Moniepoint tillämpar heuristisk analys för att filtrera marknadsbrus från verklig signal. Det finns ingen minsta insättning, så du kan testa modellens logik med försumbart kapital innan du gör mer.
Motorn matar in pris, volym och orderbokdata över stora kryptopar på en kontinuerlig basis. Innan någon rekommendation tas fram passerar rådata genom ett volatilitetsfilter som separerar kortsiktigt prisbrus från riktningssignal.
Det som återstår poängsätts mot historiska mönsterviktningar byggda från tidigare marknadscykler. Denna poängsättning förutsäger inte exakta resultat. Den rangordnar relativ sannolikhet, så en position är inramad som "högre förtroende" eller "lägre förtroende" snarare än garanterad.
Samma poänglogik byggdes ursprungligen för institutionell portföljscreening, där riskkapitalet är stort och fel är kostsamma. Att köra det i mikroinvesteringsskala innebär att ett studentkonto utvärderas med samma disciplin, inte en förenklad version av det.
Eftersom Moniepoint inte sätter någon minimiinsättning, är kostnaden för att lära sig hur modellen beter sig vilken summa du än väljer att riskera. Det här avsnittet bryter ner mekaniken bakom det beslutet.
Öppna ett konto och tilldela vilken summa du är bekväm att testa med. Modellens analys går på samma sätt oavsett positionsstorlek.
Positioner uttrycks som bråkdelar av en token snarare än hela enheter, så en liten insättning kan fortfarande fördelas över mer än en tillgång.
Din maximala förlust på en enskild position är bunden av det belopp som tilldelats den. Modellen flaggar högvolatilitetstillgångar innan exponeringen ökar.
Varje rekommendation som produceras av Moniepoint går igenom samma sekvens, oavsett om kontostorleken är liten eller stor.
Pris-, volym- och likviditetsdata hämtas från flera börser med korta intervall för att minska beroendet av en enskild källa.
Kortsiktiga prissvängningar orsakade av låg likviditet eller isolerade händelser separeras från ihållande riktningsrörelser.
Filtrerad data poängsätts mot historiska mönsterviktningar för att ge en relativ konfidensvärdering, inte ett prismål.
Poäng översätts till ett vanligt språkförslag med resonemanget bakom det, så beslutet stannar hos användaren.
Institutionella screeningverktyg och studentmikroinvesteringskonton körs på samma poänglogik. Endast positionsstorleken ändras.
Större konton använder modellen för att snabbt granska en bred uppsättning tillgångar, vilket minskar ett brett universum till en kortlista värd en närmare manuell granskning.
Bevis på effektivitet: genomsökning minskar antalet tillgångar som kräver manuell analytikergranskning innan ett beslut fattas.
Ett studentkonto med en liten insättning får samma kortlistlogik, skalad till bråkdelar av positionsstorlekar som matchar det tillgängliga kapitalet.
Bevis på effektivitet: en insättning av valfri storlek kan fördelas över flera poängsatta tillgångar istället för en enda stor position.
Konton kan främst användas för att observera hur rekommendationer förändras när volatilitetspoängen ändras, och behandla insättningen som ett studieverktyg snarare än ett mål för snabba vinster.
Bevis på effektivitet: resonemanget bakom varje rekommendation visas bredvid förslaget, inte gömt bakom det.
Dessa svar är skrivna för att vara specifika om vad modellen gör och inte gör anspråk på att göra.
Nej. Moniepoint producerar dataunderstödda förslag baserat på historiska mönsterpoäng. Slutliga tilldelningsbeslut, inklusive om man överhuvudtaget ska agera på ett förslag, kvarstår hos användaren.
Plötsliga händelser är av naturen svåra för någon modell att förutse. Volatilitetsfiltret är utformat för att flagga ovanliga prisåtgärder snabbt och minska konfidenspoäng under perioder av instabil data, snarare än att förutsäga själva händelsen.
Analysmotorn körs identiskt oavsett insättningsstorlek. En mindre insättning begränsar helt enkelt den absoluta mängden delexponering som är tillgänglig för tillgångarna.
Ingen investeringsplattform kan garantera skydd mot förlust i volatila tillgångar. Begränsad exponering per position och fraktionerad storlek är utformade för att begränsa hur mycket av din insättning som exponeras för en enskild tillgång på en gång.
Att ta bort en minimiinsättning sänker kostnaden för att testa hur modellen beter sig innan man binder större summor. Det är ett designval som syftar till att minska barriären för observation, inte en signal om förväntad avkastning.
Det är byggt för användare som vill ha en strukturerad, databaserad utgångspunkt för kryptoexponering snarare än ett helt automatiserat handelssystem. Att granska resonemanget bakom varje förslag är en del av att använda det väl.
Eftersom det inte finns någon minsta insättning kostar det första steget endast det belopp du väljer att tilldela.
Börja datadriven analys