L'interfaccia del trading desk di Eclipse Earn mostra l'analisi dei dati di mercato in tempo reale

Decision Intelligence di precisione per trader sistematici

Eclipse Earn combina un sistema stop-loss intelligente con modelli predittivi in tempo reale, ricalcolando le soglie di esposizione in base allo spostamento della liquidità e della volatilità, anziché attendere il superamento di un livello di prezzo fisso.

Esplora le specifiche del sistema Leggi le domande frequenti

Parametri di monitoraggio in tempo reale

Ingestione di dati continuo
Regime di volatilità monitorato per risorsa
Logica stop loss ricalcolato in diretta
Distorsione di esecuzione basato su regole

Quadro analitico

Il processo dietro ogni posizione

Ogni decisione automatizzata Eclipse Earn viene tracciata attraverso tre livelli distinti. Ogni livello ha un input e un output definiti, che mantengono il sistema verificabile anziché opaco.

01 — Ingestione

Ingestione di dati ad alta velocità

I dati del portafoglio ordini, i profili dei volumi e le superfici di volatilità vengono acquisiti continuamente e normalizzati prima di raggiungere qualsiasi modello. La latenza tra l'acquisizione e l'input viene misurata in millisecondi, il che è importante quando il rilevamento della volatilità latente dipende dall'identificazione di uno spostamento prima che sia visibile su un grafico standard.

02 — Punteggio

Punteggio predittivo del rischio

Ogni posizione aperta comporta un punteggio di rischio derivato dal clustering di volatilità e dalle attuali condizioni di liquidità. Il punteggio si aggiorna al variare delle condizioni, distinguendo il normale rumore dei prezzi dalle prime fasi di un profilo di rischio asimmetrico che si forma contro la posizione.

03 — Esecuzione

Logica di esecuzione automatizzata

Quando un punteggio di rischio supera un limite definito, la logica di esecuzione agisce senza richiedere la conferma manuale. Ciò elimina il ritardo – e l’esitazione – che spesso accompagna la decisione manuale di tagliare una posizione in perdita.

Inserimento dati → Punteggio del rischio → Logica di esecuzione → Feedback sull'importazione

Motore di mitigazione del rischio

Stop-loss intelligente: soglie che si muovono con il mercato

Uno stop loss fisso viene impostato una volta e ignora tutto ciò che accade in seguito. Il sistema stop-loss intelligente di Eclipse Earn ricalcola invece la sua soglia al variare della profondità della liquidità e del clustering della volatilità, rafforzando la protezione quando le condizioni peggiorano e dando a una posizione più spazio quando la volatilità si contrae e la liquidità rimane stabile.

Poiché l’aggiustamento è basato su regole e non discrezionale, rimuove uno specifico punto di fallimento negli ambienti ad alta posta in gioco: la tendenza a spostare, ampliare o ignorare uno stop-loss sotto pressione. La soglia viene ricalcolata secondo la stessa logica indipendentemente da come il trader si sente riguardo alla posizione in quel momento.

Le soglie si adattano alla profondità della liquidità, non solo alla distanza dei prezzi
Il clustering della volatilità viene preso in considerazione nell'ampiezza della soglia
Il ricalcolo è basato su regole, eliminando l'override discrezionale
Funziona in modo coerente su più posizioni simultanee

Lettura della liquidità → Controllo cluster di volatilità → Ricalcolo soglia → Esecuzione in caso di superamento

Eclipse Guadagna analista che esamina i dati di volatilità e liquidità sullo schermo

Metodologia

Un approccio sistematico alla trasparenza dei modelli

I modelli predittivi nel trading sono spesso criticati per essere una “scatola nera”: una decisione viene presa, ma il ragionamento che sta dietro ad essa non è visibile. Eclipse Earn è costruito attorno a passaggi intermedi interpretabili anziché a un singolo output opaco.

Passaggio 01

Normalizzazione dei dati

I dati grezzi di mercato sono standardizzati tra strumenti e intervalli di tempo prima che qualsiasi modello li veda, quindi un punteggio di rischio significa la stessa cosa sia che derivi da un indice liquido o da un contratto poco negoziato.

Passaggio 02

Riconoscimento di modelli

I dati storici e in tempo reale vengono confrontati con i regimi di volatilità e liquidità riconosciuti. L'output è una classificazione anziché un singolo numero opaco e ogni classificazione viene registrata con le condizioni che l'hanno attivata.

Passaggio 03

Ottimizzazione dei risultati

I parametri di esecuzione vengono adeguati in base al regime classificato e rivisti rispetto ai risultati successivi, con ogni aggiustamento riconducibile ai dati e alla classificazione che lo hanno prodotto.

Contesto prestazionale

Come si comporta il sistema nei diversi regimi di mercato

La tabella seguente descrive il comportamento operativo, non una proiezione dei rendimenti. I risultati variano in base allo strumento, alla dimensione della posizione e alle condizioni prevalenti, e quanto segue deve essere letto come una guida logica, non come una garanzia di performance.

Regime	Comportamento del sistema	Considerazione tipica
Contrazione ad alta volatilità	Le soglie di stop loss si restringono in proporzione alla liquidità compressa; la logica di esecuzione diventa più conservativa.	Rilevante per ridurre l’esposizione davanti a catalizzatori incerti.
Espansione delle tendenze	Le soglie si allargano man mano che il clustering di volatilità si stabilizza, consentendo lo sviluppo di posizioni mentre la liquidità rimane intatta.	Rilevante per resistere a un movimento direzionale senza uscita prematura.
Frammentazione della liquidità	Il punteggio di rischio pondera la profondità della liquidità in modo più significativo rispetto alla sola azione dei prezzi.	Rilevante per strumenti meno liquidi o sessioni fuori orario.

Commercianti giornalieri

Periodi di detenzione brevi implicano che le soglie devono reagire all'interno della stessa sessione; il sistema ricalcola i movimenti di liquidità intraday piuttosto che i dati di fine giornata.

Analisti quantitativi

I registri di classificazione e la cronologia dei punteggi di rischio possono essere esaminati insieme ai modelli esistenti, supportando la verifica indipendente anziché il cieco affidamento su un singolo segnale.

Investitori privati

Per le posizioni a più lunga scadenza, controlli più ampi di clustering della volatilità riducono la possibilità di un’uscita anticipata innescata da incertezze a breve termine.

Il comportamento del regime storico non garantisce la performance futura. Le condizioni di mercato nella pratica possono combinare elementi di più di un regime.