Kivendove AI traite les données de marché à haute fréquence, les modèles de flux d'ordres et les changements de sentiment, puis convertit les résultats des modèles stochastiques en signaux sur lesquels vous pouvez agir, sans que vous ayez à interpréter vous-même les calculs sous-jacents.
Kivendove AI a été construit sur le principe qu'un signal de trading est aussi fiable que le processus qui le sous-tend. Plutôt que de présenter une boîte noire, la plateforme expose la logique de chaque modèle : quelles données il a consommées, comment la confiance a été évaluée et comment il s'est comporté sous les tensions précédentes du marché.
L'équipe derrière Kivendove AI travaille à l'intersection des statistiques appliquées et de la microstructure du marché, en se concentrant spécifiquement sur les modèles de liquidité et de volatilité des instruments cotés au Royaume-Uni aux côtés des principales paires de devises et d'indices.
Chaque composant ci-dessous aborde un point d'échec spécifique dans le trading manuel : données incomplètes, réaction tardive et dépassement émotionnel.
Kivendove AI applique une modélisation stochastique aux séries de prix et de volumes, générant une distribution de probabilité des résultats probables plutôt qu'une seule prévision. Les signaux ne sont émis que lorsque le score de confiance d'un modèle dépasse un seuil que vous avez défini, ce qui signifie moins de transactions mais une proportion plus élevée de transactions statistiquement prises en charge. En pratique, cela réduit la fréquence des entrées à faible conviction qui érodent les rendements en raison des frais et des dérapages.
La plateforme analyse en permanence les dossiers réglementaires, les services de presse et les commentaires du marché, quantifiant les changements de sentiment plutôt que de réagir aux gros titres de manière isolée. Lorsque le sentiment s'écarte de l'action des prix, cette divergence est signalée comme un facteur de risque et prise en compte dans la taille des positions. Cela réduit l'écart entre une annonce publique et une réponse réfléchie, sans que vous ayez à surveiller manuellement les flux d'actualités.
Le trading discrétionnaire est vulnérable à l’aversion aux pertes et à l’excès de confiance, en particulier après une série de gains ou de pertes. Kivendove AI applique les paramètres de risque que vous définissez (limites de position, distances d'arrêt, plafonds d'exposition) de manière cohérente, quels que soient les résultats récents. Le modèle n’ajuste pas sa discipline en fonction de la façon dont la dernière transaction a été ressentie, ce qui est précisément le problème.
Nous n'utilisons pas de témoignages comme preuve de performance. Au lieu de cela, chaque stratégie est évaluée par rapport aux mesures ci-dessous, suivies séparément dans les conditions haussières, baissières et latérales plutôt que fusionnées dans un seul chiffre global.
Rendement gagné par unité de volatilité absorbée, recalculé après chaque cycle de backtest.
La baisse la plus importante, du sommet au creux, enregistrée, suivie séparément par régime pour exposer le risque spécifique au régime.
La proportion de signaux clôturant en bénéfices, segmentée plutôt que moyennée selon les conditions du marché.
Temps écoulé entre l'ingestion des données et la livraison du signal, mesuré sous la charge du marché en direct.
Plutôt que de présenter un seul rendement mixte, le résultat du backtest de chaque stratégie est ventilé selon le régime de marché dans lequel il a été généré. Cela permet de voir si la force apparente d'une stratégie vient de conditions générales ou d'une fenêtre étroite et favorable.
Note méthodologique : tous les backtests utilisent une validation progressive sur des données hors échantillon, intègrent les coûts de transaction historiques sur les actions et les changes britanniques et les estimations de dérapage, et excluent toute période utilisée pour entraîner le modèle sous-jacent. Les performances passées lors des tests ne garantissent pas les résultats futurs.
L'intégration est conçue pour prendre des heures, et non des semaines, tout en vous permettant de contrôler le comportement du modèle.
Liez votre compte de courtage existant via une connexion API sécurisée en lecture première. Les données historiques sur le commerce et les prix sont importées afin que le modèle dispose d'un contexte avant d'émettre un signal unique.
Définissez vos propres paramètres de risque : taille maximale de la position, distance stop-loss, exposition par secteur et délais de négociation. Le modèle adapte la fréquence du signal et le seuil de confiance pour s'adapter à ces contraintes.
Les signaux sont délivrés avec un score de confiance et une taille de position suggérée. Vous pouvez acheminer l'exécution directement via votre courtier connecté ou examiner chaque signal manuellement avant d'agir.
Le modèle sous-jacent ne change pas ; le calendrier, le seuil de confiance et les paramètres de risque dans lesquels il opère.
Pour les transactions à la minute, Kivendove AI resserre son seuil de confiance et raccourcit sa fenêtre de données, en se concentrant sur les déséquilibres de flux d'ordres et les écarts de liquidité à court terme courants dans les sociétés de taille moyenne du LSE lors de l'ouverture et de la fermeture du marché. Les signaux sont horodatés à la seconde près afin que la latence puisse être mesurée par rapport à votre propre vitesse d'exécution.
Horizon typique : secondes à minutes
Pour les prises de plusieurs jours, le modèle élargit sa fenêtre de données pour inclure les changements de sentiment avant les événements programmés tels que la publication des résultats et les annonces de la Banque d'Angleterre, en les comparant aux modèles de volatilité historiques du FTSE 100. La taille des positions s'ajuste automatiquement à mesure que la confiance augmente ou diminue au cours de la période de détention.
Horizon type : deux à dix jours de bourse
Pour les décisions d'allocation à plus long terme, Kivendove AI déplace l'attention des signaux de prix à court terme vers la dérive au niveau macro et sectoriel, signalant lorsque la pondération réelle d'un portefeuille s'écarte de son allocation cible. Les recommandations sont émises à une cadence trimestrielle plutôt que quotidienne, en ligne avec le chiffre d'affaires plus faible qu'exige ce style.
Horizon type : cycle de revue trimestriel
Toutes les données en transit sont chiffrées à l'aide de TLS 1.2 ou version ultérieure, et les données au repos sont chiffrées à l'aide d'AES-256. Les connexions de courtage utilisent des jetons API révocables en lecture première plutôt que des informations de connexion stockées, de sorte que l'accès peut être retiré à tout moment du côté de votre courtier sans nous contacter.
La latence du signal dépend du calendrier de la stratégie : les modèles orientés scalping sont optimisés pour une livraison inférieure à la seconde, tandis que les modèles de swing et de rééquilibrage fonctionnent sur des cycles plus longs et moins sensibles à la latence. Les chiffres de latence pour votre configuration spécifique sont affichés dans le tableau de bord de votre compte plutôt que cités sous la forme d'un nombre fixe unique, car les conditions du réseau varient.
La tarification est structurée en niveaux en fonction du nombre de stratégies connectées et de la fréquence d'actualisation des données, avec tous les détails fournis avant de connecter un compte de courtage réel. Il n'y a pas de frais basés sur la performance ; le coût de la plateforme ne change pas en fonction des performances de vos transactions.
L'intégration s'effectue actuellement par cohortes, afin que les performances du modèle et la qualité du support restent cohérentes à mesure que de nouveaux comptes sont connectés.
Aucune obligation. Vous serez contacté avant qu’une connexion de courtage ne soit requise.