从数据到预测的完整链路
基于FFT的频域分析，自动识别数据中的隐藏周期性与共振模式，超越传统时域视角。
Transformer+GBDT混合架构，从原始数据自动提取特征。每月全量重训练，确保模型不过时。
构建高维状态转移矩阵，基于当前状态预测下一状态分布。特别适合短周期序列预测场景。
动态贝叶斯网络实时更新条件概率分布。每次新数据到达后自动重新计算后验概率。
Isolation Forest + LOF双异常检测模型并行运行，7x24小时自动标记偏离历史常态的结果序列。
在隔离沙箱中测试任意策略，支持蒙特卡洛模拟与压力测试。结果附带完整统计报告。
来自真实用户的反馈
"CrimsonEdge的频谱分析让我看到了之前完全忽略的周期性规律。FFT的应用非常巧妙，可视化也很直观。"
"策略沙箱是我最常用的功能。蒙特卡洛模拟的结果和实盘表现高度一致，统计报告也非常专业。"
"Transformer+GBDT混合架构的预测精度比我用过的任何单一模型都高。每月自动重训练也很省心。"
是的。所有核心算法的论文、伪代码与Python参考实现都在文档中心公开。我们相信透明是建立信任的唯一途径。
我们通过极致工程优化将单次预测成本控制到极低水平，加上社区贡献与赞助计划，免费模式完全可持续。
支持自定义规则、回溯周期(1月-3年)、蒙特卡洛模拟次数(100-10000次)、以及日频/周频/月频等粒度设置。
我们采用时间序列交叉验证(而非随机K折)，同时结合早停、正则化与模型集成来严格防止过拟合。
完整响应式设计，所有功能在手机端均可流畅使用。我们还提供PWA版本，支持离线查看已缓存的数据。