Preliminary Round Participant Insights — Matrix AOT: Analiza lewego mózgu, decyzje prawego mózgu w handlu AI

Otwórz

W WEEX AI Trading Hackathon, AOT Matrix wybrał bardziej ostrożną ścieżkę w projektowaniu systemu - tę, którą w rzeczywistości trudniej jest wykonać w środowisku handlu na żywo.

Od samego początku dokonali wyraźnych wyborów co do roli, jaką AI powinna i nie powinna odgrywać w systemie handlowym.

Rozmawialiśmy z AOT Matrix na temat ich logiki podejmowania decyzji, wielokrotnych iteracji ich architektury systemu i jak to jest wdrażać ją w rzeczywistym środowisku handlowym i ograniczeniach inżynieryjnych WEEX.

Q1. W handlu AI, pierwszy instynkt większości ludzi jest "niech AI składa zamówienia". Dlaczego odrzuciłeś ten pomysł od początku?

Matryca AOT:

Ponieważ rynki kryptowalut są niestabilne.

Rozkład cen zmienia się, struktury zmienności ulegają zerwaniu, a wzorce historyczne często zawiodą, gdy jest to najważniejsze. Pozwolenie AI na bezpośrednie wykonanie zleceń kupna lub sprzedaży zamieniłoby wszelkie niezgodności modelu w natychmiastowe straty.

Na tej podstawie w pierwszym tygodniu wykluczyliśmy dwa powszechne podejścia: użycie AI jako automatycznego botu handlowego lub pozwolenie mu na bezpośrednie generowanie sygnałów handlowych.

Zamiast tego postanowiliśmy, że AI odpowie na bardziej ograniczone, ale znacznie bardziej krytyczne pytanie: czy to odpowiednie środowisko do handlu teraz?

Q2. Podczas fazy przygotowania, z jaką architekturą systemu początkowo eksperymentowaliście?

Matryca AOT:

Na początku próbowaliśmy hybrydowego ustawienia: AI sygnalizuje kierunek, a system oparty na zasadach wykonuje.

Ale podczas testów i symulacji problemy stały się jasne: stabilność sygnałów AI znacznie różniła się w różnych fazach rynku.

Jak tylko struktura rynku zmieniła się, niezawodność tych sygnałów znacznie spadła.

Później zdajemy sobie sprawę, że problemem nie jest dokładność modelu, lecz podział obowiązków.

Q3. Jak zdefiniowałeś rolę AI i podejmowania decyzji handlowych?

Matryca AOT:

Po kilku iteracjach, zakończyliśmy strukturę systemu "lewy mózg / prawy mózg".

AI znajduje się w „lewym mózgu”, odpowiedzialnym wyłącznie za analizę, a nie za podejmowanie decyzji handlowych.

Jego zadaniem jest ocena warunków rynkowych — tendencji, zasięgu, scenariuszy wysokiego ryzyka lub tego, czy handel powinien zostać zatrzymany — zapewniając jednocześnie ocenę zaufania dla środowiska. Nie przewiduje dokładnych cen ani nie składa zamówień.

Rzeczywiste decyzje handlowe są obsługiwane przez „prawy mózg”, system oparty na zasadach zarządzania uprawnieniami handlowymi, wielkością pozycji i kontrolą dźwigni.

Każda transakcja musi być audytowana i powtarzalna – twardy wymóg, jaki postawiliśmy sobie na WEEX AI Hackathon.

Q4. Podczas przygotowań, jak trudne było przetłumaczenie doświadczenia handlowego na czytelne wejścia AI?

Matryca AOT:

Bardzo wymagające. Doświadczenie inwestorów jest często intuicyjne, ale AI wymaga zorganizowanych informacji.

Więc zamiast tylko dodawać więcej danych, złamaliśmy logikę. Podzieliliśmy logikę handlową na trzy rodzaje: Struktura rynku, stan zmienności i warunki ryzyka. AI uczy się i produkuje tylko te stany pośrednie.

W ten sposób AI nie przewiduje już przyszłych cen; koncentruje się na odpowiedzi , czy obecne środowisko jest zdrowe i odpowiednie do handlu.

Biorąc pod uwagę krótki czas przygotowania, uważaliśmy, że jest to bezpieczniejsze i bardziej praktyczne podejście.

Q5. Podczas integracji API WEEX i przejścia od symulacji do handlu na żywo, jakie niespodziewane wyzwania pojawiły się?

Matryca AOT:

Większość wyzwań była związana z inżynierią. Początkowo dokonaliśmy podstawowej uwierzytelniania i składania zamówień za pośrednictwem API WEEX, ale w handlu na żywo szybko zdajemy sobie sprawę, że „możliwość składania zamówień” nie gwarantuje długoterminowej stabilności systemu.

Zaburzenia sieciowe, upływ czasu na żądania i problemy z wykonywaniem wielu strategii pojawiały się stopniowo podczas symulacji i testów na żywo.

Aby to naprawić, przeprowadziliśmy systematyczne uaktualnienia inżynieryjne, w tym:

• Identyfikatory śledzenia pełnego łańcucha do śledzenia na poziomie zamówienia
• Idempotent Order Controls, aby zapobiec powielaniu egzekucji
• Asynchroniczne kolejki i dopasowanie stanu kolejek w celu zwiększenia odzysku systemu w przypadku anomalii

Ten etap był kluczowym krokiem w przekształcaniu demonstracji w system zdolny do długotrwałego działania.

Q6. Włożyłeś wiele wysiłku w rejestrowanie decyzji handlowych i egzekucji. Jakie było rozumowanie za tym?

Matryca AOT:

W handlu na żywo, wszelkie transakcje, które nie mogą być wyjaśnione, ostatecznie staną się źródłem ryzyka.

Dlatego wymagamy, aby każde zamówienie mogło odpowiedzieć na trzy pytania: Dlaczego został otwarty w tym momencie? Jak system ocenia otoczenie rynkowe? Czy ta sama decyzja będzie ważna, jeśli warunki się powtórzą?

System w pełni rejestruje sztuczną inteligencję oceniającą warunki rynkowe, uzasadnienie realizacji decyzji oraz końcowy wynik handlu.

Celem nie jest skomplikowanie rzeczy, ale zapewnienie, że wszystkie transakcje są identyfikowalne, powtarzalne i sprawdzalne – to, co nazywamy „audytowalnością całego łańcucha”.

Q7. Przygotowując się do WEEX AI Trading Hackathon, jaki był Twój największy wgląd w handel AI?

Matryca AOT:

Trzy główne spostrzeżenia.

Po pierwsze, AI w handlu nie ma zastąpić ludzi, ale ograniczyć ich.

Lepiej ograniczyć emocjonalne decyzje i zauważyć środowiska, których nie można handlować, niż dążyć do „większych zysków”.

Po drugie, stabilność systemu jest często ważniejsza niż dokładność modelu.

System, który wygląda idealnie w testach zwrotnych, ale nie działa na żywo, po prostu zamienia swoją przewagę techniczną w narażenie na ryzyko.

Po trzecie, interpretowalność jest kluczowa dla długotrwałego przetrwania.

Tylko wtedy, gdy każde P&L można zrozumieć i przejrzeć, system może zostać naprawiony po wycofaniu, zamiast zostać zniszczony i odbudowany.

Zamykanie

Dla AOT Matrix, WEEX AI Trading Hackathon to nie tylko konkurs modelowy – jest to kompleksowy test projektowania systemu, inżynierii i świadomości ryzyka.

Ich architektura jest produktem ciągłej walidacji, dostosowań i konwergencji w warunkach handlu na żywo i ograniczeniach inżynieryjnych WEEX.

I to jest dokładnie proces, przez który handel AI musi przejść, aby przejść od koncepcji do zrównoważonego, długoterminowego narzędzia.