Event-Asset Probability Graph
它是什么
Probability Graph 不是一个我们构建然后部署的系统，而是 Data Layer 和 Inference Engine 持续运行后自然涌现的产物。
每次事件发生时，Inference Engine 都会做出判断，然后市场给出结果。这个"事件-判断-结果"三元组成为校准图谱的一个数据点。经过数周和数月的积累，图谱汇聚了数千条经过校准的事件类型与资产影响之间的关系。
Data Layer（事件） → Inference Engine（判断） → Probability Graph（校准）
↑ |
└──────────── 市场结果反馈 ←────────────────────────────┘
工作原理
图谱是一种数据结构，其中：
- 节点 = 事件类型 + 资产 + 市场状态
- 边 = 概率性影响关系（方向 + 强度 + 历史校准）
当新事件进入系统时，Inference Engine 对其进行分类，然后查询图谱——这是一次毫秒级的图遍历，而非 LLM 调用——检索所有经过历史校准的影响关系。
图谱状态示例
经过数月运行后，图谱可能包含：
| 事件类型 | 资产 | 相关性 | 历史平均影响 | 校准事件数 |
|---|---|---|---|---|
| Fed 降息 | BTC | 正相关 0.85 | +8.2% | 12 |
| Fed 降息 | ETH | 正相关 0.79 | +9.1% | 12 |
| Fed 降息 | SOL | 正相关 0.62 | +11.3% | 8 |
| 交易所被黑 | 受影响代币 | 负相关 0.95 | -23% | 6 |
| 交易所被黑 | DEX 代币 | 正相关 0.58 | +12% | 4 |
| 加密友好立法 | BTC | 正相关 0.78 | +6.5% | 9 |
| 加密友好立法 | DeFi | 正相关 0.71 | +12.3% | 7 |
自我校准
图谱不只是存储静态关系——它通过每一个事件-结果对自我校准。
校准示例："Trump + Crypto" 事件
| 事件编号 | 图谱权重 | 预测值 | 实际值 | 准确度 |
|---|---|---|---|---|
| 1 | 0.50 | — | +3.2% | 低 |
| 2 | 0.60 | +3.2% | +5.1% | 低 |
| 3 | 0.72 | +5.1% | +8.7% | 中等 |
| 7 | 0.81 | +6.8% | +7.2% | 良好 |
| 12 | 0.85 | +7.5% | +7.1% | 精确 |
每经历一次事件，预测值就更接近现实。到第 12 次事件时，图谱的预测误差仅为 0.4%。
三维校准
大多数系统——即便尝试概率校准——也只从单一数据源校准。Roma 从三个维度校准：
| 校准来源 | 提供什么 |
|---|---|
| Roma News | 事件的发生与分类 |
| Roma Predict | 市场隐含概率（Polymarket 赔率） |
| Roma Perp | 实际价格结果（Hyperliquid） |
这种三维校准在结构上比单源校准更为精确。预测市场提供了独立的概率估计，可以与基于新闻的判断和实际结果进行对比。
为什么这是护城河
Probability Graph 具有三个使其难以复制的特性：
1. 时间壁垒
图谱的准确性取决于处理过的事件-结果对数量。今天起步的新进入者需要同样的数月运行时间才能积累可比的校准数据。架构可以复制，数据不可以。
2. 复合增长
每处理一个事件都会使图谱更加智能。这不是一个会退化或需要人工维护的系统——它每天都在自动改进。
3. 发现能力
图谱不仅细化已知关系——还会发现新关系。当"Trump 签署加密行政令"导致 AI 代币上涨时，图谱会自动添加这种此前未知的相关性。随着时间推移，图谱会绘制出没有任何人类分析师发现过的关系。
图谱查询速度
当新事件被分类后，查询图谱以获取所有相关资产及其影响概率仅需 < 5 毫秒。这是图遍历而非 LLM 推理——速度足以支撑实时交易决策。