Vibe-Trading: تبدیل زبان طبیعی به استراتژی‌های معاملاتی کمی

تصور کنید در جهانی هستید که تنها با یک جمله ساده مانند «استراتژی میانگین متحرک ۲۰/۵۰ برای جفت‌ارز BTC-USDT را بک‌تست کن»، یک خط لوله کامل و جامع پژوهش کمی (Quantitative Research Pipeline) فعال شود. این تجربهٔ واقعی کار با Vibe-Trading است؛ ابزاری پیشرفته که توسط آزمایشگاه علوم داده دانشگاه هنگ‌کنگ (HKUDS) توسعه یافته است تا نیات کاربر در قالب زبان طبیعی را به تحلیل‌های قابل اجرا و جریان‌های کاری معاملاتی تبدیل کند، بدون اینکه کاربر نیاز داشته باشد حتی یک خط کد بنویسد. این پروژه که به عنوان مورد شماره ۱۲۳ در سری «پروژه متن‌باز روز» معرفی شده، دقیقاً برای این طراحی شده است که دیوارهای بلند و موانع سنتی پیش روی تحقیقات کمی را فرو بریزد.

تحقیقات کمی در حالت سنتی معمولاً مسیر یادگیری بسیار دشواری دارد که شامل مدیریت APIهای داده، نحوه برخورد با داده‌های ناقص (Missing Data)، انتخاب چارچوب‌های مناسب برای بک‌تست، نوشتن کدهای پیچیده استراتژی و در نهایت انجام اعتبارسنجی‌های آماری است. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی محدودیت‌های مدل‌های زبانی در وظایف بصری با ثبات بالا اشاره کردیم، زبان طبیعی گاهی در دقت‌های بصری لنگ می‌زند، اما Vibe-Trading دقیقاً روی نقطه مقابل دست گذاشته است: استفاده از مدل‌های زبانی بزرگ (LLM) برای پر کردن شکاف میان یک «فرضیه پژوهشی» و «اجرای فنی» آن. این رویکرد یادآور تلاش‌های گسترده‌تر برای کاهش هزینه‌های توسعه است، مشابه آنچه در کاهش ۳۰ درصدی تلاش مهندسی در ابزارهای PromptLayer و LangChain مشاهده کردیم که هدفشان ساده‌سازی تعامل میان توسعه‌دهنده و مدل‌های زبانی بود. هدف نهایی این است که سرمایه‌گذاران خرد بتوانند بدون نیاز به داشتن پیش‌زمینه در مهندسی نرم‌افزار، به ابزارهای کوانت در سطح حرفه‌ای دسترسی پیدا کنند.

موتور اتوماسیون پنج‌مرحله‌ای

طبق مستندات پروژه HKUDS، سامانه Vibe-Trading بر اساس یک چرخه دقیق و سخت‌گیرانه پنج‌گانه عمل می‌کند تا تضمین کند که یک درخواست به زبان طبیعی راستی‌آزمایی شده و به یک استراتژی اجرایی تبدیل شود:

1. برنامه‌ریزی (Plan): در این مرحله، عامل (Agent) پرس‌وجوی کاربر را تجزیه و تحلیل می‌کند تا تشخیص دهد کدام‌یک از ۸۷ مهارت داخلی و ۶۸ ابزار تخصصی برای پاسخ به این درخواست مورد نیاز است. عامل تصمیم می‌گیرد که به کدام منابع داده متصل شود و آیا برای حل مسئله نیاز به فعال‌سازی همکاری میان چندین عامل (Multi-agent Collaboration) است یا خیر.
2. مبنی‌سازی (Ground): سیستم داده‌های بازار را با استفاده از زنجیره‌های هوشمند جایگزین (Fallback Chains) فراخوانی می‌کند. این طراحی باعث شفافیت عملیاتی می‌شود؛ به گونه‌ای که کدهای لایه بالایی صرفاً دستور get_market_data را صادر می‌کنند، بدون اینکه نیاز باشد بدانند در آن لحظه کدام منبع داده (Source) فعال است و داده‌ها از کجا تامین می‌شوند.
3. اجرا (Execute): عامل ابتدا کد پایتون لازم را تولید کرده و سپس آن را در یک محیط ایزوله یا سندباکس AST (Abstract Syntax Tree) اجرا می‌کند. این لایه امنیتی برای جلوگیری از اجرای کدهای مخرب یا غیرمنتظره در موتورهای تخصصی مختلف است.
4. اعتبارسنجی (Validate): نتایج به‌دست‌آمده صرفاً پذیرفته نمی‌شوند، بلکه تحت بررسی‌های آماری دقیق قرار می‌گیرند. این 과정 شامل شبیه‌سازی‌های مونت‌کارلو (Monte Carlo)، بازه‌های اطمینان بوت‌استرپ (Bootstrap Confidence Intervals) و تست‌های Walk-Forward است تا اطمینان حاصل شود که نتایج به‌دست‌آمده واقعی هستند و صرفاً ناشی از نویز بازار یا خوش‌شانسی آماری نیستند.
5. تحویل (Deliver): در نهایت، یافته‌ها در قالب‌های متنوعی خروجی داده می‌شوند؛ از گزارش‌های جامع HTML/PDF گرفته تا کدهای Pine Script برای TradingView، فرمت TDX برای نرم‌افزارهای مخصوص بازار چین، یا زبان MQL5 برای متاتریدر ۵.

زنجیره‌های جایگزین داده و پوشش گسترده بازار

برای حفظ پایداری بالا (Uptime) و جلوگیری از مسدود شدن IPها یا رسیدن به سقف محدودیت‌های API (Rate Limits)، Vibe-Trading از یک طراحی زنجیره‌ای برای دسترسی به داده‌ها در کلاس‌های مختلف دارایی استفاده می‌کند:

• سهام‌های A-shares (چین): منابع داده بر اساس ریسک صعودی مسدود شدن IP مرتب شده‌اند: tencent $ \rightarrow $ mootdx $ \rightarrow $ eastmoney $ \rightarrow $ baostock $ \rightarrow $ akshare $ \rightarrow $ tushare.
• سهام‌های آمریکا: زنجیره دسترسی به ترتیب زیر است: yahoo $ \rightarrow $ stooq $ \rightarrow $ sina $ \rightarrow $ yfinance $ \rightarrow $ finnhub $ \rightarrow $ alphavantage.
• کریپتوکارنسی‌ها: سیستم از زنجیره okx $ \rightarrow $ ccxt $ \rightarrow $ yfinance بهره می‌برد.

این زیرساخت قدرتمند به چارچوب اجازه می‌دهد تا از ۱۹ منبع داده رایگان و بیش از ۶۳ منبع داده تجاری (Premium) پشتیبانی کند. این پوشش گسترده، طیف وسیعی از بازارهای جهانی از جمله سهام آمریکا و هنگ‌کنگ، بازار هند (NSE/BSE)، بازار فارکس و قراردادهای آتی (Futures) جهانی و چین را در بر می‌گیرد.

معماری فنی و «باغچه آلفا»

این چارچوب با زبان پایتون نسخه ۳.۱۱ و بالاتر نوشته شده است و دارای یک کتابخانه عظیم به نام «باغچه آلفا» (Alpha Zoo) است. این کتابخانه شامل ۴۶۱ فاکتور کمی پیش‌ساخته است که تنها با یک فرمان ساده قابل محک‌زنی (Benchmark) هستند. برای مثال، کاربر می‌تواند ۲۰ فاکتور برتر از مجموعه GTJA191 را برای دنیای سهام CSI300 در بازه زمانی ۲۰۱۸ تا ۲۰۲۵ بررسی کند تا خروجی‌هایی نظیر میانگین IC، انحراف معیار IC، نسبت IR و نسبت IC-positive را استخراج نماید.

کتابخانه‌های فاکتور مورد پشتیبانی عبارتند از:

• Qlib158: یک مجموعه فاکتور کلاسیک که از کتابخانه کوانت متن‌باز مایکروسافت مشتق شده است.
• Kakushadze101: استاندارد آکادمیک شامل ۱۰۱ فاکتور آلفا.
• GTJA191: ۱۹۱ فاکتور کمی تخصصی ارائه شده توسط Guotai Junan.
• PIT-safe Factors: فاکتورهای داده بنیادی که به‌طور خاص برای جلوگیری از سوگیری زمانی یا Point-in-Time (جلوگیری از استفاده از داده‌های آینده در گذشته) طراحی شده‌اند.

برای تضمین قابلیت اطمینان، پروژه چندین لایه امنیتی و زیرساختی حیاتی را پیاده کرده است. عامل دارای یک سیستم فشرده‌سازی متن پنج‌لایه (5-layer context compression) است تا بتواند جلسات طولانی پژوهشی را مدیریت کند. همچنین یک حافظه پایدار بین‌سشنی (Cross-session persistent memory) وجود دارد که الگوها و فرضیات کشف‌شده در جلسات قبلی را حفظ می‌کند. سیستم مهارت‌های آن نیز به‌طور خودکار تکامل می‌یابد؛ به این صورت که مهارت‌های جدید کشف‌شده در حین پژوهش را خلاصه کرده و به مجموعه ابزارهای خود می‌افزاید.

کمیته‌های سرمایه‌گذاری چندعامله

برای مدیریت تکالیف پیچیده، سیستم اجازه می‌دهد چندین عامل به‌صورت موازی کار کنند و پیشرفت کار را به‌صورت استریم (Streamed) نمایش دهند تا در نهایت نتایج در یک گزارش نهایی تجمیع شوند. حالت‌های موجود عبارتند از:

• کمیته سرمایه‌گذاری (Investment Committee): یک همکاری موازی میان یک «تحلیل‌گر»، «افسر ریسک» و «مدیر سبد سهام».
• میز کوانت (Quant Desk): تقسیم کار دقیق بین بخش پژوهش فاکتور، توسعه استراتژی و اعتبارسنجی بک‌تست.
• تیم کریپتو (Crypto Team): متخصص در تحلیل‌های آن‌چین (on-chain)، تحلیل نقدینگی در صرافی‌های غیرمتمرکز (DEX) و پوشش ریسک‌های کلان (Macro Hedging).
• کمیته ریسک (Risk Committee): متمرکز بر ارزیابی ریسک‌های چندبعدی و انجام تست‌های استرس (Stress Testing).

تحلیل رفتاری از طریق «حساب‌های سایه»

یکی از متمایزترین و نوآورانه ترین ویژگی‌های این ابزار، قابلیت «حساب سایه» (Shadow Account) است. کاربران می‌توانند فایل‌های CSV تاریخچه معاملات خود را از طریق دستور vibe-trading --upload trades_export.csv آپلود کنند و سپس هوش مصنوعی سوگیری‌های رفتاری آن‌ها را شناسایی کند. با اجرای یک پرامپت مانند «استراتژی واقعی معاملاتی من را استخراج کن»، عامل موارد زیر را به‌صورت کمی مقداربندی می‌کند:

• اثر disposição: تمایل به فروختن سریع دارایی‌های سودده و نگه داشتن بیش از حد دارایی‌های ضررده.
• معامله‌گری بیش از حد (Overtrading): تعداد بالای معاملات در حالی که هیچ آلفای (سودبجشی) متناظری در نتایج دیده نمی‌شود.
• تعقیب تکانه (Momentum Chasing): خرید در اوج صعود و فروش در کف ریزش‌ها.
• سوگیری لنگر انداختن (Anchoring Bias): تکیه بیش از حد به نقاط قیمتی خاص در تاریخچه به عنوان مرجع.

این فرآیند منجر به تولید یک گزارش کمی از بزرگی سوگیری‌ها و یک «استراتژی سایه» می‌شود. این امکان به کاربر اجازه می‌دهد تا استراتژی مورد نظر خود (آنچه فکر می‌کند انجام می‌دهد) را با الگوهای رفتاری واقعی‌اش (آنچه واقعاً انجام داده است) از طریق یک گزارش حسابرسی HTML/PDF مقایسه کند.

طراحی امنیتی و ادغام با کارگزاری‌ها

برای عملیات زنده و واقعی، Vibe-Trading با ۱۰ کارگزار معتبر ادغام شده است، از جمله: Robinhood، Alpaca و Interactive Brokers در آمریکا؛ Futu، Longbridge و Tiger Brokers برای سهام چین و هنگ‌کنگ؛ OKX و Binance برای کریپتو و Dhan و Shoonya برای بازار هند.

نکته حیاتی این است که سیستم اصل «عدم نظارت بر وجوه» (No fund custody) را دنبال می‌کند. به این معنا که Vibe-Trading تنها «قصد معامله» را به کارگزار منتقل می‌کند و اجرای نهایی توسط خود کارگزار انجام می‌شود. برای حساب‌هایی که تفکیک ساختاری بین حساب دموی (Paper) و واقعی ندارند، سیستم به‌طور پیش‌فرض در حالت «فقط خواندنی» (Read-only) قرار می‌گیرد. همچنین یک «کلید قطع اضطراری» (Kill switch) در سطح سیستم فایل تعبیه شده است و تمامی عملیات در یک دفتر کل حسابرسی (Audit Ledger) ثبت می‌شوند.

برای کاهش ریسک کدهای تولید شده توسط AI، سندباکس AST عملیات‌های خطرناک را در زمان کامپایل مسدود می‌کند:

• تماس‌های شبکه: هیچ دسترسی خارجی به اینترنت در حین اجرای کد وجود ندارد.
• زیرفرآیندها (Subprocesses): ایجاد فرآیندهای جدید در سیستم ممنوع است.
• اجرای پویا: فراخوانی‌های eval() و exec() به‌طور کامل مسدود شده‌اند.
• دسترسی به محیط: دسترسی به متغیرهای سیستم مانند os.environ ممنوع است.
• سیستم فایل: نوشتن داده‌ها خارج از دایرکتوری‌های تعیین شده مسدود شده است.

تدابیر امنیتی اضافی شامل حفاظت در برابر CSRF، دفاع در برابر SSRF، محدود کردن نرخ درخواست‌ها (Rate Limiting) و بلیتهای احرازی SSE تک‌بار مصرف و کوتاه‌مدت است. این پروژه از بیلد‌های چندمرحله‌ای داکر (Docker multi-stage builds) با استفاده از تصاویر دارای Digest-pinned برای تضمین پایداری محیط اجرا استفاده می‌کند.

این معماری پارادایم کوانت را از «تسلط بر ابزارها» به «توصیف پژوهش» تغییر می‌دهد. با اتوماسیون کارهای تکراری ادغام ۱۹+ منبع داده و ۴۶۱ فاکتور، پژوهشگر می‌تواند روی خودِ «آلفا» تمرکز کند، نه روی لوله‌کشی‌های پیچیده خط لوله داده.

برای یک تریدر خرد، این یعنی تحلیل «استراتژی سایه» می‌تواند بالاخره فاش کند چرا یک سبد سهام با وجود داشتن یک لبه (Edge) تئوری، در عمل عملکرد ضعیفی دارد. این ابزار تاریخچه معاملات را از یک رکورد مرده به یک ابزار تشخیصی برای سوگیری‌های روان‌شناختی تبدیل می‌کند.

از دیدگاه فنی، استفاده از سندباکس AST و بیلد‌های چندمرحله‌ای داکر نشان می‌دهد که HKUDS کدهای تولید شده توسط AI را به عنوان یک تهدید امنیتی प्राथमिक می‌بیند. این رویکرد استانداردی را برای سایر عوامل متن‌باز که کدها را روی سخت‌افزار محلی اجرا می‌کنند، تعریف می‌کند و راست در ادامه روند مدیریت کدهای تولید شده توسط هوش مصنوعی است که استفاده از گیت‌هاب برای مهار هرج‌ومرج Vibe Coding را به عنوان یک راهکار عملیاتی برای امنیت و پایداری پیشنهاد می‌دهد. با بیش از ۲۱,۸۰۰ ستاره و ۳,۸۰۰ فورک، اعتبار آکادمیک و سخت‌گیرانه مهندسی این پروژه کاملاً مشهود است.

کاربران می‌توانند با دستور pip install vibe-trading-ai شروع کنند یا از طریق Docker Compose به رابط کاربری وب در پورت ۳۰۰۰ دسترسی یابند. برای ارتباطات پیشرفته، ۱۶ تطبیق‌دهنده کانال پیام‌رسان (از جمله تلگرام، اسلک، دیسکورد، وی‌چت و فیشو) در دسترس هستند. کسانی که از مدل‌های سطح بالا استفاده می‌کنند، می‌توانند عامل را از طریق API پایتون به Claude-Opus متصل کنند تا وظایف استدلالی پیچیده‌تر، مانند تحلیل اثرات تکانه ماهانه شاخص CSI300 از سال ۲۰۱۵ تا ۲۰۲۵ برای استخراج بازده سالانه، نسبت شارپ و حداکثر افت سرمایه (Maximum Drawdown) را انجام دهند.

توصیه می‌شود منتظر توسعه کتابخانه‌های فاکتور جدید توسط جامعه کاربران در Alpha Zoo باشید، زیرا کاربردی بودن این چارچوب مستقیماً با کیفیت این نشانگرهای کمی پیش‌ساخته رشد خواهد کرد.