Cấu trúc dữ liệu học

Trang này dựa trên dữ liệu thu từ tài khoản thật và giao dịch tiền mã hóa thời gian thực từ 11/2024, mô tả cấu trúc dữ liệu nhằm đảm bảo khả năng truy vết, kiểm toán và tái hiện cho quyết định AI.

Vì sao cần

AI giao dịch tiền mã hóa phải hỗ trợ truy vết, kiểm toán và tái hiện quyết định thực trong vận hành, không chỉ dự đoán kết quả. NoahAI ghi mọi phán đoán dưới dạng dữ liệu để minh bạch và tin cậy.

Ai nên đọc

Cấu trúc được thiết kế cho vận hành trên tài khoản thật và làm chuẩn tham chiếu chung cho xác minh kỹ thuật, mở rộng và kiểm toán.

Luồng dữ liệu vận hành thực tế

Thu thông tin thị trường thời gian thực (giá, biến động, sổ lệnh)
Sinh quyết định AI (tín hiệu, độ tin cậy, áp dụng guardrail)
Phản hồi thực thi lệnh (khớp, trượt giá, từ chối)
Xem lại sau giao dịch và vòng học

Trọng tâm là "chuẩn hóa bản ghi".

Phán đoán, ngữ cảnh và kết quả phải lưu cùng một schema để có thể xem lại, học, kiểm toán và giữ niềm tin người dùng. Dưới đây là các cấu trúc dữ liệu chính theo schema kiểu CareLog.

DecisionLog

Nhật ký quyết định

Tên trường	Kiểu	Mô tả
decision_id	UUID	ID quyết định duy nhất
timestamp	TIMESTAMP	Thời điểm quyết định
strategy	STRING	Chiến lược được chọn
action	ENUM	Loại hành động (BUY/SELL/HOLD)
reasoning	JSON	Cơ sở phán đoán (mẫu, tín hiệu, trọng số)
confidence	FLOAT	Điểm tin cậy (0–1)
model_version	STRING	Phiên bản mô hình AI đã dùng

MarketSnapshot

Ảnh chụp dữ liệu thị trường

Tên trường	Kiểu	Mô tả
snapshot_id	UUID	ID ảnh chụp duy nhất
timestamp	TIMESTAMP	Thời điểm ảnh chụp
symbol	STRING	Mã giao dịch
price	DECIMAL	Giá hiện tại
volume	DECIMAL	Khối lượng
volatility	DECIMAL	Chỉ số biến động
orderbook_depth	JSON	Dữ liệu độ sâu sổ lệnh
market_signals	JSON	Tín hiệu thị trường phát hiện được

AccountSnapshot

Ảnh chụp trạng thái tài khoản

Tên trường	Kiểu	Mô tả
snapshot_id	UUID	ID ảnh chụp duy nhất
timestamp	TIMESTAMP	Thời điểm ảnh chụp
balance	DECIMAL	Số dư
positions	JSON	Danh sách vị thế hiện tại
leverage	DECIMAL	Tỷ lệ đòn bẩy
margin_used	DECIMAL	Ký quỹ đang dùng
unrealized_pnl	DECIMAL	Lãi lỗ chưa thực hiện

RiskEvent

Sự kiện rủi ro

Tên trường	Kiểu	Mô tả
event_id	UUID	ID sự kiện duy nhất
timestamp	TIMESTAMP	Thời điểm sự kiện
risk_type	ENUM	Loại rủi ro (LOSS_LIMIT/VOLATILITY/LEVERAGE/ANOMALY)
severity	ENUM	Mức độ (LOW/MEDIUM/HIGH/CRITICAL)
trigger_value	DECIMAL	Giá trị kích hoạt
action_taken	STRING	Hành động đã thực hiện
guardrail_applied	BOOLEAN	Đã áp dụng guardrail hay chưa

ExecutionResult

Kết quả thực thi

Tên trường	Kiểu	Mô tả
execution_id	UUID	ID thực thi duy nhất
decision_id	UUID	ID quyết định liên kết
timestamp	TIMESTAMP	Thời điểm thực thi
order_type	ENUM	Loại lệnh (MARKET/LIMIT/STOP)
quantity	DECIMAL	Số lượng
executed_price	DECIMAL	Giá khớp
slippage	DECIMAL	Trượt giá
fee	DECIMAL	Phí
status	ENUM	Trạng thái (PENDING/FILLED/PARTIAL/CANCELLED/FAILED)

XAITrace

Nhật ký truy vết XAI

Tên trường	Kiểu	Mô tả
trace_id	UUID	ID truy vết duy nhất
decision_id	UUID	ID quyết định liên kết
timestamp	TIMESTAMP	Thời điểm truy vết
explanation	TEXT	Giải thích quyết định (dạng người đọc được)
evidence	JSON	Dữ liệu chứng cứ (mẫu, tín hiệu, thống kê)
confidence_breakdown	JSON	Phân rã độ tin cậy
alternative_options	JSON	Phương án đã xem xét nhưng không chọn

Ví dụ cấu trúc dữ liệu học

Ví dụ dưới đây là phiên bản đơn giản hóa để dễ hiểu cấu trúc vận hành thực.

Cấu trúc dữ liệu học đang dùng gồm:

{
  "ai_learning_data": {
    "decision_history": [
      {
        "timestamp": "2025-01-26T10:30:00Z",
        "asset_type": "crypto",
        "decision": "long_entry",
        "reasoning": {
          "signal_strength": 0.85,
          "pattern": "bull_flag",
          "market_conditions": "high_volatility"
        },
        "confidence": 0.9,
        "tp": 50000,
        "sl": 48000,
        "exchange": "Binance",
        "execution_status": "filled",
        "result": "profit_target_hit"
      }
    ],
    "conversation_patterns": {
      "common_questions": [
        "Cách nạp tiền lên sàn",
        "Thủ tục rút tiền mã hóa",
        "Cài đặt khóa API",
        "Hướng dẫn phí giao dịch"
      ],
      "response_effectiveness": {
        "step_by_step_guide": 0.95,
        "simple_language": 0.92
      }
    },
    "user_satisfaction_metrics": {
      "comprehension_rate": 0.88,
      "task_completion_rate": 0.85
    }
  }
}

Cấu trúc này hỗ trợ ra quyết định tiền mã hóa thời gian thực, theo dõi thực thi và học theo điều kiện thị trường.

Nguyên tắc thiết kế schema

Chuẩn hóa: mọi phán đoán/ngữ cảnh/kết quả cùng định dạng để có thể xem lại
Khả năng truy vết: mỗi bản ghi có ID duy nhất và dấu thời gian để theo dõi theo thứ tự thời gian
Kết nối: DecisionLog, ExecutionResult, XAITrace liên kết để truy vết toàn luồng
Ẩn danh: học theo đơn vị mẫu không có thông tin nhận dạng cá nhân, phục vụ học tập tập thể
Mở rộng: trường JSON cho phép thêm trường mới mà không phá cấu trúc hiện có

Ví dụ sử dụng dữ liệu

Kiểm tra độ tương đồng mẫu giao dịch

So sánh mẫu giao dịch tiền mã hóa trong quá khứ với thị trường hiện tại để phân tích hiệu suất trong mẫu tương tự; dùng cho quản lý rủi ro qua xác minh mẫu trước khi vào lệnh.

Ngưỡng theo tình thị trường

Điều chỉnh độ tin cậy và ngưỡng rủi ro theo tình (biến động tăng vọt, đi ngang, xu hướng) để hỗ trợ quyết định tốt hơn.

Hiệu quả guardrail và phòng tránh lỗ

Phân tích kết quả áp dụng guardrail và mức sụt tối đa để cải tiến chính sách và tối ưu chiến lược rủi ro.

Tài liệu kỹ thuật liên quan

Các luồng giải thích·ghi nhận·học sử dụng cấu trúc dữ liệu này được mô tả trong các tài liệu sau.