AI Agent เทรดคริปโตได้กำไรจริง: จาก 100 U เป็น 200,000 U ใน 8 วัน

เมื่อเร็วๆ นี้ ระบบเทรด AI Agent "Lana" กำลังเป็นที่นิยม โดยใช้เวลาเพียง 8 วัน เปลี่ยน 100 U เป็น 200,000 U ณ วันที่ 16 เมษายน ยอดคงเหลือในบัญชีรวมเกิน 250,000 U

ตามที่ผู้สร้าง Lana (@lanaaielsa) เปิดเผย เหตุผลในการสร้างระบบเทรดนี้ค่อนข้างง่าย

ในช่วงตลาดกระทิง BSC เมื่อเดือนตุลาคมปีที่แล้ว เพื่อนของเขาลงทุน 100,000 U ตามกระแสการร่ำรวยอย่างรวดเร็ว และเกือบจะสูญเสียทั้งหมดเมื่อตลาดปรับตัวลง ในที่สุด 10,000 U ที่เหลือถูกโอนไปยังเชนเพื่อเทรดต่อและกลายเป็นศูนย์ จากนั้นจึงออกจากตลาด เมื่อเร็วๆ นี้ ด้วยความร้อนแรงของการพูดคุยเกี่ยวกับอัลต์คอยน์ที่กลับมาอีกครั้ง เขาตัดสินใจว่าอาจเข้าสู่ช่วงตลาดทำการ (MM) รอบใหม่ เนื่องจากไม่คุ้นเคยกับการเทรดระดับทุติยภูมิและการวิเคราะห์กราฟเทียน เขาจึงเลือกใช้ AI ในการสร้างระบบเทรด: ให้ Claude เขียนสคริปต์ ดึงโพสต์ที่มีความร้อนแรงสูงและเหรียญที่ถูกพูดถึงบ่อยใน Binance Square และคัดเลือกสินทรัพย์ที่มีความผันผวนโดยพิจารณาจากรายการที่ขึ้นนำหน้า ระบบเริ่มต้นใช้การตัดขาดทุนที่ 20% จากนั้นจึงปรับให้เป็น "การตัดขาดทุนคงที่" ที่ 200 U และทำตามแนวโน้มเพียงทิศทางเดียวเท่านั้น ในขณะเดียวกัน Lana ยังรับผิดชอบในการเผยแพร่บันทึกการเทรดจริง สร้างภาพหน้าจอผลกำไร และดำเนินการบัญชีใน Binance Square

ดูเหมือนง่ายใช่ไหม แต่เมื่อศึกษารายละเอียดแล้ว Lana ไม่ใช่แค่สคริปต์สั่งซื้อขายอัตโนมัติธรรมดา แต่เป็นระบบปฏิบัติการที่มีตรรกะการเทรดของตัวเอง

Lana เทรดและทำกำไรได้อย่างไร?

1. มีตรรกะการเลือกสินทรัพย์ที่เข้มงวด

จากบันทึกการเทรด Lana ไม่ได้พยากรณ์สภาพตลาด แต่ทำตามเท่านั้น นั่นคือแนวโน้ม โดยมุ่งเน้นที่การจับเหรียญที่เริ่มเคลื่อนไหวแล้ว สินทรัพย์ที่เกี่ยวข้องรวมถึง: Binance RenSheng, RAVE, ORDI, BASED, TRUMP, SIREN, 1000SATS, 1000RATS, EIGEN, PIXEL, EDGE, BAN, ASTER, AIA, FIGHT, GENIUS, CL, BTC, GIGGLE, HYPE, BLESS, PUMP, HEMI, CFX

เกณฑ์การคัดเลือกสามารถแบ่งได้เป็นสามระดับ:

ประการแรกคือระดับเสียงสนทนา Lana จะดึงจำนวนโพสต์ ความถี่ในการพูดคุย และทิศทางของอารมณ์ใน Binance Square เพื่อค้นหาเหรียญที่ถูกกล่าวถึงซ้ำๆ ในช่วงเวลาสั้นๆ

ประการที่สองคือระดับราคา จะเริ่มการคัดเลือกเพิ่มเติมก็ต่อเมื่อเหรียญที่คัดเลือกจากระดับเสียงสนทนาปรากฏในรายการที่ขึ้นนำหน้าและมีความผันผวนที่ชัดเจนเท่านั้น ซึ่งพิสูจน์ว่ามีแนวโน้มที่จะเกิดแนวโน้ม

สุดท้าย โดยการสังเกตการเปลี่ยนแปลงของ OI (ปริมาณตำแหน่งเปิด) คัดเลือกเหรียญที่ "ปริมาณตำแหน่งเปิดเพิ่มขึ้นแต่ราคายังไม่สะท้อนอย่างเต็มที่" เพื่อประเมินว่ามีเงินทุนที่วางตำแหน่งล่วงหน้าหรือไม่

2. มีมาตรฐานการตัดขาดทุนที่ชัดเจน

ในช่วงเริ่มต้นของการทำงานของ Lana ใช้การตัดขาดทุนคงที่ที่ 20% จากนั้นจึงปรับให้เป็น "จำนวนเงินขาดทุนคงที่" นั่นคือไม่ว่าขนาดตำแหน่งจะเป็นเท่าใด การขาดทุนสูงสุดต่อการเทรดแต่ละครั้งจะควบคุมอยู่ที่ประมาณ 200 U

จากบันทึกการเทรดในอดีต การขาดทุนส่วนใหญ่อยู่ในขอบเขตนี้ แต่ก็มีคำสั่งที่เกินมาตรฐานการตัดขาดทุน เช่น GENIUS เคยขาดทุนลอยตัวเกิน 6,880 U แต่ยังไม่ปิดตำแหน่ง Lana เองอธิบายว่า: "เพราะ GENIUS เป็นเหรียญใหม่ ความผันผวนของเหรียญใหม่ค่อนข้างสูงจึงตั้งการตัดขาดทุนที่กว้าง ตำแหน่งในระยะแรกโดยทั่วไปเมื่อรวมเลเวอเรจแล้วคือ 500 U ต่อการขาดทุน 200 U ต่อมาเมื่อตำแหน่งใหญ่ขึ้นจึงเริ่มเปิดตำแหน่ง 10k หรือ 25k จำนวนเงินตัดขาดทุนที่สอดคล้องจึงสูงขึ้นเล็กน้อย"

3. มีมาตรฐานการทำกำไรแบบไดนามิก

ต่างจากการตัดขาดทุน ระบบนี้ไม่ได้กำหนดจุดทำกำไรคงที่ แต่ตัดสินใจว่าจะถือครองต่อหรือไม่ผ่านการประเมินเป็นระยะๆ เช่น การประเมินความน่าจะเป็นขึ้นและลงของสินทรัพย์ปัจจุบันใหม่ทุกช่วงเวลา สามารถเข้าใจได้ว่ามันกำลังถามคำถามหนึ่งอย่างต่อเนื่อง: หากตอนนี้ไม่มีตำแหน่ง ฉันจะยังซื้อหรือไม่?

จากข้อมูลการเทรดในอดีต กำไรส่วนใหญ่อยู่ในเหรียญไม่กี่เหรียญ เช่น "Binance RenSheng", "RAVE", "ORDI" เป็นต้น ในขณะที่การเทรดอื่นๆ ส่วนใหญ่จบลงด้วยการขาดทุนเล็กน้อยหรือกำไรเล็กน้อย

สังเกตเห็นไหม? Lana ไม่ได้ทำกำไรจากการเทรดทุกครั้ง แต่ทำกำไรก้อนใหญ่จากการเทรดไม่กี่ครั้ง และใช้การตัดขาดทุนที่เข้มงวดกับการเทรดส่วนใหญ่

ฝึก Lana ได้อย่างไร? วิธีการสามารถนำมาใช้ซ้ำได้หรือไม่?

1. กำหนดโทนด้วยการป้อนข้อมูล

รูปแบบกลยุทธ์เริ่มต้นของระบบนี้มาจากการสังเกตพฤติกรรมของวอลเล็ตบางส่วนบน Hyperliquid ที่ทำกำไรได้อย่างมั่นคงในระยะยาว ส่วนใหญ่จะทำเพียงทิศทางเดียว ไม่สลับระหว่าง Long และ Short ไปมา ดังนั้น ข้อมูลสำคัญอย่างหนึ่งที่ป้อนให้ AI คือพฤติกรรมการเทรดของวอลเล็ตฉลาดบน Hyperliquid เพื่อให้ AI เรียนรู้อย่างเป็นระบบว่าจะทำกำไรจากการเทรดได้อย่างไร นอกจากนี้ยังป้อนตัวชี้วัดฟิวเจอร์สพื้นฐานและข้อมูลบนเชนบางส่วนให้ AI เพื่อให้ AI สามารถสร้างกรอบของตัวเองได้ผ่านการทำความเข้าใจการดำเนินการของวอลเล็ตเหล่านี้

แน่นอนว่านอกเหนือจากข้อมูลพฤติกรรมบนเชนแล้ว ระบบยังคงดึงข้อมูลเสียงสนทนาและข้อมูลตลาดเป็นส่วนเสริมอย่างต่อเนื่อง:

• ความหนาแน่นของการพูดคุยและเนื้อหาที่เป็นประเด็นร้อนใน Binance Square;
• รายการที่ขึ้นนำหน้าและความผันผวนของราคา;
• ตัวชี้วัดฟิวเจอร์สพื้นฐาน เช่น การเปลี่ยนแปลงของ OI

2. กำหนดกรอบด้วยการแก้ไขผ่านบทสนทนา

หลังจากให้ AI เรียนรู้เทคนิคการดำเนินการพื้นฐานแล้ว ขั้นตอนต่อไปไม่ใช่การรับข้อมูลเพิ่มเติม แต่เป็นการคัดกรองและจำกัดข้อมูลเหล่านี้ นั่นคือการสร้างกรอบการตัดสินใจที่ชัดเจนให้ AI

จากวิธีการใช้งาน ตรรกะการตัดสินใจของระบบนี้ไม่ได้ถูกตั้งค่าให้เสร็จสิ้นในครั้งเดียว แต่มีแนวโน้มที่จะถูกปรับแต่งและก่อตัวขึ้นทีละน้อยระหว่างการทำงานและข้อเสนอแนะอย่างต่อเนื่อง ในระยะเริ่มต้น AI อาจตัดสินใจจากสัญญาณเดียว เช่น ตีความความร้อนแรงระยะสั้นผิดว่าเป็นสัญญาณแนวโน้ม หรือสลับทิศทางบ่อยครั้ง แต่เมื่อใช้งานลึกซึ้งขึ้น ความเบี่ยงเบนเหล่านี้จะถูกแก้ไขทีละน้อย ทำให้การตัดสินใจมุ่งเน้นไปที่ขอบเขตที่สอดคล้องกับความคาดหวังของกลยุทธ์มากขึ้น

3. กำหนดสไตล์การเทรดด้วยการกลั่นกรองพฤติกรรม

หลังจากเสร็จสิ้นการป้อนข้อมูลและการสร้างกรอบการตัดสินใจแล้ว ระบบนี้ไม่ได้หยุดอยู่ที่ระดับ "การตัดสินใจมาตรฐาน" แต่ได้นำการกลั่นกรองพฤติกรรมส่วนบุคคลเข้ามาเพิ่มเติม ผู้ดำเนินการป้อนเนื้อหา Twitter ของตัวเองและบล็อกเกอร์อื่นๆ บน X เข้าสู่ระบบ เพื่อให้ AI สามารถเรียนรู้วิธีการแสดงออกที่เฉพาะเจาะจง ทำให้ AI ไม่ใช่เครื่องจักรเทรดที่เย็นชาอีกต่อไป อย่างน้อยจากมุมมองของการแสดงออกก็ดูเป็นมนุษย์มากขึ้น

หากแยกกระบวนการทั้งหมดออกมาดู สิ่งนี้ดูเหมือน "การสร้างคน" มากกว่า

ตั้งแต่การป้อนข้อมูลในตอนแรกเพื่อสร้างโครงกระดูก ให้มันเข้าใจว่าตลาดกำลังเกิดอะไรขึ้น ไปจนถึงการสร้างโครงสร้างผ่านการแก้ไขและข้อจำกัดอย่างต่อเนื่อง ทำให้มันมีขอบเขตการตัดสินใจที่มั่นคง และไปจนถึงการกลั่นกรองพฤติกรรมเพื่อเติมเต็มรายละเอียด ทำให้มันค่อยๆ มีเส้นทางและความชอบในการตัดสินใจที่ใกล้เคียงกับมนุษย์

สิ่งที่เกิดขึ้นในที่สุด ไม่ใช่แค่เครื่องมือปฏิบัติการอีกต่อไป แต่เป็น "Lana" ที่สามารถตัดสินใจเลือกอย่างสม่ำเสมอในตลาดที่ซับซ้อนได้อย่างต่อเนื่อง

มันไม่พึ่งพาอารมณ์ และไม่แสวงหาการพยากรณ์ แต่ใช้วิธีการที่ได้รับการยืนยันซ้ำแล้วซ้ำเล่า เพื่อมีส่วนร่วมในตลาดและขยายผลลัพธ์