WeatherBot тепер вчиться на власних помилках — самовдосконалюваний двигун інтелекту

Більшість торгових ботів статичні. Сьогодні вони запускають ту саму логіку, що й у перший день. Якщо вони здійснюють погану угоду, вони із задоволенням завтра знову здійснять точно таку ж погану угоду. Ми вирішили, що цього недостатньо.

Починаючи з сьогодні, WeatherBot має двигун самовдосконалення — система з п'яти взаємопов'язаних модулів, які безперервно відстежують, аналізують і навчаються з кожної угоди, яку здійснює бот. Бот буквально стає розумнішим з часом, адаптуючи свою стратегію на основі реальних результатів, а не лише теоретичних моделей.

Ось як саме працює кожен модуль:

1. Трекер результатів угод і калькулятор відсотка перемог

Кожна угода, що виходить — через стоп-лосс, ціль прибутку чи резолюцію ринку — постійно записується з повним контекстом: питання ринку, ціна входу, ціна виходу, яке місто, яка дата, який торговий режим був активний, що передбачали прогнозні моделі та підсумковий P&L.

На основі цих даних рушій обчислює відсотки перемог у реальному часі з розбивкою за місто, режим торгівлі, діапазон ціни входу, і time period. Уже через кілька днів торгівлі з'являються патерни. Можливо, бот виграє 85% угод по Лондону, але лише 45% по Сеулу. Можливо, він чудово працює на входах нижче 15¢, але погано вище 40¢. Це не здогадки — це жорсткі цифри з реальних угод, які прямо впливають на наступне рішення Claude.

2. Цикл зворотного зв'язку після розв'язання — відстеження точності моделей

Це чиста метеорологічна наука. Після розв'язання кожного ринку двигун записує, що передбачила кожна погодна модель, порівняно з тим, що насправді сталося. З часом це створює база даних точності моделей за містами.

Результат? Після 30 днів даних бот може знати, що «ECMWF систематично на 0,8°C тепліший для Сеула в березні» або «GFS на 1,2°C холодніший для Маямі влітку». Ці систематичні зміщення автоматично враховуються в розрахунку консенсусу. Жоден інший погодний торговий бот цього не має — більшість ставиться до всіх моделей однаково, незалежно від їх досвіду для конкретного міста й сезону.

3. Claude оцінює власні угоди — пост-мортем-аналіз ШІ

Це найпотужніший модуль. Кожні 30 хвилин бот переглядає свої нещодавні програшні угоди та надсилає кожну назад до Claude з простим запитанням: «Що пішло не так?»

Claude ретроспективно вивчає угоду — доступні дані прогнозу, ціну входу, фактичний результат — і пише стислий post-mortem: яка була помилка та одне дієве правило, як її уникнути в майбутньому. Ці уроки накопичуються в «playbook», який інжектується в кожен наступний AI-промпт.

Після 100 угод Claude фактично написав власний торговий посібник на основі реального досвіду. Приклади уроків з тестування:

• «Уникайте BUY_YES вище 30¢ для азійських міст — за такою ціною ринок зазвичай уже ефективний»
• «Коли GFS і ECMWF розходяться більш ніж на 2°C, завжди SKIP — невизначеність надто висока»
• «У березні температури в Сеулі стабільно нижчі за консенсус моделей — застосовуйте поправку -1°C»

4. Калібрування впевненості ШІ

Коли Claude каже, що угода має впевненість "VERY_HIGH", як часто вона насправді виграє? Цей модуль точно відстежує відповідь. Рівень впевненості кожної угоди записується разом з її результатом, будуючи таблицю калібрування:

Ці дані інжектуються безпосередньо в промпт Claude. Якщо Claude бачить, що його прогнози VERY_HIGH виграють лише 60% часу, він природним чином стає більш вибірковим — резервуючи VERY_HIGH для справді певних результатів. Впевненість ШІ стає по-справжньому значущою, а не довільною, що напряму покращує сайзинг угод (оскільки більші ставки робляться на вищих рівнях впевненості).

5. Ковзний контекст продуктивності — розпізнавання патернів

Кожен ШІ-аналіз тепер отримує ковзний 7-денний підсумок ефективності, який показує:

• Загальний рахунок перемог/поразок і чистий P&L
• Найкращі міста (де бот стабільно виграє)
• Найслабші міста (де торгувати обережно або уникати)
• Винрейт за діапазонами ціни входу (<15¢, 15-40¢, >40¢)

Claude природним чином підлаштовує поведінку під цей контекст. Якщо London-угоди мають серію з 9 перемог, він агресивніше схиляється до можливостей у Лондоні. Якщо Сеул був стабільно програшним, він підвищує планку перед рекомендацією Seoul-угод. Стратегія бота еволюціонує щодня на основі того, що реально працює.