自我提升的闭环——每一笔完结的交易都在教会引擎

大多数交易机器人都被冻结在时间里。它们今天运行的逻辑就是上线第一天运行的逻辑。如果它们曾经做过一笔糟糕的交易，它们明天还会乐此不疲地做同样糟糕的交易。我们认定这是一个无法接受的上限。

截至今天，StormBot 附带一个 自我改进循环 ——五个相互咬合的模块，追踪、剖析并从每一笔平仓交易中学习。策略基于真实结果而非理论来调整。

以下是每个模块的功能：

1. 交易结果跟踪器 & 胜率计算器

每笔退出的交易 — 无论是通过止损、利润目标还是市场结算 — 都会以完整上下文永久记录:市场问题、入场价、出场价、哪个城市、哪个日期、哪种交易模式处于激活、预报模型预测了什么以及最终的盈亏。

基于这些数据,引擎实时计算并按以下维度细分胜率: 城市, 交易模式, 入场价格区间,以及 时间段。仅几天交易后,模式就会显现。也许机器人在伦敦交易上胜率 85%,但在首尔只有 45%。也许它在 15¢ 以下的入场表现出色,但在 40¢ 以上表现糟糕。这些不是猜测 — 是来自真实交易的硬数据,直接进入 Claude 的下一个决策。

2. 结算后反馈循环 — 模型准确率追踪

这是纯粹的气象科学。每个市场结算后，引擎会记录每个天气模型预测的内容与实际发生情况。随着时间推移，这会构建一个 按城市划分的模型准确率数据库.

结果?在 30 天数据之后,机器人可能知道"ECMWF 在 3 月份的首尔一致地偏暖 0.8°C"或者"GFS 在迈阿密的夏季偏冷 1.2°C"。这些系统性偏差会自动纳入共识计算。其他天气交易机器人都没有这个 — 大多数对所有模型一视同仁,不管它们针对特定城市和季节的历史表现。

3. Claude 评判自己的交易 — AI 复盘分析

这是最强大的模块。每30分钟，机器人会审查其最近的亏损交易，并将每笔都带着一个简单的问题发回给Claude： "哪里出错了?"

Claude 事后审查交易 — 当时可用的预报数据、入场价格、实际结果 — 并撰写一份简洁的事后分析:错误是什么,以及一条可执行的规则来避免它再次发生。这些教训累积成一本"剧本",注入到未来的每一个 AI 提示词中。

经过 100 笔交易后,Claude 基本上根据真实经验为自己编写了一本交易手册。我们在测试中看到的经验示例:

• "亚洲城市超过 30¢ 时避免 BUY_YES — 在该价位市场通常已经有效"
• "当 GFS 和 ECMWF 差异超过 2°C 时,始终 SKIP — 不确定性太高"
• "3 月份首尔的气温持续低于模型一致预测 — 应用 -1°C 修正"

4. AI 置信度校准

当Claude说一笔交易具有"VERY_HIGH"信心时，它实际多久赢一次？这个模块精确跟踪答案。每笔交易的信心水平连同其结果都被记录，构建一个校准表：

这些数据被直接注入到 Claude 的提示词中。如果 Claude 看到它的 VERY_HIGH 判断只有 60% 的胜率,它自然会变得更挑剔 — 把 VERY_HIGH 留给真正确定的结果。AI 的置信度变得真正有意义而非随意,这直接改善了交易仓位调整(因为更大的下注被放在更高的置信度上)。

5. 滚动绩效上下文 — 模式识别

现在每次 AI 分析都会附带过去 7 天的滚动绩效摘要,展示:

• 总体胜负记录与净盈亏
• 表现最佳的城市(机器人持续盈利的地方)
• 表现最差的城市(应谨慎交易或避开)
• 按入场价格区间的胜率(<15¢、15-40¢、>40¢)

Claude 自然地根据这个上下文调整其行为。如果伦敦交易处于 9 连胜,它会更加积极地倾向伦敦机会。如果首尔一直是失败者,它在推荐首尔交易前会设置更高的门槛。机器人的策略每天根据实际有效的内容演化。