资本分散在多个资产类别中，没有中央分析功能
问题
独立投资者往往缺乏时间或工具来持续分析大量数据。
解决方案
Borgenhet 持续处理市场数据并根据回测模式提供优先推荐。
结果
无论决策者身在何处，决策支持都会实时更新。
Borgenhet 中的模型处理大量市场数据、宏观指标和历史回报模式，以识别难以手动辨别的信号。目标不是确定地预测市场，而是构建不确定性，以便能够在更加一致的基础上做出决策。
我们的工作原则是数据驱动的决策支持应减少对个人评估的依赖。每项建议在提出之前都会根据历史风险利差进行加权，这意味着资本配置可以在更清晰的偏差范围内进行。
每个模型都根据跨越多个经济周期（包括高波动时期）的历史数据集进行测试。这使得在将策略应用于当前资本之前评估策略在实际市场条件下的表现成为可能。
新信号不断与历史模式进行比较，以评估它们与过去结果的对应程度。在建议到达用户之前，偏差会被标记和审查，这降低了临时市场扰动被误解为长期趋势的风险。
独立投资者往往缺乏时间或工具来持续分析大量数据。
Borgenhet 持续处理市场数据并根据回测模式提供优先推荐。
无论决策者身在何处，决策支持都会实时更新。
风险集中通常只有在损失已经实现之后才会被发现。
该模型通过与历史波动模式的持续比较来标记异常风险敞口。
预警信号更早，调整仓位的依据更明确。
随着产品组合范围的扩大，手动流程变得难以维护。
该平台标准化了分析过程，使得可以在不相应增加管理负担的情况下处理更多职位。
决策的可扩展性而不影响分析的质量。
Borgenhet 的开发是为了满足远程投资者的特定需求：获得大型机构内部使用的相同类型的结构化决策支持。
平台背后的团队不断努力根据新的市场数据检查模型的准确性。每次调整都会被记录下来，从而可以跟踪建议随时间变化的原因。
许多预测模型作为一个封闭的过程运行，很难理解为什么会生成某个建议。这本身就构成了风险，尤其是在资本决策方面。因此，Borgenhet 采用可解释的人工智能构建，这意味着每项建议都伴随着影响结果的潜在因素。
市场数据、波动性指标和历史模式是持续收集和构建的。
在制定建议之前，会根据回溯测试的参考值对信号进行权衡。
每项建议都与对结果影响最大的因素一起提出。