在多个经纪商或交易所进行投资的家庭往往会忘记整体风险和回报。 Wam Calgary通过实时聚合解决了这个问题：头寸、价格趋势和关键数据被持续读入、标准化并以统一的视图显示。
预测分析作用于该数据库并识别各个仓库的模式。这显着降低了评估的复杂性，但并不能取代用户的决定。
The models continuously evaluate market movements and flag abnormalities before they develop into major risks.以下三个方面总结了该过程的具体运作方式。
即使在不同的证券交易所，也会检查投资组合结构的集中风险和头寸之间的相关性。
根据历史模式，计算出适合个人投资期限的重新分配建议。
系统全天候工作并报告相关偏差，无需对每个位置进行手动控制。
Wam Calgary 没有参考参考资料或客户意见，而是揭示了如何根据市场数据创建具体的行动建议。每一步都可追溯。
价格、交易量和头寸数据可通过多个证券交易所的连接接口进行访问和验证。
模型分析合并数据，以了解选定时间范围内的模式、偏差和可能的风险发展。
结果以具体建议的形式提出。无论如何，最终决定权仍由用户决定。
财务数据须遵守特殊的尽职调查要求。 Wam Calgary 仅在欧盟境内的服务器上处理投资组合和价格数据，并且基于 GDPR 的要求。
处理和存储在服务器位于德国或欧盟的基础设施上进行。
Data transfers are secured via TLS, depot data is stored encrypted when at rest.
用户保留对其数据的控制权，并可以随时请求导出或删除。
以下概述显示了如何将输入数据转换为 AI 优化结果的示例。 The times are based on typical horizons of 10 to 20 years.
| 场景 | 输入数据 | AI优化结果 |
|---|---|---|
| 退休规划 | 每月储蓄率、现有投资组合、目标年龄 | 15-20 年的风险调整转换 |
| 培训储备 | Target amount, time horizon until the start of training | 在目标时间减少股份份额 |
| 多元化增长 | Existing positions across multiple stock exchanges | 平衡每个资产类别的集群风险 |