AI 交易的數據基礎——模型需要輸入哪些數據？

引言

在第 1 課，您已經掌握 AI 為何正逐漸成為加密貨幣交易的新型基礎設施。接下來的核心議題在於：無論 AI 再強大，都只能於您所提供的數據邊界內運作。

許多策略失敗，原因並非模型過於簡單，而是數據層出現方向性錯誤，例如數據品質不足、特徵設計失真或驗證方法有偏差。

因此，真正的 AI 交易通常不是從「挑模型」開始，而是從「建構數據基礎」著手。您輸入給模型的數據決定模型能看到什麼，而模型能看到什麼又決定它能做出哪些判斷。

1. 先建立共識：數據不是越多越好，有因果結構的數據更優

許多剛接觸 AI 的交易員容易陷入「數據囤積」心態：盡可能收集所有數據，認為特徵越多越容易找到 Alpha。

事實上，低品質、高噪聲、弱相關的數據反而會降低模型穩定性。原因很簡單：

• 模型容易從噪聲中「學到錯誤模式」
• 樣本外環境變化時，錯誤模式最先失效
• 特徵越冗餘，策略越難解釋與維護

因此，建構數據體系的首要原則是：

應圍繞交易問題選擇數據，而非圍繞數據本身去尋找問題。

若您要解決「短線方向預測」，應優先關注微觀結構與情緒衝擊；若目標是「中線倉位管理」，則更應考慮流動性、波動結構及宏觀因素。

2. AI 加密貨幣交易的四大核心數據源

在加密貨幣市場，最具價值的數據通常來自四個層面：市場數據、衍生品數據、鏈上數據與外部資訊。

市場數據

這是所有策略的基礎，包括：

• OHLCV（開盤、高點、低點、收盤、成交量）
• 成交筆數、多空方向、盤口深度
• 點差、滑點、執行成本等指標

它回答了：價格如何變化、流動性如何變化、交易行為如何變化。

許多基礎策略僅憑市場數據即可建構，但其侷限在於：它更像「結果變數」，對「為何變化」的解釋力有限。

衍生品數據

在加密貨幣市場中特別關鍵，包括：

• 資金費率
• 持倉量
• 多空帳戶比例、強制平倉數據
• 基差（現貨-合約價差）、期限結構

這些數據反映市場槓桿擁擠與倉位脆弱性。

例如，「價格上漲 + 持倉量上升 + 資金費率高」與「價格上漲 + 持倉量下降」意義完全不同。前者可能代表趨勢增強或槓桿擁擠，後者則更可能是空頭回補驅動。

若缺乏衍生品維度，很難判斷市場波動背後的倉位結構。

鏈上數據

這是加密貨幣市場區別於傳統市場的核心優勢，包括：

• 活躍地址數、鏈上交易筆數、轉帳規模
• 交易所淨流入/淨流出
• 大戶（巨鯨）地址行為
• 穩定幣發行及跨平台流動

鏈上數據的價值在於觀察「資金與行為軌跡」，但難點在於解釋延遲與噪聲過濾。

例如，交易所流入增加，既可能是準備賣出，也可能是準備對沖。鏈上數據必須結合價格結構與衍生品數據共同解讀，單獨使用容易導致誤判。

外部文本與事件數據（新聞/社交/宏觀）

包括新聞、社交媒體討論熱度、政策事件、宏觀數據發布時間等。

這些更像「衝擊源數據」：用於解釋為何波動突然加劇或趨勢短暫反轉。

但此類數據主觀性強、噪聲大、真假資訊混雜。

因此，外部文本更適合作為「風險預警因子」與「事件篩選器」，不建議作為唯一進場信號。

3. 從原始數據到可交易特徵：特徵工程才是真正的策略分水嶺

AI 並不直接理解「市場敘事」，它只識別特徵模式。

因此第二步不是急於訓練模型，而是要將原始數據轉化為可學習、可驗證、可交易的特徵。

常見有用特徵可分為四類：

• 趨勢特徵：動量、均線斜率、突破強度
• 波動特徵：歷史波動率、區間振幅、波動跳變
• 結構特徵：資金費率偏離、持倉量變化率、基差變化
• 行為特徵：鏈上淨流變化、新聞情緒衝擊、社交媒體異常熱度

關鍵不在於「炫技特徵」，而在於三項標準：

• 是否具經濟意義（而非純數學拼接）
• 能否於實時點取得（不含未來資訊）
• 能否跨牛市、熊市、盤整等不同市況持續有效（不過度失真）

4. 標籤設計：您讓模型預測什麼，它就學到什麼

許多人預設讓模型預測「下一根 K 線漲跌」，但這未必是最優方案。

交易目標可有多種標籤設計：

• 分類標籤：未來 n 週期效益是否超過門檻
• 回歸標籤：未來 n 週期效益
• 風險標籤：未來 n 週期是否發生大回撤
• 結構標籤：未來波動是否擴散或資金費率極端化

若您的策略目標是「規避大回撤」，卻用「短線價格方向」做標籤，不論模型多精準，實際效果可能都不理想。

因此，標籤設計必須與策略目標一致：您在交易中追求哪類效益，就讓模型學習那個目標。

5. 數據驗證關鍵：時序世界中，驗證方法比模型更重要

在一般機器學習任務中，訓練集與測試集隨機打亂是合理的，但在交易領域，這會導致嚴重失真。

因市場具時間依賴結構——未來資訊絕不能「洩漏」到歷史數據。

AI 交易至少應遵循三條驗證原則：

1. 按時間切分訓練/驗證/測試集——不能隨機打亂
2. 樣本外驗證需涵蓋不同波動環境
3. 採用滾動窗口（步進）模擬真實部署

許多「回測奇蹟策略」崩潰，並非市場變壞，而是測試方法本身一開始就過於樂觀。

6. 五大常見數據陷阱

前視偏差

使用當時不可取得的數據，導致結果虛高。

幸存者偏差

只用存活幣種或平台訓練，忽略失敗樣本。

過度清洗

將真實噪聲當髒數據刪除，模型失去對極端行情的適應性。

特徵洩漏

特徵隱含標籤資訊，導致模型表現被高估。

頻率錯配

強行用低頻鏈上特徵做高頻交易，導致假訊號。

這些問題在回測時不會暴露，但在實盤交易中會迅速放大。

實用數據工作流：先小而穩，再擴展

對於課程學員來說，最安全的做法不是一開始就做「全市場全因子大模型」，而是從最小可用數據框架起步：

1. 選擇單一資產（如 BTC 或 ETH）
2. 從市場 + 衍生品數據類型入手
3. 建構 10～20 個具經濟意義的基礎特徵
4. 設計清晰標籤（如未來 4 小時效益 >0）
5. 時序驗證 + 滾動測試
6. 逐步疊加鏈上及文本因子

如此可讓問題定位明確、迭代成本低、上線路徑短。

複雜系統不是一蹴而就，而是從可解釋的小系統逐步擴展。

Gate for AI 在數據層的真正意義

在實際落地過程中，數據環節往往是最耗時的部分：多源採集、格式清洗、時間對齊、特徵管道、策略整合。

因此，平台化 AI 工具愈發重要。以 Gate for AI 這類基礎設施為例，其價值不在於「為您生成萬能策略」，而在於協助交易員高效完成從數據到策略的工程閉環，降低研究與實盤之間的摩擦。交易員仍需定義問題、設定約束、管理風險，但底層流程可更標準化且可重複利用。