NoahAI Labs•Technology•Chứng minh kỹ thuật

Cấu trúc ra quyết định AI tài chính được chứng minh bằng vận hành thực tế

NoahAI là hạ tầng AI tài chính vận hành trên tài khoản thật, thời gian thực và log — không chỉ là khái niệm.

Góc nhìn đối tác & thẩm định: dấu vết phán đoán và khả năng tái hiện

Điều đánh giá bên ngoài thường yêu cầu không phải một con số lợi nhuận nổi bật mà là liệu ngữ cảnh hình thành mỗi phán đoán (đầu vào, chính sách, rủi ro, kết quả) có được ghi lại và có thể phát lại, xem xét trong cùng điều kiện hay không. NoahAI gắn kết nhật ký và liên kết này vào sản phẩm thông qua vận hành thực tế — phù hợp với quan điểm hạ tầng ưu tiên khả năng vận hành và kiểm toán hơn là chỉ hiệu suất bề ngoài.

Tại sao cần chứng minh kỹ thuật

Nhiều AI tài chính chỉ tồn tại như khái niệm. Họ công bố backtest, mô phỏng hoặc bản demo PoC, nhưng cấu trúc mà mọi phán đoán được ghi nhận và có thể tái hiện trong môi trường thực tế thì hiếm.

NoahAI đã vận hành trên tài khoản thật theo khuôn khổ giám sát liên tục kể từ tháng 11/2024. Mọi phán đoán, thực thi và kết quả đều được log; các log này kết nối với dữ liệu học để một cấu trúc cải tiến liên tục thực sự chạy trong thực tế.

AI tài chính chỉ là khái niệm

  • • Chỉ công bố kết quả backtest
  • • Công khai chọn lọc hiệu suất
  • • Thiếu log vận hành thực tế
  • • Không thể tái hiện

NoahAI được chứng minh bằng vận hành thực tế

  • • Vận hành tài khoản thật với giám sát liên tục
  • • Mọi phán đoán được ghi log
  • • Log kết nối với dữ liệu học
  • • Cấu trúc có thể tái hiện và xác minh

Pipeline vận hành thực tế

Dưới đây là pipeline chạy trong môi trường thực tế. Mỗi bước được ghi log, nối với bước tiếp theo và cuối cùng hồi lưu thành dữ liệu học.

1

Market Data

Thu thập dữ liệu thị trường theo thời gian thực (giá, khối lượng, biến động, sổ lệnh)

Nhật ký [analysis] — thời điểm thu thập, nguồn dữ liệu, giá trị chỉ báo

2

Analyzer

Tính chỉ báo kỹ thuật (RSI, MACD, Bollinger, v.v.) và phân tích bối cảnh thị trường

Nhật ký [analysis] — giá trị chỉ báo, kết quả phân tích, cường độ tín hiệu

3

Decision

AI tổng hợp dữ liệu thị trường và ngữ cảnh tài chính cá nhân thành phán đoán

Nhật ký [analysis] — lý do, độ tin cậy, chiến lược được chọn, phương án thay thế

4

Risk

Áp dụng guardrail và đánh giá rủi ro (giới hạn, điều kiện dừng, quy tắc kiểm soát bảo thủ)

Nhật ký [monitor] — guardrail có/không, kết quả rủi ro, hoạt động an toàn

5

Execution

Hỗ trợ thực thi tùy chọn trong phạm vi cài đặt người dùng và giới hạn an toàn

Nhật ký [trade], [order] — tạo lệnh, kết quả thực thi, trượt giá, trạng thái khớp

6

Exit

Đóng vị thế (chạm TP/SL, ngưỡng động, phát hiện thay đổi bên ngoài, v.v.)

Nhật ký [exit] — lý do thoát, kết quả, lãi/lỗ, dữ liệu học

7

XAI

Ghi toàn bộ quy trình ở dạng có thể giải thích (lý do, kết quả thực thi, đánh giá rủi ro)

Nhật ký: [analysis], [trade], [order], [monitor], [exit] — log có thể giải thích ở mỗi bước

8

Learning

Log được chuyển thành dữ liệu học và phản ánh vào cải thiện chính sách

Cấu trúc dữ liệu: DecisionLog, ExecutionResult, XAITrace → dữ liệu học cho phân tích mẫu và hiệu chỉnh chính sách

Điểm cốt lõi: Mỗi bước của pipeline không chạy độc lập. Mọi bước được ghi log và các log này kết nối với phán đoán tiếp theo và với học tập.

Ví dụ log vận hành thực tế

Dưới đây là ví dụ log từ môi trường Binance Futures thực tế. Thông tin nhạy cảm đã được loại bỏ; trọng tâm là cấu trúc và mối liên kết.

2025-01-26 10:30:00 | INFO - [analysis] Bắt đầu thu thập dữ liệu thị trường
2025-01-26 10:30:01 | INFO - [analysis] BTC/USDT giá: 42,350, biến động: 0.023, RSI: 58.5
2025-01-26 10:30:02 | INFO - [analysis] Phát hiện tín hiệu MACD, gần dải Bollinger trên
2025-01-26 10:30:03 | INFO - [analysis] Kiểm tra tương đồng mẫu: bull_flag độ tương đồng 0.78
2025-01-26 10:30:04 | INFO - [decision] Phán đoán: long_entry, độ tin cậy: 0.85, TP: 43,500, SL: 41,800
2025-01-26 10:30:05 | INFO - [monitor] Kiểm tra guardrail: trong giới hạn rủi ro tối đa, cho phép thực thi
2025-01-26 10:30:06 | INFO - [trade] Tạo lệnh: Binance Futures, BTC/USDT, Long, khối lượng: 0.01
2025-01-26 10:30:07 | INFO - [order] Khớp lệnh: giá 42,360, trượt giá: 0.024%
2025-01-26 10:30:08 | INFO - [monitor] Bắt đầu theo dõi vị thế, PnL hiện tại: 0
2025-01-26 10:35:12 | INFO - [monitor] Theo dõi vị thế: giá 42,850, PnL chưa thực hiện: +1.16%
2025-01-26 10:40:25 | INFO - [exit] Chạm TP: đạt mục tiêu 43,500, đóng vị thế
2025-01-26 10:40:26 | INFO - [exit] Kết quả: chốt lãi, lợi nhuận cuối: +2.69%
2025-01-26 10:40:27 | INFO - [xai] Tóm tắt lý do: RSI 58.5, tín hiệu MACD tăng, bull_flag, độ tin cậy 0.85
2025-01-26 10:40:28 | INFO - [learning] Ghi dữ liệu học: decision_id, execution_status, result, feedback

Đặc điểm cấu trúc log

  • • Ghi theo thời gian: mọi bước được ghi tuần tự kèm dấu thời gian
  • • Phân loại: [analysis], [trade], [order], [monitor], [exit] để dễ truy vết
  • • Có thể nối: decision_id, execution_id, v.v. liên kết log theo toàn bộ luồng
  • • Có thể tái hiện: cùng dữ liệu thị trường và cài đặt có thể tái hiện chạy

Liên kết log và cấu trúc dữ liệu học

Log vận hành không chỉ được lưu mà còn chuyển thành cấu trúc dữ liệu học chuẩn hóa để nâng cao chất lượng phán đoán tiếp theo.

Quy trình chuyển log → dữ liệu học

1. Tạo DecisionLog

Trích từ log [analysis], [decision]:

  • decision_id (ID quyết định duy nhất)
  • timestamp (thời điểm quyết định)
  • reasoning (cơ sở phán đoán: mẫu, tín hiệu, trọng số)
  • confidence (điểm tin cậy)
  • model_version (phiên bản mô hình AI được dùng)

2. Tạo ExecutionResult

Trích từ log [trade], [order]:

  • execution_id (ID thực thi duy nhất)
  • decision_id (ID quyết định liên kết)
  • executed_price (giá thực thi)
  • slippage (trượt giá)
  • status (trạng thái: FILLED/CANCELLED/FAILED)

3. Kết quả và phản hồi

Trích từ log [exit]:

  • result (lãi/lỗ, có chạm TP/SL hay không)
  • feedback (dữ liệu phản hồi cho học)
  • pattern (phân loại mẫu thành công/thất bại)

Cấu trúc liên kết:

DecisionLog {
  decision_id: "uuid-123",
  reasoning: { pattern: "bull_flag", signal_strength: 0.85 },
  confidence: 0.9
}
    ↓ (liên kết)
ExecutionResult {
  execution_id: "uuid-456",
  decision_id: "uuid-123",  ← liên kết
  executed_price: 42360,
  status: "FILLED"
}
    ↓ (liên kết)
ExitResult {
  execution_id: "uuid-456",  ← liên kết
  result: "profit_target_hit",
  feedback: { pattern: "success", profit_rate: 0.0269 }
}
    ↓ (sang dữ liệu học)
LearningData {
  decision_history: [DecisionLog + ExecutionResult + ExitResult],
  pattern: "success",
  market_conditions: "high_volatility"
}

Chi tiết cấu trúc dữ liệu xem tại trang cấu trúc dữ liệu.

Vai trò Analyst AI

Analyst AI không thực thi giao dịch. Đây là lớp phân tích tóm tắt, so sánh và giải thích kết quả vận hành để người dùng và vận hành viên hiểu được.

❌ Analyst AI không phải

  • • AI thực thi giao dịch trực tiếp
  • • AI thay bạn ra quyết định đầu tư
  • • AI bảo đảm lợi nhuận

✔ Vai trò của Analyst AI

  • • Tóm tắt và sắp xếp kết quả vận hành
  • • So sánh và giải thích mẫu
  • • Trình bày lý do phán đoán dễ hiểu

Cấu trúc hoạt động của Analyst AI

1. Phân tích thị trường (analyzer.py)

Tính chỉ báo kỹ thuật, phân tích bối cảnh thị trường, tạo tín hiệu. Toàn bộ quá trình phân tích được ghi dưới [analysis].

2. Nhận dạng mẫu (ai_manager.py)

Kiểm tra tương đồng với mẫu trong quá khứ, phân tích bối cảnh, điều chỉnh ngưỡng động. Kết quả mẫu dùng làm cơ sở phán đoán.

3. Tạo báo cáo (ai_manager.py)

Báo cáo ngày/tuần/tháng, tóm tắt lý do, so sánh lựa chọn. Trình bày để người dùng và vận hành viên hiểu được.

Điểm cốt lõi: Analyst AI cung cấp đầu vào cho Decision Layer và phân tích, giải thích kết quả thực thi — đó là lớp phân tích. Thực thi thuộc Execution Layer; Analyst AI giúp quy trình đó dễ hiểu.

Học tăng cường và cơ chế học tập tập thể

Log được ghi lại chuyển thành dữ liệu học và phản ánh vào cải thiện chính sách. Kết quả cá nhân được bảo vệ; chỉ mức mẫu được dùng cho học tập tập thể.

Cơ chế học tăng cường

Điều chỉnh trọng số chính sách theo phần thưởng

Kết quả thực thi (lãi/lỗ) và hiệu quả quản trị rủi ro được tính thành hàm phần thưởng để điều chỉnh tham số chính sách.

Thiết kế hàm phần thưởng xem tại trang vòng lặp tối ưu hóa AI.

Bao gồm log thất bại

Giao dịch thất bại cũng như thành công đều được đưa vào dữ liệu học. Phân tích nguyên nhân thất bại giúp chính sách cải thiện để không lặp lại sai lầm.

Học theo đơn vị mẫu

Học theo mẫu thành công/thất bại, không chỉ con số lãi/lỗ thuần. Học mẫu khác nhau theo bối cảnh thị trường (tăng/giảm/đi ngang) để phán đoán phù hợp tình huống.

Cơ chế học tập tập thể

Bảo vệ thông tin cá nhân

Khối lượng giao dịch cá nhân, thông tin tài khoản và thời điểm chính xác không dùng cho học tập tập thể.

Học tập tập thể chỉ dùng mẫu đã ẩn danh:

  • Mẫu bối cảnh thị trường (biến động, xu hướng, khối lượng)
  • Mẫu thành công/thất bại (chạm TP, chạm SL, ngưỡng động)
  • Mẫu quản trị rủi ro (guardrail kích hoạt, điều kiện dừng)

Hiệu quả học tập tập thể

Qua học tập tập thể ở mức mẫu, kinh nghiệm của một người dùng góp phần nâng chất lượng phán đoán của người khác. Càng tích lũy mẫu, chất lượng phán đoán của toàn hệ thống càng cùng phát triển.

Tăng lượng học → cấu trúc cải thiện:
Càng nhiều giao dịch được ghi, càng nhiều mẫu đa dạng tích lũy trong dữ liệu học; các mẫu phản ánh vào hiệu chỉnh chính sách để độ tin cậy và độ chính xác của phán đoán tiếp theo tăng. Đây không phải cạnh tranh hiệu suất ngắn hạn mà là xây dựng cấu trúc phán đoán thận trọng và an toàn hơn theo thời gian.

Tóm tắt khác biệt kỹ thuật NoahAI

Nhiều AI tài chính tách rời thực thi, giải thích và học, hoặc chỉ triển khai một phần. NoahAI nối cả ba trong một pipeline thực sự chạy.

Thực thi

Hỗ trợ thực thi tùy chọn trong phạm vi cài đặt người dùng và giới hạn an toàn

Mọi thực thi được ghi log và kết quả thực thi kết nối với dữ liệu học.

Giải thích

Ghi lý do mọi phán đoán ở dạng có thể giải thích

Theo chính sách XAI, mọi quy trình ra quyết định minh bạch và có thể tái hiện.

Học

Log được chuyển thành dữ liệu học và phản ánh vào cải thiện chính sách

Thực thi, giải thích và học không tách rời mà chạy trong một pipeline.

Điểm khác biệt chính

  • • Cấu trúc không tách thực thi·giải thích·học: các bước không độc lập mà nối trong một pipeline.
  • • Mọi phán đoán được ghi và có thể tái hiện: trong thực tế, mọi phán đoán được log; cùng điều kiện có thể tái hiện.
  • • Log kết nối dữ liệu học: không chỉ lưu trữ mà chuyển thành dữ liệu học chuẩn hóa cho phán đoán tiếp theo.
  • • Bao gồm log thất bại: giao dịch thất bại cũng đưa vào học để tránh lặp sai.
  • • Cân bằng học tập tập thể và bảo vệ cá nhân: bảo vệ thông tin cá nhân; chỉ mức mẫu dùng cho học tập tập thể để chất lượng phán đoán toàn hệ cùng tăng.

NoahAI không phải khái niệm — đây là cấu trúc thực sự vận hành.
Kể từ tháng 11/2024 vận hành trên tài khoản thật theo khuôn khổ giám sát liên tục; mọi phán đoán, thực thi và kết quả được log; các log kết nối dữ liệu học để một cấu trúc cải tiến liên tục chạy trong thực tế.

Tài liệu kỹ thuật liên quan

Trang này tập trung vào chứng minh vận hành thực tế. Chi tiết từng thành phần xem trong các tài liệu dưới đây.

XAI (AI có thể giải thích)

Cơ sở ra quyết định, log có thể truy vết và hệ báo cáo — chi tiết →

Cấu trúc dữ liệu

Schema và chiến lược lưu trữ cho dữ liệu phán đoán / kết quả / ngữ cảnh — chi tiết →

Vòng lặp tối ưu hóa AI

Vòng vận hành Record → Review → Policy → Risk → Feedback → XAI — chi tiết →

Kiến trúc hệ thống

Core / Engine / Analyzer / Storage và thiết kế mở rộng — chi tiết →