其目标不是取代投资者的判断，而是将数据收集和处理（需要持续存在的任务）与战略决策分开，战略决策可以在任何具有稳定连接的位置执行。
该架构将功能分开，以便一个模块中的故障或更新不会影响其他模块。这也有利于逐个模块的外部技术审查。
统计和机器学习模型可估计流动资产的可能变动范围，并具有可配置的短期和中期期限。
持续计算头寸之间的潜在回撤和相关性，并自动限制阻止用户定义参数之外的订单。
根据既定的波动性目标重新平衡建议，而不是在没有控制的情况下激进的回报最大化。
当变量超过预定义阈值时发出通知，而不会因常见的小幅市场波动而产生噪音。
可从任何时区访问网络终端，并通过会话同步从不同设备继续分析。
每个执行的决策都带有时间戳和验证哈希值，可以在下面描述的公共日志中查阅。
性能日志可供任何注册用户使用。不仅公布了有利时期：记录还包括符合预测的操作和不符合预测的操作。
注册后可用的面板结构表示。确切的值取决于实时日志中查询的时间段。
在得知市场结果之前，每个执行的建议都会生成一个唯一的标识符和时间戳。这可以防止历史一旦发布就被重写。
风险计算模块代码已记录下来，供受过技术培训的用户审查。用户无需在无法检查过程的情况下信任结果。
| 日期 | 模块 | 结果 | 哈希值 |
|---|---|---|---|
| — | 预测 | 完成了 | a1f3…c9 |
| — | 风险 | 限制内 | 7b02…e4 |
| — | 优化 | 未履行 | f45d…1a |
公共日志的列结构示例。实际日期和数值可在终端内查阅。
每个附加模块都会引入一个附加的误差面。这就是为什么系统会优先考虑少量经过良好审核的组件，而不是大量测试不佳的功能。
用户在激活任何模块之前设置最大可接受风险。
建议在实际应用之前会根据历史数据进行测试。
未经用户明确确认，不会发送任何订单。
将结果与原始投影进行比较并记录。
该系统并不寻求消除市场的不确定性，这是任何模型都无法真正保证的。相反，它通过三种机制限制不利情况的影响：每项资产的最大风险敞口、未平仓头寸之间的最大相关性以及在人工审核之前停止新建议的损失阈值。
这种方法减少了在高波动时期对直觉的依赖，而这正是在世界任何地方最难保持冷静判断的时候。
该界面的设计假设了可变的连接和频繁的时区变化。设备之间的会话是同步的，并且关键警报的优先级高于市场通常的信息噪音。
Starling Aegistra 并不能替代用户的金融知识：它对信息进行结构化，以便以更少的摩擦和更少的屏幕时间来应用知识。
这不是一个要求。终端会提出建议，并以清晰的语言总结其理由。该模型的技术细节可供任何想要查看的人使用，但不强制执行。
这意味着可以在平台内查阅执行决策的记录及其后续结果，而无需依赖团队自己准备的摘要。标识符和时间戳是在结果已知之前生成的。
不。没有任何预测模型可以保证市场结果。该系统旨在构建决策并限制风险，而不是消除损失的可能性。
是的。通过浏览器进行访问，会话在设备之间保持同步。仅在审查或执行决策时才需要稳定的互联网连接。
用户在激活任何模块之前手动配置每个资产和每个投资组合的最大风险。这些限制可以随时从终端进行调整。