大量数据只有在正确过滤后才有用。 Quantel GPT v7 同时在现货市场、衍生品和相邻资产集群中应用相同的建模逻辑，因此在发布建议之前，可以检查一对中出现的机会与其他机会的相关变动。
在支持的市场中并行扫描交易对
跨部门映射相关性，而不是孤立分析
无需人工干预或计划批次即可刷新 Feed
在向您提供建议之前消除统计噪音
识别模式并不等于知道如何处理它。以下步骤描述了如何将输出从广泛的市场数据缩小为具体的加权建议。
模型比较相关货币对的变动，以标记表面上看起来多样化但对相同潜在触发因素做出反应的暴露。异常现象是在投资组合的共同回撤出现之前而不是之后出现的。
一旦确认了某种模式，就会根据既定的风险承受能力和资本配置目标对其进行加权。输出是排名推荐（大小和范围根据个人头寸而定），而不是发送到每个账户的一揽子买入或卖出警报。
原始价格和交易量数据直接从受监控货币对的交易所级别提要中提取。
各个市场的数据都是标准化的，因此可以公平地比较具有不同流动性状况的货币对。
统计模型可以在标准图表上显示重复结构和跨对相关性之前识别它们。
对调查结果进行排名并转化为特定的建议，范围仅限于规定的风险状况。
市场数据直接源自交易所级别的数据源，并在进入模型之前经过交叉检查以确保一致性。提要中的间隙或不规则之处都会被标记出来，而不是默默地插入。
随着新数据的到来，建议会不断更新。市场变动和模型响应之间没有预定的批量延迟 - 对于专业级多样化，这被视为基线要求，而不是功能。
相同的摄取和建模管道在所有 500 多个受支持的交易对中运行，因此一个市场中的信号在出现之前始终会与其他地方的相关运动进行检查。
大多数用户不会整天看图表。该引擎是为了适应工作时间表而设计的，而不是与之竞争。
随着相关性的变化，重新平衡的建议是在后台生成的，因此分配决策会定期审查，而不是持续监控。
对于那些在设定窗口期间进行检查的人来说，引擎表面现在显示了 500 多对中的相关移动，而无需手动扫描每个图表。
当一组相关资产的敞口变得过于集中时，系统会对其进行标记，并建议抵消现有投资组合的头寸规模。