从原始数据的收集到可读报告的生成，三个级别的处理按顺序进行。
经过价格和交易量时间序列训练的神经网络模型可估计可能的短期和中期情景，为每个预测分配一个置信区间，而不是单个绝对值。
来自交易所、订单簿和新闻的数据流经过标准化和分析，延迟时间不到一秒，因此市场事件和生成信号之间的偏差仍然很小。
每项建议都附有根据资产的历史波动性计算的最大风险参数和退出阈值，从而减少了仅靠自行判断做出的决定。
系统生成的每个信号都记录有时间戳并可供查阅。社区可以比较预测和实际结果，无需对已发布的数据进行编辑过滤。
| 日期 | 资产 | 信号 | 我犹豫了 |
|---|---|---|---|
| 12/03 | 比特币/欧元 | 减少暴露 | 已确认 |
| 09/03 | 以太币/欧元 | 持仓维护 | 已确认 |
| 04/03 | 多元化投资组合 | 再平衡 | 审核中 |
验证方法基于公共登记册，发布后无法修改：每条建议在发布时被冻结，并在预定到期时与实际价格进行比较。
社区访问预测的完整历史记录，包括那些被证明是不正确的预测，以评估模型随着时间的推移的可靠性，而不仅仅是有利的情况。
历史数据显示了模型过去的行为，并不能保证未来的回报。所有投资决策仍然由用户负责。
无论管理的资金量有多大，每个客户的流量都是相同的。
价格、交易量、订单簿和新闻来源是从多个交易所收集的，并标准化为单一格式，在处理前消除重复和不一致的数据。
机器学习模型根据资产近期的波动性对每个变量应用不同的权重，丢弃不超过最小置信阈值的信号。
最终输出是一份摘要文件，其中包含风险级别、置信区间和信号的摘要理由，可以集成到决策过程中。
分析逻辑不会根据所管理的资本而改变：配置参数和报告级别发生变化。
机构部门为每个任务配置风险阈值，并收到有关多个资产和多个客户的综合报告，并为每个配置文件单独计算风险参数。
私人投资者设定自己的风险承受阈值，并接收根据该配置文件过滤的信号，而无需为机构柜台设计操作复杂性。
Corso Markets 的创建是为了缩小市场上可用数据量与人类及时解释数据的能力之间的距离。该系统不会取代投资者的判断，而是在做出决定之前为他提供更完整、可验证的情况。
该模型的每个组成部分都被记录下来，并且性能登记册仍然可供公众查阅，因此可以随着时间的推移评估可靠性，而不仅仅是基于单次通信。
了解更多