该引擎持续获取主要加密货币对的价格、交易量和订单簿数据。在产生任何建议之前，原始数据会通过波动率过滤器，将短期价格噪音与方向信号分开。
剩下的内容是根据过去市场周期建立的历史模式权重进行评分。此评分并不能预测确切的结果。它对相对概率进行排名，因此位置被定义为“较高置信度”或“较低置信度”，而不是保证。
同样的评分逻辑最初是为机构投资组合筛选而建立的，其中风险资本很大，错误代价高昂。以小额投资规模运行意味着学生账户将按照相同的原则进行评估，而不是简化版本。
由于 Moniepoint 没有设定最低存款额，因此了解模型行为方式的成本取决于您决定承担的风险金额。本节详细介绍了该决定背后的机制。
开设一个账户并分配您愿意测试的任何金额。无论头寸大小如何，模型的分析都以相同的方式运行。
头寸以代币的一部分而不是整个单位表示，因此小额存款仍然可以分配到多个资产中。
您在任何单一头寸上的最大损失取决于分配给该头寸的金额。该模型在风险敞口增加之前标记出高波动性资产。
Moniepoint 生成的每个推荐都会经过相同的序列，无论帐户规模是小还是大。
价格、交易量和流动性数据是在短时间内从多个交易所提取的，以减少对任何单一来源的依赖。
由低流动性或孤立事件引起的短期价格波动与持续的定向运动是分开的。
过滤后的数据根据历史模式权重进行评分，以产生相对置信度评级，而不是价格目标。
分数会被翻译成简单的语言建议及其背后的推理，因此决定权在用户手中。
机构筛选工具和学生小额投资账户运行相同的评分逻辑。仅头寸规模发生变化。
较大的账户使用该模型快速筛选广泛的资产，将广泛的资产范围缩小到值得仔细人工审查的候选名单。
效率证据：筛选减少了在做出决定之前需要分析师人工审查的资产数量。
拥有小额存款的学生账户会收到相同的候选名单逻辑，并缩放至与可用资本相匹配的部分头寸规模。
效率的证据：任何规模的存款都可以分配到多个计分资产，而不是单个大头寸。
账户主要用于观察建议如何随着波动性分数的变化而变化，将存款视为一种研究工具，而不是快速收益的目标。
效率证据：每项建议背后的推理都与建议一起显示，而不是隐藏在建议背后。
这些回复是为了具体说明模型做什么和不做什么而编写的。
不会。Moniepoint 根据历史模式评分生成有数据支持的建议。最终的分配决定，包括是否完全按照建议采取行动，仍由用户决定。
从本质上讲，任何模型都难以预测突发事件。波动率过滤器旨在快速标记异常价格行为并在数据不稳定期间降低置信度分数，而不是预测事件本身。
无论存款大小如何，分析引擎都会以相同的方式运行。较小的存款只会限制评分资产中可用的部分风险敞口的绝对数量。
没有任何投资平台可以保证免受波动性资产的损失。每个头寸的风险敞口上限和部分规模旨在限制您的存款一次性暴露于任何单一资产的金额。
取消最低存款额可以降低在投入较大金额之前测试模型行为的成本。这是一种旨在减少观察障碍的设计选择，而不是关于预期回报的信号。
它是为那些想要一个结构化的、基于数据的加密货币暴露起点而不是全自动交易系统的用户而构建的。回顾每条建议背后的理由是充分利用它的一部分。