01
实时数据分析
价格数据、交易量和订单深度被持续记录和标准化。模型更新只需几秒钟，具体取决于连接的数据提供商。
具有预测切入点的自动美元成本平均
TsugGlügernetz 实时处理市场和订单簿数据，并按结构化部分分配资本。每部分的权重遵循统计模型，而不是固定的日历间隔。
开始分析随时间变化的说明性信号分布
示意图，而非真实交易数据。
TsugGlügernetz 实时处理市场和订单簿数据，并按结构化部分分配资本。每部分的权重遵循统计模型，而不是固定的日历间隔。
开始分析经典的美元成本平均法以固定的时间间隔买入，无论市场波动性是减少还是增加。这平均降低了时间风险，但忽略了可用信息。
TsugGlügernetz 保留了分段的基本原理，但改变了它们的体积。波动率集群、订单深度和动量指标被纳入一个模型中，该模型在执行之前重新平衡每个计划的部分。
数据分析、建模和执行作为一个连贯的过程运行，而不是作为单独的工具。
价格数据、交易量和订单深度被持续记录和标准化。模型更新只需几秒钟，具体取决于连接的数据提供商。
统计模型估计短期价格变动的概率，并为下一批提供更有利的风险回报率标记时间窗口。
已发布的批次是根据规则执行的。无情绪执行意味着：不需人工调整，不因疑虑而拖延。
透明度不是通过参考产生的，而是通过过程的可追溯性产生的。
价格、交易量和订单深度被不断记录、调整并转换为统一的时间序列格式。
模型识别准备好的时间序列内反复出现的波动性和动量模式。
检测到的每个信号在发布之前都会根据现有头寸规模、投资组合敞口和当前市场宽度进行检查。
系统生成特定的批次推荐或根据存储的规则通过连接的 API 自动执行。
相同的信号逻辑可以应用于单个头寸或整个投资组合。
在波动增加的阶段，系统会减少每次执行的批次大小并增加执行频率。这可以更精细地分配进入风险，而不会改变计划的总体分配。当波动性下降时，逻辑就会恢复到标准分级。
来自各个头寸的信号被纳入整个投资组合的视图中。权重过高的集群会在下一次分配时自动放慢速度，而代表性不足的头寸在预先确定的上限内获得相对较高的权重。