Anteilwart Group 的构建就是为了解决这一差距。我们的平台持续处理结构化和非结构化市场数据，应用根据定义的历史时期校准的预测模型，并将结果呈现为风险调整策略摘要而不是原始数据转储。每个输出都可以追溯到其测试所依据的数据和时间范围。
三个组件协同工作，将大量市场数据转化为您可以在记录的基础上采取行动的决策。
我们的模型处理大量结构化和非结构化数据，以生成前瞻性的、经过风险调整的预测。每个预测都附有用于生成它的假设和时间范围，因此您可以判断它与您自己的立场的相关性。
情景建模可识别集中风险并标记整个投资组合或资产负债表的下行风险。该引擎根据历史相关数据而不是静态经验法则建议多样化调整。
数据源被持续获取，并且仪表板会随着新信息的出现而更新。当监控位置超出您设置的参数时，而不是在固定的报告周期内，就会发出警报。
测试的透明度是 Anteilwart Group 运作方式的核心。以下是在向客户展示之前应用于每个策略的工作流程。
结构化和非结构化市场数据是从许可来源收集的，并标准化为通用分析格式。
预测模型应用于数据集，根据定义的历史时期而不是单个最近的快照进行校准。
由此产生的策略根据历史数据运行，以评估其在过去市场条件下的表现。
风险调整策略摘要（包括回测期和关键假设）将发送到您的仪表板。
回溯测试将策略的逻辑应用于历史市场数据，以了解其在过去指定时期内的表现。它告诉我们模型在实际发生的条件下的表现如何；它不能保证未来的情况会重复。我们将回测窗口与每个策略一起发布，以便您可以自行判断其与当前条件的相关性。
建议不是作为单个不透明分数生成的。每个输出都被分解为基础数据输入、应用的模型假设和引用的历史时期，因此可以审查建议背后的推理，而不是信任。
使用 Anteilwart Group 作为决策过程一部分的专业人士和财务团队的三种常见场景。
拥有大量单一雇主股权或狭窄部门的专业人士使用该平台来识别与该职位历史相关性较低的资产类别。该建议附有所使用的回测期，允许参考过去的市场周期而不是猜测来重新平衡风险敞口。
评估新供应商或交易对手的财务团队在投入资金之前，使用模型输出来针对历史低迷运行压力情景。这为内部风险委员会提供了有记录的、基于数据的参考点，而不是单个分析师的判断。
考虑进入新资产类别或地区的专业人士使用历史模式分析来评估过去可比时期观察到的典型进入时机和头寸规模，从而减少对情绪驱动的时机决策的依赖。
我们更愿意根据平台的构建和验证方式而不是认可来进行评估。
客户和市场数据在传输和静态时均经过加密。对基础数据集和模型配置的访问受到角色的限制，并且会记录客户帐户上的活动以用于审计目的。
模型输出以滚动的基础上实现的市场结果为基准。每项建议都会附有回测期和关键假设，因此可以在采取行动之前评估其可靠性。
我们的数据处理实践在设计时考虑了英国的数据保护要求。 Anteilwart Group提供分析工具支持决策，不提供受监管的投资建议；产出应与您自己的尽职调查一起考虑。