Muqbil 的引擎不断摄取传入的数据流，并在新信息到达时重新计算风险和机会分数，而不是等待预定的批处理作业。建议是在情况发生变化时发布，而不是在固定的时间内发布。
下面的每个组件都涉及管道的不同部分，从预测到提款处理，因此预测准确性和流动性控制被视为单独的、可审计的问题。
随机模型应用于历史和实时数据来估计一系列可能的结果，而不是单一的固定预测。每个建议旁边都会显示置信区间。
根据可配置的阈值监控头寸级别和投资组合级别的风险敞口。当接近阈值时，系统会在突破之前（而不是之后）对其进行标记。
当新数据到达时，会重新计算分配权重，权衡预期收益与用户设置的风险参数。重新平衡建议是提出来的，而不是默默执行的。
提款请求是通过与分析引擎分离的低延迟执行路径处理的，因此待处理的建议永远不会延迟对资金的访问。
每项建议都可以追溯到四个阶段。目的是用户可以检查信号生成的原因，而不仅仅是其建议的内容。
在分析开始之前，市场信息、投资组合头寸和相关外部指标会被持续提取并标准化为通用格式。
统计和机器学习模型扫描标准化数据以查找重复结构和偏差，将当前状况与历史类似情况进行比较。
调查结果会转换为带有指定置信范围的排名、带时间戳的建议，因此建议背后的推理仍然可见。
每个推荐都需要用户的明确批准或设定的长期规则；未经相应授权，系统不会对资金进行操作。
仅当用户可以对其采取行动（包括退出头寸）时，预测模型才有用。以下几点描述了 Muqbil 如何将提款作为政策问题而不是例外流程来处理。
在平台运行时间内提交的提款请求将在当天得到处理，且请求中没有强制保留期限。
分配给人工智能管理策略的资本永远不会有固定的锁定期。用户可以随时根据变化的信号转向或退出。
账户和交易数据在传输和静态时均进行加密，数据处理实践的结构符合德国适用的 GDPR 要求。
Muqbil 被构建为位于原始市场数据和用户自己的判断之间的决策支持层。该平台的设计目的是使其推理可检查，因此可以对建议进行审查，而不是盲目接受。
该引擎针对的是副业投资者和专业人士，他们希望在自己的时间里获得分析优势，同时又不想放弃对何时可以获得自己的资本的控制权。
没有任何预测模型可以消除市场风险。建议是在规定的置信范围内发出的，而不是单一的保证结果，并且持续监控头寸水平的风险限额，以便单个错误判断的信号不会对投资组合产生不成比例的影响。用户保留设置自己的风险阈值并覆盖任何建议操作的能力。
提款请求通过账户界面提交，不受锁定期或通知期的限制。在平台运行时间内提出的请求将在当天得到处理。由于提款执行是与分析引擎分开处理的，因此待处理的建议不会延迟提款请求。
数据处理实践的结构符合 GDPR 要求，包括数据最小化以及传输中和静态数据的加密。用户可以通过页脚中列出的联系渠道索取有关存储哪些数据以及如何处理数据的详细信息。