¡Por fin, las cosas empiezan a mejorar! Tras ampliar el experimento a largo plazo a una ventana de 15 meses, mantuvo una rentabilidad general al alza, lo que demuestra que mi grupo de Agentes no está simplemente adaptado al trading bajista; en las primeras etapas de un mercado alcista, ¡las decisiones aún pueden tomarse con normalidad! Todos los datos se han entregado a IA para su análisis. Después, necesitamos extraer algunas ventanas para experimentos repetidos y asegurarnos de que el boletín no sea aleatorio o afortunado... Luego continuar ampliando el periodo total de ventana para el experimento actual para asegurar que los Agentes puedan adaptarse a más ciclos de mercado hasta llegar al mercado más reciente... Este coste es realmente significativo: puede que necesites un presupuesto de 8.000 dólares en total. Pero mientras el sistema sea estable y rentable, ¡esta pequeña cantidad de dinero merece la pena la inversión!

Volviendo atrás a la conclusión de ayer, ¡Agents Trading sigue teniendo potencial! Anoche rediseñamos los prompts principales para los Agentes y simplificamos el personal. Tras reducir la frecuencia de toma de decisiones de una vez al día a una cada 4 horas, ¡la estabilidad general del sistema ha mejorado notablemente! Además, tomé directamente 2.000 decisiones desde arriba, cubriendo el mercado de BTC durante el mercado bajista de 2022. Inesperadamente, el sistema aún entregó un retorno neto del 50% durante el mercado bajista, ¡con una caída máxima inferior al 13%! Ayer ya estaba desesperado, pero inesperadamente, otro pueblo salió de la oscuridad... Hoy planeo gastar otros 1.000 dólares en quemarlo y dejar que el sistema siga probando el mercado para el futuro. Mientras haya esperanza, este poco dinero no será mucho~

Desgraciadamente, se concluye que en esta etapa, usar clústeres puros de agentes para resolver transacciones complejas de mercado sigue sin ser muy realista... En los últimos días, he realizado más de 10 experimentos seguidos, quemando casi 1.000 dólares en llamadas API de tokens. El resultado es que la rentabilidad de la mayoría de los experimentos está muy por detrás de las estrategias de algoritmos fijos. Sí que generan dinero, pero las reducciones y beneficios son básicamente los mismos... Como añadí módulos de memoria y experiencia a los agentes, rinden bien en mercados tendenciales, pero en cuanto sufren grandes caídas, se vuelven inmediatamente muy tímidos, reduciendo drásticamente la frecuencia de operaciones y dudando en abrir posiciones... Como resultado, cada vez que hay una caída importante, el carácter de todo el equipo de Agentes cambia y la capacidad de recuperación de rentabilidad del sistema cae drásticamente... Mi lógica inicial parece haber sido refutada. Dar experiencia y memoria a los agentes de trading no es una buena opción. Lo mismo ocurre con los traders humanos: pensar siempre en operaciones que ya han ocurrido solo afecta a decisiones futuras... Después, haz unas cuantas rondas más de experimentos para ver si quitar el módulo de memoria ayuda.