大多数在多个交易所管理头寸的专业人士都依赖于浏览器选项卡、导出的电子表格以及在时间过去后到达的警报的拼凑而成。每个消息来源本身都是准确的，但它们之间都没有相互交流，而它们之间的差距正是风险累积的地方。
Deriv Pilot 是围绕一个简单的观察而构建的：边缘很少丢失数据，而是未协调的数据。将每个馈送纳入一条连贯的时间线中，可以将噪声重新转变为可用信号。
头寸和订单簿位于单独的交易仪表板上，每个仪表板都有自己的刷新率和界面。
手动交叉参考需要几分钟的时间，而波动的市场无法可靠地给出反馈。
单个数字，例如传播或深度，在每个场地都意味着不同的东西，这使得手动进行同类比较很容易出错。
在每个决策之前协调五个仪表板会减少对决策本身的关注。
Deriv Pilot 通过面向读取的集成连接到您的每个交易帐户，并实时协调源，因此以前位于单独选项卡中的数字会在同一时间轴上以相同的单位并排显示。
来自连接的交易所的源会持续刷新，而不是按照固定的轮询时间表刷新，从而减少事件与其在您的视图中出现之间的滞后。
每个场地的深度和传播数据被合并到一张可比较的图片中，从而更容易判断当前执行条件有利的地方。
模式分析跨组合数据集而不是每次交换运行，因此场所之间的相关性可以浮出水面，而不会被遗漏。
可以为每个资产或每个场所设置阈值，并将通知路由到单个收件箱而不是多个单独的交换应用程序。
Deriv Pilot 是特意构建的决策支持层。模型揭示模式并量化可能的结果；最终决定权（包括规模和时间安排）仍由平台使用者决定。
这种设计选择反映了任何预测系统的实际局限性：市场变化格局，而对其自身不确定性不公开的模型可能会产生误导，而不是带来帮助。 Deriv Pilot 在每项建议旁边都会显示其置信水平，而不是提供单个数字作为确定性。
来自每个连接的交易所的帐户级提要被连续拉取并标准化为共享模式，因此无论源格式如何，可比较的字段都会排列起来。
根据历史和实时交叉交易模式训练的统计和机器学习模型可为您正在跟踪的场景生成短期和中期概率估计。
输出根据头寸规模、集中度和关联账户的相关性进行加权，突出显示风险在成为问题之前正在形成的位置。
建议被转化为具体的、可审查的建议，例如入场窗口或对冲比率，并可根据要求提供每一项建议背后的推理。
以下场景描述了 Deriv Pilot 用户之间的实际工作模式，这些用户在多个交易所管理头寸并承担其他专业职责。
在四个交易所持有头寸的散户投资者使用统一仪表板发现，他们最大的两个持仓比单独账户视图显示的相关性更强。基于这一综合情况的再平衡使下一季度的投资组合缩减减少了 15%。
回撤减少 15%评估新头寸的战略主管使用跨平台模型来识别在四个交易所同时出现的高概率切入点，而不是首先等待在单个场所确认模式。
4 个交易所同时确认切入点管理来自多个交易账户的收入的投资者使用汇总流动性视图来确定对冲总风险敞口而不是针对每个交易所风险敞口的对冲规模，从而避免了之前手动流程中发生的过度对冲。
针对真实组合风险敞口的对冲规模对于德国和整个欧盟的用户来说，数据处理和模型可靠性被视为核心产品要求，而不是事后的想法。
只要场所支持，交换连接就使用面向读取的 API 访问，并且凭据在静态和传输过程中进行加密。对 Deriv Pilot 内帐户级数据的访问进行了范围限制和记录，因此可以根据需要审查活动。
个人和帐户数据的处理符合适用的欧盟数据保护要求，包括定义的保留期以及请求访问或删除存储数据的能力。数据不会出于广告目的而出售或与第三方共享。
每个模型输出都显示有相关的置信范围，而不是单个明确的数字。每个模型的历史性能都会滚动审查，并且模型行为的重大更改会在生效之前而不是之后传达给用户。
连接您的第一个交易所只需几分钟，不需要转移资金或关闭其他地方的现有账户。在决定要转移多少工作流程之前，您可以查看自己数据的统一仪表板。
开始使用没有捏造的承诺，注册时没有锁定合同：您连接一个交易所，查看输出，然后从那里做出决定。