ATLAS autoresearch循环完全解析提示词修改→5天实战检验→git提交或回滚【免费下载链接】atlas-gicATLAS by General Intelligence Capital — Self-improving AI trading agents using Karpathy-style autoresearch项目地址: https://gitcode.com/gh_mirrors/at/atlas-gicATLAS 是一个开源的自我改进 AI 交易智能体框架由 General Intelligence Capital 构建它将 Karpathy 的 autoresearch 自优化循环移植到金融市场AI 交易提示词就是权重夏普比率就是损失函数。系统会自动找到表现最差的交易 Agent生成一条针对性的提示词修改用 5 个交易日实盘检验效果然后决定git 提交保留还是git 回滚放弃。本文带你完全解析这条让 AI 自我进化的 autoresearch 循环。ATLAS autoresearch把提示词当成模型权重传统 AI 训练里模型权重藏在神经网络里而在 ATLAS 中每个交易 Agent 的提示词文件本身就是被优化的权重。这是它对 Karpathy autoresearch 思路的一次大胆改写Karpathy 原版ATLAS 交易版Agent 修改train.pyAgent 修改提示词文件5 分钟 GPU 训练5 个交易日实盘观察检查验证集 loss检查 Agent 夏普比率保留或回滚git 提交或 git 回滚一句话总结这个设计提示词即权重夏普即损失函数git 即实验记录本。不需要 GPU一台每月 20 美元的云服务器就能跑完整套自进化系统。完整的概念对比可以在 architecture/autoresearch.md 中找到。autoresearch 自优化循环6 步全流程整条循环由系统自动驱动每一步都有明确的输入和输出定位差生扫描全部 25 个交易 Agent找出滚动夏普比率最低的那一个同一 Agent 每 5 天最多改一次防止过度调参。生成修改让 Claude 复盘该 Agent 最近的推荐记录找出它错在哪种模式上然后只提出一条针对性修改——比如在板块走弱时禁止高信心做多。建分支实验为这次修改创建独立 git 特性分支如autoresearch/financials-momentum-filter不影响主线。实战检验⏳带着新提示词真实运行 5 个交易日期间每条推荐都会被记录并跟踪 1 天 / 5 天 / 20 天前瞻收益。结算判定⚖️5 天后计算新夏普比率与修改前对比。提交或回滚改善了就git merge保留没改善就git reset删掉分支回到上一版本。然后从第 1 步重新循环。循环流程图的原始定义见 architecture/autoresearch.md#L16-L41。夏普比率作损失函数AI 交易 Agent 如何被打分系统如何客观判断一次修改好不好核心是滚动夏普比率计算实现逻辑参考 architecture/autoresearch.md#L54-L69每条推荐都记录标的、方向做多/做空、信心度1-100、推荐时入场价前瞻收益按信心度加权信心 90 的推荐比信心 30 的权重高得多做空则取反取最近 60 天的加权收益计算夏普均值 / 标准差。这个损失函数有个巧妙之处高信心犯的错会被重罚。Agent 不能靠什么都半信半疑来混日子必须要么更准、要么更克制——正是这种压力逼出了提示词里的风控规则。5 天实战检验git 分支就是天然的 A/B 实验场autoresearch 循环里最工程化的部分是版本控制的用法。每次修改都是一次受控实验# 1. 为修改创建特性分支 git checkout -b autoresearch/financials-momentum-filter # 2. 修改提示词文件并 commit git commit -m autoresearch: add momentum filter to financials # 3. 五天后的判决 # 夏普改善 → git merge 保留修改 # 夏普未改善 → git branch -D 删除分支这套流程带来了三个好处可回滚任何一次失败的修改都能被完整撤销系统永远不会越改越乱可审计git 历史就是一本完整的实验日志——试过什么、为什么、结果如何一目了然互不干扰主线交易照常运行实验在分支上进行风险被隔离。回测数据54 次提示词修改30% 存活率在 378 个交易日的回测2024-09 至 2026-03中autoresearch 循环交出的成绩单相当真实统计来源results/summary.json指标数值提示词修改尝试54 次保留夏普改善16 次30%回滚无改善37 次70%70% 的修改被否决——这正是这套机制健康的证明。如果每次修改都有效说明损失函数失效了。逐条修改记录可以查看 results/autoresearch_log.json。被反复修改最多的 Agent 中最典型的是金融板块 Agentfinancials它的夏普比率经过两轮 autoresearch 修改修改日回测第 N 天修改内容夏普变化第 331 天加入市场择时与技术确认要求-4.14 → -1.11 ✅第 335 天加入防御性覆盖规则板块走弱时禁止看多-1.11 →0.45✅从深度亏损区-4.14一路修到正值0.45提示词里长出来的规则如DXY 高于 119 时禁止任何新兴市场做空板块下跌中禁止高信心做多全是市场真金白银教出来的风控纪律没有任何一行是人类手写的。达尔文权重autoresearch 之外的第二进化引擎除了改写提示词ATLAS 还有一个并行的进化机制——达尔文权重每个 Agent 有一个 0.3~2.5 之间的影响力权重每天盘后按表现排名更新前 25% 名 ×1.05后 25% 名 ×0.95CIO首席投资官按权重合成最终决策。回测结束后出现了一个耐人寻味的结果 CIO 自身被降到了全场最低权重 0.3。系统独立发现——信号生成不是瓶颈组合管理才是。个体 Agent 都变聪明了但把信号变成头寸的编排层拖了后腿。这个发现比任何单次夏普提升都更有价值。快速上手从哪开始读代码和数据如果你是第一次接触这个项目推荐这条阅读路径想了解看这里autoresearch 循环完整设计architecture/autoresearch.md378 天回测汇总数据results/summary.json逐条修改实验日志results/autoresearch_log.json源码模块结构说明src/README.md交易 Agent 提示词结构示例prompts/examples/sector_desk.md、prompts/examples/macro_agent.md面向模拟未来的训练器实现src/mirofish/mirofish_trainer.py想本地跑起来的话先克隆仓库git clone https://gitcode.com/gh_mirrors/at/atlas-gic写在最后ATLAS 的 autoresearch 循环给所有 LLM 应用开发者一个通用启示当模型无法微调时提示词就是你唯一可优化的权重。给它一个客观的损失函数夏普比率、一个隔离的实验场git 分支、一个诚实的裁判5 天实盘数据AI 就能自己发现我错在哪并且只保留真正有效的改动。30% 的修改存活率、一条从 -4.14 修到 0.45 的 Agent 进化轨迹、一个系统自己发现的CIO 才是瓶颈的洞察——这套循环的价值不在于每次都改对而在于它永远在改且从不留后患【免费下载链接】atlas-gicATLAS by General Intelligence Capital — Self-improving AI trading agents using Karpathy-style autoresearch项目地址: https://gitcode.com/gh_mirrors/at/atlas-gic创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考