19. august 2026 · AI-agenter

Sådan fører et AI-agentteam en handelsidé fra sætning til papirpenge

Sådan fører et AI-agentteam en handelsidé fra sætning til papirpenge

Folk spørger, hvad "et AI-team researcher strategier" konkret betyder, så her er én hypotese fulgt hele vejen igennem. Det vigtige at holde fast i: det her er en tragt, der findes for at afvise. De fleste idéer dør. Det er produktet, der virker.

Hvilke spørgsmål folk faktisk stiller om det

Hvem finder på idéerne?

En research-agent, der læser, hvad databiblioteket kan understøtte — funding rates, open interest, likvidationstapes, optionsflader, nyhedssentiment, Fear & Greed — og skriver hypoteser med en tese, en børs, en tidshorisont og en risikoprofil. Den er eksplicit gebyrbevidst: en idé, hvis plausible edge ligger under børsens omkostning tur-retur, er misdannet allerede ved ankomsten. Den læser også kirkegården. Hver eneste opgivne strategis fejlårsag er indlejret og søgbar, så "funding-momentum på timebarer, tredje forsøg" bliver markeret, før den spilder en cyklus.

Hvem skriver koden, og hvorfor skulle nogen stole på den?

En udvikleragent koder strategien op mod en fast basisskabelon — kapitalrelativ positionsstørrelse, eksplicit stop-logik, deklarerede databehov. Tilliden kommer fra forhindringsbanen, ikke fra forfatteren. Fire lag: statisk analyse (AST-tjek for de antimønstre, vi har katalogiseret); syntetiske scenarier (seks markedsformer med fabrikerede supplerende data — en strategi, der køber ind i et krak-scenarie, den var designet til at undgå, dør her); en sandbox-backtest på rigtige data, som skal producere mindst én handel; og en QA-agent, der laver kodegennemgang for signalpolaritet, kanttilfælde og gebyrlevedygtighed. Lag 2 fanger den mest pinlige kategori: kode, der kører perfekt og gør det stik modsatte af hypotesen.

Hvad koster backtesten reelt?

Rigtige maker/taker-satser pr. børs, funding-tilskrivning på mark-prisen, kvadratrods-markedspåvirkning, margin og likvidation for gearede bøger, sessionskalendere for aktier. Mark-to-market-egenkapital inklusive urealiseret PnL, så drawdowns ikke gemmer sig mellem indgang og udgang. Hvis det lyder som en selvfølge, er det ikke; hvert punkt blev tilføjet, fordi dets fravær førte til en helt konkret forkert forfremmelse.

Overfitter optimeringen ikke bare?

Den forsøger. Pipelinen går ud fra det: parametre får først et sensitivitetssweep (en strategi, der kun virker ved præcis lookback=14, er et tilfælde, ikke en strategi), derefter walk-forward-optimering hen over tre vinduer med IS/OOS-sporing, og til sidst et holdout, som strategien ser præcis én gang. OOS-Sharpe under halvdelen af IS-tallet er en afvisning. Holdout skal bevare mindst 70% af walk-forward-OOS-Sharpen. Det er kodehåndhævede gates, ikke analytikerens skøn — analytikeren kan fravige en blød grænse med en logget begrundelse, men kan ikke fravige overfit-tjekkene.

Hvad er beståelsesraten?

Lav, og det bør den være. Den typiske død sker ved analytikergennemgangen: edgen er reel, men under 0,15% pr. handel efter omkostninger. Den næstmest almindelige er sensitivitetsklinten. De overlevende går videre til en risikoansvarlig og derefter til papirhandel, hvor et dagligt replay-paritetstjek holder dem ærlige mod livedata på ubestemt tid. Rigtig kapital ligger bag en separat, menneskestyret gate.

Designprincippet under det hele: hver agents output bliver tjekket af noget, der ikke selv har produceret det — en anden agent, en kodehåndhævet gate eller livedata. Autonomi skalerer researchen; verifikationen er det, der giver researchen betydning.
ai-agenterpipelineforskningsautomatiseringverifikationqa
← Alle indlæg