WeatherBot uczy się teraz na własnych błędach — samouczący się silnik inteligencji

Większość botów handlowych jest statyczna. Dziś uruchamiają tę samą logikę, którą uruchamiali pierwszego dnia. Jeśli zrobią złą transakcję, jutro chętnie zrobią dokładnie tę samą złą transakcję ponownie. Zdecydowaliśmy, że to nie wystarczy.

Począwszy od dziś, WeatherBot ma silnik samodoskonalenia — system pięciu wzajemnie połączonych modułów, które nieustannie śledzą, analizują i uczą się z każdej pojedynczej transakcji wykonanej przez bota. Bot dosłownie staje się mądrzejszy w czasie, dostosowując swoją strategię na podstawie rzeczywistych wyników, a nie tylko teoretycznych modeli.

Oto dokładnie, jak działa każdy moduł:

1. Tracker wyników transakcji i kalkulator wskaźnika wygranych

Każda transakcja, która się zamyka — przez stop-loss, cel zysku lub rozstrzygnięcie rynku — jest trwale rejestrowana z pełnym kontekstem: pytanie rynkowe, cena wejścia, cena wyjścia, które miasto, która data, który tryb tradingu był aktywny, co przewidziały modele prognozy i finalny P&L.

Z tych danych silnik oblicza w czasie rzeczywistym wskaźniki wygranych w podziale na miasto, tryb handlu, zakres ceny wejścia, i time period. Już po kilku dniach tradingu pojawiają się wzorce. Może bot wygrywa 85% transakcji w Londynie, ale tylko 45% w Seulu. Może świetnie radzi sobie z wejściami poniżej 15¢, ale słabo powyżej 40¢. To nie przeczucia — to twarde liczby z realnych transakcji, które bezpośrednio wpływają na kolejną decyzję Claude'a.

2. Pętla informacji zwrotnej po rozstrzygnięciu — śledzenie dokładności modeli

To czysta nauka meteorologiczna. Po rozwiązaniu każdego rynku, silnik rejestruje, co każdy model pogodowy przewidywał w porównaniu z tym, co rzeczywiście się wydarzyło. Z czasem buduje to baza danych dokładności modeli per miasto.

Rezultat? Po 30 dniach danych bot może wiedzieć, że „ECMWF konsekwentnie jest o 0,8°C za ciepły dla Seulu w marcu" lub „GFS jest 1,2°C za zimny dla Miami latem". Te systematyczne odchylenia są automatycznie uwzględniane w obliczeniach konsensusu. Żaden inny bot tradingowy pogodowy tego nie ma — większość traktuje wszystkie modele równo, niezależnie od ich osiągnięć dla konkretnego miasta i sezonu.

3. Claude ocenia własne transakcje — analiza post-mortem AI

To najpotężniejszy moduł. Co 30 minut bot przegląda swoje ostatnie przegrane transakcje i wysyła każdą z powrotem do Claude'a z prostym pytaniem: "Co poszło nie tak?"

Claude analizuje transakcję retrospektywnie — dostępne dane prognozy, cenę wejścia, faktyczny wynik — i pisze zwięzły post-mortem: jaki był błąd i jedna praktyczna zasada, aby go uniknąć w przyszłości. Te lekcje gromadzą się w „playbook", który wstrzykiwany jest w każdy przyszły prompt AI.

Po 100 transakcjach Claude w zasadzie napisał własną instrukcję tradingu na podstawie rzeczywistego doświadczenia. Przykłady lekcji z testów:

• "Unikaj BUY_YES powyżej 30¢ w azjatyckich miastach — przy tej cenie rynek zazwyczaj jest już efektywny"
• "Gdy GFS i ECMWF różnią się o więcej niż 2°C, zawsze SKIP — niepewność jest zbyt duża"
• "Temperatury w Seulu są w marcu konsekwentnie niższe niż konsensus modeli — zastosuj korektę -1°C"

4. Kalibracja pewności AI

Kiedy Claude mówi, że transakcja ma pewność "VERY_HIGH", jak często faktycznie wygrywa? Ten moduł śledzi odpowiedź precyzyjnie. Poziom pewności każdej transakcji jest zapisywany wraz z jej wynikiem, budując tabelę kalibracji:

Te dane są wstrzykiwane bezpośrednio do promptu Claude'a. Jeśli Claude widzi, że jego decyzje VERY_HIGH wygrywają tylko 60% czasu, staje się naturalnie bardziej selektywny — rezerwując VERY_HIGH dla naprawdę pewnych wyników. Pewność AI staje się rzeczywiście znacząca zamiast arbitralną, co bezpośrednio poprawia sizing transakcji (ponieważ większe zakłady są stawiane na wyższych poziomach pewności).

5. Kroczący kontekst wyników — rozpoznawanie wzorców

Każda analiza AI otrzymuje teraz kroczące podsumowanie wyników z 7 dni pokazujące:

• Ogólny bilans wygranych/przegranych i P&L netto
• Najlepiej radzące sobie miasta (gdzie bot stale wygrywa)
• Najgorzej radzące sobie miasta (gdzie trzeba zachować ostrożność lub unikać)
• Skuteczność wg zakresu cen wejścia (<15¢, 15-40¢, >40¢)

Claude w naturalny sposób dostosowuje swoje zachowanie do tego kontekstu. Jeśli londyńskie transakcje mają passę 9 wygranych, agresywniej pochyla się ku okazjom z Londynu. Jeśli Seul był konsekwentnym przegranym, podnosi poprzeczkę przed rekomendowaniem transakcji w Seulu. Strategia bota ewoluuje codziennie w oparciu o to, co rzeczywiście działa.