Interface de tableau de bord Oak Fundix affichant des modèles de données prédictifs et des indicateurs de risque

Optimisez vos revenus supplémentaires avec des modèles de décision d'IA backtestés

Oak Fundix analyse les données de marché historiques et en temps réel pour générer des recommandations ajustées en fonction du risque pour les professionnels de l'économie des petits boulots qui génèrent des revenus en dehors d'un emploi standard. Chaque modèle est validé par rapport à plusieurs cycles de marché avant son déploiement.

Démarrer l'analyse Afficher les performances historiques

Le tableau de bord affiche les plages de rendement projetées, les intervalles de confiance du modèle et un score de risque pour chaque recommandation, mis à jour au fur et à mesure du traitement de nouvelles données.

Problème et approche

L'analyse manuelle ne s'adapte pas aux heures de travail irrégulières

Les revenus de la Gig Economy varient selon la semaine et la plateforme. L’examen manuel des données de marché entre les équipes laisse peu de temps pour des décisions structurées.

Là où le suivi manuel échoue

  • Le suivi basé sur une feuille de calcul ne peut pas traiter les nouvelles données assez rapidement pour réagir aux mouvements de prix à court terme.
  • Les horaires de travail irréguliers limitent le temps disponible pour la recherche entre les quarts de travail ou les concerts.
  • L’analyse à source unique néglige les corrélations entre les classes d’actifs et les indicateurs macroéconomiques.
  • La prise de décision émotionnelle augmente l’exposition lors des sessions volatiles.

Comment Oak Fundix traite différemment les mêmes données

Oak Fundix ingère des données de marché en continu et applique des modèles prédictifs formés sur les cycles historiques. Les recommandations sont générées dans le cadre de paramètres de risque définis et délivrées avant qu'un examen manuel ne soit possible.

Comparaison de la latence de décision

Révision manuelle
Modèle de feuille de calcul
Modèle Oak Fundix

Comparaison illustrative du temps écoulé entre la disponibilité des données et une décision documentée, basée sur le calendrier du processus interne.

Structure de la plateforme

Trois composants travaillent ensemble sur chaque recommandation

Chaque recommandation est le résultat d’un modèle prédictif, d’une contrainte de risque et d’une fenêtre d’exécution, appliqués séquentiellement plutôt que isolément.

01

Modèles prédictifs

Des modèles statistiques et d'apprentissage automatique sont formés sur des données historiques de prix, de volume et macroéconomiques pour estimer les plages de résultats probables pour un horizon temporel défini.

02

Gestion des risques

Chaque recommandation est filtrée en fonction du dimensionnement des positions et des limites d'exposition définies en fonction d'une tolérance au risque définie par l'utilisateur, plafonnant les baisses avant l'allocation du capital.

03

Exécution en temps réel

Les recommandations sont horodatées par rapport aux données de marché en direct afin que les conditions utilisées pour l'analyse correspondent aux conditions au moment de la décision.

Actualisation des données
Intrajournalier continu
Recyclage du modèle
Programmé, basé sur un cycle
Région d'accueil
Centres de données de l'UE
Contrôles des risques
Limites définies par l'utilisateur
Méthodologie

Les modèles sont testés par rapport aux données historiques avant le déploiement

Chaque modèle suit une séquence de validation fixe. Aucun modèle n'atteint les recommandations en direct sans passer chaque étape ci-dessous.

  1. Collecte de données

    Les données historiques sur les prix, les volumes et les données macroéconomiques sont regroupées sur plusieurs cycles de marché, y compris les périodes de forte volatilité.

  2. Formation sur modèle

    Les modèles prédictifs sont formés sur une fenêtre historique définie, séparée des données utilisées ultérieurement pour la validation.

  3. Backtesting

    Chaque modèle est exécuté sur des périodes historiques qu'il n'a pas vues pendant la formation pour mesurer les performances des recommandations.

  4. Notation des risques

    Les résultats se voient attribuer un score de risque basé sur la volatilité, la baisse et la corrélation avec les positions recommandées existantes.

  5. Surveillance en direct

    Les modèles déployés sont surveillés en permanence et leurs performances sont comparées à leurs projections back-testées.

Déclaration de transparence

Les résultats backtestés décrivent les performances d'un modèle sur des données historiques ; ils ne garantissent pas les performances futures. Les conditions du marché changent et les tendances passées pourraient ne pas se répéter. Oak Fundix publie la période de temps et l'ensemble de données utilisés pour chaque backtest ainsi que l'état actuel du modèle.

Applications

Trois scénarios communs à la planification du revenu supplémentaire

Les scénarios ci-dessous reflètent des situations fréquemment signalées par les utilisateurs équilibrant travail à la demande et stratégie de revenus secondaires.

Scénario A

Répondre à la volatilité des marchés à court terme

Pendant les périodes de mouvement rapide des prix, Oak Fundix recalcule les scores de risque et les recommandations de position à mesure que de nouvelles données arrivent, offrant ainsi aux utilisateurs une base documentée pour réduire ou ajuster l'exposition plutôt que de réagir uniquement en fonction du sentiment.

Scénario B

Construire un portefeuille supplémentaire à long terme

Pour les utilisateurs allouant une partie fixe des revenus des concerts sur une base récurrente, Oak Fundix applique des modèles à plus long terme et des recommandations de rééquilibrage périodiques alignées sur un laps de temps défini plutôt que sur des fluctuations de prix quotidiennes.

Scénario C

Atténuer les risques liés aux revenus irréguliers

Étant donné que les revenus des concerts fluctuent d'une semaine à l'autre, Oak Fundix applique des limites d'exposition calibrées en fonction du capital disponible, contribuant ainsi à éviter qu'une seule position ne représente une part disproportionnée des fonds supplémentaires.

À propos de Oak Fundix

Conçu pour l’aide à la décision, pas pour les garanties automatiques

Oak Fundix a été développé pour permettre aux personnes sans expérience en finance quantitative d'accéder à la même classe d'analyse de données que celle utilisée par les bureaux de recherche institutionnels. La plateforme présente des recommandations accompagnées de données à l'appui, afin que les utilisateurs gardent le contrôle de chaque décision.

Tous les modèles fonctionnent dans le respect des normes de protection des données attendues sur le marché allemand, avec une infrastructure hébergée au sein de l'UE et des processus alignés sur les exigences du RGPD.

En savoir plus sur notre processus
Espace de travail d'analyse de données Oak Fundix utilisé pour le développement et la surveillance de modèles
Foire aux questions

Questions courantes sur l'accès, la sécurité et le contrôle

Ai-je besoin d’une expérience en trading ou en analyse financière pour utiliser Oak Fundix ?

Aucune expérience préalable en trading n’est requise. Les recommandations incluent le score de risque sous-jacent et la plage projetée en langage simple, et les utilisateurs définissent leur propre tolérance au risque avant de générer un résultat du modèle.

Où sont stockées mes données et sont-elles conformes aux exigences allemandes en matière de protection des données ?

Les données sont traitées et stockées sur une infrastructure située au sein de l'UE, conformément au RGPD. Les données comptables et financières sont cryptées à la fois en transit et au repos.

Puis-je ignorer ou ignorer une recommandation du modèle d’IA ?

Oui. Oak Fundix présente des recommandations à examiner ; les décisions d’exécution appartiennent à l’utilisateur à chaque étape. Aucune position n'est prise automatiquement sans confirmation explicite.

Qu’arrive-t-il aux recommandations pendant les périodes d’extrême volatilité des marchés ?

La notation du risque est recalculée plus fréquemment pendant les périodes de forte volatilité, et les recommandations de taille de position sont réduites en fonction des paramètres de risque prédéfinis définis par l'utilisateur.

Comment les performances historiques d'un modèle sont-elles vérifiées avant sa sortie ?

Chaque modèle passe une étape de backtesting par rapport aux données historiques sur lesquelles il n'a pas été formé. La période de backtest et la source de données sont documentées et mises à disposition avec le statut actuel du modèle.

Les questions non couvertes ici peuvent être adressées à notre équipe d'assistance via le page de contact. Les délais de réponse sont assurés pendant les heures ouvrables, du lundi au vendredi.

Examinez les données derrière chaque recommandation avant de vous décider

Créez un compte pour afficher les performances du modèle, les paramètres de risque et les résultats back-testés pertinents pour vos objectifs de revenus supplémentaires.

Démarrer l'analyse
Les données des comptes sont cryptées en transit et au repos et hébergées dans les centres de données de l'UE, conformément aux exigences du RGPD. Aucun trading automatique n'a lieu sans confirmation explicite de l'utilisateur.