Lodestone Vermode 是为学生和早期投资者设计的，他们在将资金分配给数字资产之前需要一个定量的起点。该平台不依赖情绪或社交媒体信号，而是通过预测模型处理历史市场数据，并以紧凑、可读的格式呈现结果分析。
每个输出都可以追溯到记录的过程：数据摄取、模型评分和历史回测。如果没有底层数据集，就不会生成任何内容，也不会提出任何建议作为保证。
该平台围绕三个技术支柱构建。每一项都涉及决策过程的不同部分，从原始市场数据到经过过滤、风险调整的建议。
价格、交易量和波动性数据以较短的时间间隔提取，并通过回溯测试期间使用的相同评分逻辑，因此实时输出与历史验证保持一致。
将信号与资产之间的历史相关性进行交叉检查，以减少先前在经济低迷时期一起移动的头寸的风险。
无论是审查单一资产还是多元化的观察列表，都适用相同的模型逻辑，从而无需对每个条目进行手动重新分析即可扩展推荐。
Lodestone Vermode 不会在不展示结论背后的步骤的情况下给出结论。相同的四阶段工作流程适用于接受审查的每项资产。
历史和实时价格数据、订单深度和波动性指标是从公开市场来源收集的，并标准化为通用格式。
标准化数据通过经过训练的模型传递，以识别历史上可衡量的价格变动之前的重复模式。
每个模型的输出都会根据其未训练的历史时期进行检查，以了解相同的信号在过去的表现如何。
只有通过回测审查的信号才会作为建议以及用于生成这些信号的风险参数出现。
加密资产价格可能在短期内大幅波动。该模型不是在损失后做出反应，而是根据类似设置的历史表现，在建议持仓之前设置风险参数。
| 参数 | 功能 | 基础 |
|---|---|---|
| 止损阈值 | 定义在将仓位标记为退出之前可容忍的最大不利变动 | 源自特定资产的历史波动性 |
| 进入置信度得分 | 评估当前条件与之前回测的有利设置的匹配程度 | 与历史模式结果的比较 |
| 头寸规模指导 | 建议分配资本的比例，并根据资产波动性进行调整 | 波动率加权计算，非固定百分比 |
| 相关滤波器 | 标记历史上一起移动的资产，减少集中暴露 | 跨资产历史相关数据 |
基本模型是相同的，但应用方式取决于所遵循的投资风格。
对于持有少量多元化资产的学生，该模型会定期重新评估整个投资组合的历史相关性和波动性。当两种持股开始以增加下行风险的方式共同趋势时，系统会标记重叠，以便可以考虑进行分配调整。
对于较短的观察窗口，该模型寻找历史上先于短期波动的成交量和价格行为的早期模式转变。这些信号在出现之前会根据回测档案进行评分，而不是对单个价格飙升做出反应。