺巨额回报的投资者而设计的。在任何合作开始之前，初步咨询用于审查您的风险参数和报告要求。
开始使用 Garuda Kapitalika无义务初步咨询。一旦确认参与，完整的每日报告就会开始。