7 min read

你的交易策略会自己进化吗?我的会

Source: http://x.com/i/article/2033860516100390912

我的龙虾会分析交易策略,并优化它。它第一天找的建议就让我大吃一惊。

我新做的一个项目:AutoDarwin:这是一套由AI控制,零人类干预,能自己不断优化,链上策略的系统。

简单来说,AutoDarwin 就是一个会自己学习的 AI 选币分析师:它每 30 分钟扫描新代币、做研究、下决策;每天复盘自己的判断对不对;如果准确率不够好,AI 会自动重写分析策略。

整个过程完全无人值守。你睡觉,它干活。

10天前:Karpathy大神发布了一个开源项目,目标是实现AI全自动,探索能提升模型效果的方案。这是AI全自动的一次大胆尝试,短短几天得到39K的star。

AutoDarwin跟Karpathy大神的底层逻辑是一致的。而是基本Binance 开放数据的自升级系统

四个核心特点

1. 零人类干预——AI可以24小时不间断运行,自动发现、分析、决策、复盘、优化,全流程闭环。

2. 真实数据驱动——不靠历史数据回测(回测能赚钱的策略,实盘往往亏钱)。AutoDarwin是基于真实市场的实时数据的优化。

3. 适应不同环境——不管是牛市熊市,还是不同的交易偏好。AutoDarwin 能根据市场环境,自动演化出不同的策略。不是一套参数打天下。

4. 低token消耗**——为了长期运行,AutoDarwin在一开始专门优化了 AI 的调用方式,长期运行不烧钱。

先看看运行的样子

下面截图是一次策略的分析报告,由于刚开始运行,所以它找出需要优化的因素比较多

1 它找到被低估的数据,比如24小时交易量,kyc用户持有账号,平均购买金额。

2 同时,让我特别吃惊的是,它找出kol持仓数据越多,越可能亏钱。这完全超出了我的认知,之前一直以为kol买入后会去宣传,至少是有证明作用。

Image

它是如何工作的?

整个系统分5步,形成一个不断循环的进化闭环——前4步负责发现和决策,第5步负责让系统越来越聪明

Phase 1:发现新币

获得需要分析的链上项目,现在我的信号源两个: 1)从Binance Web3 的 Meme Rush获得 2)从Binance Web3 的Trading Signal信号

拿到之后先做初步筛选——流动性太低的、市值太小的,直接过滤掉。不浪费时间在明显不靠谱的项目上。

Phase 2:获得数据

对候选代币做全面数据采集,共 5 个子步骤:(以下全部来自Binance的数据)

步骤 内容 2a 安全审计 + 合约搜索,获取风险评分 2b 硬过滤:买卖税 ≤ 10%,风险等级 ≤ 3 2c 实时数据:价格、成交量、持有人数 2d 智能钱包追踪:是否有聪明钱流入 2e 社交热度:Twitter/社区讨论热度

Phase 3:根据选币策略决策

分两步筛选:

3.1(纯代码规则):过滤明显不合格的代币。如果持有人数不足,Top 10 持有者占比过高(集中度风险,存在洗盘行为,黑名单事件(如 Rug Pull、DEV 大额抛售)

3.2(LLM 决策):读取当前策略文档,并发调用 AI 模型,对每个代币作出决策,包括强烈购买,买入,不推荐等

| 买卖力量 | count_24h_buy、count_24h_sell、volume_24h、avg_buy_amount、avg_sell_amount | 买卖力量对比,成交量趋势,大户建仓迹象 |

| 聪明钱行为 | smart_money_holders、smart_money_holding_pct、smart_money_inflow | 聪明钱是否在买入,净流入金额和参与地址数 |

| KOL/专业交易者 | kol_holders、kol_holding_pct、pro_holders、pro_holding_pct | KOL 持仓 = 传播潜力,Pro 持仓 = 被认可 |

| 持有人分布 | holders、top10_holders_pct、new_wallet_holding_pct | 分布健康度,新人是否在进场 |

| 叙事/故事性 | narrative_text、socials | Meme 叙事质量,社交媒体传播潜力 |

| 社交热度 | social_hype(hypeScore、sentiment、kolCount) | 热度高低、市场情绪、KOL 讨论内容) |

Image

Phase 4:用真实结果打分

从binance Query Token Info中,获得价格K线。每天自动复盘过去 24 小时的所有 AI 决策:

  • 从 Binance 拉取决策之后的真实 K 线数据
  • 计算如果当时买入,最多能赚多少
  • A 级推荐是否真的涨了 500% 以上?B 级推荐是否涨了 100% 以上?

不看理论,只看结果

Phase 5:策略自我进化

这是系统最核心的创新之处,让策略像生物一样自我进化:

准确率评估:计算各级别决策的胜率,如果低于 60% 则触发进化

因子归因:分析过去 7 天的数据,找出哪些特征与盈利决策最相关

AI 改进建议:LLM 基于分析结果,生成策略改进方案

校验更新:验证新策略的结构完整性后,原子替换旧策略文件

项目亮点

1. 灵活的运行模式

根据本项目的实际情况,将功能分成两个模块 模块1:phase1、phase2 和phase3,这是一个完整的从项目发现到作出AI决断的过程 模块2:phase4、phase5 这是获得真实数据,然后分析优化的过程。

灵活的运行方式 你可以按需选择怎么跑:

  • 定时模式:每30分钟自动扫描一轮新币,每24小时自动复盘进化一次
  • 触发模式:检测到聪明钱异动时,立刻触发分析
  • 全量模式:一键跑完发现→分析→决策→复盘→进化的全流程

2 低token消耗

为了能长期运行,在开发的时候考虑能够降低token的消耗。核心要点是:尽量使用代码运行,只将最核心的地方交由AI分析,具体为 1)使用api请求获得数据,省去AI来获取,阅读,入库 2)使用pandas处理数据分析,而不是让AI来处理 3)在AI分析前进行预处理,而不是全部打包给AI

AI只辅助核心的两个 1)根据交易策略,对项目分析,作出交易决策 2)根据真实的数据,进行复盘,优化决策策略

3. 多链差异化运营

BSC 和 Solana 完全独立:各自的策略文档、各自的过滤阈值、各自的进化历史。同一套代码支持两条链,通过配置文件区分。

最后

链上交易的本质是什么?是信息差和速度。

你比别人早发现10分钟,你就能吃到第一口肉。你的策略比别人更准,你就能少踩坑。

但人的精力是有限的,而市场是24小时不睡觉的。

AutoDarwin 要解决的不是"帮你交易",而是一个更底层的问题:让你的交易策略,拥有自己的生命力。

它会呼吸、会学习、会进化。你给它一个起点,哪怕是个很粗糙的起点,它会自己跑起来,越跑越聪明。

这不是一个工具。这是一个会长大的系统。