技术基础基于三个连续步骤：收集、风险加权、然后发出信号。每个步骤都有记录，以便您了解逻辑，而不仅仅是结果。
价格信息、交易量、订单深度和链上指标通过多个平台收集并持续标准化。
概率模型估计短期和中期的回报分布，将结构性变动与不稳定的变化分开。
仅当预期回报/估计波动率超过预先设定的阈值时，系统才会发出机会信号。
| 组件 | 规格 | 频率 |
|---|---|---|
| 市场来源 | 聚合订单簿、多平台 | 继续 |
| 处理延迟 | 矢量化计算管道 | 约400毫秒 |
| 回测窗口 | 2018-2024 年历史数据 | 6年 |
| 模型回顾 | 对新数据进行再训练 | 每周 |
Sévélune 不做出绝对的预测。平台还原概率、置信区间和风险情景，由您根据您的视野和承受能力来决定。
每项建议都附有其性能历史记录和已知限制，因此决策始终是知情的而不是委托的。
了解有关 Sévélune 的更多信息下图来自基于过去数据的模拟。历史表现并不能保证未来的结果，特别是在像加密资产这样波动的市场中。
2018 年至 2024 年期间根据模型信号每月重新平衡的模拟投资组合。
| 策略（回测） | 年化回报 | 最大回撤 | 夏普 |
|---|---|---|---|
| 被动投资组合（参考） | 31.2% | −42.7% | 0.71 |
| 型号 Sévélune — 保守轮廓 | 19.8% | −11.4% | 1.58 |
| 型号 Sévélune — 平衡轮廓 | 27.5% | −18.3% | 1.42 |
上述数据来自回顾性模拟（回测），并不构成对未来业绩的保证。加密资产市场仍然面临资本损失的风险，包括在受控风险的情况下。
每个模块都回答一个特定的操作问题：何时采取行动、如何分配资本以及可接受的最大损失。
一旦跟踪的资产超过模型定义的统计阈值，就会发出通知，并具有与每个信号相关的置信水平。
根据资产与预估波动率的相关性计算资金配置，实时优化整体敞口。
根据您当前的配置测试不利的市场情况，并估计给定范围内的最大可能损失。
Sévélune 是为那些在学习的同时发现市场分析且启动资金通常有限的受众而设计的。
Sévélune 没有规定查阅模块和历史信号的最低资本。订单执行费用取决于用户选择的交易平台。
目标仍然是教育性和可操作性的：在实际应用决策之前了解决策的机制。
为什么选择Sévélune直接解答数据源、延迟和资本保护逻辑。
流量来自中心化交易所订单簿和公共链上指标。查看信号不需要个人交易数据。
从采集到信号生成的整个处理过程大约需要 400 毫秒。这种延迟并不能消除高波动性市场的执行风险。
不会。该系统旨在减少历史上不利模式的风险，但不能消除加密资产固有的损失风险。回测中观察到的最大回撤仍然是一个回顾性指标。
显示的结果来自对历史数据的模拟。市场条件发生变化，在一个时期表现良好的模型在另一个时期可能表现不佳。
不是，但综合教育模块旨在在使用风险模拟工具之前填补缺失的概念。