远程专业人士和独立投资者现在可以获得比以往更多的市场数据，但仅凭交易量并不能提高判断力。通过新闻源、论坛和原始价格图表传输的大部分内容都是噪音而不是信号，手动区分两者既耗时又不一致。
Droneflyers 的构建是为了直接解决这一差距：摄取大型数据集，应用经过测试的模型，并仅显示具有统计相关性的模式。
每个输出在到达用户之前都会经过四个不同的阶段。未通过前述风险检查的，不跳过任何阶段，不发布建议。
不断收集定价源、交易量数据和相关宏观指标，并将其标准化为一致的建模结构。
根据历史模式训练的机器学习模型可识别统计上显着的关系，而不是短期相关性。
每个候选信号在被认为可行之前都会根据波动性、相关性暴露和回撤敏感性进行加权。
建议是在置信背景下提出的，将最终的战略决策留给用户而不是模型。
这些功能描述了 Droneflyers 背后的技术机制，而不是关于人工智能的一般声明。
传入的市场数据在到达时进行处理，使模型对状况的看法保持最新状态，而不是依赖于延迟的快照。
每个策略模块在部署前都会根据历史数据进行测试，因此性能预期基于先前的市场行为而不是假设。
风险是从多个维度同时评估的，包括波动性、相关性和流动性，而不是单一的总分。
根据定义周期内的新数据重新评估模型，并在市场状况发生重大变化时调整内部权重。
远程工作人员和独立投资者很少能够访问机构部门使用的建模基础设施。 Droneflyers 为单用户平台带来了类似的分析过程，无需研究团队。
适合在全职远程工作的同时管理自己的资本、手动研究时间有限的个人。
该平台不会发出孤立的买入或卖出信号，而是考虑建议如何与现有头寸集相互作用，并考虑集中度和相关风险。
与持有多个头寸、需要了解总体风险而不仅仅是个别交易的用户相关。
该模型标记与既定历史模式的偏差以供进一步审查，而不是假设每个异常都代表一个机会。
对于希望尽早了解异常情况并将采取行动的判断留给用户的战略家来说非常有用。
Droneflyers 不依赖客户报价，而是公开其验证过程的结构，以便用户可以自行评估推理。
模型输出使用前向验证根据定义的样本外周期进行基准测试，因此性能是根据模型之前未见过的数据来衡量的。
回测在多个历史市场状况下进行，包括波动性较高的时期，以避免过度拟合单一市场条件。
输入数据在用于模型训练之前会检查是否存在差距、重复和生存偏差，并排除而不是估计不一致的记录。
Droneflyers 适用于希望在依赖底层逻辑之前对其进行评估的用户。访问权限授予那些准备好参与该方法而不仅仅是输出的个人。
访问分析请求访问后，在需要任何订阅承诺之前，您将获得模型方法和风险框架的结构化概述。