How does Ivernholl determine my risk tolerance?

The model combines an initial, questionnaire-based baseline with ongoing behavioural data — how recommendations are accepted, adjusted or declined over time. The resulting score is recalculated continuously rather than fixed at onboarding.

Is this suitable for irregular, gig-economy income?

Yes. The model does not assume a fixed deposit schedule. Position sizing is recalculated against whatever capital is currently available, so variable income does not require manual recalibration each time it changes.

What data does the platform require access to?

Typically, transaction history and account-level data from connected sources, along with any market data relevant to your holdings. No data beyond what is required for risk scoring is requested.

Can I override the AI's recommendations?

Yes. Every recommendation can be adjusted or declined manually. That response is itself treated as a data point, feeding back into the variance model for future recalibration.

Data is encrypted in transit and at rest, with access restricted and logged at the process level. Security practices are reviewed as part of ongoing platform maintenance.

Does Ivernholl work for corporate, multi-mandate portfolios?

Yes. Each mandate can be scored and monitored independently within a single account, with variance limits applied per mandate rather than across the portfolio as a whole.

Concept de tableau de bord d'analyse des risques IA Ivernholl

Intelligence sur les risques basée sur l'IA

Une IA qui apprend automatiquement votre tolérance au risque

Ivernholl analyse les données de marché, l'historique des transactions et les modèles de revenus en temps réel, puis ajuste ses recommandations en fonction de l'ampleur de la variance que vous pouvez réellement absorber – et non un score de risque générique et ponctuel.

Analyser les risques Voir la méthodologie

Sortie du modèle vivant

Une vue continue de l'exposition, du suivi des écarts et de la confiance dans les recommandations, recalculée à mesure que de nouvelles données arrivent plutôt que selon un calendrier quotidien fixe.

Moteur de base

Un noyau de modélisation prédictive conçu pour des décisions continues

Le système n'est pas une calculatrice statique. Il ingère des données en continu et recalcule les recommandations à mesure que les conditions changent, gardant les résultats alignés sur l'exposition au risque actuelle et non historique.

Ingestion de données en temps réel

Les flux de marché, les historiques de transactions et les modèles de revenus sont traités en continu plutôt que regroupés selon un calendrier fixe.

Cycle de mise à jour : continu

Modélisation de la variance du risque

Les recommandations sont pondérées en fonction de votre tolérance observée au retrait, dérivée du comportement plutôt que d'un questionnaire statique.

Réétalonnage : en cours

Moteur de recommandation adaptatif

Les résultats s'ajustent à mesure que votre situation financière évolue : déplacement des revenus, nouveaux passifs ou modification des objectifs à court terme.

Entrées : multi-sources

Inférence à faible latence

L'analyse est proche de la source de données, de sorte que les recommandations reflètent les conditions actuelles plutôt qu'un chiffre de clôture antérieur.

Réponse : sous-seconde

Traitement des donnéesIngestion continue

Comportement du modèleAuto-réétalonnage

Portée de la décisionAu niveau individuel et au niveau du mandat

À propos de la plateforme

Conçu pour les personnes n’ayant pas accès à un bureau de recherche institutionnel

Ivernholl a été conçu autour d'une contrainte simple : la plupart des investisseurs individuels et des professionnels de l'économie des petits boulots n'ont pas le temps de surveiller les marchés en permanence, ni le personnel nécessaire pour gérer un mandat de risque varié entre les départements.

La plateforme reprend cette fonction de surveillance. Il applique la même classe de modélisation prédictive que celle utilisée dans les bureaux de gestion des risques institutionnels, réduite pour fonctionner sur un compte individuel ou un seul portefeuille d'entreprise, et ajustée automatiquement en fonction de l'évolution des circonstances.

Workflow d'analyse de données Ivernholl sur un poste de travail

Apprentissage de la tolérance au risque

Comment le modèle apprend votre tolérance au risque

La plupart des plateformes attribuent une catégorie de risque une seule fois, lors de l'intégration, et la laissent inchangée. Ivernholl traite la tolérance au risque comme une variable qui évolue avec le comportement, la stabilité des revenus et les réactions observées à la volatilité.

Flux de signaux

Signaux d'entrée : transactions, cadence des revenus, préférences déclarées

↓ pondéré par

Modèle de variance du risque

↓ ajuste

Pondération des recommandations

↓ produit

Sortie au niveau de la position, réévaluée à chaque mise à jour des données

Évaluation de baseLe calibrage initial combine les préférences déclarées avec tout comportement de transaction historique disponible, évitant ainsi de s'appuyer sur un seul questionnaire.
Calibrage comportementalLe modèle observe la manière dont les recommandations sont réellement utilisées – acceptées, modifiées ou ignorées – et traite cette réponse comme un point de données.
Ajustement des écartsÀ mesure que les résultats s’accumulent, le score de tolérance augmente ou diminue, reflétant un degré de confort réel avec le retrait plutôt qu’une estimation autodéclarée.
Raffinement continuLe recalibrage ne s’arrête pas après l’intégration. Cela continue tant que le compte reste actif.

Le résultat pratique : les recommandations se concentrent sur un niveau de risque que vous pouvez supporter, plutôt que sur un niveau que vous avez sélectionné une fois et que vous avez peut-être mal évalué.

Cas d'utilisation

Appliqué aux portefeuilles à revenu irrégulier et mandatés

Le même modèle sous-jacent prend en charge deux situations distinctes : les individus allouant un capital variable et à temps partiel et les équipes d'entreprise gérant plusieurs mandats de risque à la fois.

Revenu supplémentaire sans surveillance à temps plein

Un professionnel de l’économie des petits boulots avec des revenus hebdomadaires irréguliers alloue une partie du capital disponible via Ivernholl plutôt que de gérer manuellement les postes entre les emplois. Le montant des cotisations varie de semaine en semaine et le modèle ajuste la taille des positions en fonction du capital disponible plutôt que de supposer un calendrier de dépôt fixe.

Le modèle traite les flux de trésorerie incohérents comme un intrant connu plutôt que comme un cas limite, réduisant ainsi le besoin de rééquilibrage manuel après chaque cycle de revenu.

Résultat : exposition constante au risque malgré des cotisations irrégulières

Équipes de trésorerie gérant plusieurs mandats de risque

Une équipe de finance d’entreprise supervise plusieurs portefeuilles internes, chacun avec un plafond de risque approuvé différent. Au lieu de conserver des feuilles de calcul distinctes par mandat, Ivernholl applique des limites de variance spécifiques au mandat dans une seule vue surveillée, signalant tout portefeuille qui dérive en dehors de sa plage approuvée.

Chaque mandat est noté indépendamment, de sorte qu'une allocation à risque plus élevé dans un portefeuille ne fausse pas le reporting d'un portefeuille plus conservateur.

Résultat : Une vue consolidée sur les différents mandats de risque

Méthodologie

Un processus prédictif transparent, étape par étape

Le flux de travail ci-dessous décrit comment les données brutes deviennent une recommandation utilisable. Chaque étape est enregistrée, de sorte que toute sortie puisse être retracée jusqu'aux entrées qui l'ont produite.

01Collecte de données : données de marché, de compte et comportementales extraites de sources connectées.
02Normalisation : les entrées sont nettoyées et standardisées pour une comparaison entre les sources.
03Model Scoring – le modèle prédictif génère une projection ajustée en fonction du risque.
04Vérification de la variance : la sortie est vérifiée par rapport à votre profil de tolérance actuel.
05Livraison – la recommandation apparaît avec son niveau de confiance sous-jacent.

Traitement des données

Les données de compte et de transaction sont cryptées en transit et au repos. L'accès aux données brutes est journalisé et limité aux processus qui en ont besoin pour le fonctionnement du modèle.

Latence

Les recommandations sont actualisées à mesure que de nouvelles données sont ingérées, plutôt que selon un cycle quotidien ou hebdomadaire fixe, de sorte que les résultats reflètent les conditions actuelles plutôt que obsolètes.

Foire aux questions

Questions techniques et pratiques

Comment Ivernholl détermine-t-il ma tolérance au risque ?

Le modèle combine une base de référence initiale basée sur un questionnaire avec des données comportementales continues – comment les recommandations sont acceptées, ajustées ou refusées au fil du temps. Le score obtenu est recalculé en permanence plutôt que fixé lors de l'intégration.

Est-ce adapté aux revenus irréguliers de l’économie des petits boulots ?

Oui. Le modèle ne suppose pas de calendrier de dépôt fixe. La taille des positions est recalculée en fonction du capital actuellement disponible, de sorte que le revenu variable ne nécessite pas de recalibrage manuel à chaque fois qu'il change.

À quelles données la plateforme doit-elle accéder ?

Généralement, l'historique des transactions et les données au niveau du compte provenant de sources connectées, ainsi que toutes les données de marché pertinentes pour vos avoirs. Aucune donnée au-delà de ce qui est requis pour la notation des risques n’est demandée.

Puis-je ignorer les recommandations de l'IA ?

Oui. Chaque recommandation peut être ajustée ou refusée manuellement. Cette réponse est elle-même traitée comme un point de données, alimentant le modèle de variance pour un recalibrage futur.

Mes données sont-elles sécurisées ?

Les données sont chiffrées en transit et au repos, avec un accès restreint et enregistré au niveau du processus. Les pratiques de sécurité sont revues dans le cadre de la maintenance continue de la plateforme.

Ivernholl fonctionne-t-il pour les portefeuilles d'entreprise multi-mandats ?

Oui. Chaque mandat peut être évalué et surveillé indépendamment au sein d'un seul compte, avec des limites de variance appliquées par mandat plutôt que sur l'ensemble du portefeuille.

Déployez Ivernholl pour consulter votre propre profil de risque en pratique

Connectez une source de données et le modèle commence à apprendre de votre comportement de transaction réel, et non d'un résultat de questionnaire statique.

Déployer l'IA

La configuration du compte prend généralement quelques minutes ; le modèle commence le calibrage à partir de votre première source de données connectée.