Lumiant Quant 专为那些希望用可靠的统计模型来面对市场直觉而不是替代它们的投资者而设计。每项建议均基于可追溯的历史数据和明确的风险参数。
我们并不是要让你的判断自动化，而是要装备它。我们的模型产生的信号伴随着它们背后的假设，因此您可以评估它们与您自己的策略的相关性。
在向您呈现信号之前，它会经历一个定义的、可重复的和记录的过程。没有任何步骤是由算法自行决定的。
市场流量、交易量和宏观经济指标不断收集和标准化，以便资产之间的比较处于一致的基础上。
这些模型识别不同历史窗口的统计规律，然后估计这些模式在可比较的市场条件下重复的可能性。
每项建议均根据波动性和相关性约束进行加权，以限制对单一场景的过度暴露。
三个互补的砖块，旨在集成到现有的决策流程中，而不是取代它。
日内波动使得固定分析变得过时。我们的信息源不断更新，因此您的决定基于市场的真实状况，而不是基于几小时前的照片。
每个策略在应用之前可能会经历几个历史市场周期。此步骤有助于确定方法往往表现不佳的条件。
回撤阈值和头寸之间的相关性限制是在上游定义的，因此性能优化永远不会损害不受控制的风险。
我们不依赖推荐，而是发布我们的模型在定义的历史时期的表现。
典型策略在多年回测期间的累积绩效曲线（扣除费用和执行滑点）。
下面的指标总结了代表性策略在所考虑的回溯测试范围内的行为。它们是根据历史数据计算的，不保证将来能够重现相同的结果。
所呈现的性能来自对历史数据的回测。它们既不构成对未来业绩的保证，也不构成对未来业绩的预测。实际结果取决于市场状况、适用费用和执行质量。
我们的工具旨在适应已经结构化的决策流程，而不是用黑匣子取代它们。
访问建模方法通常为专业办公桌保留，并有足够的文档来证明每个假设的合理性。
将我们的信号集成到您自己的执行规则的上游，以丰富现有的系统，而不是完全替换它。
识别资产类别之间不明确的相关性，以限制无意中集中于同一风险因素。
