Do I need coding or financial modelling experience to use Nang Phatdat?

No. The platform is built for people who want the output of quantitative analysis without building the models themselves. Recommendations are presented in plain language, with technical terms defined alongside the figures they describe.

What level of risk is involved?

Every recommendation carries a risk classification based on its predictive variance and historical drawdown range. No classification removes risk entirely: markets can move against any model, and simulated historical performance does not guarantee future results.

How often are recommendations and performance reports updated?

Underlying data is processed continuously, and recommendations are recalculated as new market information arrives rather than on a fixed daily or weekly cycle. Performance reporting is refreshed on the same basis, so you are not working from a static snapshot.

How is my data and account kept secure?

Account data is encrypted in transit and at rest, and access follows standard authentication practice. Nang Phatdat does not require your brokerage or banking login details to generate recommendations, since the platform analyses market data rather than managing your funds directly.

Tableau de bord d'analyse de données Nang Phatdat affiché sur un écran

Analyse de marché basée sur l'IA

Signaux d'investissement basés sur des données, sans le travail de feuille de calcul

Nang Phatdat exécute des analyses statistiques et d'apprentissage automatique en continu sur les prix du marché, les volumes et les données macroéconomiques, puis présente le résultat sous forme de recommandations que vous pouvez consulter en quelques minutes. Aucun codage, aucune création de modèle et aucune expérience préalable en finance quantitative n'est requise.

Afficher les performances de la stratégie Voir la méthodologie

Exemple de résultat de stratégie (à titre d’illustration)

Signaler la confianceÉlevé

Plage de baisse historiqueÉtroit

Statut de revalidation du modèleActuel

Exemple simulé à titre d’illustration uniquement. Il ne s'agit pas d'une prévision ou d'une garantie de rendements futurs.

L'écart qu'il comble

L'analyse manuelle du marché ne convient pas à la plupart des investisseurs

Le problème de le faire soi-même

L'évaluation des tendances de prix, des changements de volume et des indicateurs macroéconomiques, même sur une poignée de marchés, nécessite des heures de travail sur tableur chaque semaine, et une grande partie de cette analyse est obsolète avant d'être terminée. Construire un modèle prédictif fonctionnel à partir de zéro nécessite des statistiques, une programmation et une maintenance continue que peu d'investisseurs particuliers ont le temps ou l'expérience nécessaire pour s'en charger.

Une couche automatisée entre les données brutes et la décision

Nang Phatdat ingère les mêmes catégories de données qu'un analyste quantitatif utiliserait, applique des modèles qui ont déjà été testés par rapport à des conditions historiques et affiche uniquement les recommandations qui répondent à un seuil de confiance défini. Vous examinez le résultat ; le traitement s'exécute en continu en arrière-plan, que vous le regardiez ou non.

Trois termes à comprendre avant de commencer

Validation algorithmique: Tester les hypothèses d'un modèle par rapport à des données qu'il n'a jamais vues auparavant, pour vérifier si sa logique tient en dehors de l'échantillon sur lequel il a été construit.
Variance prédictive: Plage dans laquelle la sortie d'un modèle est censée varier. Une variance plus étroite indique généralement un signal de confiance plus stable et plus élevé.
Retour sur investissement backtesté: Le rendement qu’une stratégie aurait produit si elle avait été appliquée aux données historiques du marché. Il décrit les performances passées simulées et non une promesse sur les résultats futurs.

Sous le capot

Ce que fait réellement la plateforme

Quatre fonctionnalités se cachent derrière chaque recommandation que vous voyez à l’écran.

Modélisation

Modélisation prédictive

Les modèles statistiques et d'apprentissage automatique recherchent des tendances persistantes dans les données de prix, de volume et de sentiment, produisant des signaux prospectifs plutôt qu'un instantané statique de la situation actuelle d'un marché.

Pipeline de données

Ingestion de données en temps réel

Les flux de marché sont traités en continu, de sorte que les modèles recalculent à mesure que de nouvelles informations arrivent au lieu d'attendre un cycle de mise à jour quotidien ou hebdomadaire fixe.

Contrôle des risques

Atténuation automatisée des risques

Chaque recommandation comporte une classification de risque et des règles de dimensionnement des positions sont appliquées automatiquement pour limiter l'exposition à un signal, un modèle ou un marché unique.

Validation

Moteur de backtesting historique

Avant qu'un modèle n'atteigne votre tableau de bord, il est testé sur des années de données historiques pour voir comment il aurait fonctionné, y compris pendant les périodes de tensions sur le marché.

Le processus stratégique backtesté

Comment une recommandation est construite

Chaque stratégie passe par les quatre mêmes étapes avant d’atteindre votre tableau de bord. Aucune de ces étapes n'est ignorée pour produire un résultat plus rapide.

Collecte de données

Les prix, le volume des transactions et les indicateurs macroéconomiques pertinents sont extraits de plusieurs marchés et normalisés dans un format commun.

Validation du modèle

Chaque modèle est soumis à une validation algorithmique par rapport à des périodes historiques sur lesquelles il n’a pas été formé, y compris les ralentissements passés, afin de mesurer comment sa logique aurait résisté aux contraintes.

Stratégie d'exécution

Les recommandations sont émises avec une classification des risques et une suggestion de dimensionnement des positions, plutôt que sous la forme d'une seule instruction d'achat ou de vente sans réserve.

Surveillance des performances

Les résultats en direct sont comparés en permanence aux projections back-testées du modèle. Lorsque les résultats divergent de manière significative, le modèle est signalé pour un recalibrage.

Comment il est construit

Conçu pour montrer son fonctionnement

Nang Phatdat est construit par une équipe d'analystes de données et d'ingénieurs qui traitent chaque modèle comme un processus documenté plutôt que comme un système fermé. Chaque recommandation peut être retracée aux entrées de données et aux étapes de validation qui l'ont produite, afin que vous puissiez voir le raisonnement derrière un signal plutôt que de simplement vous fier au résultat.

La plateforme est basée au Royaume-Uni et structurée autour des attentes des investisseurs basés au Royaume-Uni en matière de traitement des données et de reporting, avec des notes méthodologiques disponibles avec chaque rapport stratégique.

Les analystes Nang Phatdat examinent les données de validation du modèle à l'écran

Disposition des rapports

Un examen plus approfondi des rapports que vous verriez

Le panneau ci-dessous reflète la structure du tableau de bord de reporting, en utilisant des chiffres simulés pour illustrer la présentation plutôt que pour représenter les résultats réels des transactions.

Courbe de backtest simulée (à titre d'illustration)

Période de backtest

Plusieurs cycles de marché complets, y compris des ralentissements, plutôt qu’une seule période historique favorable.

Bande de variance prédictive

Signalé avec chaque recommandation, non retenu dans les pièces justificatives que vous devez demander séparément.

Revalidation du modèle

Exécuté selon un calendrier fixe et déclenché automatiquement si les performances en direct s'écartent des attentes back-testées.

Les chiffres et graphiques de cette section sont uniquement illustratifs et ne représentent pas la performance historique ou projetée d'une stratégie spécifique. Les performances passées simulées ne constituent pas un indicateur fiable des résultats futurs et tout investissement comporte un risque de perte.

Avant de commencer

Questions qu’on nous pose le plus souvent

Ai-je besoin d’une expérience en codage ou en modélisation financière pour utiliser Nang Phatdat ?

Non. La plateforme est conçue pour les personnes qui souhaitent obtenir des résultats d’analyse quantitative sans créer elles-mêmes les modèles. Les recommandations sont présentées dans un langage simple, avec des termes techniques définis à côté des figures qu'ils décrivent.

Quel est le niveau de risque impliqué ?

Chaque recommandation comporte une classification de risque basée sur sa variance prédictive et sa plage de baisse historique. Aucune classification ne supprime entièrement le risque : les marchés peuvent évoluer par rapport à n'importe quel modèle, et les performances historiques simulées ne garantissent pas les résultats futurs.

À quelle fréquence les recommandations et les rapports de performance sont-ils mis à jour ?

Les données sous-jacentes sont traitées en continu et les recommandations sont recalculées à mesure que de nouvelles informations sur le marché arrivent plutôt que selon un cycle quotidien ou hebdomadaire fixe. Les rapports sur les performances sont actualisés de la même manière, vous ne travaillez donc pas à partir d'un instantané statique.

Comment mes données et mon compte sont-ils sécurisés ?

Les données du compte sont cryptées en transit et au repos, et l'accès suit les pratiques d'authentification standard. Nang Phatdat ne nécessite pas vos informations de connexion de courtage ou bancaires pour générer des recommandations, puisque la plateforme analyse les données de marché plutôt que de gérer directement vos fonds.