WeatherBot ora impara dai propri errori — il motore di intelligenza auto-migliorante

La maggior parte dei bot di trading è statica. Eseguono oggi la stessa logica che eseguivano il primo giorno. Se fanno un brutto trade, faranno volentieri esattamente lo stesso brutto trade di nuovo domani. Abbiamo deciso che non era abbastanza buono.

Da oggi, WeatherBot ha un motore di auto-miglioramento — un sistema di cinque moduli interconnessi che tracciano, analizzano e imparano continuamente da ogni singolo trade effettuato dal bot. Il bot diventa letteralmente più intelligente nel tempo, adattando la sua strategia in base a risultati reali, non solo a modelli teorici.

Ecco esattamente come funziona ciascun modulo:

1. Tracciatore degli esiti delle operazioni e calcolatore del tasso di vincita

Ogni operazione che esce — tramite stop-loss, obiettivo di profitto o risoluzione del mercato — viene registrata permanentemente con il suo contesto completo: la domanda del mercato, prezzo di ingresso, prezzo di uscita, quale città, quale data, quale modalità di trading era attiva, cosa hanno previsto i modelli di previsione e il P&L finale.

Da questi dati, il motore calcola tassi di vincita in tempo reale suddivisi per città, modalità di trading, intervallo del prezzo di ingresso, e time period. Dopo solo pochi giorni di trading, emergono pattern. Magari il bot vince l'85% delle operazioni su Londra ma solo il 45% di quelle su Seoul. Magari va benissimo con ingressi sotto 15¢ ma male sopra 40¢. Non sono intuizioni — sono numeri concreti da operazioni reali, e alimentano direttamente la prossima decisione di Claude.

2. Ciclo di feedback post-risoluzione — tracciamento dell'accuratezza del modello

Questa è pura scienza meteorologica. Dopo che ogni mercato si risolve, il motore registra ciò che ogni modello meteorologico ha previsto rispetto a ciò che è effettivamente accaduto. Nel tempo, questo costruisce una database di accuratezza del modello per città.

Il risultato? Dopo 30 giorni di dati, il bot potrebbe sapere che "ECMWF gira sistematicamente 0,8°C troppo caldo per Seoul a marzo" o "GFS è 1,2°C troppo freddo per Miami in estate". Questi bias sistematici vengono inseriti automaticamente nel calcolo del consenso. Nessun altro bot di trading meteo ha questo — la maggior parte tratta tutti i modelli allo stesso modo indipendentemente dal loro track record per una specifica città e stagione.

3. Claude giudica le proprie operazioni — analisi post-mortem dell'IA

Questo è il modulo più potente. Ogni 30 minuti, il bot rivede i suoi recenti trade in perdita e ne invia ciascuno indietro a Claude con una semplice domanda: "Cosa è andato storto?"

Claude esamina l'operazione in retrospettiva — i dati di previsione disponibili, il prezzo di ingresso, l'esito reale — e scrive un post-mortem conciso: qual è stato l'errore e una regola attuabile per evitarlo in futuro. Queste lezioni si accumulano in un "playbook" iniettato in ogni prompt IA futuro.

Dopo 100 operazioni, Claude ha sostanzialmente scritto il proprio manuale di trading basato sull'esperienza reale. Esempi di lezioni emerse nei test:

• "Evita BUY_YES sopra i 30¢ nelle città asiatiche — il mercato di solito è già efficiente a quel prezzo"
• "Quando GFS ed ECMWF divergono di oltre 2°C, sempre SKIP — l'incertezza è troppo alta"
• "Le temperature di Seul sono costantemente inferiori al consenso dei modelli a marzo — applica una correzione di -1°C"

4. Calibrazione della fiducia dell'IA

Quando Claude dice che un trade ha confidenza "VERY_HIGH", quanto spesso vince effettivamente? Questo modulo traccia la risposta con precisione. Il livello di confidenza di ogni trade viene registrato insieme al suo esito, costruendo una tabella di calibrazione:

Questi dati vengono iniettati direttamente nel prompt di Claude. Se Claude vede che le sue chiamate VERY_HIGH vincono solo il 60% delle volte, diventa naturalmente più selettivo — riservando VERY_HIGH a esiti davvero certi. La confidenza dell'IA diventa genuinamente significativa invece che arbitraria, il che migliora direttamente il sizing delle operazioni (poiché le scommesse maggiori sono fatte su livelli di confidenza più alti).

5. Contesto di performance mobile — riconoscimento di pattern

Ogni analisi IA riceve ora un riepilogo delle prestazioni mobile su 7 giorni che mostra:

• Bilancio complessivo vittorie/sconfitte e P&L netto
• Città più performanti (dove il bot vince in modo consistente)
• Città peggiori (dove operare con cautela o evitare)
• Tassi di vittoria per fascia di prezzo di ingresso (<15¢, 15-40¢, >40¢)

Claude adatta naturalmente il suo comportamento in base a questo contesto. Se i trade di Londra hanno una striscia di 9 vittorie, si appoggia più aggressivamente sulle opportunità londinesi. Se Seoul è stata una perdente costante, alza l'asticella prima di raccomandare trade su Seoul. La strategia del bot evolve giornalmente in base a cosa funziona davvero.