全球市场每小时生成的价格数据比单个分析师一天内所能查看的价格数据还要多。对于不受地点限制的投资者来说，要兼顾时区、连接差距和有限的屏幕时间，数据量和可用注意力之间的差距会直接转化为错过信号和延迟反应。
Luna Rentisto 全天候处理市场数据，并通过您的特定风险承受能力模型对其进行过滤。该系统不会对每一次波动做出反应，而是区分常规噪音和结构相关的变化，只显示那些保证你做出决定的东西。
根据历史和实时价格数据训练的统计模型可估计股票、基金和货币对的近期变动概率，为您提供前瞻性观点，而不是纯粹的历史观点。
结构化的吸收流程可以确定您的回撤能力、时间范围和流动性需求。我们会定期重新审视此资料，因此建议会随着您的情况和收入来源的变化而变化。
在授予权限的情况下，重新平衡建议可以在预先商定的阈值内自动执行，从而减少信号和操作之间的滞后，而无需不断的手动批准。
该平台将市场动态、宏观经济指标和您的账户级投资组合数据汇总到一个统一的数据集中，并持续刷新，而不是在日终批次刷新。
机器学习模型可以识别资产行为和宏观条件之间反复出现的相关性，将当前模式与历史库进行比较，以估计可能的近期轨迹。
调查结果会转化为根据您的风险状况加权的通俗易懂的建议，每条建议都附有明确的理由，因此推理仍然可审计。
在国家之间迁移时管理投资会带来传统咨询模式无法处理的摩擦：税收居住地的变化、银行业务的不一致以及收入时间的不规律。
Luna Rentisto 是围绕这一现实构建的。该系统不假设固定地点、单一货币或可预测的每月审查——它会根据您实际的工作和旅行方式调整其节奏和建议。
该模型跟踪以不同货币计价的资产之间的相关性，标记出当收入和支出也分散在各个国家时很容易被忽视的集中风险。
当波动性指标超过风险校准期间设定的阈值时，系统会在损失复合之前提出防御性调整，例如增加现金配置或对冲头寸。
对于收入不均匀的情况，该模型倾向于使用流动性状况与典型提款模式相匹配的创收工具，而不是默认固定的每月分配假设。
属于德国用户的账户和投资组合数据根据欧盟通用数据保护条例进行处理。个人财务数据与匿名模型训练数据分开存储，并且访问仅限于需要它来生成建议的功能。
如果没有定义的授权步骤，则不会执行模型生成的建议，除非已在商定的阈值内明确启用自动执行。模型输出与基本原理一起被记录，允许事后审查决策。
流动性考虑是初始风险校准的一部分。系统在建议分配时会考虑典型的结算时间和货币换算，因此建议的头寸在您指定的时间范围内仍然可以访问。