> For the complete documentation index, see [llms.txt](https://mana.gitbook.io/manadia/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://mana.gitbook.io/manadia/cn/4.-quan-qiu-shou-ge-ke-xin-ren-ai-yu-ce-mo-xing.md). # 4. 全球首个可信任 AI 预测模型 可信任 AI 预测模型是 manadia AI 原生算力协同网络训练并驱动的核心产品。它展示了 manadia 网络如何将分布式算力、实时数据、AI Agent、策略系统和可信执行结合起来，形成可验证的预测与策略执行能力。 #### 4.1 产品定位 manadia AI 预测模型定位为全球首个可信任 AI 预测模型。这里的“可信任”并不是指模型永远预测正确，也不是指任何收益表现可以被保证；它指的是模型的输入、版本、执行环境、策略逻辑、结果记录和审计路径具备可追踪、可验证和可复验的技术基础。 该模型由 manadia AI 原生算力协同网络训练和运行。算力网络为模型提供数据处理、特征计算、模型训练、实时推理、策略回测和 Agent 执行能力。预测模型则作为网络的核心产品，验证底层算力协同能力在高价值场景中的落地。 #### 4.2 模型系统架构 可信任 AI 预测模型可以拆分为七个模块： |

Data Layer

-> Feature Engine

-> Prediction Model

-> Strategy Engine

-> Risk Engine

-> Execution Agent

-> Trust & Audit Layer

| | ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | Data Layer 负责接入多源数据。Feature Engine 负责将原始数据转化为模型可理解的特征。Prediction Model 负责判断市场状态和未来概率。Strategy Engine 负责选择策略组合。Risk Engine 负责约束仓位、杠杆和回撤。Execution Agent 负责执行动作和参数调整。Trust & Audit Layer 负责记录模型版本、数据来源、执行环境和结果。 #### 4.3 多源数据输入 AI 预测模型的质量高度依赖数据。单一价格数据很容易导致模型过拟合或误判，因此 manadia 采用多源数据输入体系： * CEX 行情数据 * CEX 盘口深度 * 成交量与主动买卖数据 * 永续合约资金费率 * DEX 链上流动性 * AMM 池状态 * 链上地址行为 * 预测市场概率 * 新闻事件 * 社交情绪 * 宏观市场指标 * 项目基本面数据 * 预言机数据 其中，CEX 数据提供高频流动性视角，DEX 数据提供链上资金流视角，预测市场数据提供群体概率判断，新闻与情绪数据提供事件驱动信号，链上数据提供资金迁移和行为模式信号。 #### 4.4 数据管道与实时缓存 可信任 AI 预测模型需要低延迟、多市场、持续更新的数据管道。其数据流可以设计为： |

CEX WebSocket

DEX WebSocket

Prediction Market WebSocket

Oracle Feeds

News & Sentiment Feeds

-> Normalization

-> Redis / Time-series Storage

-> Feature Engine

-> Prediction & Strategy Engine

| | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ | WebSocket 负责实时数据采集，Normalization 负责数据标准化，Redis 或时序数据库负责低延迟缓存和短周期状态管理，Feature Engine 从实时缓存中读取数据并生成特征。 这种架构使模型可以同时处理高频行情、盘口变化、预测市场概率变动和链上事件，并为后续执行回放保留结构化数据基础。 #### 4.5 特征工程 特征引擎 (Feature Engine) 支持实时特征与离线特征混合计算，覆盖动量、波动率、资金费率、盘口失衡、链上资金流、情绪强度、预测市场概率偏移等百维因子。系统通过时序数据库与分布式缓存实现低延迟特征读取，确保模型推理在市场剧烈波动时仍能毫秒级响应。 AI 预测模型不是直接读取原始价格并输出方向，而是通过特征工程构建市场状态。常见特征包括： * 价格动量特征 * 波动率特征 * 成交量变化特征 * 盘口深度特征 * 买卖压力特征 * 资金费率特征 * 基差特征 * 链上资金流特征 * 地址行为特征 * 预测市场概率变化特征 * 新闻事件强度特征 * 社交情绪特征 * 跨市场价差特征 * 流动性冲击特征 通过多因子特征，模型可以识别不同市场状态。例如，趋势行情、震荡行情、事件冲击行情、流动性枯竭行情、资金费率极端行情和预测市场概率收敛行情，都需要不同策略应对。 例子： **原始数据：** |

{

timestamp: 1234567890,

bid\_price: 45230.5,

ask\_price: 45231.2,

bid\_volume: 5.2,

ask\_volume: 4.8,

last\_trade\_price: 45230.8,

last\_trade\_volume: 0.5

}

| | ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | \ 计算的特征： |

# 微观结构特征

spread = ask\_price - bid\_price = 0.7

mid\_price = (bid\_price + ask\_price) / 2 = 45230.85

imbalance = (bid\_volume - ask\_volume) / (bid\_volume + ask\_volume) = 0.04

vwap\_5min = ... (过去 5 分钟的成交量加权平均价)

realized\_vol\_1h = ... (过去 1 小时的已实现波动率)

​

# 趋势特征

momentum\_5min = price\_now - price\_5min\_ago

momentum\_1h = price\_now - price\_1h\_ago

trend\_strength = ... (衡量趋势强度)

​

# 链上特征

whale\_activity\_24h = 大额转账次数

liquidity\_score\_dex = 当前 DEX 流动性 vs 历史平均

large\_transfer\_alert = 有无异常大额转账

​

# 情绪特征

social\_sentiment\_score = ... (-1 到 1)

news\_sentiment = ... (-1 到 1)

twitter\_volume\_zscore = ... (标准差倍数)

| | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | 这些特征被输入到模型中，模型学习到"这些特征组合通常预示价格上涨"或"通常预示价格下跌"。 #### 4.6 模型训练与评估 manadia AI 预测模型的训练过程可以包括： * 历史数据清洗 * 特征生成 * 样本标注 * 训练集与测试集拆分 * 滚动窗口训练 * 样本外测试 * 多策略回测 * 参数稳定性测试 * 极端行情压力测试 * 实盘模拟 评估指标不应只关注收益率，还应包括： * 月化表现 * 最大回撤 * Sharpe Ratio * Calmar Ratio * 胜率 * 盈亏比 * 波动率 * 滑点影响 * 手续费影响 * 资金利用率 * 策略容量 * 样本外表现 * 极端行情表现 在特定市场周期和策略组合测试中，manadia AI 预测模型曾实现月化 50%+ 的策略表现。该指标应被理解为模型在特定条件下的 Alpha 捕获能力展示，而不是固定收益承诺。技术白皮书中应始终区分“历史策略表现”“模型能力验证”和“未来结果保证”。 #### 4.7 预测与策略推理 可信任 AI 预测模型的输出不是单一涨跌判断，而是一组结构化决策信号： * 市场状态 * 趋势方向 * 波动率预期 * 风险等级 * 信号置信度 * 策略建议 * 仓位建议 * 止损条件 * 做市参数 * 对冲参数 * 执行优先级 模型可以根据不同市场状态动态选择策略组合。例如，在震荡市场中使用网格策略，在资金费率极端时使用资金费率策略，在事件冲击时使用波动策略，在跨市场价差扩大时使用套利或对冲策略。 模型推理与决策流程： #### 4.8 策略执行系统 manadia AI 预测模型的策略系统可以包括： * 网格策略 * 资金费率策略 * 对冲策略 * 做市策略 * 跨市场套利策略 * 波动率策略 * 趋势跟随策略 * 事件驱动策略 * 尾盘策略 * AI Agent 动态调仓策略 策略执行系统必须与风险控制系统绑定。任何策略都不能脱离仓位限制、最大回撤、杠杆限制、流动性限制和异常行情暂停条件。 一个简化执行流程可以表示为： |

observe market\_state

generate prediction\_signal

select strategy\_set

check risk\_constraints

calculate position\_size

execute action

record trace

evaluate result

update strategy weights

| | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | #### 4.9 风险控制系统 AI 预测模型必须明确承认市场风险。可信任 AI 的专业性不在于回避风险，而在于将风险结构化、参数化和可审计化。 风险控制系统应包括： * 单策略仓位限制 * 总仓位限制 * 单市场敞口限制 * 跨市场敞口限制 * 杠杆上限 * 最大回撤限制 * 单日亏损限制 * 波动率熔断 * 数据异常熔断 * 流动性不足暂停 * 滑点保护 * 策略降级机制 这些风险参数应与模型版本和策略配置绑定，并成为审计系统可以查看的内容。 #### 4.10 TEE 可信执行 TEE 是可信任 AI 预测模型的重要技术组成。它可以为模型运行提供硬件级隔离环境，保护模型权重、策略参数、关键逻辑和私有数据。 TEE 负责生成执行证明 (Execution Proof)，将模型哈希、数据摘要、执行时间、输出指纹等关键信息上链存证。审计方无需访问模型明文即可校验执行真实性，形成 “代码不可篡改、过程不可伪造、结果可复验” 的可信闭环。 TEE 在该系统中主要发挥三类作用： 第一，保护模型开发者。预测模型中的参数、策略逻辑和训练成果具有高价值，TEE 可以减少执行过程中被复制或窃取的风险。 第二，保护数据提供者。部分高价值数据源可能包含独家信息或敏感因子，TEE 可以降低数据明文暴露风险。 第三，提升执行可信度。通过将模型版本、输入摘要、执行环境和输出结果进行记录，系统可以为后续审计和回放提供基础。 TEE 不能保证模型预测一定正确，也不能消除市场风险。它解决的是执行环境可信、模型与数据保护、执行记录可验证的问题。 #### 4.11 可信三要素 **为什么要追踪？** 假设 AI 预测模型做了一个预测："BTC 会在 1 小时内上升 3%"。 * 预测对了，用户赚钱 → 接受 * 预测错了，用户亏钱 → 质疑：是模型坏？是数据坏？是参数错？还是实施有问题？ 没有追踪，无法回答这些问题。有了追踪，我们能： 1. 重放当时的所有数据，看模型输入是否正确 2. 看模型选择了哪个版本，那个版本在历史数据上的表现 3. 看风控模块做了什么约束 4. 看执行过程是否有延迟或滑点 5. 最终判断"是模型能力问题"还是"是实施问题" **追踪的具体内容**
组件追踪内容
数据管道每条数据源的采样时间戳、值、版本
特征工程每个特征的计算时间、使用的原始数据
模型推理使用的模型版本、参数、输入、输出、置信度
风控当前头寸、VaR、回撤、约束是否触发
策略选择为什么选择这个策略、对比了其他策略
执行调用了什么工具、参数是什么、返回值是什么
结果交易价格、滑点、最终P&L
manadia 将可信任 AI 预测模型的可信能力拆分为三个层次。 模型性能可检验。 模型发布、版本更新、回测结果、风险指标和参数配置应有记录。用户和审计者可以查看模型版本变化与历史表现，而不是只看到最终宣传结果。 现实数据可校验。 模型使用的数据源应具备来源记录、时间戳、签名或合约地址。对于重要数据源，应建立信用评分和证伪机制。 执行结果可重现。 在模型版本、输入数据和策略配置确定的前提下，关键执行过程应可以被抽检和回放。用户不必看到全部私有策略细节，但应能验证执行过程没有被任意篡改。 #### 4.12 模型可视化与用户界面 可信任 AI 预测模型需要通过产品界面被用户理解。manadia 的 AI User 页面可以呈现： * AI Agent 列表 * 策略类型 * 运行状态 * 信号置信度 * 30 日 PNL * 资产规模变化 * 延迟 * 风险模式 * 模型哈希 * 配置合约地址 * 模型版本 * 数据来源 * 实时后台活动 * PNL 历史 * 因子与数据源 这类界面不是简单展示收益，而是展示模型如何运行、依赖什么数据、处于什么风险状态、是否具备可追踪记录。