GeldBot AI 实时获取市场数据，应用预测模型对风险进行评分，并围绕统计上有利的切入点自动进行美元成本平均。专为那些更喜欢可衡量逻辑而不是随意调用的交易者而设计。
基于屏幕的监控会带来延迟、疲劳和不一致的风险评估。预测模型不会消除市场的任何不确定性，但它们会处理更多的输入，更一致，并且不会出现情绪漂移。
每个模块独立运行，但提供相同的执行层，因此市场状况的变化通过一个处理周期内的风险评分和头寸管理传播。
根据历史和实时数据训练的时间序列模型估计价格变动的短期概率分布，并在每个新数据更新而不是按固定时间表更新。
每个提议的条目在执行前都会根据风险限额和波动性阈值进行检查，因此单个信号不能超出账户预设的风险预算。
该系统不是在固定日期购买，而是将计划资本分配到模型标记为统计上有利的进入点，从而随着时间的推移降低平均成本基础。
来自连接的交易所和经纪商的价格、交易量和订单簿数据在进入模型之前会被标准化为单一模式，从而避免特定源的偏差。
该过程的任何部分都不会以黑匣子的形式呈现。每个阶段都有一个定义的输入、一个定义的输出以及记录的故障模式（如果数据质量下降）。
市场反馈、订单流和宏观指标都是滚动收集的，并带有时间戳，以确保跨来源的一致性。
经过训练的模型可以识别历史上先于定向运动的波动性和交易量的重复结构，并用置信度分数进行标记。
风险引擎将每个标记的模式转换为一个大小的头寸建议，并受到账户风险限额的限制。
批准的提案将排队等待自动 DCA 执行或作为警报进行路由，具体取决于用户配置的模式。
GeldBot AI 的设计围绕一个简单的约束：每个建议都必须可追溯到生成它的数据。这意味着模型输入、置信度分数和风险参数对用户来说是可见的，而不是隐藏在单个“买入”或“卖出”信号后面。
该平台面向 DACH 地区的日内交易者和金融分析师，他们已经了解技术分析，并希望系统能够比人工办公桌在整个交易时段中维持更高的一致性和更少的手动开销。
下图反映了当前的生产配置，供集成前的技术评估之用。
| 公制 | 价值 |
|---|---|
| 信号到决策的延迟 | < 80 毫秒，中值 |
| 数据摄取频率 | 连续的、基于刻度的 |
| 模型刷新周期 | 每15分钟一班 |
| API响应时间 | < 200 毫秒，p95 |
| 历史训练窗口 | 滚动多年数据集 |
| 支持的订单类型 | 市价、限价、阶段性 DCA |
所有帐户、订单和模型交互数据都存储在位于欧盟境内的基础设施上。此举旨在符合与德国和更广泛的 DACH 地区用户相关的 GDPR 数据驻留期望。
每个建议都包含置信度评分和触发该建议的风险参数。 GeldBot AI 不会发布完整的模型权重，但输入、阈值和结果头寸大小在用户仪表板中以及通过 API 响应负载可见。
大多数技术用户通过 REST 或 WebSocket API 连接，并可以在启用自动 DCA 执行之前以观察模式（仅警报）运行系统。单个账户的典型设置（包括风险参数配置）需要一个工作会话。
不会。自动化 DCA 减少了对各个条目计时的手动工作量，但风险限额、模型置信度阈值和整体账户风险仍然需要用户定期审查。
请求 API 访问权限以连接真实或模拟交易账户，并在启用自动执行之前查看模型的建议。