Eclipse Earn łączy inteligentny system stop-loss z modelowaniem predykcyjnym w czasie rzeczywistym, przeliczającym progi ekspozycji w miarę zmiany płynności i zmienności – zamiast czekać na przekroczenie ustalonego poziomu cen.
Każda zautomatyzowana decyzja Eclipse Earn tworzy ślady w trzech odrębnych warstwach. Każda warstwa ma zdefiniowane dane wejściowe i wyjściowe, dzięki czemu system jest możliwy do skontrolowania, a nie nieprzejrzysty.
Dane księgi zamówień, profile wolumenów i powierzchnie zmienności są pobierane w sposób ciągły i normalizowane przed osiągnięciem dowolnego modelu. Opóźnienie między przechwyceniem a wprowadzeniem danych jest mierzone w milisekundach, co ma znaczenie, gdy wykrywanie utajonej zmienności zależy od zidentyfikowania przesunięcia, zanim będzie ono widoczne na standardowym wykresie.
Każda otwarta pozycja niesie ze sobą ocenę ryzyka wynikającą z grupowania zmienności i bieżących warunków płynności. Wynik jest aktualizowany wraz ze zmianą warunków, odróżniając zwykły szum cenowy od wczesnych etapów asymetrycznego profilu ryzyka tworzącego się w stosunku do pozycji.
Kiedy ocena ryzyka przekracza zdefiniowaną granicę, logika wykonania działa bez konieczności ręcznego potwierdzania. Eliminuje to opóźnienia i wahania, które często towarzyszą ręcznej decyzji o zamknięciu przegranej pozycji.
Stały stop-loss jest ustawiany raz i ignoruje wszystko, co dzieje się później. Zamiast tego inteligentny system stop-loss Eclipse Earn ponownie oblicza swój próg w miarę zmiany głębokości płynności i grupowania zmienności — zaostrzając ochronę w przypadku pogorszenia się warunków i dając pozycji więcej miejsca, gdy zmienność spada, a płynność pozostaje stabilna.
Ponieważ korekta opiera się na zasadach, a nie na uznaniu, eliminuje konkretny punkt awarii w środowiskach o wysokie stawki: tendencję do przesuwania, rozszerzania lub ignorowania stop-loss pod presją. Próg jest obliczany ponownie według tej samej logiki, niezależnie od tego, co trader myśli o danej pozycji w danym momencie.
Modele predykcyjne w handlu są często krytykowane jako „czarna skrzynka” – decyzja zostaje podjęta, ale jej uzasadnienie nie jest widoczne. Eclipse Earn jest zbudowany wokół możliwych do zinterpretowania kroków pośrednich, a nie pojedynczego nieprzejrzystego wyniku.
Surowe dane rynkowe są standaryzowane dla poszczególnych instrumentów i ram czasowych, zanim jakikolwiek model je dostrzeże, więc ocena ryzyka oznacza to samo, niezależnie od tego, czy pochodzi z płynnego indeksu, czy kontraktu o niskim obrocie.
Dane historyczne i bieżące porównuje się z uznanymi reżimami zmienności i płynności. Dane wyjściowe to klasyfikacja, a nie pojedyncza nieprzezroczysta liczba, a każda klasyfikacja jest rejestrowana z warunkami, które ją wywołały.
Parametry wykonania są dostosowywane w oparciu o sklasyfikowany system i sprawdzane pod kątem kolejnych wyników, przy czym każdą korektę można prześledzić wstecz do danych i klasyfikacji, która ją wygenerowała.
Poniższa tabela opisuje zachowanie operacyjne, a nie prognozę zysków. Wyniki różnią się w zależności od instrumentu, wielkości pozycji i panujących warunków, dlatego poniższe informacje należy czytać jako wskazówki logiczne, a nie gwarancję wydajności.
| Reżim | Zachowanie systemu | Typowe rozważanie |
|---|---|---|
| Skurcz o dużej zmienności | Progi Stop-Loss zaostrzają się proporcjonalnie do skompresowanej płynności; logika wykonania staje się bardziej konserwatywna. | Istotne dla zmniejszenia narażenia przed niepewnymi katalizatorami. |
| Ekspansja trendu | Progi poszerzają się w miarę stabilizacji klastrów zmienności, umożliwiając rozwój przestrzeni pozycyjnej przy zachowaniu nienaruszonej płynności. | Dotyczy utrzymania ruchu kierunkowego bez przedwczesnego wyjścia. |
| Fragmentacja płynności | Ocena ryzyka waży głębokość płynności w większym stopniu niż sama akcja cenowa. | Istotne w przypadku mniej płynnych instrumentów lub sesji po godzinach. |
Krótkie okresy wstrzymywania oznaczają, że progi muszą zareagować w ciągu tej samej sesji; system dokonuje ponownych obliczeń na podstawie zmian płynności śróddziennej, a nie danych na koniec dnia.
Dzienniki klasyfikacji i historię oceny ryzyka można przeglądać wraz z istniejącymi modelami, co wspiera niezależną weryfikację, a nie ślepe poleganie na pojedynczym sygnale.
W przypadku pozycji o dłuższym terminie szersze kontrole grupowania zmienności zmniejszają ryzyko wcześniejszego wyjścia spowodowanego krótkoterminowym szumem.
Historyczne zachowanie reżimu nie gwarantuje przyszłych wyników. Warunki rynkowe w praktyce mogą łączyć elementy więcej niż jednego reżimu.