AI Trading Matrix 继承上下文
状态：基线收束草案 最后更新：2026-05-07 项目：AI Trading Matrix 来源：FinTec AI Ecosystem 生态级基线、项目注册表与项目锚点
1. 本文档定位
本文档用于把生态层当前有效的基线、边界、接口、金融风险和执行治理口径继承到 AI Trading Matrix 项目中。
它服务于项目负责人、参与人及其个人域 Agent，使后续产品定义、MVP 定义、PRD、issue、context、执行治理方案和实现讨论默认站在同一组上游输入之上。
本文档不是：
- 项目完整方案；
- 实现计划；
- 当前工程现状报告；
- 执行治理方案；
- 风控方案；
- 最终工程化对接设计。
项目现状、已有基础版 AI 交易系统、缺口、风险和下一步应记录在 current-state.md。
2. 继承来源与优先级
AI Trading Matrix 当前应优先继承以下文档：
-
../../baseline/03-current-baseline.md 当前可被项目级文档继承的生态级判断集合。
-
../../registry/project-registry.md 当前生态对象注册表，登记各对象角色、边界、接口和项目入口。
-
project-anchor.md
AI Trading Matrix当前项目入口锚点。 -
../../governance/first-phase-product-closure.md 第一阶段独立闭环判断和产品分层线索。
-
../../governance/material-intake-policy.md 材料接入、事实源升级和边界变更治理规则。
-
../../governance/project-context-template.md 项目级文档包的最低协作协议。
若本文档与 baseline/03-current-baseline.md 冲突，以生态级当前有效基线为准。若项目实践证明当前基线不够用，应通过 sync / escalation 回到生态层修订。
准备期 decision log 和 change index 已完成有效内容抽取并移出正式仓库，不作为当前权威入口逐条继承。
3. 继承的生态定义
AI Trading Matrix 所属的 FinTec AI Ecosystem 当前定义为：
围绕金融信息感知、金融认知、交易执行、反馈学习、金融领域模型能力持续增强而组织起来的 AI Native 金融智能生态。
因此，AI Trading Matrix 不应被理解为孤立交易工具，也不应被压缩为 FinClaw 的输出页面。
它继承的生态根问题是：
在金融信息形态快速扩张、超额收益来源持续迁移的背景下，市场参与者难以将海量异构信息稳定转化为可验证金融认知、可治理交易执行支持和可复利的领域能力，导致潜在收益与组织能力在感知、认知、执行和反馈环节持续损耗。
AI Trading Matrix 承担其中的交易执行环节，不单独解决完整根问题。
4. 继承的生态结构
当前生态采用 3 + 2 结构。
三个前台独立系统 / 产品：
Data Horizon / 数据视界FinClawAI Trading Matrix
两个基础设施 / 能力底座：
Reinforcement Learning EngineFinancial Expert Foundation Model
AI Trading Matrix 属于三个前台独立系统 / 产品之一，当前生态角色是金融信息逻辑链路「感知」-「认知」-「执行」中的「执行」环节。
它位于能力链路的第三环：
金融信息感知
-> 金融认知与研究分析
-> 交易执行
-> 结果反馈与学习沉淀
-> 金融领域模型能力增强
该链路用于解释生态协同关系，不用于要求第一阶段强行集成全部对象。
5. 继承的一句话定义
AI Trading Matrix 是 FinTec AI Ecosystem 中的独立交易执行产品 / 系统。
它负责围绕客观交易、自动化交易、AI 交易和量化交易，构建覆盖多二级金融市场支持、回测 / 仿真、策略和虚拟交易员赛马机制、执行前检查、授权执行、审计 / 风控 / 可回滚治理、执行反馈回流的交易执行闭环。
它在生态内部不抢占 FinClaw 的金融认知与研究分析中枢定位；在生态外部也应作为独立产品 / 系统存在，并保留独立商业化路径。
6. 继承的当前拥有职责
AI Trading Matrix 当前拥有：
- 客观交易、自动化交易、AI 交易和量化交易相关场景；
- 多个二级金融市场支持；
- 策略候选、信号候选、执行优先级、风险条件和交易工作流管理；
- 回测、仿真、执行反馈、策略评估和虚拟交易员赛马机制；
- 围绕交易执行所需的推理决策能力；
- 支持绑定不同策略的 AI 虚拟交易员或交易工作流进行受约束辅助；
- 在授权、审计、风控和可回滚治理边界内承接真实执行链路；
- 为
Reinforcement Learning Engine沉淀可学习的执行结果、仿真结果、失败案例和用户反馈。 - 作为独立产品 / 系统存在，并保留生态外部商业化路径。
这些职责说明它的价值不只是“自动下单”，而是把交易执行域所需的信息、认知、策略、信号、回测、授权、风控和反馈组织为可治理、可评估和可迭代的执行系统。
7. 继承的当前不拥有职责
AI Trading Matrix 当前不拥有：
- 重建上游金融信息感知系统职责；
- 抢占或越界成为生态大脑；
- 替代
FinClaw生成与交易执行无关的上游金融认知结论； - 把策略候选、信号候选或执行支持包装成确定性收益承诺；
- 在缺少用户授权、执行治理、审计和风控时直接触发真实交易执行；
- 无边界控制账户、订单、资金、合约、链上交易或私钥；
- 直接承担
Reinforcement Learning Engine的长期反馈学习基础设施职责； - 直接承担
Financial Expert Foundation Model的长期领域模型能力建设职责。
这意味着 AI Trading Matrix 可以承接真实执行链路，但前提必须是明确产品边界、用户授权、执行治理、审计、风控和可回滚机制。
8. 继承的第一阶段判断
第一阶段重点不是一次性打通完整生态主链路，也不是直接追求无边界自动交易。
AI Trading Matrix 第一阶段应证明：
它能作为独立交易执行产品 / 系统形成最小闭环，并证明其在客观交易、自动化交易、AI 交易、量化交易、回测和受约束执行场景中的最小价值。
第一阶段最低标准至少应回答：
- 目标用户或消费对象是谁；
- 核心输入是什么；
- 核心处理链路是什么；
- 可交付输出是什么；
- 价值如何验证；
- 非目标和风险边界是什么；
- 不依赖完整
FinClaw或Reinforcement Learning Engine时，最小价值如何成立； - 与相邻对象协同时，哪些接口不会破坏自身独立闭环。
进入项目实施阶段前，AI Trading Matrix 还应像 FinClaw 等前台产品一样，完成相关第三方参考项目的分析、测试、体验、评估、对比，并先上收为项目边界、风险边界和后续待决问题。该工作用于校准产品边界、工程风险和可借鉴模式，不直接把参考项目能力升级为正式需求、设计方案或工程实施计划。
9. 继承的金融风险与执行治理边界
所有产品 / 系统都必须默认把输出定位为：
- 信息；
- 认知；
- 研究辅助；
- 决策支持；
- 受约束的交易执行支持。
AI Trading Matrix 尤其需要继承以下边界：
- 不得漂移为无约束自主执行黑箱；
- 不得把策略候选、信号候选、回测或仿真结果包装成收益保证；
- 不得让用户误以为系统在替代专业判断或替用户承担投资责任；
- 不得绕过风险提示、关键确认、用户授权、审计或风控；
- 真实交易、账户、订单、资金、合约、链上动作、私钥或自动执行能力必须处于明确治理边界内。
执行支持文档必须显式区分：
-
信息 / 认知输入 来自
Data Horizon / 数据视界、FinClaw或外部来源的信息、认知结果、策略假设和信号。 -
交易执行支持 将输入转译为可评估、可授权、可追踪、可风控的候选方案、检查点和工作流。
-
授权执行 在明确用户授权、审计、风控和可回滚治理边界内触发真实交易、账户、订单、资金、合约或链上动作。
-
禁止漂移 在缺少治理时，不得以默认自动化方式触发真实执行，不得替用户承担投资责任，不得承诺收益，不得绕过风险提示和关键确认。
10. 继承的关键接口
10.1 FinClaw -> AI Trading Matrix
这是当前最高优先级接口之一。
当前继承问题：
FinClaw输出的哪些认知产物可以进入交易执行语境；- 条件化策略假设、信号理解、风险约束和执行前检查点如何表达；
- 什么情况下仍停留在认知 / 决策支持，什么情况下进入受治理交易执行；
- 用户授权、风控、审计和执行治理从哪里进入；
- 执行反馈如何回到认知层或学习层。
第一阶段约束：
AI Trading Matrix不以FinClaw完整产品成熟为硬依赖；FinClaw不承担AI Trading Matrix的真实执行职责；- 双方接口应先围绕“认知产物如何进入受治理交易执行”定义。
10.2 Data Horizon / 数据视界 -> AI Trading Matrix
Data Horizon / 数据视界 可以向 AI Trading Matrix 提供结构化信息、事件或信号，但这些输出本身不构成交易指令。
当前继承问题：
- 哪些上游输出只是信息或信号；
- 哪些来源、时间、质量、可信度和缺失标记必须传递；
- 哪些信息可以进入策略候选、信号候选或执行前检查；
- 执行结果、失败案例或延迟案例如何回流改善感知质量。
第一阶段约束：
AI Trading Matrix不重建Data Horizon / 数据视界的感知职责；Data Horizon / 数据视界不直接生成真实交易执行。
10.3 AI Trading Matrix -> Reinforcement Learning Engine
这是后续高优先级接口。
当真实使用数据、仿真数据、执行数据和用户反馈出现后，AI Trading Matrix 可提供：
- 回测和仿真结果；
- 策略候选表现；
- 信号候选表现；
- 执行结果、失败案例和风控拦截案例；
- 用户授权、拒绝、修改和撤销行为；
- 执行反馈与后续结果。
第一阶段不应因未来学习闭环而提前建设完整学习基础设施。
10.4 Financial Expert Foundation Model -> AI Trading Matrix
Financial Expert Foundation Model 未来可以反哺 AI Trading Matrix 的策略理解、风险判断、执行约束表达、市场语境理解和结构化输出能力。
第一阶段不应以模型愿景替代执行支持产品闭环，也不应用模型权威感绕过授权、审计、风控和责任边界。
11. 对后续项目文档的约束
后续 AI Trading Matrix 项目文档应遵守：
project-anchor.md固定项目定义、生态角色、职责边界、第一阶段目标和执行治理边界；inherited-context.md只承接上游基线，不记录可变工程现状；current-state.md记录当前基础版 AI 交易系统、缺口、风险、开放问题和下一步；- 后续方案阶段成熟度足够时再补齐
CONTEXT.md，承载项目级领域语言、执行治理语言和已解决歧义； - 产品定义、MVP 定义和 PRD 必须区分建议、辅助、仿真、回测、授权执行和禁止漂移；
- issue 和实现任务应显式标注其处于认知输入、交易执行支持、授权执行、反馈或模型能力中的哪一层。
- 进入实施前应完成第三方参考项目的分析 / 测试 / 体验 / 评估 / 对比，并先形成上游待决问题和边界问题。
12. 当前仍需项目级回答的问题
以下问题不在本文档中直接决策，应先进入 current-state.md；后续是否进入 CONTEXT.md、产品定义、MVP 定义或执行治理方案，由方案阶段再判断：
- 第一阶段优先支持哪些市场、资产、策略类型、信号类型和执行场景？
- 目标用户或消费对象是内部团队、人类交易用户、系统消费方、AI 虚拟交易员还是外部客户？
- 最小输出对象采用
Execution Support Plan、Strategy Candidate、Signal Candidate、Pre-Execution Checklist、Authorization / Audit Record、Backtest / Simulation Result、Execution / Feedback Event中的哪几类？ - 建议、辅助、仿真、回测、策略赛马、授权执行之间如何分层？
- 哪些授权、审计、风控、可回滚和责任边界字段必须作为第一阶段底线？
- 当前基础版 AI 交易系统已经反证或补充了哪些生态基线？
- 哪些反馈对象应优先进入后续学习层接口？
13. 回流条件
以下情况应向生态层触发 sync / escalation：
- 当前交易执行边界定义不成立；
AI Trading Matrix开始重建上游感知或认知职责；FinClaw开始承担真实执行职责，或双方边界无法用当前基线解释；- 项目触及真实账户、订单、资金、合约、链上交易、私钥或自动执行能力；
- 用户授权、审计、风控、可回滚治理或责任边界超出当前口径；
- 某些本地执行对象、反馈对象、风控对象或治理字段应上升为共享生态定义。