关于Crescera
由数据工程师为交易台构建
Crescera 是围绕单一约束构建的：决策延迟。工程团队使用机构交易基础设施中使用的相同操作规则来构建数据管道、模型验证和执行逻辑。
该平台并不试图准确预测市场。它旨在缩短可衡量的模式与经过验证的、经过风险检查的决策之间的时间，并在适合受监管的金融活动的安全架构内实现这一点。
手动审核在信号检测和下单之间引入了固定延迟。 Crescera 的设计目的是消除决策路径中的延迟，而不是决策本身的延迟。
| 公制 | 手动办公桌 | Crescera引擎 |
|---|---|---|
| 信号检测 | 平均约 1.2 秒 | <1ms 目标 |
| 下订单 | 300–800毫秒 | 2–4ms 目标 |
| 风险重新评估 | 手动、定期 | 连续，每刻 |
每个信号在到达执行队列之前都会经过三个验证层：针对历史基线的统计显着性测试、波动率调整的置信度评分以及投资组合级别的暴露检查。任何层失败的信号都会被记录但不会被执行。
交易基础设施与典型的 SaaS 产品具有不同的风险。 Crescera 的结构围绕着从数据层向上的这种区别。
静态时采用 AES-256 加密，所有传输中的数据采用 TLS 1.3。访问密钥以 24 小时为周期轮换。堆栈的任何层都没有明文凭证存储。
数据处理程序是围绕 FCA 数据保护期望和英国 GDPR 要求制定的。根据要求保留访问日志以供独立审计审查。
客户数据在英国的基础设施上进行处理和存储。如果没有明确的、合同规定的保障措施，就不会发生跨境转移。
Crescera 是围绕单一约束构建的：决策延迟。工程团队使用机构交易基础设施中使用的相同操作规则来构建数据管道、模型验证和执行逻辑。
该平台并不试图准确预测市场。它旨在缩短可衡量的模式与经过验证的、经过风险检查的决策之间的时间，并在适合受监管的金融活动的安全架构内实现这一点。
三个模块依次运行：信号生成、风险评估和执行。每个阶段独立运行并记录其输出以供以后审核。
根据历史订单流和波动模式训练的模型会生成置信评分信号，并在每个市场变动时重新计算。每个信号都带有统计置信区间，而不是二元买入或卖出标志，为交易者提供了调整规模的基础，而不仅仅是方向。
投资组合风险、相关风险和回撤阈值会在每次价格更新时重新计算，而不是按固定间隔重新计算。通常会在预定的手动风险审查发生之前发出违规警报，从而使服务台能够更早地了解集中风险。
验证信号直接路由至预先配置的执行参数。头寸规模、止损设置和订单传递遵循交易者预先定义的规则——消除了信号和订单单之间的手动中继步骤。
对自动化系统的信任取决于其模型的构建和检查方式。下面的过程连续运行，而不是一次性设置。
市场数据、订单深度和宏观指标均从许可数据源中实时提取。
原始数据被转换为跨模型输入使用的波动性、动量和流动性特征。
模型在滚动数据窗口上重新训练，并在部署前针对样本外周期进行验证。
每个模型版本在升级到生产之前都会根据前 90 天的数据进行回溯测试。
以下问题涵盖了技术团队在入职前最常提出的问题。
信号处理设计为在标准负载下，从数据摄取到警报发送，端到端在 5 毫秒内完成。延迟可能随馈送条件和配置的验证深度而变化。
是的。基于 REST 的 API 公开信号输出、风险指标和执行挂钩，允许自定义路由逻辑与内置执行模块并存。
所有数据处理和存储都发生在英国的基础设施上。如果没有明确的、合同定义的传输协议，任何数据都不会离开英国管辖区。
模型在滚动窗口上重新训练，并在任何版本升级到生产之前针对前 90 天进行回溯测试。
AES-256 适用于静态数据，TLS 1.3 适用于传输中的数据，访问密钥以 24 小时为周期轮换。
连接您的数据源、配置风险参数并将经过验证的信号传送至执行，而无需更改您现有的经纪关系。
帐户验证和终端配置通常在一个工作日内完成。