Northfernwayt 发布的每个建议都是定义序列的输出，而不是单个不透明的预测。以下步骤概述了原始数据如何成为可行的决策。
市场、交易和运营数据集根据通用时间索引进行收集和标准化，消除了生存差距并纠正了跨境数据中常见的时区不一致。
针对滚动历史窗口应用候选策略，以确定不同条件下的方差范围、回撤频率和恢复期。
蒙特卡洛式重采样为每个策略生成合理结果的分布，而不是依赖于单一的历史路径。
在任何输出到达呈现给用户的决策层之前，超过预定义风险阈值的策略将被自动排除。
底层系统逻辑将每个建议视为概率加权输出，而不是保证。每个结果都附有置信区间，并且随着新数据进入数据集，策略会滚动重新评估。
该平台由三个协调的组件构建。每个模块独立运行，但共享通用数据集，从而降低了模块间输出不一致的风险。
持续处理传入的市场和运营数据，并按固定时间间隔而非仅按需发布重新计算的头寸。这减少了基础条件变化和主动建议更新之间的滞后，这在没有固定时间表的跨时区工作时很重要。
风险限额是根据历史回撤行为而非固定百分比计算的。当模拟方差超过配置的容差时，引擎会在向用户显示变化之前（而不是事后）自动减少头寸规模。
使用扩展的数据窗口以固定的节奏重新训练模型，并在任何更新的模型替换当前生产的模型之前应用样本外测试。保留版本历史记录，以便将性能归因于特定的模型迭代。
Northfernwayt 是围绕独立运营商和移动投资者常见的约束而设计的：不规则的访问窗口和可变的连接。系统会尽可能提前做出决定，并在连接断开时在本地保存状态，一旦访问恢复就恢复同步。
每个策略集都会处理一次配置。之后，分析层按自己的时间表运行，用户查看输出而不是连续管理输入。
Northfernwayt 不依赖于推荐，而是记录了回溯测试的构建方式，以便可以根据自己的条件评估该方法。
策略根据至少五年的可用历史数据进行测试，使用初始模型训练中排除的样本外时间段来减少过度拟合偏差。
在包含之前，会检查源数据是否存在间隙、重复条目和前瞻偏差。具有未解决的完整性问题的数据集将被标记并从活动模型输入中排除。
历史结果与其方差范围和测试周期一起报告，而不是作为单个标题数据，因此结果背后的条件仍然可见。
以下答案解决了入职前最常见的问题，涵盖数据处理、集成和自动化边界。
处理数据的目的是生成策略建议，不会出售给第三方。保留期限和处理范围在入职期间提供的平台数据处理文档中规定。
自动化级别是可配置的。部分用户需要手动确认后再执行；其他允许系统在预定义的风险参数内运行。两种模式都使用相同的底层模型输出。
系统在本地保留最后确认的状态，并且在断开连接时不会发起新的仓位。重新连接时，它会在恢复计划的重新计算之前协调状态。
回溯测试的结果描述了策略在历史条件下的表现。它们以方差范围报告，而不是固定预期，并且市场状况可能与任何历史测试时期不同。
集成取决于帐户提供商的可用 API 访问权限。在设置过程中会列出支持的集成，并且可以根据要求查看不支持的提供商。
与集成或数据配置相关的技术支持查询通过联系页面上列出的联系渠道进行处理，通常在澳大利亚东部时间的一个工作日内处理。
入职流程首先会检查您的数据源和风险参数，然后针对您的特定配置进行回测，然后再启用任何策略以供自动使用。
通常的设置审核需要一到三个工作日，具体取决于连接的数据源的数量。