大多数投资组合工具仅限于报告。 Jessica Egan 的引擎摄取实时市场和运营数据，应用统计和机器学习模型来识别人类通常错过的模式，并将输出转换为简短的建议操作列表。您无需配置参数或调整模型 - 系统会自动处理该层。
实时摄取使分析保持最新状态，而不是依赖日终快照。当基础数据超出预设阈值时，自动重新平衡会调整权重，而无需您登录并手动操作。
设置故意很短。节省的大部分时间来自于删除其他平台仍然需要的手动步骤——手动连接源、选择模型参数或自己解释原始输出。
一次性链接经纪账户、市场动态或内部业务数据。系统会自动映射字段，因此在开始分析之前无需手动标记或格式化。
多变量模型可以在几秒钟（而不是几小时）内评估整个数据集的相关性、波动性和历史回撤模式。
您会收到一份可供决策的摘要，其中包含建议的分配或行动，每项都具有规定的置信度，以便您可以接受、调整或拒绝。
被动并不意味着不受监控。 Jessica Egan 应用既定的定量技术在暴露成为问题之前对其进行标记，并记录提出给定建议的原因，以便您永远不会隐藏其推理。
每项建议都带有风险评分和预期回报，因此在没有相应的下行背景的情况下，永远不会呈现上行趋势。
识别价格波动往往集中在一起的时期，帮助模型预测动荡，而不是事后做出反应。
设置动态阈值，当头寸下降超过其资产类别的历史标准时，触发审查或重新平衡。
跟踪资产如何相对于彼此移动，减少投资组合中无意集中的可能性。
在呈现之前根据历史压力时期运行建议的分配，因此输出反映的不仅仅是单一市场体制。
相同的底层引擎根据所提供的数据和您要优化的结果来适应不同的目标。
连接经纪或交易账户并接收重新平衡建议，旨在提高相对于您当前配置的风险调整回报。
输入销售、库存或成本数据以显示预测模式，在问题出现之前支持人员配置、库存水平或定价决策。
将公开市场评论和新闻流汇总成情绪评分，将价格变动与定量模型结合起来。
Jessica Egan 的构建前提是机构级分析不需要机构规模的团队。该平台将以前仅限于专家办公桌的统计和机器学习方法整合到一个不到一分钟的设置过程中。
我们并不声称这些模型可以完全消除风险——没有任何分析可以做到这一点。他们所做的就是使权衡变得可见、一致，并且基于数据而不是直觉，因此您的决策背后有记录的理由。
Jessica Egan 不是单一的不透明算法。它是已建立的统计方法的集合，每种方法都针对分析的特定部分而选择，并且每种方法都可以用简单的术语进行解释。
市场数据取自许可的价格和交易量。当您连接经纪或业务系统时，数据是通过安全的只读访问直接从该账户读取的——该平台永远不会获得转移资金或更改您的记录的权限。
每个数据源都带有时间戳并记录，因此任何建议都可以追溯到生成它的输入。
回归分析衡量一个变量（例如利率）与另一个变量（例如某个部门的回报）的变动程度，从而产生我们可以量化和测试的统计关系。
神经网络用于跨较大、线性度较低的数据集进行模式识别，例如，发现简单相关表中不会显示的波动模式。这两种方法在用于实时推荐之前都会根据历史数据进行验证。
每个模型都会针对其未经训练的历史时期进行回溯测试，以检查其逻辑是否适用于其最初学习的数据之外。在测试过程中表现不佳的定义基准的模型不会被提升为实时推荐。
与外部帐户的连接使用加密的只读协议。传输中的数据是加密的，并且帐户凭据永远不会以纯文本形式存储。对您帐户数据的访问仅限于运行您所请求的分析所需的数据。