Kép az ANA.Japan AI adatelemző platformját használó diákbefektetőkről
Adatvezérelt kriptoeszköz-elemzés

Adatokkal igazolt következő generációs eszközképzés.

Az ANA.Japan támogatja a kriptográfiai eszközök befektetési döntéseit olyan prediktív modellek használatával, amelyek integrálják a láncon belüli és a piaci adatokat. Az intézményi befektetők által használt elemzési módszereket olyan formában biztosítjuk, amelyet akár hallgatók is használhatnak.

A szimulációk múltbeli adatokon alapulnak, és nem garantálják a jövőbeli eredményeket.

Miért rontják az érzelmi előítéletek az ítélőképességet?

A kriptovaluta piacán nagyok az áringadozások, és a rövid távú ármozgások erős érzelmi hatással vannak a befektetési döntésekre. A hallgatói befektetők számára már egy kis tőkemennyiség is pszichés megterhelést jelenthet.

Az érzelmi kereskedés és az adatoptimalizált kereskedés összehasonlítása
nézőpontból érzelmi kereskedés adatoptimalizálási kereskedés
Ítéleti kritériumok Hirtelen áringadozások és aktualitás az SNS-en Statisztikai alap utólag tesztelt algoritmusokkal
kockázatkezelés Nincs előzetes beállítás, fokozott veszteség kockázata Felső limit beállítása VaR (kockázatos érték) alapján
pszichológiai terhelés Erős stressz az áringadozások során Szabályalapú műveletek segítségével szabályozza az ítélet ingadozásait
reprodukálhatóság Nehéz reprodukálni, mivel az egyéni tapasztalatoktól és intuíciótól függ Ugyanez a logika folyamatosan alkalmazható

Technikai magyarázatot adunk az AI-motor tartalmáról.

Az ANA.Japan elemzőmotorja nem valami titokzatos "varázslat"; három különálló feldolgozási szakaszból áll. Javasoljuk, hogy használat előtt ismerje meg mindegyik szerepét.

01

Valós idejű big data elemzés

Folyamatosan szerezze be a láncon belüli tranzakciós rekordokat és piaci adatokat az egyes tőzsdékről, hogy megjelenítse az árképzés mögötti pénzáramlást.

02

kockázatkezelési modell

A VaR (value at risk) számítások számszerűsítik az adott időn belül várható maximális veszteséget, és úgy módosítják, hogy az ne haladja meg a megengedett tartományt.

03

Prediktív optimalizálás

Az a modell, amely megtanulta a múltbeli mintákat, jó kockázat-hozam arányú kombinációt javasol több stratégiajelölt közül.

A műszaki adatok áttekintése

Adatfrissítés gyakorisága
A láncon belüli adatok és az áradatok percről percre frissülnek.
kockázati mutatók
Standard mérőszámként 95%-os konfidencia intervallumon alapuló VaR-t használunk.
Modellérvényesítési módszer
A múltbeli adatok felhasználásával előrehaladó ellenőrzést végzünk.

Szimuláció az elmúlt 10 év adatai alapján.

Az alábbiakban egy elvi diagram látható, amely összehasonlítja egy adatoptimalizálási stratégia és egy egyszerű vásárlási és tartási stratégia kumulatív teljesítményét. Fiókja regisztrálása után ellenőrizheti a tényleges számokat az irányítópulton.

20152017201920212023

A múltbeli eredmények nem garantálják a jövőbeli eredményeket. Ez a szimuláció azt a becsült értéket mutatja, amikor ugyanazt a logikát folyamatosan alkalmazzák, az elmúlt 10 év rendelkezésre álló piaci adatai és a láncon belüli adatok alapján. A jövőbeni teljesítmény a piaci feltételek változása miatt változhat.

3 lépés az alacsony kockázatú belépéshez.

Nincs szükség bonyolult beállításokra a regisztrációtól az első elemzési eredmények kézhezvételéig. Minden lépésben eldöntheti, mennyi pénzt fektet be.

01. LÉPÉS

Csatlakoztassa az API-t vagy az adatforrást

Csatlakoztathatja meglévő Exchange API-ját, vagy elindíthatja szimulációs módban csak nyilvános piaci adatok felhasználásával.

02. LÉPÉS

Állítsa be kockázati toleranciáját

Adja meg a maximális várható veszteség összegét és a befektetési időszakot az Önnek megfelelő VaR tartomány beállításához. A beállításokat bármikor módosíthatja.

03. LÉPÉS

Szerezzen betekintést a mesterséges intelligencia optimalizálásába

Az Ön által beállított kockázati tartomány alapján megjelennek az utólag tesztelt stratégiajelöltek és azok alátámasztó adatai.

Az ANA.Japan adatelemző csapat piaci adatokat vizsgál

Diákok számára készült túlzott leegyszerűsítés nélkül

Az ANA.Japan a kriptoeszközöket nem „könnyű pénzként” mutatja be. Ehelyett lehetőséget biztosít adatok és matematikai modellek felhasználására a döntések pontosságának javítására.

Feltételezzük, hogy a felhasználók megértik az olyan mutatók jelentését, mint például a VaR és a várható megtérülés, mielőtt működtetnék őket, és az irányítópulton minden indikátorhoz magyarázó oldalakat adtunk.

Nézze meg, miért téged választunk

Gyakran ismételt kérdések a kezdő felhasználóktól

Technikai szempontból válaszolunk a biztonságra, az AI definíciójára, és arra, hogyan kezdjünk kis összeggel.

Hogyan biztosítják a csatlakoztatott adatcsere adataimat?

Az API-kapcsolat csak olvasási engedélyeket javasol, és nem ad engedélyt pénzátutalásra vagy tranzakciók végrehajtására. A kapcsolati információk titkosítva tárolódnak.

Pontosan mire utal az "AI"?

Olyan prediktív modellre utal, amely megtanulja a történelmi piaci adatokat és a láncon belüli adatokat, hogy statisztikailag szignifikáns mintákat nyerjen ki. Ahelyett, hogy teljesen kiküszöbölné az emberi mérlegelést, úgy van elhelyezve, hogy anyagot biztosítson az ítélkezéshez.

Kezdhetnek-e a diákok kis tőkével?

Lehetséges. Szimulációs módban tényleges források befektetése nélkül ellenőrizheti a stratégia viselkedését, a tényleges működésre való átálláskor pedig tetszőlegesen beállíthatja a befektetés összegét.

Alkalmazhatóak lesznek a backtest eredményei a jövőben?

Nem feltétlenül ez a helyzet. Az utólagos tesztelés egy ellenőrzési eredmény a múltbeli piaci környezetben, és ha a jövőbeli piaci struktúra megváltozik, előfordulhat, hogy ugyanazok az eredmények nem reprodukálhatók.

Fektessen be az intellektusával, ne az intuíciójával.

Az ANA.Japan hallgatói befektetők közösségét működteti, akik szintén értékelik az adatvezérelt döntéseket. Először is, szimulációval ellenőrizze saját kockázattűrő képességét.

Indítsa el a szimulációt ingyen