CryptoPainter

Under de senaste två dagarna har vi byggt om hela systemet och delat nya lärdomar: 1. När du bygger ett strategisystem med AI-deltagande, ställ dig själv frågan "Kan denna funktion implementeras med ren kod?" ” Om en funktion kan implementeras genom ren kod, oavsett hur komplex dess implementationslogik är, bör den undvikas genom att lämna den till AI för beslutsfattande. Till exempel är min nuvarande idé inom strategisystemarkitektur att först implementera en uppsättning rena algoritmiska kvantitativa strategier med hög vinstprocent och hög vinst-förlust-kvot men mycket låg handelsfrekvens, och backtestresultatet är mindre än 10 affärer per år, men datan är utmärkt. Anledningen till att jag inte handlar är att ett stort antal filterfaktorer har lagts till i strategins beslutsträd, och den normala marknaden kan inte alls trigga öppningssignalen... Sedan använder jag AI för att ingripa i beslutsfattande, genom kontohistorik och strategistruktur, låter det dynamiskt justera filtrets parametrar, så att en rent algoritmisk strategi blir en flexibel handlare... Då uppstår problemet, även om promptorden till AI:n redan är omfattande, men när antalet iterationsparametrar ökar börjar AI:n producera vissa självförstärkande riktningsavvikelser... Till exempel, förra gången jag ändrade RSI-intervallet upptäckte jag att strategins vinstprocent ökade och vinsten ökade, och sedan används denna förändringsupplevelse som en iterationslogg för nästa optimering, och kontexten ändras gradvis till att oavsett hur strategin presterar, kommer den bara att modifiera en kärnparameter, och ju mer den ändras, desto mer extrem blir den... Även om jag lägger till en beskrivning av alla exponerade parametrar i den globala prompten, kommer AI:n efter varje körning under en viss tid gradvis att fastna på en eller två parametrar, oförmögen att ta sig loss själv... Därför var jag tvungen att lägga två dagar på att omvandla denna del av AI-uppgiften som involverade datainsamling, realtidsanalys och dynamisk parameterjustering till ren kodlogik, och hela systemet var tvunget att göra mycket beroendeutveckling för att anpassa sig, vilket var helt onödigt när det tidigare bestämdes av AI, det kunde hämta data självt, nätverkssökning, semantisk analys och sedan dra parameterjusteringsslutsatser... Men ändå, utan AI:n som deltar i tunga beslut, har hela systemets funktion äntligen stabiliserats, så en sak som kan bekräftas är att för handelssystem är död kod bättre än flexibla stora modeller! För närvarande har jag begränsat AI-arbetet till social sentimentanalys, insamling av handelstillgångar (bakgrundskontroll och upplåsningscykel) och systemövervakning, och du har en agent som sekreterare, vilket är mycket säkrare och stabilare än att ha honom som handlare. Därför, om du fortfarande ser fram emot att ge AI en prompt, och sedan kommer den att börja tjäna pengar, är det bättre att tvätta sig och sova, den nuvarande fasen av stora modeller kan bara genomföra ren algoritmstrategi under fasta parametrar, vilket motsvarar att hjälpa användare att spara besvär med tidig utveckling; Men ju längre du kommer, desto mer plats upptar AI i ett system, desto högre blir osäkerheten kring den svarta lådan, och ibland är det inte lika stabilt som att hitta en lärare med en order...