该系统不是静态计算器。它不断获取数据，并根据情况变化重新计算建议，使输出与当前而非历史风险敞口保持一致。
市场信息、交易历史和收入模式是连续处理的，而不是批量处理到固定的时间表中。
更新周期：连续建议根据您观察到的回撤容忍度进行加权，该容忍度来自行为而不是静态调查问卷。
重新校准：正在进行中产出会随着您的财务状况的变化而调整——收入的变化、新的负债或短期目标的改变。
输入：多源分析靠近数据源进行，因此建议反映的是当前状况而不是之前的结算数据。
响应：亚秒级Ivernholl 的设计围绕一个简单的限制：大多数个人投资者和零工经济专业人士没有时间持续监控市场，也没有员工来管理跨部门的各种风险任务。
该平台接管了该监控功能。它采用与机构风险部门相同类型的预测模型，缩小规模以在个人账户或单个公司投资组合上运行，并根据情况变化自动调整。
大多数平台在入职时分配一次风险类别，然后保持不变。 Ivernholl 将风险承受能力视为随行为、收入稳定性和观察到的波动性反应而变化的变量。
实际结果是：建议缩小到您可以承受的风险水平，而不是您曾经选择的风险水平，并且可能会误判。
相同的基础模型支持两种不同的情况：个人分配变量、兼职资本，以及公司团队同时管理多个风险任务。
每周收入不规律的零工经济专业人士通过 Ivernholl 分配一部分可用资本，而不是在工作之间手动管理职位。捐款规模每周都在变化，该模型会调整头寸规模以匹配可用资本，而不是假设定期存款计划。
公司财务团队负责监督多个内部投资组合，每个投资组合都有不同的批准风险上限。 Ivernholl 不是为每个任务维护单独的电子表格，而是在单个监控视图中应用特定于任务的方差限制，标记任何超出其批准范围的投资组合。
下面的工作流程描述了原始数据如何成为可用的推荐。每个阶段都会被记录下来，因此任何输出都可以追溯到产生它的输入。
帐户和交易数据在传输过程中和静态时均进行加密。对原始数据的访问会被记录下来，并仅限于需要它进行模型操作的进程。
建议会随着新数据的摄入而刷新，而不是按照固定的每日或每周周期进行刷新，因此输出反映的是当前情况而不是过时的情况。
该模型将基于调查问卷的初始基线与持续的行为数据相结合——随着时间的推移，建议如何被接受、调整或拒绝。所得到的分数是不断重新计算的，而不是在入职时固定的。
是的。该模型不假设定期存款计划。头寸规模是根据当前可用资本重新计算的，因此可变收入不需要每次变化时手动重新校准。
通常，来自关联来源的交易历史记录和账户级数据，以及与您的持股相关的任何市场数据。不要求提供超出风险评分所需的数据。
是的。每个建议都可以手动调整或拒绝。该响应本身被视为一个数据点，反馈到方差模型中以供将来重新校准。
数据在传输过程中和静态时都经过加密，访问受到限制并在流程级别进行记录。作为持续平台维护的一部分，将审查安全实践。
是的。每个任务都可以在单个账户内独立评分和监控，每个任务都应用差异限制，而不是整个投资组合。
连接数据源，模型开始从您的实际交易行为而不是静态调查问卷结果中学习。
部署人工智能帐户设置通常需要几分钟；模型从您的第一个连接的数据源开始校准。