四阶段决策流水线

市场数据

流水线始于对 Tantoryn AI 跟踪的各品种市场数据的持续采集,并在多个周期上进行处理,以便后续每个阶段获得相同、一致、按时间排序的上下文。

该层没有自己的交易观点。它唯一的职责是维护一份干净、按时间顺序正确的记录,供后续的研究与运行环境组件依赖,而无需自行重新推导。

候选生成器

候选生成器(CG)是第一个分析层。在任何 ML 打分发生之前,它会从数据中识别出形式化的市场候选项 —— 值得进一步评估的结构化条件。

候选项不是交易决策。它是由明确的、带版本的规则生成的假设,而不是由模型生成的。我们不公开候选生成背后确切的专有阈值;这部分逻辑是系统中默认保持不公开的部分。

ML 决策层

机器学习模型评估的是 CG 已经生成的候选项。它们的作用范围狭窄而明确:对候选项的预估质量进行打分和排序,而不是从原始市场数据中凭空生成候选项。

关键在于,ML 不能直接开仓,也不能绕过风险控制。较高的模型分数是必要条件,但永远不是充分条件本身 —— 每个候选项仍必须通过下方独立的风险与生命周期 gate。

该层背后的模型架构目前正处于积极的研究与重新验证阶段,因此本页有意不将某个特定模型系列描述为最终方案。保持不变的是这条边界:ML 负责评估,而不是独自做出决策。

风险 / 生命周期引擎

这是最终的批准 gate,按设计独立于 ML 层。在任何事物获准成为信号之前,它会应用风险控制、敞口检查和生命周期管理。

生命周期管理涵盖诸如止损与止盈设置等概念,以及一个持仓在时间推移中如何被跟踪和平仓 —— 而不仅仅是它如何被开立。

我们在此描述该引擎的作用与目的,但不会公开其确切的内部风险参数,这些参数默认保持不公开。

运行环境

运行环境是让流水线持续针对实时市场运行的部分:实时市场观察、虚拟交易执行,以及在重启或中断后保持状态一致的恢复/核对逻辑。

Production 通道与 shadow/观察通道在高层面上彼此隔离,面向用户的交付通过 Telegram 完成。

我们不公开私有 IP 地址、服务名称、凭证、端口或安全拓扑结构。本网站上关于运行环境的描述,仅停留在理解系统做什么所需的层面,而不是如何攻击它。