خیلیها میپرسند «یک تیم AI استراتژی پژوهش میکند» دقیقاً یعنی چه؛ پس اینجا یک فرضیه را از ابتدا تا انتها دنبال میکنیم. نکتهٔ مهمی که باید در ذهن نگه دارید: این قیفی است که برای رد کردن وجود دارد. بیشتر ایدهها میمیرند. و این یعنی محصول دارد کارش را درست انجام میدهد.
سؤالهایی که مردم واقعاً دربارهاش میپرسند
ایدهها از کجا میآیند؟
از یک ایجنت پژوهش که میداند کتابخانهٔ داده از چه چیزهایی پشتیبانی میکند — نرخهای فاندینگ، بهرهٔ باز، نوار لیکوییدیشنها، سطوح آپشن، احساسات اخبار، شاخص Fear & Greed — و فرضیههایی مینویسد با یک تز، یک بازار مقصد، یک تایمفریم و یک پروفایل ریسک. این ایجنت بهصراحت کارمزدآگاه است: ایدهای که لبهٔ محتملش زیر هزینهٔ رفتوبرگشت آن بازار باشد، از همان لحظهٔ ورود معیوب به حساب میآید. قبرستان استراتژیها را هم میخواند. دلیل شکست هر استراتژی رهاشده امبدینگشده و قابل جستجوست، بنابراین «مومنتوم فاندینگ روی کندلهای ساعتی، تلاش سوم» پیش از آنکه یک چرخه را هدر بدهد پرچمگذاری میشود.
کد را چه کسی مینویسد، و چرا اصلاً باید به آن اعتماد کرد؟
یک ایجنت توسعهدهنده استراتژی را روی یک قالب پایهٔ ثابت کدنویسی میکند — اندازهگیری پوزیشن نسبت به سرمایه، منطق استاپ صریح، اعلام شفاف نیازهای داده. اعتماد از دل مسیر پرمانع میآید، نه از نویسنده. چهار لایه: تحلیل ایستا (بررسیهای AST برای ضدالگوهایی که فهرست کردهایم)؛ سناریوهای مصنوعی (شش شکل بازار با دادهٔ تکمیلی ساختگی — استراتژیای که در همان سناریوی سقوطی که قرار بود از آن دوری کند خرید میزند، همینجا میمیرد)؛ یک بکتست سندباکس روی دادهٔ واقعی که باید دستکم یک معامله تولید کند؛ و یک ایجنت QA که کد را از نظر قطبیت سیگنال، حالتهای مرزی و توجیهپذیری کارمزدی بازبینی میکند. لایهٔ ۲ خجالتآورترین دستهٔ خطاها را میگیرد: کدی که بینقص اجرا میشود و دقیقاً برعکس فرضیه عمل میکند.
بکتست واقعاً چه هزینههایی را حساب میکند؟
کارمزد واقعی maker/taker برای هر بازار، تعلق فاندینگ روی قیمت مارک، اثر بازار با قانون جذر، مارجین و لیکوییدیشن برای دفترهای اهرمی، تقویم جلسات معاملاتی برای سهام. ارزش ویژهٔ حساب بهصورت mark-to-market و شامل سود و زیان تحققنیافته، تا افتهای سرمایه بین ورود و خروج پنهان نمانند. اگر اینها به نظرتان بدیهی میآید، نیست؛ هر مورد به این دلیل اضافه شد که نبودش یک ارتقای اشتباهِ مشخص تولید کرده بود.
مگر بهینهسازی صرفاً بیشبرازش نمیکند؟
تلاشش را میکند. پایپلاین هم دقیقاً همین را فرض میگیرد: پارامترها ابتدا از یک جاروب حساسیت میگذرند (استراتژیای که فقط دقیقاً در lookback=14 کار میکند یک تصادف است، نه یک استراتژی)، سپس بهینهسازی walk-forward روی سه پنجره با ردیابی دروننمونه/بروننمونه (IS/OOS)، و در پایان یک holdout نهایی که استراتژی فقط یک بار آن را میبیند. Sharpe بروننمونهٔ کمتر از نصف عدد دروننمونه یعنی رد شدن. holdout هم باید دستکم 70% از Sharpe بروننمونهٔ walk-forward را حفظ کند. اینها گیتهایی هستند که در کد اجباری شدهاند، نه صلاحدید تحلیلگر — تحلیلگر میتواند یک کف نرم را با ثبت دلیل نادیده بگیرد، اما نمیتواند بررسیهای بیشبرازش را دور بزند.
نرخ قبولی چقدر است؟
پایین، و باید هم پایین باشد. شایعترین مرگ در بازبینی تحلیلگر رخ میدهد: لبه واقعی است اما پس از کسر هزینهها زیر 0.15% بهازای هر معامله است. دومین مورد رایج، پرتگاه حساسیت است. بازماندهها نزد یک افسر ریسک میروند و از آنجا به معاملات کاغذی، جایی که یک بررسی روزانهٔ تطابقِ بازپخش آنها را تا ابد در برابر دادهٔ زنده صادق نگه میدارد. سرمایهٔ واقعی پشت یک گیت جداگانه و تحت کنترل انسان نشسته است.
