Qimtav 依赖于历史和实时数据训练的预测模型，并生成具有明确置信度得分而不是绝对数字的建议。目标是减少长期财务决策中对猜测的依赖。
每项建议都会经过随后的验证阶段，其结果记录在可供审查的公共记分卡中，从而可以评估方法而不是依赖通用承诺。
三个处理层按顺序工作：预测建模、实时处理和匹配用户的个人目标。
该系统处理价格和经济指标的时间序列，以生成未来结果的概率范围，而不是单个固定数字。每个建议都附有一个置信度分数，显示模型当时的稳定性。
输入会随着每次市场影响的变化而不断更新，从而最大限度地缩短变化发生与建议中反映之间的时间间隔。这限制了基于延迟数据的决策的风险。
建模结果与用户数据相关联：时间范围、风险承受能力和投资目标。最终的建议反映了这些数据，而不是所有用户的统一的一般结果。
下表显示了发布的日志格式。完整的记录包括所有发布的建议以及每个结果的验证日期。
| 时期 | 推荐类型 | 取得的成果 | 验证状态 |
|---|---|---|---|
| 2024 年第一季度 | 资产配置 | 在预期范围内 | 已验证 |
| 2024 年第二季度 | 投资组合再平衡 | 高于预期最低值 | 已验证 |
| 2024 年第三季度 | 波动警报 | 与高风险场景相同 | 已验证 |
| 2024 年第四季度 | 部门多元化 | 最终审核中 | 审核中 |
上述值是已发布数据格式的说明性示例。完整的历史记录包括系统发出的每条建议以及验证详细信息。
一致的顺序可以清楚地表明每条建议的来源和原因。
该系统从预定义的来源收集市场数据、经济指标和用户账户数据。
预测模型结合这些数据来生成潜在的场景，并为每个场景提供估计的风险比。
用户获得优先推荐，并简要解释影响分数的因素。
四个独立单位共同努力，保护财务决策免受未经考虑的波动的影响。
实时监控异常的市场走势，并在超出预设的用户限制时立即通知。
根据目标风险比率和指定的投资期限建议的资产重新分配。
从多个文本数据源测量总体趋势，以估计特定资产的买入或卖出压力。
识别单一行业或资产的过度集中，并提出减少投资组合组成部分之间相关性的替代方案。
帐户数据存储在加密服务器上，不会出于营销目的与第三方共享。用户可以随时联系支持团队请求删除其数据。
每项建议都会在预定时间段后与实际结果进行比较，然后在记分卡部分描述的公共记录中被分类为“已实现”或“正在审查”。
订阅级别决定了不同分析模块的访问范围。直接联系销售团队即可获取级别和价格的详细信息。