自由职业者没有固定工资，因此他的收入通常集中在一次性付款中。其中包括收入波动，大多数自由职业者通过在支票账户中被动持有现金来应对这一问题。
Kenale Fugore 通过预测分析解决了这一差距，该分析持续评估数据流并建议与用户当前风险状况相对应的资本配置。
该平台结合了对历史数据和实时数据运行的三层处理。结果是根据用户的具体情况提出建议，而不是一般建议。
预测模型根据历史价格序列和自由职业者收入模式进行训练，以估计各种分配情景下资本可能的演变。
每项建议都附有根据资产波动性和用户承受波动能力得出的风险评分，从而限制了不成比例的损失。
输入数据会不断重新计算，因此建议会根据新的市场信息进行更新，而不是等待每日或每周收盘。
我们在开放日志中发布建议结果，而不是引用。这些记录可供用户社区进行回溯，用可验证的数据取代营销声明。
| 信号日期 | 段 | 风险评分 | 推荐配置 | 条件 |
|---|---|---|---|---|
| 04. 03. | 现金储备 | 低 | 投资组合的12% | 已确认 |
| 11. 03. | 资产多元化 | 中等 | 投资组合的35% | 已确认 |
| 18. 03. | 短期工具 | 低 | 投资组合的20% | 履带式 |
| 25. 03. | 成长资产 | 更高 | 投资组合的 18% | 已确认 |
该过程的设计要求最少的人工干预，同时保持完全可追溯性。
您将连接收入来源和现有财务账户。该平台将根据它们建立默认的波动性和流动性概况。
该算法可以识别您收入中的重复模式，并将其与当前的市场状况进行比较。
您将收到具体的投资信号，其中包含建议的配置和您可以确认或修改的风险评分。
您的设备和服务器之间的所有数据传输都通过端到端加密进行。敏感帐户标识符与分析数据分开存储，因此分析模型本身不适用于直接可识别的数据。
处理数据的目的只是为了生成建议和公开表现日志，公开发布的记录不包含个人标识符。用户可以随时删除对数据源的访问。
核心使用根据历史市场数据系列和汇总收入模式进行训练的机器学习模型。该模型并不是寻找一次性预测，而是寻找收入波动性与适当风险暴露水平之间统计上显着的相关性。