Natututo na ang WeatherBot mula sa Sariling Pagkakamali — Ang Self-Improving Intelligence Engine

Karamihan sa mga trading bot ay static. Pinapatakbo nila ang parehong logic ngayon na pinapatakbo nila noong unang araw. Kung gumawa sila ng masamang trade, masaya nilang muling gagawin ang eksaktong parehong masamang trade bukas. Napagpasyahan namin na hindi iyon sapat na maganda.

Simula ngayon, may sariling self-improvement engine — isang sistema ng limang magkakaugnay na mga module na patuloy na sumusubaybay, sumusuri, at natututo sa bawat trade na ginagawa ng bot. Ang bot ay literal na nagiging mas matalino sa paglipas ng panahon, inaangkop ang estratehiya nito batay sa tunay na mga resulta, hindi lamang sa teoretikal na mga modelo.

Heto ang eksaktong paggana ng bawat module:

1. Trade Outcome Tracker at Win Rate Calculator

Bawat trade na lumalabas — sa pamamagitan ng stop-loss, profit target, o market resolution — ay permanente nang nare-record kasama ang buong konteksto: ang market question, entry price, exit price, kung aling lungsod, kung aling petsa, kung aling trading mode ang aktibo, kung ano ang predicted ng forecast models, at ang final na P&L.

Mula sa data na ito, kinakalkula ng engine ang real-time win rates na hinati ayon sa lungsod, trading mode, entry price range, at time period. Pagkatapos lang ng ilang araw ng trading, may mga pattern na lumilitaw. Baka 85% manalo ang bot sa London trades pero 45% lang sa Seoul. Baka magaling siya sa entries na mababa sa 15¢ pero pangit sa 40¢ pataas. Hindi ito mga hula — totoong numero ito mula sa totoong trades, at direktang pumapasok sa susunod na desisyon ng Claude.

2. Post-Resolution Feedback Loop — pagsubaybay sa katumpakan ng modelo

Ito ay purong meteorological science. Pagkatapos maresolba ang bawat merkado, naitatala ng engine ang hinulaan ng bawat weather model laban sa aktwal na nangyari. Sa paglipas ng panahon, bumubuo ito ng isang per-city na database ng model accuracy.

Ang resulta? Pagkalipas ng 30 araw ng data, maaari nang malaman ng bot na "konsistent na 0.8°C na mas mainit ang ECMWF para sa Seoul sa Marso" o "1.2°C na mas malamig ang GFS para sa Miami sa tag-init." Awtomatikong isinasama ang mga sistematikong bias na ito sa pagkalkula ng konsensus. Walang ibang weather trading bot na may ganito — karamihan ay pantay-pantay ang trato sa lahat ng modelo kahit ano pa ang track record nila para sa isang partikular na lungsod at panahon.

3. Hinuhusgahan ni Claude ang sariling mga trade — AI post-mortem analysis

Ito ang pinakamakapangyarihang module. Bawat 30 minuto, sinusuri ng bot ang mga kamakailang natalo na trade at ipinapadala ang bawat isa pabalik sa Claude na may simpleng tanong: "Ano ang naging mali?"

Sinusuri ng Claude ang trade pagkalipas — ang forecast data na available, ang presyong pinasok, ang totoong resulta — at sumusulat ng maikling post-mortem: ano ang naging pagkakamali at isang actionable rule para iwasan ito sa hinaharap. Ang mga aral na ito ay nag-iipon sa isang "playbook" na ina-inject sa bawat susunod na AI prompt.

Pagkatapos ng 100 trades, halos sumulat na ng sariling trading manual ang Claude batay sa totoong karanasan. Mga halimbawang aral na nakita namin sa pagsubok:

• "Iwasan ang BUY_YES higit sa 30¢ sa mga lungsod sa Asya — karaniwang epektibo na ang market sa presyong iyon"
• "Kapag hindi magkasundo ang GFS at ECMWF nang higit sa 2°C, palaging SKIP — masyadong mataas ang kawalang-katiyakan"
• "Ang temperatura sa Seoul ay laging mas mababa sa model consensus tuwing Marso — magpataw ng -1°C correction"

4. AI Confidence Calibration

Kapag sinabi ng Claude na ang isang trade ay may "VERY_HIGH" na confidence, gaano kadalas itong nananalo talaga? Tinutugma ng module na ito ang sagot nang tumpak. Ang antas ng confidence ng bawat trade ay naitatala kasama ng resulta nito, na bumubuo ng isang calibration table:

Direkta itong ina-inject sa prompt ng Claude. Kung makita ng Claude na ang VERY_HIGH calls niya ay 60% lang ang panalo, natural na nagiging mas piling — inilalaan ang VERY_HIGH para sa tunay na siguradong resulta. Ang kumpiyansa ng AI ay nagiging tunay na makabuluhan sa halip na arbitraryo, na direktang nagpapabuti sa trade sizing (dahil mas malalaking taya ang inilalagay sa mas mataas na confidence levels).

5. Rolling Performance Context — pagkilala ng pattern

Bawat pagsusuri ng AI ngayon ay tumatanggap ng rolling 7-day performance summary na nagpapakita:

• Pangkalahatang win/loss record at net P&L
• Pinakamagagandang lungsod sa performance (kung saan tuluy-tuloy ang panalo ng bot)
• Pinakamababang performance na lungsod (kung saan dapat mag-ingat o iwasan)
• Win rates ayon sa entry price range (<15¢, 15-40¢, >40¢)

Natural na ina-adjust ng Claude ang behavior nito batay sa konteksto. Kung 9-win streak ang mga London trade, mas agresibo siyang nagho-hold ng mga oportunidad sa London. Kung consistent na talo ang Seoul, mas mataas ang itinatakda niyang bar bago magrekomenda ng Seoul trade. Nag-eevolve ang estratehiya ng bot araw-araw batay sa kung ano ang aktwal na gumagana.