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.

Ivernholl AI riskanalys instrumentpanel koncept

AI-driven riskintelligens

AI som lär sig din risktolerans, automatiskt

Ivernholl analyserar marknadsdata, transaktionshistorik och inkomstmönster i realtid och justerar sedan sina rekommendationer för att matcha hur mycket varians du faktiskt kan absorbera - inte ett generiskt, engångsriskpoäng.

Analysera risk Se metodiken

Live modellutgång

En kontinuerlig bild av exponering, variansspårning och rekommendationsförtroende, omräknade när nya data kommer in snarare än enligt ett fast dagligt schema.

Kärnmotor

En kärna för prediktiv modellering byggd för kontinuerliga beslut

Systemet är inte en statisk räknare. Den tar in data kontinuerligt och räknar om rekommendationer när förhållandena förändras, och håller utdata i linje med aktuell, inte historisk, riskexponering.

Realtidsdataintag

Marknadsflöden, transaktionshistorik och inkomstmönster bearbetas kontinuerligt snarare än batchas till ett fast schema.

Uppdateringscykel: Kontinuerlig

Riskvariansmodellering

Rekommendationer vägs mot din observerade tolerans för neddragning, härledd från beteende snarare än ett statiskt frågeformulär.

Omkalibrering: Pågår

Adaptiv rekommendationsmotor

Resultaten anpassas allteftersom din ekonomiska situation förändras - skiftande inkomst, nya skulder eller ändrade kortsiktiga mål.

Ingångar: Flerkälla

Låg latens slutledning

Analysen körs nära datakällan, så rekommendationer återspeglar nuvarande förhållanden snarare än en tidigare slutsiffra.

Svar: Undersekund

DatahanteringKontinuerlig förtäring

ModellbeteendeSjälvkalibrerande

BeslutsomfattningIndividuell och mandatnivå

Om plattformen

Byggd för människor utan tillgång till en institutionell forskningsdisk

Ivernholl utformades kring en enkel begränsning: de flesta enskilda investerare och proffs inom spelningsekonomi har inte tid att övervaka marknaderna kontinuerligt, och inte heller personalen att hantera ett varierat riskmandat mellan avdelningarna.

Plattformen tar över den övervakningsfunktionen. Den tillämpar samma klass av prediktiv modellering som används i institutionella riskbord, nedskalad för att fungera på ett enskilt konto eller en enskild företagsportfölj, och justeras automatiskt när omständigheterna ändras.

Ivernholl dataanalys arbetsflöde på en arbetsstation

Risktoleransinlärning

Hur modellen lär sig din risktolerans

De flesta plattformar tilldelar en riskkategori en gång, vid onboarding, och lämnar den oförändrad. Ivernholl behandlar risktolerans som en variabel som rör sig med beteende, inkomststabilitet och observerade reaktioner på volatilitet.

Signalflöde

Ingångssignaler: transaktioner, inkomstkadens, angivna preferenser

↓ viktas med

Riskvariansmodell

↓ justerar

Rekommendationsviktning

↓ producerar

Utdata på positionsnivå, ompoäng vid varje datauppdatering

BaslinjebedömningInitial kalibrering kombinerar angivna preferenser med alla tillgängliga historiska transaktionsbeteende, vilket undviker beroende av ett enda frågeformulär.
BeteendekalibreringModellen observerar hur rekommendationer faktiskt används – accepterade, modifierade eller ignorerade – och behandlar det svaret som en datapunkt.
VariansjusteringNär resultaten ackumuleras skiftar toleranspoängen uppåt eller nedåt, vilket återspeglar faktisk komfort med neddragning snarare än en självrapporterad uppskattning.
Kontinuerlig förfiningOmkalibreringen slutar inte efter ombordstigning. Det fortsätter så länge kontot är aktivt.

Det praktiska resultatet: rekommendationer begränsar sig till en risknivå som du kan behålla, snarare än en du valt en gång och kan ha missbedömt.

Användningsfall

Tillämpas på oregelbunden inkomst och mandatportföljer

Samma underliggande modell stödjer två distinkta situationer: individer som allokerar rörligt kapital, deltidskapital och företagsteam som hanterar flera riskmandat samtidigt.

Tilläggsinkomst utan heltidsövervakning

En proffs inom spelningsekonomi med oregelbundna veckointäkter allokerar en del av tillgängligt kapital genom Ivernholl istället för att hantera positioner manuellt mellan jobb. Bidragsstorleken varierar från vecka till vecka, och modellen justerar positionsstorleken för att matcha tillgängligt kapital snarare än att anta ett fast insättningsschema.

Modellen behandlar inkonsekvent kassaflöde som en känd input snarare än ett kantfall, vilket minskar behovet av manuell ombalansering efter varje inkomstcykel.

Utfall: Konsekvent riskexponering trots oregelbundna bidrag

Treasury-team som hanterar multipla riskmandat

Ett corporate finance-team övervakar flera interna portföljer, var och en med olika godkända risktak. Istället för att upprätthålla separata kalkylblad per mandat, tillämpar Ivernholl mandatspecifika variansgränser inom en enda övervakad vy, och flaggar alla portföljer som driver utanför det godkända intervallet.

Varje mandat poängsätts oberoende, så en allokering med högre risk i en portfölj förvränger inte rapporteringen för en mer konservativ portfölj.

Resultat: En konsoliderad syn på olika riskmandat

Metodik

En transparent, steg-för-steg prediktiv process

Arbetsflödet nedan beskriver hur rådata blir en användbar rekommendation. Varje steg loggas, så alla utdata kan spåras tillbaka till de ingångar som producerade den.

01Datainsamling — marknads-, konto- och beteendedata hämtade från anslutna källor.
02Normalisering — indata rengörs och standardiseras för jämförelse mellan källor.
03Modellpoäng – den prediktiva modellen genererar en riskjusterad prognos.
04Varianskontroll — utdata kontrolleras mot din nuvarande toleransprofil.
05Leverans — rekommendationen visas med dess underliggande konfidensnivå.

Datahantering

Konto- och transaktionsdata krypteras under överföring och vila. Tillgång till rådata loggas och begränsas till de processer som kräver det för modelldrift.

Latens

Rekommendationer uppdateras när ny data tas in, snarare än på en fast daglig eller veckovis cykel, så utdata återspeglar nuvarande snarare än inaktuella förhållanden.

Vanliga frågor

Tekniska och praktiska frågor

Hur avgör Ivernholl min risktolerans?

Modellen kombinerar en initial, frågeformulärbaserad baslinje med pågående beteendedata – hur rekommendationer accepteras, justeras eller avvisas över tid. Resultatet räknas om kontinuerligt snarare än fastställs vid onboarding.

Är detta lämpligt för oregelbundna, gig-ekonomiska inkomster?

Ja. Modellen utgår inte från ett fast insättningsschema. Positionsstorleken räknas om mot det kapital som är tillgängligt för närvarande, så rörlig inkomst kräver inte manuell omkalibrering varje gång den ändras.

Vilken data kräver plattformen åtkomst till?

Vanligtvis transaktionshistorik och data på kontonivå från anslutna källor, tillsammans med eventuell marknadsdata som är relevant för dina innehav. Inga data utöver vad som krävs för riskpoäng efterfrågas.

Kan jag åsidosätta AI:s rekommendationer?

Ja. Varje rekommendation kan justeras eller avvisas manuellt. Det svaret behandlas i sig som en datapunkt, som matas tillbaka till variansmodellen för framtida omkalibrering.

Är min data säker?

Data krypteras under överföring och vila, med åtkomst begränsad och loggas på processnivå. Säkerhetspraxis ses över som en del av det löpande underhållet av plattformen.

Fungerar Ivernholl för företagsportföljer med flera mandat?

Ja. Varje mandat kan poängsättas och övervakas oberoende inom ett enda konto, med variansgränser som tillämpas per mandat snarare än över portföljen som helhet.

Implementera Ivernholl för att se din egen riskprofil i praktiken

Anslut en datakälla och modellen börjar lära sig av ditt faktiska transaktionsbeteende, inte ett statiskt frågeformulär.

Distribuera AI

Kontoinställningen tar vanligtvis några minuter; modellen börjar kalibrera från din första anslutna datakälla.