机构和零售市场现在生成的订单簿、情绪和宏观数据的数量是分析师团队无法在单个交易时段内手动处理的。结果不是信息缺乏，而是信息过剩超过了人类的认知吞吐量，从而导致决策延迟或不一致。
Sao Kimhung 将决策分为三个不同的阶段，每个阶段都可审计且可独立测试，因此每项建议背后的基本原理都可以被审查，而不是被轻信。
历史价格行为、波动性聚类和宏观相关性通过随机模型进行处理，以估计可能结果的分布而不是单一预测。
这产生了远期风险和回报的概率加权视图，构成了考虑任何资本配置之前策略排名的基础。
实时订单流、交易深度和情绪指标被持续摄取，允许模型输出在日内修改，而不是在固定的报告周期内修改。
更新是版本化的，因此对活动位置的每次调整都可以追溯到触发它的特定数据变化。
头寸规模受到不对称风险规则的限制：在策略可用于复制交易之前，相对于预计的上行风险，下行风险受到限制。
违反回撤阈值的策略将自动暂停新的分配等待审查，无论其历史表现如何。
每个可用于复制交易的策略在到达客户账户之前都会经过相同的四阶段审查，无论其短期表现如何。
订单簿、链上和宏观经济信息被标准化为模型消费的通用模式。
候选策略会根据历史状况进行测试，包括波动性加大和回撤的时期。
在有资格进行跟单交易之前，策略会在规定的观察窗口内以受监控的资本运行。
绩效和风险指标会滚动重新评估，并从轮换中删除表现不佳的策略。
数据完整性声明：所有输入源都记录有时间戳和源，模型输出与生成它们的数据快照一起存储，允许出于审计目的重建任何建议。
底层决策引擎与领域无关。三个应用程序与当今评估 Sao Kimhung 的投资者和策略师最相关。
资本根据相关性和波动性目标在经过验证的策略中分配，而不是平均权重，从而减少了任何单一市场体制的集中度。每周都会审核分配变更，并记录每次调整背后的原因。
自然语言处理应用于公开市场评论和衍生品定位，以产生情绪评分，该评分被视为多个输入中的一个，而不是独立的交易信号。
以前需要手动调节的策略监控、报告和合规性检查通过单个管道进行处理，从而减少了跟踪多个活动分配的运营开销。
自动化系统并非绝对可靠。以下参数描述了 Sao Kimhung 如何约束和公开该限制，而不是隐藏它。
每个策略都在固定的最大回撤和头寸规模上限下运作，在分配之前披露并按计划而不是随意执行。
在暂停决定生效之前，风险委员会会审查标记的策略，客户保留随时暂停其账户复制交易的能力。
账户级数据与模型训练管道分离，对客户分配数据的访问仅限于直接负责风险监督的人员。
预测模型是概率性的，而不是确定性的。历史回测表现并不构成对未来结果的预测，这是在分配时传达的。
Sao Kimhung 围绕一个简单的前提构建：评估自动化策略的投资者应该能够看到推理，而不仅仅是结果。平台生成的每条推荐都可以追溯到生成它的数据和模型版本。
该平台专为专业投资者和商业策略师而设计，他们以规避风险的态度来处理人工智能管理的投资组合，并且在投入资金之前期望获得文件而不是说服。
阅读完整概述
