chrisworsey55/atlas-gic

解决的问题

ATLAS 解决了创建 AI 交易代理的挑战，使其能够在无需持续人工干预的情况下适应不断变化的市场制度。它通过将提示词视为权重，并根据真实金融表现（夏普比率）进行演化和优化，解决了“静态”AI 提示词的问题。

运作方式

该系统采用多层代理架构（宏观、产业、超级投资者和决策），针对市场状况进行辩论。它使用“自动研究”循环，识别表现最差的代理，修改其提示词，并进行五个交易日的测试。如果夏普比率有所改善，则通过 Git 提交变更；否则，将进行还原。

其他机制包括：

• 达尔文权重 (Darwinian Weights)：代理根据表现进行加权，这意味着成功的代理对最终决策有更大的影响力。
• 代理生成 (Agent Spawning)：当系统检测到重复出现的知识缺口时，会自主创建新的专业代理。
• PRISM：将不同的代理群组在不同的历史市场制度（例如：牛市、危机、复苏）下进行训练，以发展出针对特定制度的生存本能。
• JANUS 元层 (JANUS Meta-Layer)：一个算法层，根据近期准确度对不同群组进行加权，以检测当前的市场制度。
• 反身性引擎 (Reflexivity Engine)：模拟价格变动如何影响基本面和行为的反馈循环，模拟市场如何改变现实。
• MiroFish 集成：使用群体模拟在遇到真实事件之前，对数千个平行的“模拟未来”进行代理训练。

目标对象

量化交易员、对自主代理演化感兴趣的 AI 研究人员，以及寻求自我改进算法交易框架的金融工程师。

亮点

• 自我改进提示词：使用基于 Git 的提交/还原系统，根据金融结果演化代理提示词。
• 自主扩展：当检测到盲点时，无需人工输入即可生成新的专业代理。
• 特定制度训练：为不同的市场环境训练不同的代理群组，以避免“一刀切”的失败。
• 反身性模拟：整合群体智慧来模拟复杂的回反馈循环并模拟未来情境。