方法论
该算法并不试图预测市场的方向。它不断评估给定时刻构成有利于 DCA 部分执行的波动波谷的概率。
订单簿、交易量和隐含波动率数据被持续摄取和标准化，以实现资产和期限之间的无缝比较。
一组预测模型根据根据所跟踪资产的近期历史记录校准的随机优化方法来评估暂时下降的概率。
每个入场信号均通过整体风险因素进行修正，其中包括与相邻资产的相关性和已发生的累积风险敞口。
当入场分数超过您的分配配置文件定义的阈值时，订单将传输到您的执行平台，无需人工干预。
结构比较
两种方法在同一时期内投资总额相同。仅切片的时间分布不同。
无论当前市场状况如何，都以固定间隔进行平等分配。
这些切片被重新分配到进入分数最有利的窗口，而不超过计划的总曝光量。
区别不在于投资金额（两种情况都相同），而在于投资金额的分配。通过将更大份额的资本集中在低波动性窗口上，Fleuvelise 的目标是在总风险敞口恒定的情况下降低每单位收购的平均成本。没有承诺额外的部分来实现这一结果。
基础设施
决策引擎的每个组件都是模块化的，可以独立于其他组件进行审核、替换或调整。
市场源的低延迟处理，不断重新计算每个跟踪资产的进入分数。
每个周期都会重新评估相关性和累积暴露因子，以遏制系统性风险。
根据可配置的阈值传输订单，无需中间手动验证或大量处理时间。
读取并执行与现有平台的集成，无需转移资产托管。
方法
Fleuvelise 的目标用户是已经了解 DCA 机制并寻求改进其执行而不是盲目委托的用户。决策引擎公开其权重变量并跟踪每个信号从触发到执行的整个过程。
目标不是取代您的判断，而是减少捕获人眼在短周期内难以处理的输入窗口所需的反应时间。
透明度
以下主题集中了评估 Fleuvelise 的分析师和经理提出的大部分问题。
传入和传出流在传输过程中均被加密。您的执行平台提供的 API 密钥是加密存储的，并且在订单执行严格必要的调用之外绝不会被访问。
每个输入分数都是由多种因素（短期波动性、账面深度、资产间相关性）的明确组合产生的，这些因素的相对权重可以针对生成的每个信号进行参考。该模型的运行方式并不像一个不透明的黑匣子：它的决策仍然是可追踪的。
不会。整合是非托管的。 Fleuvelise通过API向您的平台传输执行指令，但不会随时持有、移动或存储您的资金或仓位。
该引擎包括自动停用阈值，以防出现通常统计范围之外的情况，以避免执行降级或不一致的市场数据。