Az Kmgymqueen elemzi az élő piaci adatokat a méretre, elhelyezi és újrakalibrálja a stop-loss szinteket, mielőtt a volatilitás veszteséggé alakulna. Olyan kereskedők számára készült, akik a kockázatot kezelendő paraméterként kezelik, nem pedig elviselendő érzésként.
Renderelt nézet: a volatilitási felület átfedve az élő ajánlati könyv mélységére, tickenként frissítve a figyelt eszközökön.
A kézi veszteség-stop-kezelés attól függ, hogy a kereskedő észreveszi, dönt és cselekszik egy olyan ablakon belül, amelyet a piacok ritkán biztosítanak. Nyomás hatására ez az ablak tovább szűkül: a pozíciókat az érvénytelenítési pontjukon túl tartják, vagy túl korán zárják be a zajra, mint a jelzésre.
Az eredmény aszimmetrikus eredmény. A fejtetőt a habozás fedi le; hátrányát ugyanaz a habozás kiterjeszti. Az Kmgymqueen úgy készült, hogy eltávolítsa ezt a késést a döntési láncból anélkül, hogy a kereskedő irányítást megvonná a stratégia felett.
Az emberi reakció másodperceiben mérve – a piacok ezredmásodpercekben átárazódnak
A nyitott pozíciók közötti korrelált kitettségeket folyamatosan értékeljük. Ahol a fedezeti ügylet az eredeti tézis torzítása nélkül csökkenti a nettó portfóliókockázatot, azt a számla konfigurált jogosultsági szintjének megfelelően javasoljuk vagy hajtják végre.
A megbízás végrehajtását a jelenlegi és a közelmúltbeli likviditási feltételekkel szimulálják a benyújtás előtt, így a stop és limit szintek inkább reális töltési árakat tükröznek, mint elméletieket.
A megbízási könyv mélységét és a szórási viselkedést műszerenként követi nyomon, és módosítja a stop elhelyezését, hogy elkerülje a vékony likviditású zónákat, amelyek egyébként túlzásba vonnák a lehívást a kilépéskor.
Az intelligens stop-loss rendszer diszkrét, auditálható lépések sorozataként működik, nem pedig egyetlen statikus küszöbértékként. Minden lépés leszűkíti az elfogadható eredmények körét, mielőtt a pozíció további kockázatnak lenne kitéve.
Az egyes szakaszok egymástól függetlenül működnek, így az egyik rétegben lévő késés vagy anomália nem terjed át csendben a rendelésfelvételbe – a rendszer inkább megtartja a pozícióját, mintsem a hiányos adatokra reagál.
Az Kmgymqueen nem támaszkodik összeválogatott sikertörténetekre. A platform értéke azon múlik, hogy modelljeit hogyan képezik ki és irányítják, és ezt inkább egyértelműen kijelentjük, mintsem, hogy a teljesítményt az ajánlásokon keresztül sugalljuk.
A prediktív modelleket az adott számla kereskedési helyszíneinek történeti és streaming piaci adataira képezik, amelyeket gördülő alapon kalibrálnak újra, nem pedig statikusan. Egyetlen modell sem jelenik meg tévedhetetlenként: minden automatizált művelet ellenőrizhető marad, és minden küszöbértéket a számlatulajdonos módosíthat.
A rendszer rétegekre épül: egy adatfeldolgozási réteg normalizálja a hírcsatornákat a helyszínek között; egy pontozási réteg volatilitási és likviditási modelleket alkalmaz eszközenként; és egy végrehajtási réteg a pontozási kimenetet megbízási utasításokká fordítja le, a számla saját kockázati korlátaihoz kötve.
Minden réteg úgy van megtervezve, hogy meghiúsuljon. Ha a pontozási réteg nem tud magabiztos kimenetet produkálni, akkor a végrehajtási réteg nem az alapértelmezett feltételezés alapján cselekszik – megőrzi a meglévő pozíciót, és megjelöli a rést felülvizsgálatra.
Az Kmgymqueen-hez való hozzáférést alkalmazásonként biztosítják, nem pedig nyilvános piacra. Ez lehetővé teszi az egyes fiókok kockázati paramétereinek szándékos beállítását, nem pedig alapértelmezett.
Kérjen hozzáféréstAz Egyesült Királyság adatvédelmi törvényei szerint kezelt adatok. A pályázatokat egyenként bírálják el; felülvizsgálat nélkül nem születik automatizált felvételi döntés.