Eclipse Earn 的每个自动化决策都会通过三个不同的层进行追溯。每层都有定义的输入和输出，这使系统保持可审计而不是不透明。
在达到任何模型之前，订单簿数据、交易量概况和波动率表面会被连续摄取并标准化。捕获和输入之间的延迟以毫秒为单位进行测量，当潜在波动性检测依赖于在标准图表上可见之前识别变化时，这一点很重要。
每个未平仓头寸都带有根据波动性聚类和当前流动性状况得出的风险评分。该分数随着条件的变化而更新，将普通的价格噪音与针对头寸形成的不对称风险状况的早期阶段区分开来。
当风险评分跨越定义的边界时，执行逻辑将起作用，无需手动确认。这消除了手动决定削减亏损头寸时经常出现的延迟和犹豫。
固定止损设置一次并忽略之后发生的一切。相反，Eclipse Earn 的智能止损系统会随着流动性深度和波动性聚集变化而重新计算其阈值——在情况恶化时加强保护，并在波动性收缩和流动性保持稳定时给予头寸更大的空间。
由于调整是基于规则而不是随意进行的，因此它消除了高风险环境中的特定故障点：在压力下移动、扩大或忽略止损的倾向。无论交易者当时对头寸的感受如何，阈值都会按照相同的逻辑重新计算。
交易中的预测模型经常被批评为“黑匣子”——做出了决定，但其背后的推理是不可见的。 Eclipse Earn 是围绕可解释的中间步骤构建的，而不是单个不透明的输出。
在任何模型看到原始市场数据之前，原始市场数据都会在工具和时间范围内进行标准化，因此无论是来自流动性指数还是交易量稀少的合约，风险评分都意味着同样的事情。
将历史和实时数据与公认的波动性和流动性制度进行比较。输出是一个分类，而不是单个不透明的数字，并且每个分类都会记录触发它的条件。
执行参数根据分类制度进行调整，并根据后续结果进行审查，每次调整都可以追溯到产生它的数据和分类。
下表描述了运营行为，而不是回报预测。结果因工具、头寸规模和主要条件而异，以下内容应视为逻辑指南，而不是业绩保证。
| 政权 | 系统行为 | 典型考虑因素 |
|---|---|---|
| 高波动性收缩 | 止损门槛随着流动性的压缩而收紧；执行逻辑变得更加保守。 | 与减少不确定催化剂之前的暴露有关。 |
| 趋势扩展 | 随着波动性趋于稳定，阈值扩大，从而在流动性保持不变的情况下允许头寸空间发展。 | 与保持定向移动而不过早退出相关。 |
| 流动性碎片化 | 风险评分对流动性深度的影响比单独的价格行为更重要。 | 与流动性较低的工具或盘后交易相关。 |
持有期短意味着阈值需要在同一时段内做出反应；系统根据盘中流动性变化而不是日终数据重新计算。
分类日志和风险评分历史记录可以与现有模型一起审查，支持独立验证，而不是盲目依赖单个信号。
对于长期头寸，更广泛的波动性聚类检查可以减少因短期噪音而提前退出的可能性。
历史政权的行为并不能保证未来的表现。实践中的市场条件可能会结合多种制度的要素。