Foldyield Ratings verarbeitet Auftragsbuch- und Stimmungsdaten, um alle paar Sekunden Rangfolge-Handelssignale zu erzeugen. Sofortige Auszahlungen gelten jederzeit – Kapital unterliegt niemals einer Sperrfrist.
Jede Säule der Plattform befasst sich mit einem bestimmten Fehlerpunkt im diskretionären Handel: langsame Daten, inkonsistente Risikoeinschätzung und verzögerte Ausführung.
Markt-Feeds, Orderbuchtiefe und Nachrichtenstimmung werden kontinuierlich erfasst und in einem einzigen Datenstrom normalisiert, wobei die Verarbeitungslatenz in Millisekunden statt in Sekunden gemessen wird.
Modelle schätzen die Volatilitätshäufigkeit und die Verlustwahrscheinlichkeit für jede Position, bevor Kapital zugewiesen wird, anstatt auf Verluste zu reagieren, nachdem diese eingetreten sind.
Signale, die die Konfidenzschwelle überschreiten, werden direkt zur Ausführung weitergeleitet, wodurch die Verzögerung zwischen Analyse und Auftragserteilung entfällt, die sich auf den manuellen Handel auswirkt.
Die meisten automatisierten Handelsplattformen verlangen, dass Gelder einer Kündigungsfrist unterliegen, die oft zwischen sieben und dreißig Tagen liegt, bevor Auszahlungsanträge bearbeitet werden. Diese Vereinbarung schützt das Liquiditätsmanagement der Plattform, nicht das des Händlers.
Foldyield Ratings trennt die Kontoliquidität vom Positionsmanagement. Die KI-Engine kann Positionen kontinuierlich halten, anpassen oder schließen, während das Kontokapital jederzeit abhebbar bleibt, ohne dass eine Mindesthaltedauer an eine Abhebungsanfrage geknüpft ist.
Jedes Signal ist der Ausgang einer dreistufigen Pipeline. Der Prozess ist so konzipiert, dass er bei jedem Schritt überprüfbar ist und nicht nur eine einzelne, undurchsichtige Ausgabe.
Preisdaten auf Tick-Ebene, Orderbuchtiefe und Makroankündigungen werden über mehrere Handelsplätze hinweg gesammelt und zum Vergleich mit einem Zeitstempel auf einer gemeinsamen Uhr versehen.
Modelle in natürlicher Sprache bewerten Nachrichten und soziale Stimmungen, die dann mit Volatilitätsclustermustern verglichen werden, um Perioden mit erhöhtem Risiko zu kennzeichnen.
Ein Ranking-Modell gewichtet nichtlineare Korrelationen zwischen Instrumenten, um einen einzigen Konfidenzwert zu erstellen, der bestimmt, ob ein Signal ausgeführt, verkleinert oder verworfen wird.
Foldyield Ratings wurde unter der Prämisse entwickelt, dass ein Handelssignal nur dann nützlich ist, wenn seine Eingaben überprüft werden können. Die Schnittstelle zeigt den Konfidenzwert, die beitragenden Faktoren und die historische Genauigkeit jedes Modells an, sodass ein Händler entscheiden kann, wie viel Gewicht er einer einzelnen Empfehlung geben möchte.
Die zugrunde liegenden Modelle werden nach einem festgelegten Zeitplan neu trainiert, sobald neue Marktdaten eintreffen, und bleiben nach der ersten Bereitstellung nicht statisch.
Intraday-Händler verwenden Signale mit Vertrauensrang, um Einstiege in Zeitfenstern mit hoher Liquidität zu priorisieren, was den effektiven Spread für sich schnell bewegende Instrumente verringert.
Risikoabteilungen wenden die prädiktiven Drawdown-Schätzungen als zusätzlichen Input zu bestehenden Positionslimits an und tragen so dazu bei, den Drawdown bei korrelierten Engagements zu reduzieren, bevor die Volatilität ansteigt.
Diskretionäre Anleger nutzen die nichtlineare Korrelationsausgabe, um fragmentierte Alpha-Taschen über Anlageklassen hinweg zu identifizieren, die Standard-Kovarianzmodellen tendenziell übersehen.
Kontokapital und offene KI-verwaltete Positionen werden separat erfasst. Eine Auszahlungsanforderung bezieht sich nur auf nicht zugewiesenes oder abgerechnetes Kapital, was es der Plattform ermöglicht, Anfragen kontinuierlich rund um die Uhr zu bearbeiten, ohne auf ein festes Abwicklungsfenster warten zu müssen.
Kernmodelle werden in einem geplanten Zyklus anhand aktueller Marktdaten neu trainiert, wobei eine zusätzliche Neuschulung ausgelöst wird, wenn die Modellgenauigkeit unter einen definierten Schwellenwert sinkt. Dadurch bleibt die Signal-Engine an den aktuellen Volatilitätsbedingungen ausgerichtet, anstatt sich auf einen einzigen historischen Trainingssatz zu verlassen.
Der Kontozugriff ist durch eine verschlüsselte Authentifizierung geschützt und Geldbewegungen müssen vor der Verarbeitung überprüft werden. Die Infrastruktur ist segmentiert, sodass Datenanalysesysteme keinen direkten Schreibzugriff auf die Aufzeichnungen der Depotfonds haben.