金融科技
流动性和敞口监控
金融科技团队使用该引擎在异常暴露浓度成为可报告风险事件之前对其进行标记，从而减少合规人员的手动审查负担。
方法论
Harryshives 位于通常单独处理的两个学科的交叉点：预测市场可能的走势，并衡量如果预测错误将给您带来的损失。该平台连续运行这两种计算，然后将结果表示为单个排名推荐，而不是原始概率得分。
透明度
Harryshives 没有发布精选的案例研究，而是维护模型输出的长期日志，并在生成时加上时间戳。注册用户可以根据后续市场行为审核条目，这是我们社区验证流程的基础。
日志条目
连续写入，时间戳精确到秒
审核周期
滚动接受社区审计
模型重新校准
根据观察到的漂移进行安排
日志不会进行追溯编辑。如果模型的输出表现不佳，则该条目与表现良好的条目一起保持可见，因此记录反映的是实际输出而不是选择性样本。
工艺流程
工作流程故意是线性的。每个阶段都会产生一个输出，直接输入到下一个阶段，在摄取和最终建议之间没有人工干预。
食入
市场、运营和替代数据源会按设定的时间间隔引入、标准化，并在进入模型之前检查完整性。差距或异常情况会被标记出来，而不是默默地填补。
分析
该引擎并行运行预测和风险模型，将几种可能的情景与历史类似情况进行比较。输出是具有相关置信范围的一组排名结果，而不是单点预测。
优化
建议根据用户规定的风险承受能力和资本限制进行调整，然后在生成时写入性能日志，然后再得知任何结果。
应用
金融科技
金融科技团队使用该引擎在异常暴露浓度成为可报告风险事件之前对其进行标记，从而减少合规人员的手动审查负担。
企业
运营团队通过该模型提供历史需求数据，以预测未来几周的资源需求，而不是对上个月的数据做出反应。
私募股权
投资团队通过适用于现有持股的相同评分逻辑来运行预期头寸，从而在整个投资组合而不是逐笔交易中保持风险评估一致。
问题
提交用于分析的数据将被处理以生成建议，并且不会出售或与第三方共享。对原始输入的访问仅限于自动化管道；人工审查（在发生时）仅限于匿名的汇总摘要。
Harryshives 通过标准数据馈送和导出进行连接。大多数帐户都可以在较短的注册窗口内运行，并支持现有电子表格或基于 CSV 的工作流程以及直接源连接。
模型输出与滚动基础上实现的结果进行比较。当预测和结果之间的差距超出预期范围时，模型会在继续发布实时建议之前被标记为重新校准。
底层基础设施旨在处理额外的头寸和数据源，无需为每个账户单独设置。扩展通常涉及调整访问层而不是重建集成。
访问权限根据请求授予并单独审核。没有义务根据任何给定的建议进行交易；无论您是否继续，日志都会保持打开状态。