方法论
我们的分析引擎持续处理市场信息：订单深度、隐含波动率、资产间相关性和宏观经济信号。每个流根据其历史可靠性进行加权，这可以减少任何推荐之前的事务噪音。
目标不是预测价格，而是估计情景概率并相应调整风险敞口。该模型不断重新计算每个头寸的风险回报率，同时考虑可用流动性和估计执行成本。
无障碍
由于基础设施的成本和必要的专业知识，定量建模工具长期以来一直保留用于拥有大量资本的结构。 Palme Capitelle 将这些方法的访问与投资金额分开：无论是适度的首次存款还是已经建立的投资组合，都适用相同的分析架构。
工艺流程
步骤01
市场信息、链上数据和宏观经济出版物被不断收集和标准化，为分析提供一致的基础。
步骤02
每个投资组合假设都会受到数千个模拟场景的影响，包括恶化的市场条件，以在提出任何建议之前评估其稳健性。
步骤03
拟议的调整被记录在案：操作的性质、定量理由以及对投资组合整体风险敞口的估计影响。
风险管理
数字资产的波动性无法被抵消；它被测量和过滤。该引擎应用自适应波动率过滤器，根据观察到的市场状况（而不是预先定义的固定参数）调整推荐头寸的规模。
自动止损逻辑内置于每个套利建议中，每个分析周期都会重新计算阈值，而不是一劳永逸地设置。这种逻辑限制了风险敞口，但不能保证不存在损失，而损失仍然是任何数字资产配置所固有的。
使用情况
喜欢逐渐积累和长远发展。该模型限制了套利频率，有利于流动性高的资产。
遵循投资组合的动态再平衡。这些建议会随着每个分析周期而更新，并且可以手动或半自动应用。
通过与每条建议相关的解释来发现市场机制。该模型在这里既可以作为一种教育工具，也可以作为一种决策工具。