AI Trading Matrix 产品定义
AI Trading Matrix 是面向二级金融市场的 AI 客观交易系统。
第一阶段，它服务于团队内部自营业务，先聚焦加密货币市场，把外部职业交易员信号、新闻事件、市场数据、团队策略假设和 AI 生成候选，放入同一套交易运行和验证体系中，让它们能够被真实账户验证、被赛马比较、被持续复盘，最终沉淀为可复用的策略资产。
本文承接 AI Trading Matrix 战略白皮书，重点回答团队最关心的产品问题：
- 这套系统在第一阶段具体服务谁；
- 团队每天如何使用它；
- 外部信号、新闻事件和市场输入如何进入系统；
- AI 交易员、策略工厂、赛马机制和策略库之间如何协同；
- 什么样的策略结果可以沉淀为核心策略资产。
0. 30 秒读法与战略承接边界
如果只用一句业务语言理解：
Data Horizon 和其他外部金融信息源负责发现并送来可交易线索；Trading Matrix 负责把这些线索变成可验证的交易实验；AI 交易员负责在账户和参数约束下运行实验；赛马看板负责比较结果；策略资产库负责沉淀可复用策略和失败经验。
本文重点承接战略白皮书中的第一阶段产品形态：团队内部自营场景、加密货币二级市场、真实账户验证、赛马评估和策略资产沉淀。
Data Horizon 是当前生态内最重要、最成熟、最贴近第一阶段业务场景的金融信息 / 情报 / 信号来源，但 Trading Matrix 的产品能力不能绑定在单一来源上。系统应保留并逐步建设接入其他外部第三方金融信息源、交易员网络、新闻源、链上数据源、研究源和参考系统的能力，并对不同来源形成统一归因、验证、评分和回流机制。
FinBayes、RLE 和 FEFM 是生态协同中的重要相邻能力。第一阶段产品主流程先以 Data Horizon 与外部信息源输入、Trading Matrix 内部交易验证和策略资产沉淀为主；后续再将策略表现、失败案例、执行偏差和市场反馈回流给 FinBayes（经用户或脱敏样本）、RLE 和 FEFM。FinBayes 是认知层产品，输出条件化行动判断给用户，由用户自主决定是否进入 Trading Matrix 的受治理执行支持；FinBayes 不直接给执行指令。
本文是产品定义文档，用来让团队对齐 Trading Matrix 的产品对象、业务流程和第一阶段范围。后续的系统设计、工程改造方案、实施任务包和排期计划，需要在本文基础上继续展开。
1. 一句话产品定义与第一阶段定位
AI Trading Matrix 是一套把交易信号和策略想法，转化为真实市场验证结果和可复用策略资产的 AI 客观交易系统。
从完整产品形态看，Trading Matrix 后续可以服务团队内部自营基金、资管机构和大户 / 家办，也可以逐步开放给 C 端交易人群。第一阶段先把团队内部自营场景跑深、跑稳、跑出可复用的产品能力。
第一阶段的关键词是：
| 维度 | 第一阶段定位 |
|---|---|
| 市场 | 加密货币二级市场 |
| 场景 | 团队内部自营交易与策略验证 |
| 输入 | Data Horizon 与其他外部信息源提供的职业交易员 / 分析师观点与实盘信号、新闻事件、行情数据、团队假设、已有策略 |
| 执行 | AI 交易员绑定授权账户，按照策略和参数进行模拟或真实实盘运行 |
| 验证 | 通过真实历史数据、实时市场、模拟盘和真实账户实盘形成证据 |
| 筛选 | 通过赛马看板、排行榜、多维指标和人工复盘筛选策略 |
| 沉淀 | 将表现达标的策略沉淀到策略库，将失败和异常案例沉淀为复盘资产 |
这里的“客观”，指交易过程可以被表达、执行、记录、比较和复盘。一个策略是否有效，主要看真实数据、真实运行记录和统一指标形成的证据。
2. 第一阶段业务场景与日常运行方式
第一阶段围绕团队内部自营场景展开。
当前已有一个本地运行中的初版 AI Trading Matrix，并正在接收来自 Data Horizon 的两类核心输入：
- Data Horizon 感知到的 100 多位职业分析师和职业交易员的实时策略观点、实盘交易信号和少量策略图片；
- Data Horizon 感知到的突发事件、新闻、公告、宏观变化、链上变化和市场异常。
Data Horizon 是当前第一阶段最重要的信息供给方，但不是唯一来源。Trading Matrix 应以“多源输入、统一验证”为产品原则：无论输入来自 Data Horizon、其他第三方新闻 / 数据 / 信号服务、交易员网络、社群、交易所、链上数据平台还是内部研究，都应进入同一套归因、去重、整理、验证、赛马和策略资产沉淀流程。
这些输入进入 Trading Matrix 后，系统会进一步把它们转化为可观察、可验证、可比较、可复盘的策略运行对象。
团队每天围绕五类动作使用系统：
| 日常动作 | 团队在系统里做什么 |
|---|---|
| 看输入 | 查看今日新增交易员信号、新闻事件、市场异常和系统生成的策略候选。 |
| 做判断 | 判断哪些输入进入观察，哪些进入回测 / 复盘，哪些进入模拟盘或小资金实盘。 |
| 跑验证 | 通过一个或多个 AI 交易员，在不同账户、标的、资金规模和参数下运行策略。 |
| 做比较 | 通过赛马看板和排行榜观察收益、回撤、稳定性、交易次数、胜率、滑点、费用和风险暴露。 |
| 做沉淀 | 将表现达标的策略纳入策略资产，将失败策略、异常案例和信源表现纳入复盘资产。 |
一个典型工作日可以这样理解：
Data Horizon 捕捉到一条 BTC 相关突发新闻，同时订阅的职业交易员中有多人给出多头观点，也有人提示短期回撤风险。Trading Matrix 将这些输入整理成若干策略种子。团队选择其中一部分进入观察，一部分进入历史复盘，一部分通过小资金实盘子账户验证。系统持续记录交易结果、资金曲线和风险指标。几轮交易后，团队根据赛马结果决定继续运行、调整参数、暂停、淘汰，或将策略沉淀到策略库。
3. 第一阶段业务闭环
第一阶段要跑通的核心闭环是：从策略种子出发，经过真实账户验证和赛马筛选，沉淀为可复用策略资产。
这条闭环有两个关键点。
第一，外部信号、新闻事件和交易观点进入系统时，首先是策略种子。它们有价值，但还需要被表达成可运行对象，并通过真实市场验证。
第二，策略沉淀来自持续验证。能进入核心策略库的策略，需要经历真实账户、真实资金、多轮多笔交易，并在同类策略中达到稳定、可解释、可复用的表现。
4. 核心产品对象关系图
AI Trading Matrix 的核心对象可以用一句话理解：
用户创建 AI 交易员，AI 交易员绑定授权账户并采用策略或策略组合运行；系统记录运行证据，将运行结果送入赛马看板和排行榜，最终沉淀到策略资产体系。
这些对象的关系可以进一步简化为五句话：
- AI 交易员是执行主体：它负责拿着策略，在指定账户、标的、资金和参数下运行。
- 策略是可复用资产：同一个策略可以被不同 AI 交易员用不同配置运行和验证。
- 策略工厂是生产流水线：它把策略种子加工成候选策略，并支持批量运行、筛选和优化。
- 赛马看板和排行榜是评估入口：它们帮助团队观察表现、比较策略、发现异常、做出保留或淘汰决策。
- 治理运营是受控执行底座：它让真实账户、真实资金、策略运行、异常处理和人工复核处于可控状态。
5. 策略种子与市场输入
进入 Trading Matrix 的输入可以来自多个方向，但它们进入系统时的状态不同。
| 输入类型 | 进入系统时是什么 | 可能沉淀成什么 |
|---|---|---|
| 职业交易员实盘信号 | 外部策略参考、策略种子、信源样本 | 跟单机制、候选策略、信源评级、策略风格样本 |
| 职业分析师观点 | 市场判断、情境解释、交易假设 | 事件策略候选、方向性判断规则、信源标签 |
| 新闻和突发事件 | 事件输入、风险输入、机会输入 | 新闻交易 / 事件驱动策略 |
| 结构化市场数据 | 验证数据、运行数据、行情环境 | 回测证据、实时判断条件、策略适用边界 |
| 其他外部金融信息源 | 第三方新闻、数据、信号、链上、社媒和研究输入 | 新信源画像、策略种子、交叉验证样本 |
| 团队内部假设 | 人工策略想法、组合假设 | 候选策略、策略组合、失败案例或核心策略 |
| AI 生成候选 | 策略草案、参数组合、解释假设 | 可验证候选策略、参数变体、策略工厂输入 |
| 第三方参考系统 | 开源交易框架、回测系统、执行框架和成熟工具能力 | 可借鉴模块、集成候选、工程改造参考 |
这些输入的共同目标，是进入一套统一的验证和沉淀机制。
第一阶段重点使用两类 Data Horizon 输入：职业交易员 / 分析师的实时观点与实盘信号，以及突发事件 / 新闻。同时，产品定义需要保留多源输入能力：未来 Trading Matrix 可以继续接入更多结构化市场数据、链上数据、研究产物、策略库样本、第三方新闻 / 数据 / 信号服务和第三方参考系统。
6. AI 交易员：系统里的执行主体
AI 交易员是 Trading Matrix 中最重要的运行对象。它是账户、策略、参数和运行模式组合后的交易运行单元，不是人格化的独立交易决策人。
创建一个 AI 交易员时，用户通常需要完成以下配置：
- 选择模型或决策能力；
- 绑定交易所授权账户或子账户；
- 选择策略或策略组合；
- 配置交易标的、资金规模、仓位参数和运行模式；
- 选择模拟运行或真实实盘；
- 设置是否公开展示到排行榜或赛马视图；
- 启动后持续查看运行看板、运行记录和风险状态。
AI 交易员可以理解为“带着策略和资金设置去市场里跑验证的执行主体”。它把账户、策略、参数、标的、资金和运行模式组合起来，形成一个可以启动、暂停、调整、观察和评估的交易运行单元。
AI 交易员不是整个 Trading Matrix，也不等于一个完全自主决策的人格化 AI。它是系统中的执行主体，是否使用大模型参与理解、判断或复盘，取决于所选策略、模型配置和运行场景。Trading Matrix 的产品主语仍然是持续生产、验证、运行、评估和沉淀策略资产的 AI 客观交易系统；规则、数据、回测、执行、风控和治理同样是系统能力的一部分。
同一个用户可以创建多个 AI 交易员。不同 AI 交易员可以使用不同账户、不同资金规模、不同标的、不同策略或不同参数参加验证和赛马。这样，团队可以把一个策略拆成多组实验，也可以让多类策略在相同市场环境下进行对比。
7. 团队角色与关键权限
第一阶段面向团队内部自营场景，但团队内部仍需要区分不同角色和关键决策。
| 角色 | 主要关注 | 典型决策 |
|---|---|---|
| 策略负责人 | 策略种子、候选策略、策略组合、参数范围 | 哪些输入进入候选池，哪些策略继续优化或淘汰 |
| 运营人员 | 每日输入、运行状态、赛马结果、异常提醒 | 哪些 AI 交易员继续观察、暂停、降级或进入复盘 |
| 账户 / 风控负责人 | 授权账户、资金规模、仓位约束、异常风险 | 是否允许实盘、是否扩大资金、是否触发人工确认 |
| 工程负责人 | 数据接入、运行记录、看板、任务流、系统稳定性 | 哪些能力进入当前迭代，哪些问题进入工程任务包 |
| 团队负责人 | 阶段目标、资源投入、核心策略入库 | 哪些策略进入核心策略库，哪些能力进入下一阶段 |
这些角色不一定对应独立岗位，但产品设计要让这些决策可见、可记录、可复盘。尤其是真实账户、真实资金、策略入库和异常处理，应有明确的人工复核入口。
8. 核心使用主流程
第一阶段的核心使用流程围绕 AI 交易员展开。
这条流程对应团队的日常运营动作：
- 对新的信号或策略种子，决定是否创建新的 AI 交易员或复用已有 AI 交易员；
- 对正在运行的 AI 交易员，观察收益、回撤、稳定性、交易次数、异常和风险暴露；
- 对表现不稳定或触发风险的运行对象，暂停、降级资金、调整参数或淘汰；
- 对表现稳定且证据充分的策略，进入观察池或核心策略库。
9. 第一阶段 P0 / P1 产品范围
第一阶段按完整目标设计，并分阶段实施。产品定义层面的优先级可以分为 P0 和 P1。
| 优先级 | 需要先跑通的产品能力 | 判断方式 |
|---|---|---|
| P0 | Data Horizon 两类核心输入稳定进入系统 | 职业交易员 / 分析师信号与新闻事件能持续进入、归因和展示 |
| P0 | AI 交易员可绑定账户并运行策略 | 能按账户、策略、参数、标的和模式创建、启动、暂停、观察 |
| P0 | 小资金真实实盘验证可持续 | 真实账户、真实资金、多轮多笔交易能形成运行证据 |
| P0 | 赛马看板可用于运营决策 | 团队能看到收益、回撤、稳定性、风险、异常和信号来源 |
| P0 | 策略候选池、观察池、失败案例库开始形成 | 策略状态不只停留在运行中，而能被保留、淘汰、复盘 |
| P1 | 其他外部金融信息源接入 | 至少具备可扩展的多源接入、归因和验证机制，不绑定单一来源 |
| P1 | 策略工厂批量化能力增强 | 支持批量创建、批量参数配置、批量观察和批量筛选 |
| P1 | 核心策略库入库复核流程 | 形成策略入库、回退、扩大验证和复盘记录机制 |
| P1 | 与 FinBayes / RLE / FEFM 的反馈边界 | 能明确哪些交易反馈可被后续认知、学习和模型能力使用 |
这个优先级不替代实施方案。它只说明产品定义上的先后关系：先让真实输入、真实运行、真实证据和策略资产状态跑通，再逐步加强多源接入、自动化、生态回流和工程规模化。
10. 策略工厂：内部策略生产流水线
策略工厂是 Trading Matrix 内部的策略生产和迭代流水线。
它的目标是把不同来源的策略种子加工成可以运行、可以验证、可以比较、可以复盘的候选策略。
策略工厂承担五类工作：
| 工作 | 说明 |
|---|---|
| 策略整理 | 把外部观点、新闻事件、交易信号、团队假设、第三方参考和 AI 生成候选整理成可表达对象。 |
| 策略生成 | 形成候选策略、策略组合、参数组合和适用场景描述。 |
| 批量运行 | 批量创建或配置 AI 交易员，进入回测、模拟或真实实盘验证。 |
| 策略筛选 | 根据运行证据、赛马看板、排行榜、风险表现和复盘结论进行筛选。 |
| 优化迭代 | 调整参数、拆分策略、合并相似策略、沉淀失败经验并继续生成新候选。 |
第一阶段，策略工厂可以先以人工 + 半自动方式落地：团队定义策略类别、参数范围、资金规模和验证方式，系统支持批量创建、批量运行、批量观察和批量筛选。后续再逐步增强 AI 生成、参数搜索、自动归因和自动迭代能力。
11. 真实账户赛马与验证机制
AI Trading Matrix 的验证机制围绕真实数据和真实市场反馈展开。
回测和模拟盘很重要，但第一阶段最关键的证据来自真实账户、真实资金、真实订单、真实成交、多轮多笔交易。
验证采用灵活路径。不同策略可以根据来源、成熟度、时效性、风险和目的，进入不同验证状态。真实实盘是关键证据，但不是所有策略无条件直接进入真实实盘；高风险、来源不清、表达不完整或无法归因的输入，应先进入观察、历史复盘、模拟运行或人工复核。
策略种子进入候选策略，至少需要补齐五类信息：
| 信息 | 说明 |
|---|---|
| 来源 | 来自哪个信源、交易员、新闻事件、第三方系统或内部假设 |
| 交易意图 | 做多、做空、套利、观望、风控、事件响应或其他意图 |
| 适用对象 | 标的、市场、周期、资金规模和运行模式 |
| 触发与退出 | 触发条件、失效条件、止损 / 止盈或人工复核点 |
| 证据记录 | 需要记录哪些行情、订单、成交、费用、滑点、异常和复盘结论 |
赛马机制要解决的问题是：在同类市场环境中，哪些策略、AI 交易员、信号来源、参数组合和资金配置更值得保留。
赛马看板是赛马结果的主要观察入口，排行榜是其中一个视图。除了收益，它还要帮助团队看到：
- 收益率和收益额；
- 最大回撤；
- 夏普、稳定性、波动；
- 胜率、盈亏比、交易次数；
- 费用、滑点、延迟、执行失败；
- 风险暴露、仓位使用、保证金压力；
- 信号来源、策略类别、标的、资金规模和运行周期。
因此，赛马看板承担的是策略筛选和运营复盘入口，收益展示只是其中一部分。
12. 策略资产沉淀与核心策略入库标准
Trading Matrix 的长期价值在于策略资产沉淀。
第一阶段至少需要形成四类策略资产区：
| 策略资产区 | 含义 |
|---|---|
| 策略候选池 | 已经被表达成可运行对象，但还未形成足够验证证据。 |
| 观察策略池 | 已经有一定验证结果，值得继续观察、调参或扩大验证。 |
| 核心策略库 | 通过真实资金、多轮多笔交易和核心指标验证，可复用、可组合、可持续运行。 |
| 失败案例库 | 表现不达标、失效或风险异常，但对复盘、筛选和后续生成有价值。 |
进入核心策略库的标准保持简单清晰：
- 使用真实账户、真实资金、真实订单进行过验证；
- 经历多轮次、多笔交易，形成连续表现证据；
- 核心成绩指标在同类策略中达标或优秀；
- 策略逻辑、适用市场、主要参数、风险表现和失效条件能够被复盘；
- 能被后续 AI 交易员复用、组合或继续验证。
核心成绩指标包括夏普、盈亏、最大回撤、收益率、收益额、稳定性、胜率、交易次数和风险暴露等。不同策略类型可以有不同侧重，但入库判断必须建立在真实实盘证据上。
失败案例库同样重要。失败案例可以帮助团队识别噪声信号、短期运气、过拟合策略、不稳定信源、异常市场状态和不适合扩大的交易方式。它们会反哺策略工厂，减少重复试错。
13. 生态协同、外部多源与反馈回流
Trading Matrix 第一阶段以 Data Horizon 输入为主，但产品能力应按多源信息系统设计。
| 来源 / 对象 | 第一阶段关系 | Trading Matrix 需要形成的能力 |
|---|---|---|
| Data Horizon | 当前最重要的生态内信息、情报和信号来源 | 稳定接入、归因、验证、评分、回流 |
| 其他外部金融信息源 | 后续需要逐步接入的第三方新闻、数据、信号、链上和研究来源 | 多源接入、去重、交叉验证、信源画像 |
| 第三方参考项目 / 系统 | 策略工厂、回测、执行、评估和看板能力的参考对象 | 评测、借鉴、集成、改造 |
| FinBayes（经用户自主判断） | 用户基于 FinBayes 认知结果决定是否进入受治理执行支持；Trading Matrix 不直接消费 FinBayes 输出，也不向 FinBayes 发回直接执行指令 | 后续可在用户隐私边界允许下回流策略表现、失败案例、执行偏差等复盘材料，帮助金融认知被真实市场校验 |
| RLE / FEFM | 后续可接收高价值交易反馈和评测样本 | 反哺学习机制和金融模型能力 |
这条生态回流不要求第一阶段一次性全部工程化完成，但产品定义必须保留方向：Trading Matrix 既能独立闭环，也能把执行结果反哺上游感知、认知和模型能力。
14. 第一阶段成功标准与后续工作
第一阶段的成功，更关注这套系统是否能够持续、稳定、可复盘地把交易输入转化为策略资产；短期收益表现是重要结果之一。
第一阶段应重点看七类结果：
| 成功标准 | 判断方式 |
|---|---|
| 输入稳定进入系统 | Data Horizon 的交易员信号、新闻事件和市场输入能稳定进入 Trading Matrix，并保留其他外部信源接入能力。 |
| 策略种子可被整理 | 外部信号、新闻事件、第三方参考、团队假设和 AI 候选能被整理成候选策略。 |
| AI 交易员可批量运行 | 多个 AI 交易员能在不同账户、资金、标的和策略配置下运行。 |
| 真实实盘验证可持续 | 多个实盘子账户能支持小资金、多轮、多笔交易验证。 |
| 赛马看板与排行榜可用 | 团队能通过统一视图观察、比较、筛选和暂停策略。 |
| 策略资产开始沉淀 | 候选池、观察池、核心策略库和失败案例库形成初始资产。 |
| 复盘反馈能回流 | 策略结果能反馈给 Data Horizon、其他信源画像、策略工厂和后续策略生成，并在用户隐私边界允许下为 FinBayes / RLE / FEFM 留下可复用反馈。 |
第一阶段的商业价值分为两层：
第一层是内部自营收益和策略验证价值。系统能帮助团队更有效地发现、验证、运行和淘汰策略。
第二层是基础设施资产价值。系统持续沉淀多源输入、策略候选、真实交易证据、赛马记录、失败案例和核心策略库，使团队获得可复利的客观交易能力。
产品定义确认后，后续工作应依次进入：
这份产品定义是团队对齐 AI Trading Matrix 第一阶段产品形态的基础。它确定“要做成什么样的产品系统”；后续实施方案再进一步回答“先做哪些能力、怎样验收、如何落地到现有系统”。