Fondryve 的开发是为了让中等收入家庭能够获得与机构投资者相同的严格分析。我们的模型处理数十年的市场历史，而不是依赖短期情绪或投机。
每条建议都附有生成该建议的数据，因此您可以在采取策略之前了解策略在过去市场条件下的表现。
我们的平台将大规模数据分析与预测建模相结合，将历史市场行为转化为长期投资组合的实用指导。
Fondryve 的模型在涵盖股票、债券和多元化基金业绩的数十年数据集上进行训练。该系统不是预测单一结果，而是估计不同经济条件下的一系列可能回报，从而对预期结果给出现实的看法。
历史市场周期中建模回报范围的说明性比较。
建议根据您的投资期限和风险承受能力进行调整，而不是根据一般风险状况进行调整。一个家庭在十年内为孩子的教育储蓄与计划在三十年内退休的家庭所采用的分配路径不同，并且两者都得到相同的回测证据基础的支持。
不同时间范围内分配调整的简化视图。
每项建议在到达客户之前都会经过四个阶段，这使得整个过程透明且可重复。
在任何建模开始之前，从已建立的金融数据源中收集和清理市场、经济和基金层面的数据。
候选策略会根据历史时期（包括经济低迷时期）进行测试，以评估它们在真实市场压力下的表现。
结果会根据您的目标、时间范围和规定的风险承受能力进行筛选，以生成合适策略的候选名单。
所选择的策略得到实施和监控，并根据原始回测预测定期审查绩效。
这些是家庭最常将 Fondryve 的分析应用于现有储蓄和投资计划的领域。
根据回溯测试的分配模型而不是临时调整重新平衡现有持仓，旨在随着时间的推移实现更一致的风险回报率。
识别标准声明中可能不明显的集中风险和资产之间的相关性，然后在做出更改之前对替代方案进行建模。
查看不同资产类别的概率加权情景，支持有关何时增加、持有或减少风险敞口的决策。
家庭将敏感的财务信息托付给我们，因此我们的数据处理方法刻意保持简单且可验证。
我们仅收集产生分析或建议所需的数据。信息绝不会出售，也不会用于您所请求的服务之外的目的。
数据在传输过程中使用行业标准协议进行加密，并在我们的存储系统中进行静态加密，从而仅限制对授权流程的访问。
我们对个人数据的处理遵循英国数据保护法，包括英国 GDPR 规定的原则，涵盖合法依据、保留以及访问或删除您的信息的权利。