为什么零工收入需要不同的风险模型
额外收入者很少有固定的时间来监控市场。决策通常是根据不完整的信息或短期市场噪音在工作之间快速做出的。这种模式往往会使风险承受能力高于预期，并且随着时间的推移，错误会变得更加复杂。
Theyellow 充当原始市场数据和您的决策之间的风险适应层。它会根据您规定的容忍度过滤传入信号，因此您看到的建议已经调整为您可以合理吸收的内容，而不是一般的市场平均值。
进行分析工作的三种机制
每个组件都涉及决策过程的不同阶段，从数据收集到向您提供的最终建议。
减少延迟的市场建模
市场和定价数据在到达时进行处理，使用减少延迟的建模来尽可能缩小事件发生与仪表板中反映的事件之间的差距。对于根据轮班模式做出投资决策的人来说，这意味着您面前的信息是最新的，而不是几个小时内陈旧的。
与您的个人资料相关的动态风险权重
该引擎不是对每个用户应用一种风险模型，而是根据您的历史反应、陈述的偏好以及您表示可以在不影响核心收入的情况下分配的收入比例动态调整其权重。输出会随着环境的变化而变化。
自动化洞察，而不是自动化决策
调查结果被编译成简明的、预定的摘要，而不是原始数据转储。目的是节省人工审核的时间，同时将解释和最终决定留给您。
推荐是如何产生的
该过程故意按顺序进行，因此如果您想了解如何得出某个数字，则可以根据自己的条件回顾每个阶段。
数据摄取
结构化的市场信息、定价历史和波动性指标被吸收并标准化为通用格式，消除了不一致的情况，否则会扭曲后续的建模。
场景建模
该系统模拟了不同条件下的一系列看似合理的结果，按概率对每种情况进行加权，而不是提出单一的最佳情况预测。
基于目标的优化
模拟结果会根据您设定的补充收入目标和风险承受能力进行筛选，从而生成适合您特定职位的更窄的建议集。
不同投资者概况的实际场景
这些示例说明了相同的底层引擎如何根据其配置方式服务于不同的目标。
投资组合多元化
集中持有单一资产类别的投资者使用该引擎来识别相关风险，并建议跨工具进行更广泛的配置。
结果：减少单点故障风险
短期收益率优化
拥有不定期但经常性自由资本的零工工人使用较短的建模窗口来识别适合有限持有期的收益机会。
结果：根据可用时间范围部署资本
长期风险缓解
当目标日期临近时，建立补充退休基金的人会使用自适应风险引擎来逐渐降低波动性风险。
结果：风险状况与规定的时间范围一致
开始之前的常见问题
这些答案旨在阐明平台的运作方式，而不是说服。如果此处未涵盖某个问题，完整的常见问题解答页面将提供更多详细信息。
我的数据如何处理和保护？
帐户和财务数据在传输过程中和静态时都经过加密，并且访问权限仅限于生成分析所需的系统。不会将任何数据出售给第三方，您可以随时请求删除您的帐户数据。
AI的推理有多透明？
每项建议都附有影响其主要因素的摘要，例如波动趋势或与您现有持仓的相关性。基础模型是概率性的而不是确定性的，因此数字以范围和置信水平的形式呈现，而不是单一的保证结果。
有最低资本要求吗？
分析本身没有固定的资本门槛；引擎会将其建议调整为您指示的可用数量。您仍然是在任何阶段是否承诺以及承诺多少的最终决策者。