تصور کنید در بازاری معامله می‌کنید که هر ثانیه هزاران داده تولید می‌کند، اما شما فقط می‌خواهید بدانید چه زمانی یک «نهنگ» وارد بازی شده است. اگر از پلتفرم‌های پیش‌بینی برای کسب سود استفاده می‌کنید، ابزار Trade Hunter دقیقاً برای تبدیل این حجم عظیم از داده‌های خام به سیگنال‌های عملیاتی طراحی شده است. این ابزار توسط یک توسعه‌دهنده منتشر شده و یک مانیتور سیگنال با میزبانی شخصی (Self-hosted) است که قصد دارد جریان داده‌های آشفته بازارهای پیش‌بینی Kalshi را به اطلاعات کاربردی تبدیل کند. هدف این ابزار حل یک مشکل خاص است: دشواری در تفسیر تغییرات لحظه‌ای حجم، قیمت و احتمال در ده‌ها قرارداد هم‌زمان.
بسیاری از معامله‌گران امروز با «شیل‌تکه‌های اطلاعاتی» دست‌وپنجه نرم می‌کنند؛ وضعیتی که در آن حرکات حیاتی بازار زیر لایه‌هایی از نویز دفن می‌شوند. به نقل از توسعه‌دهنده این پروژه، انگیزه ساخت این ابزار زمانی شکل گرفت که او مشاهده کرد احتمالات بازار Kalshi در شبکه‌های خبری مثل CNN شبیه به گزارش هواشناسی روایت می‌شوند، اما وقتی می‌خواهد به خودِ پلتفرم مراجعه کند، متوجه می‌شود که پیمایش آن برای کاربر عادی بسیار دشوار است. کاربران جدید اغلب با مفاهیمی چون بازارها، قراردادها و قیمت‌هایی که در واقع به عنوان احتمال عمل می‌کنند، دست‌وپنجه نرم می‌کنند و همین امر تشخیص اینکه چه چیزی واقعاً ارزش توجه دارد را دشوار می‌سازد.
در ۶ ژوئیه ۲۰۲۶، توسعه‌دهنده این پروژه معماری آن را در وب‌سایت dev.to منتشر کرد. او این ابزار را یک «لایه ترجمه» می‌داند که حرکات غیرعادی بازار را در لحظه شناسایی می‌کند، نه زمانی که خبر آن در رسانه‌ها پخش شده است. هدف نهایی این بود که «جریان عظیم داده‌ها خواندنی شود» و ابزاری که ابتدا یک متر ساده بود، به یک سیستم تشخیص تبدیل شود تا با شناسایی جریان‌های هماهنگ سرمایه در زمان واقعی، به معامله‌گران مزیت رقابتی بدهد.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی ابزارهای تحلیل داده‌های بلادرنگ اشاره کردیم، کلید موفقیت در این بازارها، سرعت استخراج معنا از عدد است. بازار پیش‌بینی مانند Kalshi بر پایه قراردادهای پیچیده‌ای است که قیمت آن‌ها نشان‌دهنده احتمال وقوع یک اتفاق است. برای یک کاربر تازه وارد، این اعداد اغلب ناخوانا هستند. Trade Hunter این مشکل را با اشتراک در فیدهای زنده WebSocket در تمامی بازارهای رصد شده حل می‌کند. این ابزار به‌طور خاص سری‌های چند-قراردادی (multi-contract series) — مانند تصمیمات نرخ بهره فدرال رزرو یا رقابت‌هایی مثل Top Chef — را مدیریت کرده و به‌طور خودکار به تمامی قراردادهای باز در آن خانواده‌ها متصل می‌شود.
مکانیزم تشخیص نوسان
قلب تپنده این سیستم، یک تشخیص‌دهندهٔ نوسان (Spike Detector) است که آستانه‌های قابل تنظیمی برای حجم، قیمت، خطوط پایه (Baselines) و زمان‌های استراحت (Cooldowns) دارد. طبق مستندات پروژه، هرگاه حرکتی شناسایی شود، در یک داشبورد محلی در آدرس 127.0.0.1:8765 نمایش داده می‌شود. این داشبورد شامل یک جریان سیگنال (Signal Feed)، جریان معاملات (Trade Flow) و یک نوار بازار (Market Tape) است.
سیگنال‌ها بر اساس تعداد گیت‌های عبور کرده به دسته‌های مختلف تقسیم می‌شوند:
- سطوح پایین: این‌ها حرکاتی هستند که صرفاً «قابل توجه» (Noticeable) علامت‌گذاری شده‌اند.
- سطح برتر: این‌ها بحرانی‌ترین سیگنال‌ها هستند؛ جایی که امتیاز، قیمت و شرایط حجم همگی به‌طور هم‌زمان تحریک شده‌اند، حتی اگر حرکت بسیار سریع رخ داده باشد.
یکی از قوانین کلیدی که توسعه‌دهنده برجسته کرده، «خوشه‌بندی نهنگ‌ها» (Whale Clustering) است. این تریگر به جای شناسایی معاملات بزرگ ایزوله، جریان‌های هماهنگ را شناسایی می‌کند. پرچم "whale-cluster" زمانی فعال می‌شود که حداقل سه معامله با حجم در سطح ۹۹ درصد (پرcentile) در یک بازه زمانی ۱۲۰ ثانیه‌ای رخ دهد. سیستم برای اطمینان از اینکه این خوشه تصادفی نبوده است، از یک مدل پوآسون استفاده می‌کند تا تضمین کند احتمال وقوع این خوشه‌بندی به‌صورت تصادفی کمتر از یک درصد باشد.
تحلیل هوشمند دو لایه‌ای
از آنجا که تشخیص‌دهنده‌های آماری خام نویز زیادی تولید می‌کنند — زیرا حجم معاملات اغلب به دلایل پیش‌پاافتاده جهش می‌کند — Trade Hunter از دو لایه هوش مصنوعی زاینده (Generative AI) برای پالایش داده‌ها استفاده می‌کند:
- لایه اول (تحلیل‌گر): این یک تحلیل‌گر به‌ازای هر سیگنال است. هر نوسان بلافاصله بررسی می‌شود تا مشخص شود «سیگنال» است، «نویز» است یا «نامشخص». این لایه جهت حرکت، سطح اطمینان و یک دلیل منطقی به زبان انگلیسی ساده برای اینکه چرا این جریان به این شکل است، ارائه می‌دهد. این بخش به‌طور پیش‌فرض روی Claude اجرا می‌شود، اما سیستم جایگزینی (Fallback) خودکار برای OpenAI/ChatGPT، Gemini، Perplexity یا XAI/Grok دارد. کاربران باید کلیدهای API خود را وارد کنند؛ در غیر این صورت، تشخیص‌دهنده همچنان کار می‌کند اما گزارش narratived غیرفعال می‌ماند.
- لایه دوم (مشاور تنظیمات): این لایه سیگنال‌های برچسب‌گذاری شده توسط تحلیل‌گر را در بازه زمانی اخیر بررسی می‌کند تا الگوهای «مثبت کاذب» (False Positives) را پیدا کند. سپس تغییرات ملموسی در آستانه‌ها (Thresholds) پیشنهاد می‌دهد که کاربر می‌تواند با یک کلیک اعمال کند تا دقت تشخیص‌دهنده را ارتقا دهد.
نکته حیاتی این است که مدل‌های زبانی (LLM) زیربنایی در اینجا بازآموزی نمی‌شوند و خود مدل هوشمندتر نمی‌شود. بلکه «هوش» سیستم در پیکربندی تشخیص‌دهنده کاربر انباشته می‌شود که با استفاده از تاریخچه سیگنال‌های accumulated، برای بازارهای خاصی که کاربر رصد می‌کند تنظیم شده است؛ روندی شبیه به نحوه انباشت تجربه در یک جدول اکسل حاوی اکتشافات تجربی (Heuristics) خوب.
زیرساخت و حریم خصوصی
برخلاف سرویس‌های ابری (SaaS)، Trade Hunter کاملاً میزبانی-شخصی (Self-hosted) است. توسعه‌دهنده که در روزهای کاری در حوزه امنیت اطلاعات فعالیت می‌کند، تعمداً از مدل SaaS اجتناب کرد تا اطمینان حاصل کند که موقعیت‌های معاملاتی و کلیدهای API هرگز از دستگاه کاربر خارج نمی‌شوند.
مشخصات فنی کلیدی عبارتند از:
- ذخیره‌سازی: تمام داده‌ها در یک پایگاه‌داده محلی SQLite با بازه حفظ ۷ روزه ذخیره می‌شوند.
- سیستم‌عامل: اجرا در هر محیطی که Python 3.11+ داشته باشد، شامل ویندوز، مک و لینوکس (برای مک و لینوکس تنظیمات جزئی اضافی لازم است).
- استقرار: ارائه به‌صورت کد منبع کامل پایتون برای شفافیت و همچنین فایل .exe ویندوز برای غیربرنامه‌نویسانی که تجربه‌ای سریع با دو کلیک می‌خواهند.
برای فعال‌سازی حالت زنده، کاربران باید یک فایل .env و کلید خصوصی Kalshi خود را کنار برنامه قرار دهند تا نرم‌افزار بتواند اشتراک‌های فید خود را امضا کند. با توجه به اینکه نرم‌افزار کلیدهای حساس را مدیریت می‌کند، توسعه‌دهنده کاربران را تشویق می‌کند که به جای اعتماد کورکورانه، کد منبع را بررسی کنند.
برای کسانی که در ارائه اعتبارنامه‌ها تردید دارند، یک «حالت شبیه‌ساز» (Simulation Mode) در نظر گرفته شده است. این حالت تمام داشبورد را با داده‌های مصنوعی، بدون نیاز به اعتبارنامه، کلید API یا حساب Kalshi اجرا می‌کند. این امر به کاربران اجازه می‌دهد در حدود ۶۰ ثانیه دقیقاً ببینند تشخیص‌ها، سطوح (Tiers) و تحلیل‌های دو لایه‌ای چگونه رفتار می‌کنند، پیش از آنکه هرگونه اعتماد یا پولی در میان باشد.
ادغام در گردش کار
به جای اینکه کاربران مجبور باشند به‌طور دائم مقابل داشبورد در آدرس 127.0.0.1:8765 مستقر شوند، Trade Hunter از طریق وب‌هوک‌ها (Webhooks) با Discord ادغام می‌شود. این ابزار از مسیریابی کانال به‌ازای هر موضوع (Per-topic channel routing) استفاده می‌کند، بنابراین بازارهای مختلف در کانال‌های متفاوت قرار می‌گیرند.
این تغییر، تجربه کاربری را به‌طور قابل توجهی متحول می‌کند:
- پایش غیرهمزمان: گزارش‌های تحلیل‌گر — شامل سیگنال، سطح (Tier) و دلیل منطقی به زبان ساده — مستقیماً در دیسکورد ارسال می‌شوند.
- پاسخ سریع موبایلی: زمانی که سیگنالی روی گوشی دریافت شد، کاربر می‌تواند فوراً و بدون نیاز به حضور پشت میز، در Kalshi اقدام کند.
این رویکرد، نقش معامله‌گر را از یک مشاهده‌گر دستی به یک بررسی‌کننده سیگنال‌های کیوریت شده توسط AI تغییر می‌دهد. این ابزار صرفاً اطلاع‌رسانی است و معاملات را به‌طور خودکار انجام نمی‌دهد. مخاطبان هدف این ابزار محدود به افرادی هستند که در Kalshi معامله می‌کنند و با اجرای نرم‌افزارهای محلی راحت‌اند.
از منظر معماری، Trade Hunter یک استفاده عمل‌گرایانه از LLMها به عنوان «فیلترهای استدلالی» برای داده‌های کمی است. با جداسازی تشخیص سخت‌افزاری/کدی (پوآسون و جهش حجم) از تحلیل کیفی (Claude/GPT)، مشکل توهم (Hallucination) که معمولاً در تحلیل‌های عددی مبتنی بر LLM دیده می‌شود، حذف شده است. برای کاربر، این بدان معناست که AI تصمیم نمی‌گیرد که آیا یک معامله «خوب» است یا خیر، بلکه توضیح می‌دهد که چرا یک جهش خاص در حجم، در مقایسه با نرم‌های تاریخی، مشکوک به نظر می‌رسد.
اگر معامله‌گر Kalshi هستید، اکنون می‌توانید منطق سیستم را با استفاده از حالت شبیه‌ساز در tradehunter.site تست کنید تا ببینید آیا لایه‌های سیگنال با استراتژی معاملاتی شما هم‌راستا است یا خیر. نسخه تجاری که دارای فید زنده و کد منبع کامل است، در حال حاضر با قیمت معرفی عرضه شده است.
گام بعدی شما
- اگر معامله‌گر Kalshi هستید، حالت شبیه‌ساز را در tradehunter.site تست کنید تا ببینید آیا لایه‌های سیگنال با استراتژی شما هم‌راستا است یا خیر.
- کد منبع را بررسی کنید تا نحوه مدیریت کلیدهای خصوصی در محیط محلی را بیاموزید.
- سیستم اعلان‌های دیسکورد را پیکربندی کنید تا زمان واکنش به نوسانات بازار را به حداقل برسانید.
اما تأثیر این مدلِ «فیلتر استدلالی» بر سایر بازارهای مالی چه خواهد بود؟ در گزارش بعدی، تحلیل ما را درباره ابزارهای مشابه در بازار کریپتو بخوانید.
گفتگو