01 · تحلیل بازار با هوش مصنوعی
Apex
Apex حاصل چند سال کار من روی تحلیل بازار، الگوریتمهای معاملاتی و ساخت یک ابزار قابل استفاده برای معاملهگرهاست.
منطق اسکریپتهای TradingView را به سرویسهای Python منتقل کردم و LLM را برای توضیح نتیجههای محاسبهشده به کار گرفتم. Apex اکنون فعال است و کاربر پرداختکننده دارد.
این محصول چرا ساخته شد
داستان پروژه
ابزار و تحلیل بازار کم نیست؛ مشکل این است که زیاد بودن آنها اغلب تصمیم را سختتر میکند. یک چتبات عمومی میتواند درباره نمودار حرف بزند، اما به داده زنده، منطق ثابت و کنترلهایی که Apex دارد دسترسی ندارد.
مسئله اصلی
Apex باید به کاربر کمک میکرد از شلوغی تحلیل و تصمیم احساسی فاصله بگیرد. در عین حال، هزینه هر تحلیل باید آنقدر پایین میماند که مدل اعتباری محصول صرفه اقتصادی داشته باشد. خروجی هم نباید یک احتمال را شبیه قطعیت مالی نشان میداد.
برای چه کسانی
معاملهگرها، تحلیلگرها و افراد تازهکاری که قبل از تصمیم به یک نظر دوم روشن نیاز دارند.
نتیجهای که دنبالش بودم
معیار من این بود که کاربر بتواند موقعیت، ریسک و سناریوی مخالف را بهموقع بفهمد و با اطلاعات بیشتری تصمیم بگیرد.
چه چیزی کار را سخت میکرد
هزینه
وقتی تمام تحلیل را به یک مدل گران میسپردم، هزینه هر خروجی بیش از حد بالا میرفت.
کنترل
دادن داده خام به مدل، تست و پیدا کردن علت خروجی اشتباه را سخت میکرد.
سرعت
کاربر نتیجه را همان لحظه میخواست، نه گزارشی که بعد از گذشت فرصت آماده شود.
مسئولیت
قرار نبود Apex جای کاربر تصمیم بگیرد، وعده سود بدهد یا ریسک را پنهان کند.
اول چه چیزی را ساختم و چرا
- 1اجراشده
ساخت هسته تحلیلی
منطق بازار و نتیجه چند سال کار با Pine Script را به سرویسهای Python تبدیل کردم تا روی داده زنده و یکدست اجرا شوند.
- 2فعال
ساخت ورودی ساختاریافته برای LLM
سیستم ابتدا سیگنال، وضعیت بازار، سطوح، تناقضها و ریسک را محاسبه میکند. LLM بهجای داده خام، مجموعه مشخصی از نتیجهها را دریافت میکند.
- 3فعال
ساختار خروجی تحلیل
در خروجی، کاربر ابتدا نتیجه و میزان اطمینان را میبیند و بعد به دلیل تحلیل، سطوح مهم، نقطه بیاعتبار شدن و سناریوی مخالف دسترسی دارد.
- 4فعال
پرداخت و بازگشت کاربر
اعتبار پیشپرداخت، دوره آزمایشی، دو حالت تحلیل، اعتبار روزانه و پیامهای بازگشت کاربر را طراحی و اجرا کردم.
تصمیمهای اصلی من
تقسیم کار میان الگوریتمها و LLM
با این تغییر، محاسبات اصلی در الگوریتمها انجام میشود و LLM نتیجه را توضیح میدهد. هزینه حدود ۹۵ درصد کاهش پیدا کرد و بررسی خطاها هم سادهتر شد.
کاهش تنظیمات کاربر به دو حالت
فرایند ساخت تحلیل را به دو حالت استاندارد و پیشبینی محدود کردم. پیچیدگی موتور حفظ شد، اما کاربر دیگر با تنظیمات غیرضروری درگیر نمیشود.
محدود کردن استفاده از LLM
محتوای روزانه بازار بدون LLM تولید میشود و مدل فقط برای تحلیلهای عمیق و پولی به کار میرود. با این تصمیم حدود ۸۰ درخواست تکراری روزانه حذف شد.
دکمه Panic برای معامله باز
دکمه Panic برای زمانی طراحی شد که کاربر در میانه معامله تحت فشار است. این بخش ریسک، شواهد و نقطه بیاعتبار شدن تحلیل را دوباره در اختیار او میگذارد.
سیستم چطور کار میکند
دریافت
داده بازار، اقتصاد کلان و رویدادها از چند API و صرافی.
یکدستسازی
بازه زمانی مناسب هر دارایی، اعتبارسنجی، کش و منبع جایگزین.
محاسبه
الگوریتمهای Python سیگنال، سطوح، وضعیت بازار، تناقضها و ریسک را حساب میکنند.
توضیح
یک LLM کمهزینه، نتیجه محاسبهشده را به گزارشی روشن و یکدست تبدیل میکند.
تحویل نتیجه
Celery و Redis پردازش را در پسزمینه انجام میدهند و React نتیجه و اعتبار مصرفشده را نشان میدهد.
کارهایی که خودم انجام دادم
- تعریف محصول، جایگاه، نقشه راه، قیمتگذاری و لانچ
- طراحی کامل تجربه، جریان تحلیل، ساختار خروجی و سیستم طراحی
- الگوریتمهای بازار، سرویسهای Python، معماری پرامپت و گاردریلها
- فرانتاند React و TypeScript، APIها، زیرساخت، پرداخت و عملیات محصول
- اندازهگیری رفتار محصول، آزمایشهای بازگشت کاربر، رفع خطاهای عملیاتی و بهبود مداوم
چیزهایی که میشود بررسی کرد
مسیر واقعی کاربر
ثبتنام، خرید اعتبار، تنظیم تحلیل، پردازش در پسزمینه، نمایش نتیجه و تاریخچه همگی در محصول فعال کار میکنند.
ارتباط تصمیمهای محصول با کد
موتور تحلیل، سرویس چندارائهدهنده AI، ثبت مصرف، قیمتگذاری و فرایندهای بازگشت کاربر در مخزن قابل بررسیاند. قابلیتهای ساختهنشده هم بهصورت شفاف بهعنوان کار آینده ثبت شدهاند.
زیرساخت عملیاتی
FastAPI، PostgreSQL، Celery، Redis، Docker، Nginx و Cloudflare زیرساخت نسخه فعال و پرداخت را فراهم میکنند.
داخل محصول
امروز پروژه کجاست
Apex اکنون فعال و درآمدزاست. انتقال محاسبات اصلی به سرویسهای مشخص، هزینه LLM را حدود ۹۵ درصد کاهش داد و تست و نگهداری فرایند تحلیل را سادهتر کرد.
چیزی که یاد گرفتم
- 01
هرچه ابهام ورودی کمتر باشد، LLM در محصول بهتر کار میکند.
- 02
اقتصاد هر استفاده، بخشی از طراحی محصول است نه کاری برای بعد.
- 03
یک محصول پیشرفته میتواند موتور پیچیدهای داشته باشد و در عین حال برای کاربر ساده بماند.