任何在办公室外进行投资或制定战略决策的人都面临着大量信息，这些信息的增长速度快于手工处理的速度。新闻、指标和价格变动没有等级制度，对每种变化做出反应的诱惑最终会导致比最初风险更高的成本。
Soma Fernatio 从不同的前提开始：通过预测分析模型将信号与噪声分离，这样决策就不再取决于决策者的情绪，而是取决于长期持续的标准。
这不是一个固定的限制，加载一次就忘记了。它是一个持续的监控层，随着资产或投资组合的实际情况变化而调整退出点。
该模型在风险的微观模式（交易量变化、异常相关性、波动性加速）充分反映在价格中之前就对其进行了识别。从那里，它计算动态输出阈值而不是静态输出阈值。
每次数据更新时都会重新计算输出算法，因此保护点会随着上下文而变化，并且在面对变化的市场时不会过时。
该过程是线性且可验证的：原始数据通过四个阶段转化为具体的建议，所有阶段都是实时执行的。
与相关投资组合相关的一系列价格、交易量、结构性新闻和宏观经济变量都被纳入其中。
机器学习模型可以识别可比较的历史模式并估计可能的短期和中期情景。
系统将这些场景与用户定义的风险承受参数进行交叉，并重新计算保护阈值。
明确的建议（保留、调整或退出）及其背后的数据逻辑一起提供，为人类决策做好准备。
一位在不同时区管理其投资组合的专业人士需要系统正常工作，而他无法监控市场。智能止损在手动分析未预见到的宏观经济事件引发的价格下跌前数小时调整了集中头寸的退出阈值，从而在无需立即干预的情况下限制了风险敞口。
对于那些考虑将新资产纳入其策略的人来说，预测建模模块会将工具的历史行为与当前市场状况进行对比，提供一个平衡回报机会与投资者接受的风险水平的切入点。
在具有多个相关头寸的投资组合中，系统会标记风险集中度，而这些风险集中度从表面分析来看并不总是显而易见，从而允许在相关性转化为共同损失之前进行重新平衡。
Soma Fernatio 专为远程管理投资并寻求额外一层风险管理的专业人士而设计，无需取代他们的判断，而是用数据支持其判断。让我们谈谈它将如何应用于您当前的投资组合。
安排对话