WeatherBot 現在從自己的錯誤中學習 — 自我改進的智慧引擎

大多數交易機器人是靜態的。它們今天運行的邏輯與它們在第一天運行的相同。如果它們做了一個糟糕的交易，它們明天會愉快地再次做完全相同的糟糕交易。我們決定這還不夠好。

從今天起,WeatherBot 擁有 自我改進引擎 — 一個由五個相互連接的模組組成的系統，持續追蹤、分析並從機器人進行的每一筆交易中學習。機器人會隨著時間真正變得更聰明，根據實際結果而不僅僅是理論模型來調整其策略。

下面是每個模組的具體運作方式:

1. 交易結果追蹤器 & 勝率計算器

每筆退出的交易 — 無論是透過停損、獲利目標還是市場結算 — 都會以完整上下文永久記錄:市場問題、入場價、出場價、哪個城市、哪個日期、哪種交易模式處於啟用、預報模型預測了什麼以及最終的盈虧。

基於這些資料,引擎即時計算並按以下維度細分勝率: 城市, 交易模式, 入場價格區間,以及 time period。僅幾天交易後,模式就會顯現。也許機器人在倫敦交易上勝率 85%,但在首爾只有 45%。也許它在 15¢ 以下的入場表現出色,但在 40¢ 以上表現糟糕。這些不是猜測 — 是來自真實交易的硬數據,直接進入 Claude 的下一個決策。

2. 結算後回饋循環 — 模型準確率追蹤

這是純粹的氣象科學。每個市場結算後，引擎會記錄每個天氣模型預測的內容與實際發生情況。隨著時間推移，這會構建一個 按城市劃分的模型準確率資料庫.

結果?在 30 天資料之後,機器人可能知道「ECMWF 在 3 月份的首爾一致地偏暖 0.8°C」或者「GFS 在邁阿密的夏季偏冷 1.2°C」。這些系統性偏差會自動納入共識計算。其他天氣交易機器人都沒有這個 — 大多數對所有模型一視同仁,不管它們針對特定城市和季節的歷史表現。

3. Claude 評判自己的交易 — AI 復盤分析

這是最強大的模組。每30分鐘，機器人會審查其最近的虧損交易，並將每筆都帶著一個簡單的問題發回給Claude： 「哪裡出錯了?」

Claude 事後審查交易 — 當時可用的預報資料、入場價格、實際結果 — 並撰寫一份簡潔的事後分析:錯誤是什麼,以及一條可執行的規則來避免它再次發生。這些教訓累積成一本「劇本」,注入到未來的每一個 AI 提示詞中。

經過 100 筆交易後,Claude 基本上根據真實經驗為自己編寫了一本交易手冊。我們在測試中看到的經驗範例:

• 「亞洲城市超過 30¢ 時避免 BUY_YES — 在該價位市場通常已經有效」
• 「當 GFS 和 ECMWF 差異超過 2°C 時,始終 SKIP — 不確定性太高」
• 「3 月份首爾的氣溫持續低於模型一致預測 — 套用 -1°C 修正」

4. AI 置信度校準

當Claude說一筆交易具有"VERY_HIGH"信心時，它實際多久贏一次？這個模組精確追蹤答案。每筆交易的信心水平連同其結果都被記錄，構建一個校準表：

這些資料被直接注入到 Claude 的提示詞中。如果 Claude 看到它的 VERY_HIGH 判斷只有 60% 的勝率,它自然會變得更挑剔 — 把 VERY_HIGH 留給真正確定的結果。AI 的信心度變得真正有意義而非隨意,這直接改善了交易部位調整(因為更大的下注被放在更高的信心度上)。

5. 滾動績效上下文 — 模式辨識

現在每次 AI 分析都會附帶過去 7 天的滾動績效摘要,展示:

• 總體勝負記錄與淨損益
• 表現最佳的城市（機器人持續獲利的地方）
• 表現最差的城市（應謹慎交易或避開）
• 依入場價格區間的勝率（<15¢、15-40¢、>40¢）

Claude 自然地根據這個上下文調整其行為。如果倫敦交易處於 9 連勝,它會更加積極地傾向倫敦機會。如果首爾一直是失敗者,它在推薦首爾交易前會設置更高的門檻。機器人的策略每天根據實際有效的內容演化。