Загрузка...
Смарт-конспекты YouTube-видео — ключевые идеи и инсайты без необходимости смотреть часовые ролики
Пошаговый разбор создания AI-агента для автономного тестирования и оптимизации арбитражных стратегий на Poly Market на базе идей Андрея Карпатого.
🎯 О чём этот конспект: Разбор практического кейса по созданию автономного AI-агента, который самостоятельно проводит эксперименты, правит код стратегии и тестирует её на рынке предсказаний Poly Market. В основе лежит концепция «Auto Research» Андрея Карпатого, адаптированная под арбитражную торговлю биткоином.
👤 Кому будет полезно: Вайбкодерам, алготрейдерам и разработчикам, использующим AI-агентов (Claude Code, Cursor) для автоматизации циклов разработки и тестирования гипотез.
✨ Что получите: Понимание архитектуры «исследовательского цикла» (Research Loop), где AI сам пишет код, запускает бэктесты/драй-раны, оценивает метрики и принимает решение о внедрении изменений в основную ветку репозитория.
Контекст: Вместо ручного перебора параметров стратегии автор внедрил систему, где AI-агент работает внутри GitHub-репозитория как полноценный исследователь. Агент следует инструкциям из специального файла training_program.md, который служит «плейбуком». Он анализирует историю предыдущих запусков, выдвигает гипотезу, модифицирует код бота, запускает часовой тест (dry mode) и на основе полученного профита или винрейта решает: закоммитить изменения или откатиться. Это позволяет стратегии эволюционировать 24/7 без участия человека.
Выгода: Полная автоматизация процесса оптимизации стратегии; исключение человеческого фактора при оценке гипотез; непрерывное накопление базы знаний (research memory).
Как применить:
Claude Codetraining_program.md, где опишите правила: как выбирать эксперименты, какие фильтры использовать (например, асимметрия спреда) и каковы критерии успеха (score evaluator).score с лучшим результатом в истории (best_kept).# Пример структуры training_program.md
1. Цель: Поиск арбитража на паре BTC Up/Down.
2. Метрики: Fill rate > 50%, Profit > 0.
3. Допустимые изменения: Параметры фильтров, логика входа, размер спреда.
4. Процесс:
- Выдвинуть гипотезу.
- Изменить `config.py` или `strategy.py`.
- Запустить 1-часовой тест.
- Если результат лучше — сделать commit и обновить `history.log`.Контекст: Стратегия сфокусирована на рынках предсказаний BTC (Up/Down) с 5-минутным окном. Суть арбитража заключается в покупке обоих исходов (и «вверх», и «вниз») по ценам, сумма которых меньше 100 центов (выплаты). Например, если ставка на «Up» стоит 49 центов, а на «Down» — 50 центов, суммарные затраты составят 99 центов при гарантированной выплате в 100 центов. AI-агент ищет такие неэффективности, учитывая «edge» (преимущество) и ширину стакана (order book depth).
Выгода: Математически гарантированная прибыль (за вычетом комиссий) при наличии ликвидности; 100% винрейт при правильном исполнении.
Как применить:
Ask_Up + Ask_Down < 1.00.web3.py), чтобы мгновенно выставлять ордера на оба исхода при обнаружении арбитражного окна.Результат: В демонстрации автор заработал $2 за 20 минут при ставках по $5, закрыв 5 из 5 сделок в плюс.
Контекст: Вместо написания сложных скриптов управления, автор использует терминальный AI-интерфейс (Claude Code / Codex) для взаимодействия с ботом на естественном языке. Это позволяет быстро переключаться между конфигурациями, менять размер позиции или принудительно вызывать функции (например, redeem для получения выигрыша). AI выступает в роли оператора, который понимает контекст кода и текущее состояние кошелька.
Выгода: Скорость управления; возможность быстро «откатить» код к лучшей версии по одной команде; удобный мониторинг через чат.
Как применить:
# Пример взаимодействия в терминале:
> "Switch code to the best setup so far based on experiment history"
> "Set package price to $5 and start the bot in live mode"
> "Check balance and redeem all resolved winning trades"В: Почему используется именно 1 час для теста каждой гипотезы? О: Это компромисс между скоростью и статистической значимостью. Рынок Poly Market за 5 минут может быть слишком шумным, поэтому серия из 12 окон (по 5 минут) дает более стабильное представление о качестве фильтров и частоте сделок (fill rate).
В: Что делать, если AI-агент испортит код и бот перестанет работать? О: Система построена на Git. Каждое изменение — это отдельный коммит. Если тест проваливается или код выдает ошибку, агент автоматически делает откат (discard) к последней стабильной «лучшей» версии, зафиксированной в истории.
В: Какие именно параметры меняет AI в ходе экспериментов? О: В основном это фильтры входа: asymmetry filters (разница в цене между исходами), spread relative to edge (насколько широк спред относительно потенциальной прибыли) и frequency filters (ограничение количества сделок).
В: Нужен ли большой капитал для такого арбитража? О: Нет, автор начинал с баланса около $150 и ставок по $5. Арбитраж на Poly Market позволяет работать с небольшими суммами, но прибыль ограничена ликвидностью стакана (при больших суммах спред может схлопнуться).
В: Можно ли использовать этот подход для других рынков? О: Да, архитектура «Auto Research» универсальна. Её можно адаптировать для любого API (криптобиржи, спортивные ставки, SaaS-метрики), где есть четкая функция оценки (финансовый результат) и возможность автоматического изменения параметров.
Конспект создан на основе видео «I built an Auto Research AI Agent for my Trading Bot» канала Skool of AI. Все права на оригинальный материал принадлежат авторам. Источник: https://youtu.be/kKucCudlHZs