了解信号背后的机制与信号本身一样重要。下面的管道概述了从原始数据获取到提供建议的每个阶段。
订单簿深度、交易执行数据和衍生品融资利率是从整个货币对集合中以亚秒间隔从连接的交易所收集的。在进一步处理之前，提要会标准化为通用模式。
分层神经网络可以识别流动性变化和动量发散中反复出现的结构模式，在波动性加剧期间对近期数据进行更大的权重。
每个候选信号都会与波动率调整风险模型进行交叉检查，该模型在评分之前会考虑滑点、价差和特定货币对的流动性深度。
评分输出通过仪表板或 API 作为结构化建议进行排名和交付，每个输出都注释有置信范围和所使用的基础数据窗口。
市场微观结构会随着时间的推移而发生变化，因此静态模型会退化。底层网络根据近期贸易数据的滚动窗口进行重新校准，从而保持对政权变化的敏感性，而不会完全放弃长期模式历史。
下面的每项功能都在不同的市场数据层上运行。它们共同构成了日间交易者通常必须手动组装的分析基础。
所有 500 多个受支持的货币对都会在每个数据周期而不是按固定的每日计划重新扫描，因此流动性或动量面会在发生时发生变化，而不是在事后发生。
建议考虑相对于近期波动性的头寸规模，从而降低出现单独看起来有吸引力但带来不成比例回撤风险的信号的可能性。
预测表示为规定时间范围内的概率范围，而不是单点预测，反映了短期价格变动的真正不确定性。
信号输出和原始模型分数可通过记录的 REST API 获得，从而无需依赖仪表板界面即可集成到现有执行系统中。
同一底层引擎支持多种不同的工作流程，具体取决于优先级是分配、风险暴露还是短期情绪变化。
根据更新的相关性和波动性数据，对多个货币对的持有量进行重新加权，有助于识别仅从价格图表中并不明显的集中风险。
在建仓之前，风险模型会显示与类似流动性条件相关的历史回撤范围，从而提供当前价格走势之外的参考点。
订单流不平衡和资金费率变化被汇总成一个持续更新的情绪指数，该指数可以标记价格变动和基础仓位之间的差异。
我们不依赖推荐，而是记录数据的来源以及如何随着时间的推移检查模型的准确性。
市场数据直接从交易所提供的数据源中提取，并使用冗余来源来检测并丢弃数据源中断或异常蜱虫，然后再到达模型。
使用前向验证针对历史订单簿快照来测试模型变体，这可以防止模型根据其训练数据进行评估。
通过将预测概率带与实现结果进行比较，滚动审查预测准确性，并在检测到系统漂移时调整校准。
Bitcoin Era New 的开发前提是没有上下文的推荐难以信任且难以改进。每个输出都可以追溯到生成它的数据窗口、模型版本和风险参数。
该平台设计用于在活跃交易时段持续使用，而不是作为定期报告。它的目的是与现有的执行工具并驾齐驱，而不是取代交易者自己的判断。
这些解决了将平台集成到现有工作流程之前最常提出的问题。
对于支持的货币对，市场数据的处理周期为亚秒级。从数据接收到通过 API 发送信号的端到端延迟通常低于两秒，具体取决于网络条件和当前负载。
访问是通过记录的 REST API 和标准 JSON 负载提供的。不需要专有的 SDK，现有系统可以使用标准 HTTP 客户端库来使用 API。
所有 API 流量在传输过程中均通过 TLS 进行加密。身份验证使用范围内的 API 密钥，帐户级访问控制允许根据集成限制权限。
用户可以调整风险敏感度阈值和监控对的集合。模型架构和训练参数是固定的，因为更改它们会影响透明度部分中描述的验证保证。