市场的变化以毫秒为单位。当其他人仍在收集数据时，我们的人工智能已经识别出模式。我们缩小了复杂的数据洪流和有利可图的决策之间的差距。
人类分析与注意力、疲劳和情绪有关。算法处理不会识别这些限制，并会在新数据出现时对其进行评估。
处理新市场数据时的相对响应时间，示意图。
Xetoont Bqrtont 将数据验证、统计模型和自动执行集成在一个平台中。用户跟踪当前处于活动状态的策略、该策略基于哪些关键数据以及仓位如何随着时间的推移而发展。
目标是为决策提供一个可理解的、技术上合理的基础——而不是一个只输出结果的黑匣子。
每个组件都涵盖决策过程的一部分，从数据收集到持续风险控制。
预测分析模型不断评估传入的市场数据并在新信息可用时更新预测。
头寸规模和止损标准会根据当前的波动性自动调整，以限制个别波动。
底层基础设施可以处理越来越多的仪器，而不会降低响应能力。
用户自动采用经过测试的顶级策略的位置，并且可以随时查看做出决策的数据依据。
从原始数据流到执行位置，每个决策都会经历四个明确定义的阶段。
全球金融流动的价格、交易量和新闻数据不断汇集在一起。
神经网络根据历史可靠性将相关模式与噪声和权重信号分开。
性能稳定的策略被执行并通过复制交易转移到关联账户。
投资组合会不断重新评估，以便根据不断变化的市场条件调整权重。
两个例子展示了自动化分析如何在兼职投资者的日常生活中发挥作用。
该平台不断检查投资组合中各个头寸之间的关联程度。具有相似风险行为的策略会被识别并相应减少，这样市场事件就不会同时朝同一方向移动多个头寸。
如果市场波动性显着增加，系统会减少受影响的头寸或暂时退出。无论用户当前是否在屏幕上，该规则都适用。
仓库和使用数据经过加密传输，并专门用于分析和执行所需的功能。它不会出于广告目的而传递给第三方。
使用统计预测模型和神经网络，根据历史和当前市场数据进行训练，并根据新数据定期检查。
连接通过与相应代理的安全接口进行。用户提前设置头寸规模和风险的极限值，在该极限值内自动执行工作。