Oak Fundix は、過去のリアルタイムの市場データを分析し、標準雇用以外で収入を得るギグ エコノミーの専門家向けにリスク調整された推奨事項を生成します。すべてのモデルは、導入前に複数の市場サイクルに対して検証されます。
ダッシュボードには、予測収益範囲、モデル信頼区間、各推奨事項のリスク スコアが表示され、新しいデータが処理されると更新されます。
ギグエコノミーの収入は週やプラットフォームによって異なります。シフトの合間に手動で市場データを確認すると、体系的な意思決定を行うための時間が限られます。
Oak Fundix は市場データを継続的に取り込み、過去のサイクルに基づいてトレーニングされた予測モデルを適用します。推奨事項は、定義されたリスク パラメータ内で生成され、手動レビューが可能になる前に提供されます。
内部プロセスのタイミングに基づいた、データの利用可能性から文書化された決定までの時間を比較した例。
各推奨事項は、予測モデル、リスク制約、および実行ウィンドウの出力であり、個別に適用されるのではなく、順番に適用されます。
統計モデルと機械学習モデルは、過去の価格、出来高、マクロ経済データに基づいてトレーニングされ、定義された期間内に予想される結果の範囲を推定します。
各推奨事項は、ユーザー定義のリスク許容度に従って設定されたポジションサイジングとエクスポージャー制限によってフィルタリングされ、資本が割り当てられる前に下値を制限します。
分析に使用される条件が決定時点の条件と一致するように、推奨事項にはライブ市場データに対してタイムスタンプが付けられます。
すべてのモデルは、固定された検証シーケンスに従います。以下の各段階を通過せずにライブ推奨に到達するモデルはありません。
過去の価格、出来高、マクロ経済データは、ボラティリティが高い期間を含む複数の市場サイクルにわたって集計されます。
予測モデルは、後で検証に使用されるデータから分離された、定義された履歴ウィンドウでトレーニングされます。
各モデルは、推奨事項がどのように実行されたかを測定するために、トレーニング中には見られなかった過去の期間に対して実行されます。
アウトプットには、ボラティリティ、ドローダウン、および既存の推奨ポジションとの相関関係に基づいてリスクスコアが割り当てられます。
デプロイされたモデルは継続的に監視され、パフォーマンスがバックテストされた予測と比較されます。
バックテストの結果は、モデルが履歴データに対してどのように実行されたかを説明します。将来のパフォーマンスを保証するものではありません。市場の状況は変化し、過去のパターンが繰り返されない可能性があります。 Oak Fundix は、モデルの現在のライブ ステータスとともに、各バックテストに使用された期間とデータ セットを公開します。
以下のシナリオは、ギグワークと副収入戦略のバランスを取るユーザーから頻繁に報告される状況を反映しています。
価格が急速に変動する期間中、Oak Fundix は新しいデータが到着するとリスク スコアと推奨ポジションを再計算し、センチメントだけに反応するのではなく、エクスポージャーを削減または調整するための文書化された根拠をユーザーに提供します。
Oak Fundix は、ギグ収入の固定部分を定期的に割り当てているユーザーに対して、長期モデルと、毎日の価格変動ではなく、定義された時間枠に合わせた定期的なリバランスの推奨事項を適用します。
ギグ収入は週ごとに変動するため、Oak Fundix は利用可能な資本に合わせて調整されたエクスポージャー制限を適用し、単一のポジションが追加資金の不均衡なシェアを表すことを防ぎます。
Oak Fundix は、定量的金融の背景がない個人でも、機関の研究デスクで使用されているのと同じクラスのデータ分析にアクセスできるようにするために開発されました。このプラットフォームはサポート データとともに推奨事項を提示するため、ユーザーはあらゆる決定をコントロールできます。
すべてのモデルはドイツ市場で期待されるデータ保護基準内で動作し、EU 内でホストされるインフラストラクチャと GDPR 要件に沿ったプロセスを備えています。
私たちのプロセスについて学ぶ
以前の取引経験は必要ありません。推奨事項には、基礎となるリスク スコアと予測される範囲が平易な言葉で含まれており、ユーザーはモデル出力が生成される前に独自のリスク許容度を設定します。
データは、GDPR に従って EU 内のインフラストラクチャ上で処理および保存されます。アカウントおよび財務データは、転送中も保存中も暗号化されます。
はい。 Oak Fundix はレビューのための推奨事項を提示します。実行の決定はすべての段階でユーザーに委ねられます。明示的な確認なしに自動的にポジションが取得されることはありません。
リスクスコアは、ボラティリティが高い期間にはより頻繁に再計算され、ユーザーが設定した事前定義のリスクパラメータに従ってポジションサイズの推奨が減らされます。
各モデルは、トレーニングに使用されていない履歴データに対するバックテスト段階を通過します。バックテスト期間とデータ ソースは文書化され、モデルのライブ ステータスとともに利用できるようになります。
アカウントを作成して、副収入目標に関連するモデルのパフォーマンス、リスク パラメーター、バックテスト結果を表示します。
分析を開始する