模型理念
我们的模型有意保守。当数据不完整时，风险评分会倾向于谨慎，而不是从薄样本中推断出一个看起来有信心的数字。
lucky hills 不承诺退货。相反，它处理订单簿深度、波动性聚类和历史回撤模式，以生成选定资产的风险评分。输出是您自己决策的参考点，并随着新数据的到达而更新。
lucky hills 上持有的资金不受锁定期的限制。提款请求将在提交的同一银行工作日按照我们托管合作伙伴的标准结算时间内进行处理。
这里没有什么专有的秘密。下面的流程描述了在图形到达仪表板之前系统会执行哪些操作。
价格反馈、交易量和链上交易数据都是以较短的固定时间间隔从已建立的交易所和公共分类账中提取的。
原始数据经过清理，以消除因交易所中断或交易窗口狭窄而引起的异常值，然后跨来源进行标准化以进行比较。
波动性、流动性深度以及与更广泛市场走势的相关性被组合成一个单一的风险指标，并定期审查漂移情况。
我们依赖交易所 API、公共区块链浏览器和聚合订单簿数据。没有从未经验证的第三方购买数据，也没有使用社交媒体情绪抓取，因为该类别的输入在我们的内部测试中显示出有限的可靠性。
风险指标是一个综合数字，而不是价格预测。它反映了资产近期行为与其自身历史范围的偏离程度，这是比预测特定未来价格更稳定的比较基础。
该仪表板围绕一个优先事项构建：您永远不必等待看到自己的钱，或转移它。
单个屏幕显示可用余额、每个持有的当前风险指示器以及上次模型重新计算的时间戳，以便您在采取行动之前了解数据的最新情况。
由于 lucky hills 默认情况下不会将客户资金放入定期质押或借贷产品中，因此提款请求不会在到期日之后排队。
警报是由可测量的变化触发的，例如订单簿深度的突然下降，而不是仅由价格变动触发，这减少了短期波动的噪音。
我们不会使用客户推荐或绩效声明来建立信任。相反，我们描述了模型的构建、测试和管理方式，以便您可以根据方法本身来判断方法。
我们的模型有意保守。当数据不完整时，风险评分会倾向于谨慎，而不是从薄样本中推断出一个看起来有信心的数字。
每个模型版本都根据训练期间未见过的历史数据进行测试，并且在多个市场体系（而不仅仅是单个有利时期）中比较结果。
作为在德国运营的平台，我们根据 GDPR 处理个人数据，并将帐户信息存储在位于欧盟境内的服务器上。用于建模的市场数据是汇总的，不依赖于个人标识符。