当一个 AI 交易机器人一天亏掉 6%：我们复盘了它，然后把它拆了重装
> 这是一次真实的「模型自己做交易、自己写复盘、自己改参数」的实验记录。本文用第一手账本数据，讲清一个看似聪明的 AI 交易系统，是怎样在同一天里犯下三种「假」错误，以及我们如何用「真实撮合 + 概率点风控 + 有界自学习」把它救回来。
一、开局很美，结局很难看
我们搭了一个预测市场（Polymarket）的 AI 交易机器人（demo 模拟盘）：真实行情、虚拟资金，让大模型独立判断每个二元市场（YES/NO）的公允概率，发现「模型概率 vs 市场价格」的差额（edge）就下单。
第一天收盘的账本是这样：
| 指标 | 数值 |
|---|---|
| 初始权益 | $20,000,000 |
| 当前权益 | **$18,802,834** |
| 当日盈亏 | **-$1,197,166（-5.99%）** |
| 已实现盈亏 | -$1,080,520 |
| 平仓笔数 | 2 |
| 胜率 | **0%** |
两笔平仓，两笔全亏。最狠的一单：一场 WTA 网球比赛，0.53 买入 → 0.08 出场，单笔 -85%，亏掉 $850,559。
看到这里你可能会说：「亏钱嘛，判断错了呗。」但我们复盘后的结论恰恰相反：
> 这次亏钱不是「判断错」，而是「系统错」——假滑点 + 假风控 + 假 edge，三个「假」叠在一起。
二、三个「假」，逐个拆
假 1：模拟撮合严重失真（最大元凶）
账本里有一笔 $1,000,000 的买单，成交价 0.0121，买了 8,290 万份。
问题来了：真实市场根本吃不下这个量。 那个市场的盘口深度可能只有几万美元，你一个百万大单砸进去，实际成交均价会被自己顶得面目全非。
而我们的 v1 引擎用的是固定 0.5% 滑点——一个美好的童话。于是账本上的「入场价」本身是虚构的，所有盈亏都建立在沙子上。
假 2：风控形同虚设
止损设的是 6%，但只在每天一次的循环里检查一次。
结果：一觉醒来，仓位已经从 -6% 跌到了 -85%。等它下一次睁眼，刀已经砍到底了。
更荒诞的是：有一个仓位 09:02 刚因止损卖出（-23%），同一分钟又买了回来 @0.08——白付一次价差，亏两遍。
假 3：edge 比交易成本还低
我们设的最小 edge 阈值是 0.02，而预测市场的实际买卖价差常常是 2%–5%。
也就是说，机器人系统性地买在「赚头抵不过摩擦成本」的地方——开局就输在起跑线上。
再加上大模型自报的「独立公允概率」被当成了真 alpha，机器人专挑 0.01、0.08、0.09 这种长尾彩票：赢 20 次都不够，输 1 次就清零。
三、把 v1 拆了，重装成 v2
针对上面每一处「假」，v2 都给了对偶的「真」：
| v1 的病灶 | v2 的修法 | 实测结果 |
|---|---|---|
| 固定 0.5% 滑点（假） | **真实订单簿分层撮合**，逐档吃掉 ask/bid | 请求买 $1M → 实际只成交 **$11,285** ✅ |
| $1M 砸薄盘口 | **深度上限**：单笔 ≤ 可见盘口 10% | `depth_limited=True` ✅ |
| 价格 % 止损、一天查一次 | **概率点（pp）止损**：-5pp 止损 / +8pp 止盈 | 已实现 |
| 卖了同分钟又买回 | **6 小时冷却期** | 已实现 |
| 专买 0.01/0.09 彩票 | **只做 0.15–0.85 区间** | 彩票单被拦 |
| edge（0.02）< 价差 | **min_edge 0.05 且必须 > 实际价差** | 已实现 |
| 相关暴露叠一起 | **主题敞口上限 10%**（伊朗、大选等归一类） | 已实现 |
| 单次噪声就下单 | **连续 2 轮信号确认**才开仓 | 已验证 |
几个设计细节值得单独说：
- **为什么用「概率点（pp）」而不是「价格百分比」？** 一个 0.01 的合约，「6%」只有 0.0006 的绝对波动，纯属噪声；而概率点衡量的是「市场共识移动了多少」，才是真正有意义的量纲。
- **为什么要「连续 2 轮确认」？** 单次行情抖动 + 单次模型输出，都是噪声。要求两轮同向，等于给信号加了一道低通滤波。
- **为什么要「主题敞口上限」？** 伊朗 ×2、美国政治 ×2 这类相关仓位，一个宏观事件能同时打穿多个仓位。组合层面的相关性，比单笔风险更致命。
四、真正的杀手锏：让系统自己复盘、自己改
光修一版参数不够。真正的关键在于——每一笔交易都要能被复盘，而且复盘结论要能自动回流到策略。
我们做了两个东西：
① 每笔交易复盘引擎 review.py
对每个平仓单自动归因，标注失败模式：
- `longshot_band` — 长尾彩票（买在了不该碰的极端价格带）
- `stop_gap` — 止损穿太远（检查频率不够）
- `gave_back_profit` — 盈利回吐（冲高后反转收跌）
拿 v1 的历史单实测，它精准命中了那两笔致命单：Buyukakcay = stop_gap，Balance of Power = longshot_band。
② 有界自改善闭环 loop.py
读复盘建议 → 自动调参 → 版本留痕 + 自动备份。关键是「有界」：每个参数都有硬上下限，机器人永远不可能把自己调飞。
实测它正确产出了建议：price_band → [0.2, 0.8]（收紧价格带，避开刚亏过钱的极端区）。
五、每天自动跑一条龙
最后，把整条流水线接进每日任务（每天 09:00 JST）：
安全交易 → 逐笔复盘 → 按复盘调参 → 发布报告
一个循环，四步，全自动。这才是「不断改善」该有的样子：不是人工时不时去改两行代码，而是系统每天自我复盘、自我微调。
六、给所有 AI 自动化项目的教训
这次复盘的价值，远超一个交易机器人本身。任何让 AI 驱动真实资源的系统，都该问自己四个问题：
- **我的「成交/执行」模型，是真实的还是虚构的？**
固定滑点、理想延迟、无限深度——这些简化一旦被当成现实，账本就只是自我安慰。
- **我的风控，是「写了」还是「生效」？**
检查频率、触发时机、平仓滑点，任何一环缺失，风控就是纸糊的。
- **我的「信号/edge」，真的覆盖成本了吗？**
摩擦成本（价差、手续费、滑点）必须先被扣掉，剩下的才算 alpha。
- **我有没有让系统「自己学到教训」的闭环？**
没有复盘回流，同一个坑会一直踩下去。
结语
第一天，它亏了 6%，两家「假账」看起来挺惨。
但换个角度：我们用一天、一次模拟盘的代价，换来了一套「真实撮合 + 概率点风控 + 有界自学习」的机制。 假的东西被拆掉了，真的东西被装上了，而且它现在每天自己复盘、自己进化。
> 亏钱不可怕，可怕的是亏完之后，系统还是昨天那个系统。
*（本文所述为 demo 模拟盘实验，真实行情、虚拟资金，不构成任何投资建议。）*