Perspectivas de los participantes de la ronda preliminar: Matriz AOT: Análisis del cerebro izquierdo, Decisiones del cerebro derecho en trade de IA

Apertura

En el Hackathon de tradear de IA de WEEX, AOT Matrix eligió un camino más cauteloso en el diseño del sistema, uno que en realidad es más difícil de llevar a cabo en un entorno de tradear en tiempo en tiempo real.

Desde el principio, tomaron decisiones claras sobre qué papel debe y no debe desempeñar la IA en el sistema de tradear.

Entrevistamos a AOT Matrix sobre su lógica de toma de decisiones, las múltiples iteraciones de su arquitectura de sistema y cómo es implementarla bajo las restricciones reales de ingeniería y entorno tradeando de WEEX.

Q1. En el tradear de IA, el primer instinto de la mayoría de las personas es “dejar que la IA colocar orden”. ¿Por qué descartaste esta idea desde el principio?

Matriz AOT:

Porque los mercados de criptomonedas son inherentemente inestables.

Las distribuciones de precios cambian, las estructuras de volatilidad se rompen y los patrones históricos a menudo fallan cuando más importa. Dejar que la IA ejecute órdenes comprar o vender directamente convertiría cualquier desajuste del modelo en pérdidas reales inmediatas.

En base a eso, en la primera semana descartamos dos enfoques comunes: usar IA como bot de trading automatizado o dejar que genere señales tradeando directamente.

En su lugar, elegimos que la IA respondiera a una pregunta más moderada pero mucho más crítica: ¿es este el entorno adecuado para tradear en este momento?

Q2. Durante la fase de preparación, ¿con qué arquitectura de sistema experimentaste inicialmente?

Matriz AOT:

Al principio, intentamos una configuración híbrida: IA señal dirección, y el sistema basado en reglas se ejecuta.

Pero durante backtests y simulaciones, los problemas quedaron claros: la estabilidad de señales IA varió mucho entre las distintas fases del mercado.

Tan pronto como cambió la estructura del mercado, la fiabilidad de esas señales disminuyó considerablemente.

Más tarde nos dimos cuenta de que el problema no era la precisión del modelo, sino la división misma de las responsabilidades.

Q3. ¿Cómo redefiniste las funciones de la IA y tradeaste para tomar decisiones?

Matriz AOT:

Después de varias iteraciones, finalizamos una estructura del sistema “cerebro izquierdo / cerebro derecho”.

La IA reside en el “cerebro izquierdo”, responsable únicamente del análisis y no de tomar decisiones tradeando.

Su trabajo es evaluar las condiciones del mercado (tendencias, rangos, escenarios de alto riesgo o si se debe pausar el tradear) mientras se proporciona una puntuación de confianza para el medio ambiente. No predice precios exactos ni coloca órdenes.

Las decisiones tradear reales son manejadas por el “cerebro derecho”, un sistema basado en reglas que gestiona permisos trade, tamaño de posiciones y controles de apalancamiento.

Cada trade debe ser auditable y rejugable, un requisito difícil que nos establecimos en el Hackathon de IA de WEEX.

Q4. Durante la preparación, ¿cuán difícil fue traducir la experiencia tradeando en insumos legibles por IA?

Matriz AOT:

Extremadamente desafiante. La experiencia del trade suele ser intuitiva, pero la IA requiere información estructurada.

Así que en lugar de agregar más datos, rompimos la lógica. Dividimos la lógica tradeando en tres tipos: estructura del mercado, estado de volatilidad y condiciones de riesgo. La IA aprende y genera solo estos estados intermedios.

De esta manera, la IA en long no predice los precios futuros; se centra en responder si el entorno actual es saludable y adecuado para tradear.

Dado el tiempo de preparación en short, pensamos que este era un enfoque más seguro y práctico.

P5. Al integrar la API de WEEX y pasar de la simulación al tradear en tiempo real, ¿qué desafíos inesperados surgieron?

Matriz AOT:

La mayoría de los desafíos estaban relacionados con la ingeniería. Inicialmente completamos la autenticación básica y el envío de órdenes mediante la API de WEEX, pero al tradear en tiempo real, nos dimos cuenta rápidamente de que “poder colocar órdenes” no garantiza la estabilidad del sistema en long plazo.

La fluctuación de la red, los tiempos de espera de solicitudes y los problemas de ejecución multiestrategica surgieron gradualmente bot durante simulaciones como pruebas en tiempo real.

Para solucionar esto, hicimos actualizaciones de ingeniería sistemáticas, como:

• ID de trazas de cadena completa para el seguimiento a nivel de órdenes
• Controles de órdenes idepotentes para evitar ejecuciones duplicadas
• Colas asíncronas y conciliación del estado de las órdenes para mejorar la recuperación del sistema en caso de anomalías

Esta fase fue un paso crítico para convertir una demo en un sistema capaz de operar en long plazo.

Q6. Pones mucho esfuerzo en registrar las decisiones y ejecuciones tradeando. ¿Cuál fue el razonamiento detrás de esto?

Matriz AOT:

En tradear en tiempo real, cualquier trade que no se pueda explicar se convertirá en un evento en una fuente de riesgo.

Por lo tanto, requerimos que cada orden pueda responder a tres preguntas: ¿Por qué se abrió en ese momento? ¿Qué juzgaba el sistema que era el entorno del mercado? ¿Se adoptaría la misma decisión si se repitieran las condiciones?

El sistema registra completamente las evaluaciones de IA de las condiciones del mercado, la justificación detrás de la ejecución de las decisiones y el resultado final del trade.

El objetivo no es complicar las cosas, sino asegurar que todos los trades sean rastreables, reproducibles y revisables; lo que llamamos “auditoría de cadena completa”.

P7. Mientras te preparas para el Hackathon de tradear de IA de WEEX, ¿cuál ha sido tu mayor visión sobre el tradear de IA?

Matriz AOT:

Tres ideas principales.

Primero, la IA al tradear no está destinada a reemplazar a los humanos, sino a limitarlos.

Es mejor frenar las decisiones emocionales y spot entornos inoperantes que perseguir “mayores retornos”.

En segundo lugar, la estabilidad del sistema a menudo importa más que la precisión del modelo.

Un sistema que se ve perfecto en backtests pero falla en tiempo real simplemente convierte su ventaja técnica en exposición al riesgo.

En tercer lugar, la interpretabilidad es fundamental para la supervivencia en long plazo.

Sólo si se comprenden y revisan todas las consideraciones y consideraciones podrá arreglarse el sistema después de las extraer, en lugar de desecharse y reconstruirse.

Cerrando

Para AOT Matrix, el Hackathon de trade de IA de WEEX no es solo una competencia modelo: es una prueba exhaustiva de diseño de sistemas, ingeniería y conciencia de riesgos.

Su arquitectura es el producto de la validación, los ajustes y la convergencia continuos bajo las condiciones de tradear y las restricciones de ingeniería en tiempo real de WEEX.

Y este es exactamente el proceso por el que debe pasar el AI trade para pasar del concepto a una herramienta sostenible y en long plazo.