Kiedy ambicją stało się zbudowanie najlepszego tradera na świecie

Czy bot już się uczy?

Wieczór zaczął się od prostego pytania: czy bot już się uczy? Chwilę później wrócił pierwotny plan, według którego bot miał przez około miesiąc uczyć się rynku, zanim zacznie poważniej handlować.

To dobrze pokazuje słabość wczesnego pomysłu. Obraz celu był mocny, ale nie było precyzyjnej definicji uczenia. Pobieranie danych, liczenie wskaźników i zmiana reguł decyzji może wyglądać inteligentnie, ale nie dowodzi, że system nauczył się czegoś użytecznego.

Potem ambicja wystrzeliła

O 22:44 cel został opisany w najbardziej ambitny możliwy sposób: zbudować bota, który będzie najlepszym traderem na świecie.

To nie był cel naukowy. Nie było benchmarku, definicji „najlepszego” ani dowodów, że wczesny system zbliża się do poziomu eksperckiego. Była to po prostu ogromna ambicja projektu, który dopiero odkrywał, jak trudne potrafią być podstawy niezawodności.

Warto zachować ten kontrast. Historia byłaby mniej prawdziwa, gdyby dziś poprawić ją tak, żeby wczesny projekt brzmiał ostrożnie i dojrzale. Nie był taki. Był ambitny, niecierpliwy i optymistyczny.

Ile czasu do poziomu eksperta?

Później padło bardziej konkretne pytanie: ile czasu potrzeba, żeby bot stał się ekspertem?

Nie było uczciwego sposobu, żeby to przewidzieć. Ekspertyza nie powstaje przez samo pozostawienie skryptu uruchomionego przez określoną liczbę dni. System tradingowy potrzebuje wartościowych informacji, poprawnego procesu uczenia, dobrych testów i dowodu, że pozorna umiejętność działa także na danych, których wcześniej nie widział.

AUR nie miał jeszcze takiego rygoru. Samo pytanie prowadziło jednak do lepszego problemu: z jakich informacji system powinien się uczyć?

Rynek to więcej niż wykres

O 23:22 pojawiła się kolejna idea. Skoro wojny, polityka, gospodarka i inne wydarzenia światowe potrafią poruszać cenami kryptowalut, czy bot powinien analizować także je?

To był wczesny krok poza same świece i wskaźniki techniczne. Projekt zaczął myśleć o informacjach zewnętrznych, kontekście i wydarzeniach, które mogą docierać do rynku zanim wykres w pełni pokaże ich efekt.

Nie oznaczało to oczywiście, że bot nagle potrafił rozumieć świat. Wiadomości są pełne szumu, czas publikacji ma ogromne znaczenie, informacje bywają powielane albo błędne, a po fakcie łatwo dopasować historię do ruchu ceny. Kierunek był jednak szerszy: inteligencja rynkowa może wymagać czegoś więcej niż patrzenia w przeszłe ceny.

Ambicja była nierealistyczna. Pytanie pod nią było dobre: jakich informacji potrzebowałby ekspert przed podjęciem decyzji?

Przydatna sprzeczność

7 czerwca dobrze pokazuje sprzeczność, która długo towarzyszyła projektowi. Cel stawał się bardzo zaawansowany, gdy implementacja była jeszcze młoda.

Ta luka prowadziła później do wielu błędów, ale zmuszała też do coraz lepszych pytań. Co naprawdę znaczy uczenie? Co czyni tradera ekspertem? Które informacje pojawiają się przed ruchem ceny? Jak maszyna ma odróżnić sygnał od szumu?

To znacznie trudniejsze pytania niż wygenerowanie sygnału kupna lub sprzedaży. Są też dużo bliższe temu, czym AUR miał się później zajmować.

Co było dalej

8 czerwca uwaga przesunęła się na działanie systemu. Pojawiło się pytanie, jak sprawdzać bota z telefonu, czy wszystko działa i jak dashboard powinien pokazywać jego stan.

Ambicja rosła, ale pojawiła się kolejna prosta prawda: autonomiczny system nie jest użyteczny, jeśli nie wiadomo, czy działa, zawiesił się czy całkiem stanął.