اگر تصور کنید یک تریدر به‌جای خیره شدن به جداول خشکِ اکسل، نمودارهایی با کیفیت 4K را تحلیل کند و پیش از هر معامله، هر دو دیدگاه صعودی و نزولی را به چالش بکشد، دقیقاً با معماری LLM_trader رو‌به‌رو هستید. این سیستم که در ۲۹ ژوئیه ۲۰۲۶ توسط یک کارگر انبار در شهر وروتسوافِ لهستان منتشر شد، یک موتور معاملاتی در سطح پژوهشی است که رویکرد سنتی «ارسال اعداد در پرامپت» را کنار گذاشته و بر استنتاج تصویری و اعتبارسنجارهای ریاضی تکیه می‌کند.
بسیاری از معامله‌گران خرد، داده‌های خام قیمت را در یک مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — می‌ریزند و امیدوارند یک سیگنال جادویی دریافت کنند. این روش به‌شدت منجر به توهم (Hallucination) — وضعیتی شبیه به دوستی که خاطره‌ای را اشتباه و با اطمینان تعریف می‌کند — می‌شود؛ مثلاً مدل ممکن است مقدار RSI را اشتباه بفهمد و بر اساس یک عدد نادرست، سیگنال «خرید» صادر کند. توسعه‌دهنده این پروژه در اواخر سال ۲۰۲۴ شخصاً با این مشکل رو‌به‌رو شد؛ او بارها با پرامپت‌هایی مواجه بود که ادعا می‌کردند «RSI برابر ۲۸ است، بازار در منطقه اشباع فروش است، بخرید»، اما در نهایت تا صبح روز بعد شاهد ضرری ۴.۲ درصدی بود. همان‌طور که در تحلیل قبلی ما درباره‌ی ماهیت تجربی وزن‌های هوش مصنوعی در پروژه LLM2HUMAN اشاره کردیم، این سیستم جدید از خروجی‌های تئوریک و احتمالی فاصله گرفته و به سمت یک چارچوب اعتبارسنجی سخت‌گیرانه، قطعی و دترمینیستیک حرکت کرده است. این رویکرد در واقع پاسخی به چالش همیشگی تضاد میان انعطاف‌پذیری مدل‌های زبانی و نیاز به کدهای قطعی برای کاهش خطاهای عملیاتی است.
این توسعه‌دهنده برای درک علت شکست مدل‌های زبانی در معاملات، هفته‌ها وقت صرف پژوهش و بررسی ۷۷ مقاله دانشگاهی کرد تا بفهمد چرا LLMها در محیط‌های معاملاتی شکست می‌خورند و سپس این راهکار را ساخت. نکته خیره‌کننده این است که این موتور معاملاتی نیازی به خوشه‌های ابری گران‌قیمت ندارد و روی یک پردازنده Ryzen 5700G با ۳۲ گیگابایت رم اجرا می‌شود؛ موضوعی که ثابت می‌کند خط لوله‌های حرفه‌ای هوش مصنوعی می‌توانند خارج از آزمایشگاه‌های شرکتی و در محیط‌های خانگی وجود داشته باشند. این بهینه‌سازی یادآور تلاش‌های مشابهی است که در آن جایگزینی مدل‌های حجیم با راهکارهای ساده‌تر، هزینه‌های استنتاج را به‌شدت کاهش داده است.
استنتاج تصویری و موتور فنی
هسته اصلی این سیستم «بینایی نمودار» (Chart Vision) است. به‌جای ارسال متن، ربات یک نمودار شمعی 4K با فرمت PNG تولید می‌کند که شامل پنج اندیکاتور کلیدی SMA، RSI، Volume، CMF و OBV است. این تصویر برای استنتاج (Inference) — لحظه‌ای که مدل واقعاً جواب تولید می‌کند، شبیه به خودِ آشپزی و نه دوره‌ی آموزش آن — به‌طور مستقیم به مدل Google Gemini 3.6 Flash ارسال می‌شود. نکته فنی این است که تصویر به صورت بایت یا URL داده نمی‌شود، بلکه به عنوان یک استنتاج بصری مستقیم پردازش می‌گردد. توسعه‌دهنده ابتدا دو هفته روی کدنویسی الگوریتم‌های سفارشی تشخیص الگوی «سره-و-شانه»، «گوه» و «خطوط روند» وقت گذاشت، اما در نهایت دریافت که تحلیل‌های بصری هوش مصنوعی به‌مراتب بهتر و دقیق‌تر از کدهای اوست؛ به‌همین دلیل ۹۰۰ خط کد تشخیص الگو را حذف کرد تا جای خود را به بینایی AI بدهند.
اندیکاتورهای محلی با عملکرد بالا
برای تضمین سرعت و حذف تأخیر، این ربات از کتابخانه‌های کند و سنگینی مثل pandas-ta یا TA-Lib استفاده نمی‌کند. توسعه‌دهنده موتور اندیکاتورها را از ابتدا با استفاده از NumPy و Numba نوشت. این موتور با بهره‌گیری از دکوراتور @njit(cache=True)، محاسبات را در اولین فراخوانی به کد ماشین (Machine Code) کامپایل کرده و نتایج را کش (Cache) می‌کند تا در دفعات بعدی سرعت به حداکثر برسد.
- دامنه: پشتیبانی از بیش از ۵۰ اندیکاتور فنی.
- معیارهای موجود: شامل EMA، SMA، MACD، ADX، Stochastic، باندهای بولینگر، TTM Squeeze، ایچیموکو و ۱۱ نوع مختلف میانگین متحرک.
- عملکرد: محاسبات در سطح میکروثانیه روی CPU انجام می‌شود و به هیچ وجه نیازی به شتاب‌دهنده‌های CUDA یا پردازش‌های ابری ندارد.
خط لوله‌ی استدلال
برای مقابله با سوگیری تأییدی (Confirmation Bias)، ربات از مکانیزم بحث «گاوها در برابر خرس‌ها» (Bull vs Bear) استفاده می‌کند. در حالی که سیستم‌های دیگر مثل TradingAgents برای این کار عامل‌های مجزا می‌سازند (که هزینه API را به‌شدت افزایش می‌دهد)، این ربات تنها از یک پرامپت استفاده می‌کند. به مدل دستور داده می‌شود که ابتدا مورد صعودی (Bullish) را با ارائه شواهد استدلال کند، سپس مورد نزولی (Bearish) را با همان دقت و سخت‌گیری بررسی نماید و در نهایت تصمیم بگیرد. این روش تضمین می‌کند که مدل هر دو استدلال را به‌طور هم‌زمان در پنجره متنی (Context Window) — یعنی میز کاری مدل که فقط جای چند ورق دارد — نگه دارد و در میانه راه، استدلال مخالف را فراموش نکند.
کیفیت سیگنال با یک «بررسی ابطال» (Falsification Check) سخت‌گیرانه بیشتر تقویت می‌شود. هیچ معامله‌ای پذیرفته نمی‌شود مگر اینکه مدل صراحتاً یک سطح قیمتی یا یک شرط اندیکاتوری را تعریف کند که اگر رخ دهد، ثابت می‌کند سیگنال غلط بوده است. این مورد در قالب یک جمله تک‌خطی می‌آید: «این سیگنال غلط خواهد بود اگر [سطح قیمتی یا شرط خاص] رخ دهد». اگر این شرط مبهم باشد یا ذکر نشود، سیگنال رد می‌شود. همچنین اگر در حین باز بودن معامله، این شرط ابطال فعال شود، پوزیشن فوراً بسته می‌گردد.
حفاظ‌های ریاضی و چارچوب EV
در حالی که مدل زبانی استدلال را بر عهده دارد، یک «چارچوب ارزش مورد انتظار» (EV Framework) تمام ریاضیات را مدیریت می‌کند. این بخش شکافی را پر می‌کند که طبق یافته‌های شرکت Optiver، مدل‌های زبانی قادرند EV را توضیح دهند اما در اجرای محاسباتی آن شکست می‌خورند. این چارچوب موارد زیر را دقیقاً محاسبه می‌کند:
- نرخ برد: استخراج از تاریخچه معاملات و فیلتر کردن آن‌ها بر اساس شباهت به ستاپ فعلی.
- محاسبه سود و ضرر: فرمول مورد استفاده: (نرخ برد × میانگین سود) منهای ((۱ منهای نرخ برد) × میانگین ضرر).
- اندازه پوزیشن: تعیین حجم بر اساس کسر کلی (Kelly fraction) نسبت به سرمایه فعلی حساب.
- اعتبارسنجی: بررسی دقیق نسبت ریسک به ریوارد (Risk/Reward) پیش از پذیرش هر سیگنال.
اگر مدل زبانی سیگنال «خرید قوی» صادر کند اما چارچوب EV مقدار منفی بازگرداند، ربات معامله نمی‌کند و در حالت انتظار می‌ماند.
حافظه برداری و یادگیری
مدیریت حافظه از طریق ChromaDB و استفاده از بردار معنایی (Embedding) مدل BAAI/bge-base-en-v1.5 با ابعاد ۷۶۸-D انجام می‌شود. هر معامله بسته شده به‌عنوان یک بردار ذخیره می‌گردد که شامل بیش از ۱۵ فیلد متادیتا است: نماد، جهت معامله، قیمت ورود و خروج، درصد سود و ضرر، حداکثر انحراف منفی (Max Adverse Excursion)، تایم‌فریم، مقدار ADX هنگام ورود، قدرت روند، RSI، روند حجم، الگوی شناسایی شده، امتیاز احساسات اخبار، نسبت غافلگیری (Surprise Ratio) و برچسب زمانی.
در هر چرخه جدید، ربات دیتابیس را برای یافتن ۵ معامله تاریخی که بیشترین شباهت را به وضعیت فعلی دارند، جستجو می‌کند. این معاملات به پرامپت مدل تزریق می‌شوند تا زمینه‌ای برای نتایج گذشته فراهم کنند. همچنین یک مکانیزم «تخریب زمانی» (Time-decay) تعبیه شده تا معاملات اخیر ۳ برابر بیشتر از معاملات قدیمی وزن داشته باشند.
نگهداری خودکار و اعتبارسنجی
کدهای این پروژه توسط هشت عامل (Agent) متخصص که در دایرکتوری .ai/ مستقر هستند، نگهداری می‌شوند. یک عامل «ناظر» (Supervisor) وظایف را توزیع کرده و با استفاده از جستجوی برداری، کدها را اسکن می‌کند تا هفت کارگر تخصصی را هدایت نماید:
- Bolt: تنظیم عملکرد (مثلاً رفع مشکل خواندن فایل‌های همگام ۴۰ میلی‌ثانیه‌ای در یک حلقه async).
- Palette: بهبودهای تجربه کاربری (UX)، از جمله افزودن برچسب‌های ARIA و پنل‌های جمع‌شونده.
- Sentinel: مدیریت امنیت، رسیدگی به هدرهای CSP، محدودسازی نرخ درخواست‌ها (Rate Limiting) و ایزوله کردن کلیدهای API.
- Refactor: پاک‌سازی کد، مانند حذف ۲۷ زنجیره
isinstanceو اجباری کردن الگوی Dependency Injection (DI). - Concise: کاهش حجم کد، از جمله حذف ۳۸۰ خط کد زائد از بخش سازنده پرامپت.
- Bugfixer: انجام تست‌های رگرسیون و شناسایی سه باگ حیاتی پیش از رسیدن به شاخه اصلی (Main).
- Smoke Tests: بررسی‌های پیش‌پرواز برای نحو (Syntax)، ایمپورت‌ها و اجرای ruff linting.
این عوامل در مجموع ۱۳۳ کامیت مستند و تست شده ایجاد کرده‌اند. هر سیگنال پیش از رسیدن به مرحله اجرا، از یک خط لوله‌ی اعتبارسنجی عبور می‌کند که شامل TrendValidator (تطبیق روند با ADX)، PatternQualityScorer (امتیازدهی دترمینیستیک) و شش گارد ریسک (لیست سفید نمادها، حداکثر پوزیشن، زمان استراحت یا Cooldown، حداقل R:R و اعتبار SL/TP) است.
زیرساخت بدون هزینه
کل این استک به‌گونه‌ای طراحی شده که هزینه ماهانه آن صفر زلوتی (zł) باشد. توسعه‌دهنده از لایه رایگان Gemini 3.6 Flash (۱۵۰۰ درخواست در روز) و یک سرور خانگی با استفاده از Cloudflare Tunnel بهره می‌برد. تحلیل احساسات نیز به‌صورت رایگان از طریق Reddit JSON، فیدهای عمومی Nitter برای X/Twitter و فیدهای RSS از CoinDesk، CoinTelegraph، Decrypt و CryptoSlate تامین شده و توسط ابزار Crawl4AI غنی‌سازی و از طریق یک موتور تولید بازیابی‌افزا (RAG) — مثل دانش‌آموزی که قبل از جواب دادن، اول کتاب درسی را باز می‌کند و از آن نقل می‌آورد — پردازش می‌شود.
برای تضمین پایداری، یک مجموعه آزمایشی شامل ۱,۳۲۴ تست کاملاً Mocked در حدود ۶۰ ثانیه اجرا می‌شود. این تست‌ها با استفاده از Codacy CLI v2 و ruff، توانایی مدل در پذیرش اطلاعات جدید را می‌سنجند — که پاسخی به نقد Optiver است مبنی بر اینکه LLMها «پس از اقدام، در پذیرش اطلاعات جدید شکست می‌خورند» — و تضمین می‌کنند که نتایج قطعی و تکرارپذیر باشند، تا مشکل بازتولیدپذیری (Reproducibility) را که در بسیاری از مقالات arXiv دیده می‌شود، حل کنند.
این چرخش به سمت «استنتاج تصویری + ریاضیات قطعی» نشان می‌دهد که آینده عوامل هوش مصنوعی نه در افزایش پارامترها، بلکه در مبنی‌سازی (Grounding) بهتر است. با تبدیل LLM به یک تحلیل‌گر بصری و یک مناظره‌کننده — به‌جای یک ماشین‌حساب — سیستمی شفاف و خودبهبودبخش خلق شده است.
برای کسانی که قصد بازسازی این سیستم را دارند، کدها به‌صورت متن‌باز در گیت‌هاب موجود است. گام حیاتی بعدی برای جامعه، انتقال این حفاظ‌های قطعی از محیط‌های Paper-trading به سرویس‌های اجرای زنده CCXT برای تست لغزش قیمت (Slippage) در دنیای واقعی است.
گام بعدی شما
- بررسی مخزن متن‌باز این پروژه در گیت‌هاب برای تحلیل معماری «بحث صعودی-نزولی».
- تست کردن مدل Gemini 3.6 Flash برای تحلیل بصری نمودارهای قیمت به‌جای ارسال داده‌های عددی.
- پیاده‌سازی لایه‌های اعتبارسنجی ریاضی (EV Framework) برای جلوگیری از تصمیمات تکانشی مدل.
اما تأثیر این رویکرد بر بازارهای با نقدینگی پایین حتی پیچیده‌تر است — به تحلیل ما درباره‌ی استراتژی‌های مدیریت ریسک در محیط‌های متلاطم مراجعه کنید.
گفتگو