chrisworsey55/atlas-gic

해결하는 문제

ATLAS는 지속적인 인간의 개입 없이 끊임없이 변화하는 시장 레지임에 적응할 수 있는 AI 트레이딩 에이전트를 생성하는 과제를 해결합니다. 프롬프트를 가중치로 취급하고 실제 금융 성과(샤프 지수)를 기반으로 진화 및 최적화함으로써 '정적'인 AI 프롬프트 문제를 해결합니다.

작동 방식

이 시스템은 시장 상황을 논의하는 다층적 에이전트 계층(매크로, 섹터, 슈퍼인베스터, 의사결정)을 사용합니다. 성과가 가장 낮은 에이전트를 식별하고 프롬프트를 수정한 뒤 5거래일 동안 테스트하는 '자동 연구(autoresearch)' 루프를 활용합니다. 샤프 지수가 개선되면 Git을 통해 변경 사항이 커밋되고, 그렇지 않으면 이전 상태로 되돌립니다.

추가적인 메커니즘은 다음과 같습니다:

• 다윈주의적 가중치 (Darwinian Weights): 에이전트는 성과에 따라 가중치가 부여되며, 성공적인 에이전트가 최종 결정에 더 큰 영향력을 행사합니다.
• 에이전트 생성 (Agent Spawning): 지식의 공백이 감지되면 시스템이 자율적으로 새로운 전문 에이전트를 생성합니다.
• PRISM: 서로 다른 역사적 시장 레지임(강세장, 위기, 회복 등)에서 에이전트 그룹을 개별적으로 학습시켜 레지임별 생존 본능을 개발합니다.
• JANUS 메타 레이어 (JANUS Meta-Layer): 최근 정확도를 기반으로 서로 다른 그룹에 가중치를 부여하여 현재 시장 레지임을 감지하는 알고리즘 계층입니다.
• 재귀성 엔진 (Reflexivity Engine): 가격 변화가 펀더멘털과 행동에 영향을 미치는 피드백 루프를 모델링하여 시장이 현실을 어떻게 변화시키는지 시뮬레이션합니다.
• MiroFish 통합: 군집 시뮬레이션을 사용하여 실제 사건을 겪기 전에 수천 개의 병렬적인 '시뮬레이션된 미래'에서 에이전트를 학습시킵니다.

대상 사용자

퀀트 트레이더, 자율 에이전트 진화에 관심이 있는 AI 연구자, 그리고 스스로 개선되는 알고리즘 트레이딩 프레임워크를 찾는 금융 엔지니어.

주요 특징

• 자기 개선 프롬프트: Git 기반의 커밋/리버트 시스템을 사용하여 금융 성과에 따라 에이전트 프롬프트를 진화시킵니다.
• 자율적 확장: 사각지대가 감지되면 인간의 입력 없이도 새로운 전문 에이전트를 생성할 수 있습니다.
• 레지임별 학습: '일률적인' 실패를 방지하기 위해 서로 다른 시장 환경에 맞춰 개별 에이전트 그룹을 학습시킵니다.
• 재귀적 시뮬레이션: 군집 지능을 통합하여 복잡한 피드백 루프를 모델링하고 미래 시나리오를 시뮬레이션합니다.