Moniepoint applique une analyse heuristique pour filtrer le bruit du marché du signal réel. Il n'y a pas de dépôt minimum, vous pouvez donc tester la logique du modèle avec un capital négligeable avant d'engager davantage.
Le moteur ingère en continu les données de prix, de volume et de carnet de commandes sur les principales paires de cryptomonnaies. Avant qu'une recommandation ne soit formulée, les données brutes passent par un filtre de volatilité qui sépare le bruit des prix à court terme du signal directionnel.
Ce qui reste est évalué par rapport aux pondérations des tendances historiques établies à partir des cycles de marché passés. Cette notation ne prédit pas les résultats exacts. Il classe la probabilité relative, de sorte qu'une position est définie comme une « confiance supérieure » ou une « confiance inférieure » plutôt que garantie.
La même logique de notation a été construite à l’origine pour la sélection des portefeuilles institutionnels, où le capital à risque est important et les erreurs coûteuses. L’exécuter à l’échelle du micro-investissement signifie qu’un compte étudiant est évalué avec la même discipline, et non avec une version simplifiée de celle-ci.
Étant donné que Moniepoint ne fixe aucun dépôt minimum, le coût d'apprentissage du comportement du modèle dépend du montant que vous décidez de risquer. Cette section détaille les mécanismes derrière cette décision.
Ouvrez un compte et allouez toute somme avec laquelle vous êtes à l'aise pour tester. L'analyse du modèle s'exécute de la même manière quelle que soit la taille de la position.
Les positions sont exprimées sous forme de fractions de jeton plutôt que d'unités entières, de sorte qu'un petit dépôt peut toujours être réparti sur plusieurs actifs.
Votre perte maximale sur n'importe quelle position est limitée par le montant qui lui est alloué. Le modèle signale les actifs à forte volatilité avant que l’exposition n’augmente.
Chaque recommandation produite par Moniepoint passe par la même séquence, que la taille du compte soit petite ou grande.
Les données sur les prix, les volumes et la liquidité sont extraites de plusieurs bourses à intervalles rapprochés afin de réduire la dépendance à l'égard d'une source unique.
Les fluctuations de prix à court terme causées par une faible liquidité ou des événements isolés sont séparées des mouvements directionnels soutenus.
Les données filtrées sont évaluées par rapport aux pondérations des modèles historiques pour produire une cote de confiance relative, et non un objectif de prix.
Les scores sont traduits en une suggestion en langage simple avec le raisonnement qui la sous-tend, de sorte que la décision appartient à l'utilisateur.
Les outils de sélection institutionnelle et les comptes de micro-investissement étudiants fonctionnent selon une logique de notation identique. Seule la taille des positions change.
Les grands comptes utilisent le modèle pour filtrer rapidement un large éventail d'actifs, en réduisant un vaste univers à une liste restreinte qui mérite un examen manuel plus approfondi.
Preuve d'efficacité : le filtrage réduit le nombre d'actifs nécessitant un examen manuel par un analyste avant qu'une décision ne soit prise.
Un compte étudiant avec un petit dépôt reçoit la même logique de liste restreinte, adaptée à des tailles de positions fractionnaires qui correspondent au capital disponible.
Preuve d'efficacité : un dépôt de n'importe quelle taille peut être réparti sur plusieurs actifs évalués au lieu d'une seule position importante.
Les comptes peuvent être utilisés principalement pour observer l’évolution des recommandations à mesure que les scores de volatilité évoluent, traitant le dépôt comme un outil d’étude plutôt que comme un objectif de gains rapides.
Preuve d'efficacité : le raisonnement derrière chaque recommandation est affiché à côté de la suggestion, et non caché derrière celle-ci.
Ces réponses sont écrites pour être spécifiques sur ce que le modèle fait et ne prétend pas faire.
Non. Moniepoint produit des suggestions fondées sur des données basées sur une notation de modèles historiques. Les décisions finales d'allocation, y compris l'opportunité de donner suite à une suggestion, restent du ressort de l'utilisateur.
Les événements soudains sont, par nature, difficiles à anticiper pour tout modèle. Le filtre de volatilité est conçu pour signaler rapidement une évolution inhabituelle des prix et réduire les scores de confiance pendant les périodes de données instables, plutôt que pour prédire l'événement lui-même.
Le moteur d'analyse fonctionne de manière identique quelle que soit la taille du dépôt. Un dépôt plus petit limite simplement le montant absolu de l’exposition fractionnaire disponible pour les actifs évalués.
Aucune plateforme d'investissement ne peut garantir une protection contre la perte d'actifs volatils. L'exposition plafonnée par position et le dimensionnement fractionné sont conçus pour limiter la part de votre dépôt exposée à un seul actif à la fois.
La suppression d'un dépôt minimum réduit le coût des tests du comportement du modèle avant d'engager des sommes plus importantes. Il s’agit d’un choix de conception visant à réduire les obstacles à l’observation, et non d’un signal sur les rendements attendus.
Il est conçu pour les utilisateurs qui souhaitent un point de départ structuré et basé sur des données pour l'exposition aux cryptomonnaies plutôt qu'un système de trading entièrement automatisé. Revoir le raisonnement derrière chaque suggestion fait partie de sa bonne utilisation.
Puisqu’il n’y a pas de dépôt minimum, la première étape ne coûte que le montant que vous choisissez d’allouer.
Commencer l'analyse basée sur les données