人工智能驱动的决策支持
为从零经验而非零野心开始的投资者提供预测数据分析
Vong Phuthinh 实时获取市场数据并将其转换为经过风险调整的建议，专为以前从未使用过专业交易终端的人们而构建。
没有最低限度开立账户需要存款
实时数据摄取和模型更新
透明每条建议背后的逻辑
人工智能驱动的决策支持
Vong Phuthinh 实时获取市场数据并将其转换为经过风险调整的建议，专为以前从未使用过专业交易终端的人们而构建。
进入壁垒
机构投资者依靠数据终端、分析师团队和专有模型来解读市场走势。这些工具是准确的，但它们的定价和设计是为了管理大型投资组合的公司，而不是测试第一个投资策略的个人。
Vong Phuthinh 的构建是为了在不削弱严谨性的情况下缩小这一差距。该平台将相同类别的统计模型应用于公开的和许可的市场数据，然后以不需要金融学位来解释的语言呈现输出。
许多平台设定存款门槛来证明其基础设施成本的合理性。 Vong Phuthinh 将账户规模与模型访问分开：无论账户持有少量用于学习的资金，还是致力于持续策略的较大资金，预测引擎都会运行相同的过程。
这很重要，因为风险调整后的回报是比例的函数，而不是绝对资本的函数。合理的分配决策在任何规模下都同样有效，平台的定价和结构也反映了这一点。
开立账户并接收第一组模型生成的建议的最低存款额。
方法论
透明度被视为一项特征，而不是披露要求。您可以在您的帐户中看到以下每个步骤以及所使用的数据源。
该系统连续提取价格、交易量和相关宏观经济指标，为每个输入添加时间戳，以便您可以看到数据的最新更新时间。
使用经过训练的统计模型将历史模式与当前条件进行比较，以标记相关性（而不是因果关系），并为每个场景分配置信区间。
根据您提供的风险概况和时间范围对输出进行过滤，然后提供支持数据点，以便可以检查推理，而不仅仅是信任。
我们的方法
Vong Phuthinh 的开发前提是，人工智能推荐只有在人们能够理解其提出原因时才有用。每个模型输出都与其背后的数据和假设配对，因此您仍可以做出决定。
工程优先事项始终是数据完整性：验证来源、标记差距以及在置信度太低而无法采取行动时拒绝提出建议。
应用领域
首次投资者可以在资金变动之前使用 Vong Phuthinh 根据历史波动模式测试配置。该模型标记了特定资产类别历史上显示出较高回撤风险的时期，从而在建立信心时允许更保守的入场点或更小的初始头寸。
考虑再投资的小企业主可以使用相同的引擎根据部门级需求信号分析现金流数据。产出不是单一的增长数字，而是呈现了一系列与所使用的假设相关的合理结果，支持更合理的内部决策。
Transparency and risk
账户数据和交易活动在传输和静态时都经过加密保存。对个人数据的访问仅限于帐户管理和监管报告所需的系统，并且该平台不会将个人数据出售给第三方。
该模型根据历史和实时数据生成概率加权场景；它不产生保证。每个建议旁边都会显示置信区间，以便您可以判断给定输出的权重有多大，并且如果没有支持数据，则不会提出任何建议。
开设账户或接收模型生成的建议没有最低存款要求。费用结构在账户设置时披露，并且不会根据账户规模而变化，从而惩罚较小的余额。
帐户设置需要几分钟时间。您可以使用任何存款规模探索模型的输出，包括您愿意测试的最小金额。