加密货币的价格走势充满了短期信号，这些信号几乎没有统计权重。新投资者常常将这种噪音误认为是有意义的趋势，然后根据情绪偏见而不是证据采取行动——在上涨时买入，并在下跌时出于恐惧而退出。
Dogmargin 是围绕一个简单的约束构建的：除非基础模式经过多个历史市场周期的测试，否则不建议建仓。我们用之前已经见过该场景的模型或统计上接近该场景的模型来取代反应本能。
Dogmargin 是为那些想要分析性地了解加密货币市场而不是赌博的学生而设计的。我们的模型根据英国和全球历史周期进行训练，然后在任何策略到达真实账户之前通过分阶段流程进行验证。
我们发布我们的方法而不是推荐，因为透明的过程对学生受众来说比没有可验证数据的成功故事更有用。
该平台持续获取价格、交易量和链上数据，然后通过经过训练的模型来运行这些数据，以检测波动性和相关性的统计显着变化。当检测到变化时，曝光会自动调整，而不是自行决定。
这不是信号服务。这是一个分层系统，其中每项建议都带有记录的成功概率，源自历史上类似情况的解决方式。
我们不是寻求信任，而是展示策略在部署之前必须经过的阶段。每个模型都经过英国和全球市场周期的训练和测试，这些周期可以追溯到多个牛市和熊市阶段，而不是单个有利时期。
价格、交易量和流动性数据来自多个交易所，并进行协调以保持一致性。
原始数据被转换为统计相关变量，例如波动率集群和相关性变化。
策略根据历史周期运行，以衡量回撤、赢率和风险调整回报。
经过验证的模型在没有真实资本的情况下根据实时市场数据进行交易，从而确认了历史条件之外的行为。
只有通过所有先前阶段的模型才可用于真实的分数头寸。
职位的规模可以是少量的，因此可以在不投入大量学生预算的情况下研究和测试策略。风险参数在开仓之前可见，而不是之后。
每项建议都附有其背后的推理——相关性、波动性衡量标准或历史先例。这是为了培养金融知识，而不是取代用户自己的判断。
手动监控讲座时间表的波动性是不切实际的。该系统连续跟踪条件并在预定义的限制内调整曝光，从而减少了持续人工关注的需要。
市场数据来源于已建立的交易所 API 和涵盖英国和全球主要交易场所的汇总价格源。链上数据来自公共区块链记录。所有数据在用于模型训练之前都会经过协调。
没有经过回溯测试的模型能够准确预测前所未有的事件。相反，系统使用回撤阈值，一旦波动性超过历史标准，系统就会自动减少风险敞口，限制异常情况下的损失规模，而不是试图预测它们。
英国的加密资产活动目前不受金融服务补偿计划的保护。我们在入职前向每位用户明确这一点，并且我们不会将任何职位描述为无风险。
帐户访问需要双因素身份验证，敏感数据在传输过程中和静态时都经过加密。我们不直接持有用户资金；执行是通过用户自己控制下的连接交易账户进行的。
是的。可以随时从账户仪表板暂停或关闭策略，并且可以平仓部分头寸，而无需立即退出整个投资组合。