Moniepoint aplica análisis heurístico para filtrar el ruido del mercado a partir de la señal real. No hay un depósito mínimo, por lo que puedes probar la lógica del modelo con un capital insignificante antes de comprometerte más.
El motor ingiere datos de precios, volúmenes y libros de pedidos de los principales pares de criptomonedas de forma continua. Antes de que se produzca cualquier recomendación, los datos sin procesar pasan a través de un filtro de volatilidad que separa el ruido de los precios a corto plazo de la señal direccional.
Lo que queda se califica en función de ponderaciones de patrones históricos construidas a partir de ciclos de mercado pasados. Esta puntuación no predice resultados exactos. Clasifica la probabilidad relativa, por lo que una posición se encuadra como "mayor confianza" o "menor confianza" en lugar de estar garantizada.
La misma lógica de puntuación se construyó originalmente para la selección de carteras institucionales, donde el capital en riesgo es grande y los errores son costosos. Ejecutarlo a escala de microinversión significa que la cuenta de un estudiante se evalúa con la misma disciplina, no con una versión simplificada de la misma.
Debido a que Moniepoint no establece un depósito mínimo, el costo de aprender cómo se comporta el modelo es cualquier cantidad que decida arriesgar. Esta sección analiza la mecánica detrás de esa decisión.
Abra una cuenta y asigne cualquier suma con la que se sienta cómodo realizando pruebas. El análisis del modelo se ejecuta de la misma manera independientemente del tamaño de la posición.
Las posiciones se expresan como fracciones de un token en lugar de unidades enteras, por lo que un pequeño depósito aún puede distribuirse entre más de un activo.
Su pérdida máxima en cualquier posición está sujeta a la cantidad asignada a la misma. El modelo detecta activos de alta volatilidad antes de que aumente la exposición.
Cada recomendación producida por Moniepoint pasa por la misma secuencia, ya sea que el tamaño de la cuenta sea pequeño o grande.
Los datos de precios, volumen y liquidez se obtienen de múltiples intercambios en intervalos cortos para reducir la dependencia de una sola fuente.
Las oscilaciones de precios a corto plazo causadas por baja liquidez o eventos aislados están separadas del movimiento direccional sostenido.
Los datos filtrados se califican según ponderaciones de patrones históricos para producir una calificación de confianza relativa, no un precio objetivo.
Las puntuaciones se traducen en una sugerencia en lenguaje sencillo con el razonamiento detrás de ellas, por lo que la decisión queda en manos del usuario.
Las herramientas de selección institucional y las cuentas de microinversión de estudiantes funcionan con la misma lógica de puntuación. Sólo cambia el tamaño de la posición.
Las cuentas más grandes utilizan el modelo para examinar rápidamente un amplio conjunto de activos, reduciendo un amplio universo a una lista corta que merece una revisión manual más detallada.
Evidencia de eficiencia: la selección reduce la cantidad de activos que requieren revisión manual por parte de los analistas antes de tomar una decisión.
Una cuenta de estudiante con un depósito pequeño recibe la misma lógica de lista corta, escalada a tamaños de posición fraccionarios que coinciden con el capital disponible.
Evidencia de eficiencia: un depósito de cualquier tamaño se puede asignar a múltiples activos puntuados en lugar de a una sola posición grande.
Las cuentas se pueden utilizar principalmente para observar cómo cambian las recomendaciones a medida que cambian los puntajes de volatilidad, tratando el depósito como una herramienta de estudio en lugar de un objetivo para obtener ganancias rápidas.
Evidencia de eficiencia: el razonamiento detrás de cada recomendación se muestra junto a la sugerencia, no se esconde detrás de ella.
Estas respuestas están escritas para ser específicas sobre lo que el modelo hace y no dice hacer.
No. Moniepoint produce sugerencias respaldadas por datos basadas en la puntuación de patrones históricos. Las decisiones finales sobre la asignación, incluida la posibilidad de actuar o no sobre una sugerencia, quedan en manos del usuario.
Los acontecimientos repentinos son, por naturaleza, difíciles de anticipar para cualquier modelo. El filtro de volatilidad está diseñado para señalar rápidamente una acción inusual del precio y reducir las puntuaciones de confianza durante períodos de datos inestables, en lugar de predecir el evento en sí.
El motor de análisis funciona de manera idéntica independientemente del tamaño del depósito. Un depósito más pequeño simplemente limita la cantidad absoluta de exposición fraccionaria disponible entre los activos calificados.
Ninguna plataforma de inversión puede garantizar la protección contra pérdidas en activos volátiles. La exposición limitada por posición y el tamaño fraccionario están diseñados para limitar la cantidad de su depósito expuesta a un solo activo al mismo tiempo.
Eliminar un depósito mínimo reduce el costo de probar cómo se comporta el modelo antes de comprometer sumas mayores. Es una elección de diseño destinada a reducir la barrera a la observación, no una señal sobre los retornos esperados.
Está diseñado para usuarios que desean un punto de partida estructurado y basado en datos para la exposición a las criptomonedas en lugar de un sistema comercial totalmente automatizado. Revisar el razonamiento detrás de cada sugerencia es parte de utilizarla bien.
Debido a que no hay un depósito mínimo, el primer paso cuesta solo la cantidad que elijas asignar.
Comenzar el análisis basado en datos