用事实证明
我们不发布业绩承诺。我们发布历史记录：每项建议的日期、建议的分配及其在市场上的实际演变（无论好坏）。
| 推荐 | 地平线 | 状态 |
|---|---|---|
| 债券/股票再平衡 | 18个月 | 目前正在监控中 |
| 减少周期性行业风险敞口 | 6个月 | 关闭 |
| 国际多元化 | 36个月 | 目前正在监控中 |
报纸格式的说明性摘录；真实数据及其完整历史记录可以从平台访问。
我们的可靠性基于两个互补的学科。的 回溯测试 包括将每个模型与过去的市场数据进行比较，以在投入生产之前验证其行为。的 随机建模 然后引入随机市场情景，以估计一系列看似合理的结果，而不是单一的误导性预测。这两种方法不保证任何未来的结果；另一方面，它们降低了仅凭直觉做出决策的风险。
分析实际上改变了什么
以下三个机制协同工作：监视、警报，然后根据家庭目标调整分配策略。
一旦检测到重大变化，模型就会吸收连续的市场信息并重新计算投资组合场景。我们的目标不是速度本身，而是在信号转化为银行对账单上可见损失之前发现信号的能力。
每个家庭都定义了一个风险承受阈值，以可接受的波动性而非抽象术语来表达。该系统监控该阈值与投资组合实际风险之间的差距，并在影响预防性储蓄或中期计划之前标记任何偏差。
拟议的资产分配考虑了每个目标的范围——退休、学习、转移——而不是应用单一模型。每次成熟度或家庭状况发生变化时，都会重新计算风险加权回报。
分析引擎，一步一步
三个独立的步骤，每个步骤都可验证，可以深入了解提出建议的原因而不仅仅是最终结果。
市场价格、宏观经济指标和监管出版物以通用格式收集和标准化，以便该模型适用于可比较且日期准确的数据。
几个独立的模型分别评估可能的市场情景。对他们的结果进行比较，模型之间的过度差异会在提出任何建议之前触发审查。
最终的建议附有保留的假设和丢弃的情景，以便家庭了解推理而不仅仅是结论。
投入使用
这些示例说明了分析可以产生的信号类型，但没有预期有保证的结果。
退休准备
当计划在固定期限内提取资金时，系统会标记可能与该期限一致的不稳定市场时期，以考虑逐步调整分配，而不是最后一刻做出决定。
资助研究
大学目标有特定的截止日期。随着到期日的临近，该分析调整了波动性资产的份额，以限制延期灵活性最低时的风险敞口。
资本保值
投资组合表面上可能显得多元化，但同时仍关注相同的潜在风险因素。该模型强调了看似不同的投资线之间隐藏的相关性。
我们的方法
Vaste Rendébrance 围绕一个简单的原则构建：了解建议原因的家庭比简单执行建议的家庭做出更自信的决定。每个分析模块都记录了其假设和局限性。
我们使用公开市场数据和行业标准定量模型，这些模型适合家庭而不是机构使用：以日常语言表达的风险阈值、基于实际项目的视野以及无需事先会计即可查阅的绩效日志。
