该平台将统计预处理与学习模型相结合，以识别大型数据流中对于手动分析来说过于复杂的模式。
该系统持续处理价格数据、订单簿深度和结构化消息流，并在短时间内更新对市场状况的评估，而不是等待每日报告。
每项建议在发布之前都会根据历史压力场景进行测试。头寸规模基于相应工具的测量波动性。
该基础设施的设计使得额外的数据源、资产类别或投资组合无需进行根本性的新开发即可连接。
Zelborinyx 依靠由统计预处理、多元回归模型和神经网络组成的多阶段过程来识别大量数据流中的重复模式，这些模式在手动筛选中很难注意到。其目的不是预测单个价格变动，而是系统地评估从中得出可重复的统计优势的概率。
在发布之前，每个模型版本都会在不同波动水平的历史市场时期进行测试，以评估不同市场周期结果的一致性。个别分析师的意见在评估过程中不起任何作用。
市场数据、宏观经济指标和结构化新闻来源由不同的提供商汇集在一起，在纳入建模之前进行清理并达到统一的时间范围。
处理后的数据通过回归模型和神经网络的集合运行，这些模型和神经网络在历史时间段上进行训练，并不断检查新的、以前未见过的数据。
具体的、优先考虑的建议是从模型结果中得出的——例如关于头寸规模或对冲要求的建议——以及基本假设的记录。
投资团队使用 Zelborinyx 的模型输出来对冲现有头寸，以应对短期市场波动。该平台提供持续更新的市场波动预测，并建议合适的对冲工具，其在各自市场环境中的历史有效性已记录。
与资本市场有联系的公司的战略规划团队利用这些分析来测试不同市场条件下的预算方案。您收到的不是单独的点估计，而是一系列具有基本假设的合理发展，这使得对冲策略的内部协调变得更加容易。
决策的基础是模型的可理解测试，而不是结果的断言。
每个策略都根据多个完整市场周期的历史数据进行测试，包括波动性增加和流动性较低的时期，以提供稳健性的现实评估。
新市场数据的处理直至更新的模型输出都在毫秒范围内进行，因此交易决策始终基于当前的市场情况。
多元回归模型和神经网络会根据不属于训练期的样本外数据进行持续检查，以避免过度拟合。