传统的投资组合模型通常是围绕固定的再平衡间隔构建的，例如每月或每季度的审查，以及从一开始就分配的单一风险状况。数字资产市场的运行周期要短得多。价格错位、流动性变化和相关性崩溃可能会在数小时内发生，远远早于预定的审查记录它们。
静态模型不会因为逻辑错误而失败；它会失败，因为在做出决定时，其校准所依据的输入已经发生了变化。 Fuertin Inversama 通过将风险承受能力和市场条件视为不断重新评估的变量，而不是在加入时就固定的参数来解决这个问题。
每次新的市场数据到达时，系统都会遵循一个定义的顺序，而不是单一的黑盒决策。这可以保持流程的可审计性，并让客户了解为什么会发生重新分配。
三个组件一起运作：一个观察市场，一个观察客户，一个将两者协调成分配决策。
持续获取订单簿深度、波动性指数和跨资产相关数据，并滚动更新，而不是按固定报告间隔更新。
使用在入职时收集并随着时间的推移进行调整的行为输入，跟踪当前投资组合风险与客户声明的风险承受能力的匹配程度，并在其变得重要之前标记漂移。
短期预测模型用于估计近期价格变动的概率分布，为分配决策提供信息，但不要求结果具有确定性。
对决策方式的结构比较，而不是对未来回报的预测。
| 工作特点 | 传统策略 | 人工智能管理分配 |
|---|---|---|
| 重新平衡频率 | 固定间隔（例如每月） | 持续、事件驱动 |
| 风险评估依据 | 入职时设置的静态配置文件 | 动态的，根据新数据重新评估 |
| 对波动性峰值的反应 | 推迟到下一个审核周期 | 在监测周期内进行评估 |
| 需要人工干预 | 每次重新平衡决策时 | 仅在阈值例外情况下 |
| 报告粒度 | 定期总结报表 | 持续审核日志 |
方法说明：上图描述了流程设计和报告节奏的结构差异。它们并不代表历史或预计的投资业绩，过去的结构效率并不代表未来的回报。
三个阶段，初始设置完成后连续重复。
您完成结构化风险调查问卷并连接相关的投资组合数据。这形成了初始基线，而不是永久设置。
暴露限额、可接受的回撤范围和流动性限制均已明确定义，并且随时可见和可编辑。
在商定的参数范围内，系统会随着条件的变化调整分配，并记录每次调整的触发数据。
直接回答，并在保障措施旁边注明限制。
投资组合和账户数据在传输过程中和静态时均进行加密。对客户端级数据的访问受到基于角色的限制，并且所有访问事件都会被记录以用于审计目的。
模型漂移是任何预测系统的已知局限性。预测输出是根据已实现的结果滚动监控的，超出定义容差的偏差会触发模型审查，而不是默默地吸收到未来的决策中。
是的。高于规定风险阈值的分配决策需要在执行前进行审查。常规的阈值内调整会自动进行，但会完整记录以供以后审核。
风险范围、回撤限额和流动性限制可以随时修改。更改从下一个计划的评估周期开始生效，而不是追溯。
重新分配逻辑在预设的流动性限制内运行，这限制了无法在客户定义的时间范围内退出的资产的风险。这会减少但并不能消除市场极端压力期间的流动性风险。