Hệ thống dữ liệu học AI: thu thập tự động mọi tín hiệu giao dịch
Tháng 12/2025
Mục đích của hệ thống dữ liệu học
Hệ thống AI tài chính của NoahAI Labs hướng tới không phải “tự động hóa cố định” mà là “cấu trúc phán đoán tích lũy kinh nghiệm”. Vì vậy chúng tôi xây dựng hệ thống dữ liệu học để tự động thu thập và phân tích mọi tín hiệu giao dịch.
Mục tiêu của hệ thống gồm:
- Học liên tục: học dựa trên kinh nghiệm giao dịch thực
- Nhận dạng mẫu: tự nhận dạng và học mẫu thị trường
- Tối ưu động: tối ưu theo biến động thị trường
- Phản ánh đặc từng sàn: học độc lập đặc tính từng sàn giao dịch
Cấu trúc thu thập dữ liệu
1. Thu thập tín hiệu tự động
Trên mọi sàn, thu thập tín hiệu tự động theo chu kỳ 1 phút.
- APISignalManager: trao đổi tín hiệu API theo từng sàn và tạo dữ liệu học
- Chạy tự động: chạy nền không cần can thiệp
- Chuẩn hóa: chuyển dữ liệu từng sàn sang định dạng thống nhất
- Lưu trữ: lưu tự động vào cơ sở dữ liệu học
2. Loại dữ liệu thu thập
- Dữ liệu thị trường: giá, khối lượng, biến động, v.v.
- Chỉ báo kỹ thuật: RSI, MACD, dải Bollinger, v.v.
- Tâm lý thị trường: chỉ số sợ hãi/tham lam, funding, v.v.
- Tín hiệu giao dịch: tín hiệu mua/bán và kết quả
Thiết kế cấu trúc dữ liệu
1. Signal History
Ghi lại lịch sử mọi tín hiệu giao dịch.
- Thời điểm phát sinh tín hiệu
- Loại tín hiệu (mua/bán)
- Bối cảnh thị trường (tăng/giảm/đi ngang)
- Kết quả giao dịch (lãi/lỗ)
2. Pattern Analysis
Phân tích dữ liệu đã thu để trích xuất mẫu.
- Mẫu giao dịch thành công
- Mẫu giao dịch thất bại
- Mẫu theo tình huống thị trường
- Mẫu theo sàn
3. Dynamic Thresholds
Điều chỉnh ngưỡng động theo biến động thị trường.
- Ngưỡng theo tình huống thị trường
- Ngưỡng theo sàn
- Ngưỡng theo khung giờ
- Cơ chế điều chỉnh tự động
4. Exchange Specific
Học độc lập đặc tính từng sàn.
- Mẫu theo sàn
- Chiến lược tối ưu theo sàn
- Đặc tính rủi ro theo sàn
Cấu trúc vòng học
1. Record (ghi nhận)
Ghi mọi tín hiệu và kết quả giao dịch theo định dạng chuẩn.
2. Normalize (chuẩn hóa)
Chuyển dữ liệu từng sàn sang định dạng chuẩn.
3. Insight
Phân tích dữ liệu đã ghi để trích xuất mẫu và insight.
4. Policy (chính sách)
Dựa trên insight để cập nhật chính sách giao dịch.
5. Risk (rủi ro)
Kiểm tra chính sách đã cập nhật dưới góc nhìn rủi ro.
6. Feedback (phản hồi)
Đưa kết quả giao dịch thực vào vòng học tiếp theo.
Đặc điểm chính
1. Tự động hóa
Toàn bộ quy trình chạy tự động, không cần can thiệp thủ công.
2. Tính liên tục
Trong khi hệ thống hoạt động, học liên tục.
3. Tính độc lập
Học độc lập theo từng sàn để phản ánh đặc tính từng nơi.
4. Khả năng xác minh
Mọi dữ liệu học được lưu theo định dạng chuẩn nên có thể kiểm chứng.
Góc nhìn R&D công và nhà đầu tư
Tính đổi mới kỹ thuật
Hệ thống dữ liệu học AI cho phép học liên tục và tối ưu tự động.
- Tự học: học tự động không cần can thiệp thủ công
- Nhận dạng mẫu: tự nhận dạng mẫu thị trường
- Tối ưu động: tối ưu theo biến động thị trường
Khả năng mở rộng
Hệ thống dữ liệu học vẫn hoạt động khi thêm sàn mới hoặc loại tài sản mới.
- Khi thêm sàn mới, tự bắt đầu học
- Khi thêm loại tài sản mới, học độc lập
- Không ảnh hưởng dữ liệu học hiện có
Kết luận
Hệ thống dữ liệu học AI là hệ thống cốt lõi hiện thực hóa không phải “tự động hóa cố định” mà là “cấu trúc phán đoán tích lũy kinh nghiệm”.
Cấu trúc tự động thu thập và phân tích mọi tín hiệu giao dịch, học và tối ưu liên tục là minh chứng quan trọng về tính đổi mới kỹ thuật và khả năng mở rộng.