1 分•作者: chenjy16•5 个月前
我没有直接将原始价格数据输入提示词，而是将大型语言模型（LLM）严格视为“定性推理者”（大脑），并构建了确定性脚本作为“定量执行者”（双手）。
数学层（零幻觉）：传统的 Node.js/Python 脚本提取市场数据，并计算确定性指标（SMA、ATR、RSI），以及回测历史胜率。
上下文层：它通过 Finnhub/Tavily 获取实时新闻、SEC 文件摘要和华尔街评级。
LLM 大脑（DeepSeek-R1 / GPT-4o）：模型仅被输入计算结果。它充当一个投资委员会，权衡技术设置与宏观新闻催化剂。
风险控制器：即使 AI 大喊“买入”，系统也会将信号传递给硬编码的波动率平价仓位规模模型（使用 ATR），以计算精确的安全仓位大小。
人机交互（Telegram）：为了执行，我集成了一个策略引擎。机器人向我的 Telegram 发送一个精美的提案卡。只有当我回复 /approve 时，它才会通过券商 API（Longport/Alpaca）执行。
1000 美元实验：
我目前正在实时运行这个实验。这与致富无关；这是一个工程实验，旨在看看多智能体系统是否真的能够在嘈杂的市场中保持正的期望值（+EV）而不崩溃。
目前，该系统在第一周的表现是 [上涨 2% / 下跌 1% / 持平]。它昨天成功避免了一次虚假突破，因为空头智能体成功地就低成交量与多头智能体进行了辩论。
技术栈：Node.js、TypeScript、SQLite、better-sqlite3、Longport SDK。
我将开源整个框架。它具有高度模块化，因此您可以轻松地替换您自己的指标或提示逻辑。
我希望 HN 社区能够吐槽我的架构，指出我在回测逻辑中的盲点，或者告诉我我将多久输掉我的 1000 美元。