Lodestone Vermode applique des stratégies d'IA back-testées pour identifier les points d'entrée à faible risque dans les classes d'actifs numériques, offrant ainsi aux étudiants une base historique et structurée pour l'évaluation avant qu'un poste ne soit envisagé.
Lodestone Vermode a été conçu pour les étudiants et les premiers investisseurs qui souhaitent un point de départ quantitatif avant d'allouer du capital aux actifs numériques. Au lieu de s'appuyer sur les sentiments ou les signaux des médias sociaux, la plateforme traite les données historiques du marché via des modèles prédictifs et présente l'analyse qui en résulte dans un format compact et lisible.
Chaque sortie remonte à un processus documenté : ingestion de données, notation du modèle et backtesting historique. Rien n'est généré sans un ensemble de données sous-jacent et aucune recommandation n'est formulée comme une garantie.
La plateforme est construite autour de trois piliers techniques. Chacun aborde une partie distincte du processus de décision, des données brutes du marché à une recommandation filtrée et ajustée en fonction du risque.
Les données sur les prix, les volumes et la volatilité sont extraites à intervalles rapprochés et transmises via la même logique de notation utilisée lors des backtests, de sorte que les résultats en direct restent cohérents avec la validation historique.
Les signaux sont recoupés par rapport à la corrélation historique entre les actifs afin de réduire l'exposition aux positions qui ont précédemment évolué ensemble lors des ralentissements.
La même logique de modèle s'applique qu'il s'agisse de l'examen d'un seul actif ou d'une liste de surveillance diversifiée, permettant aux recommandations d'évoluer sans réanalyse manuelle pour chaque entrée.
Lodestone Vermode ne présente pas de conclusions sans montrer les étapes qui les sous-tendent. Le même flux de travail en quatre étapes s'applique à chaque actif examiné.
Les données de prix historiques et en direct, la profondeur du carnet de commandes et les mesures de volatilité sont collectées à partir de sources du marché public et normalisées dans un format commun.
Les données normalisées sont transmises à des modèles entraînés pour identifier des modèles récurrents qui ont historiquement précédé un mouvement de prix mesurable.
Chaque sortie du modèle est comparée à des périodes historiques sur lesquelles elle n'a pas été entraînée, pour voir comment le même signal aurait fonctionné dans le passé.
Seuls les signaux qui réussissent l’examen des backtests sont présentés sous forme de recommandations, ainsi que les paramètres de risque utilisés pour les générer.
Les prix des actifs cryptographiques peuvent fluctuer fortement sur de courtes périodes. Plutôt que de réagir après une perte, le modèle définit des paramètres de risque avant qu'une position ne soit suggérée, en fonction du comportement historique de configurations similaires.
| Paramètre | Fonction | Base |
|---|---|---|
| Seuil stop-loss | Définit le mouvement défavorable maximum toléré avant qu'une position ne soit signalée pour la sortie. | Dérivé de la volatilité historique de l’actif spécifique |
| Score de confiance à l’entrée | Évalue dans quelle mesure les conditions actuelles correspondent aux configurations favorables précédemment testées | Comparaison avec les résultats des modèles historiques |
| Conseils sur la taille des postes | Suggère une proportion du capital alloué, ajustée en fonction de la volatilité des actifs | Calcul pondéré par la volatilité, pourcentages non fixes |
| Filtre de corrélation | Signale les actifs qui ont historiquement évolué ensemble, réduisant ainsi l'exposition concentrée | Données de corrélation historique entre actifs |
Les modèles sous-jacents sont les mêmes, mais la manière dont ils sont appliqués dépend du style d’investissement suivi.
Pour les étudiants détenant un ensemble restreint et diversifié d’actifs, le modèle réévalue périodiquement la corrélation historique et la volatilité de l’ensemble du portefeuille. Lorsque deux titres commencent à évoluer ensemble d'une manière qui augmente l'exposition à la baisse, le système signale le chevauchement afin qu'un ajustement d'allocation puisse être envisagé.
Pour des fenêtres d’observation plus courtes, le modèle recherche les changements précoces de comportement en matière de volume et de prix qui ont historiquement précédé les mouvements à court terme. Ces signaux sont évalués par rapport aux archives de backtesting avant d’être révélés, plutôt que de réagir à une seule hausse des prix.
Chaque recommandation sur Lodestone Vermode est fondée sur des performances historiques backtestées et associée à des paramètres de risque définis, vous offrant ainsi une base structurée pour une entrée à faible risque avant d'engager du capital.
Créer un compte