Agenci AI analizy kryptorynku: wzorzec Rozumowanie + Działanie

Wzór 'Rozumowanie + Działanie' dla agentów AI w fundamentalnej analizie kryptowalut

Istniejące repozytoria do zautomatyzowanej analizy rynku cierpią na fundamentalne problemy w przetwarzaniu wskaźników i wiadomości. Przyjrzyjmy się TauricResearch/TradingAgents: potok agreguje dane z Reddit, X, Bloomberg, Reuters i Yahoo Finance. Dwa agenty prowadzą debatę — jeden za wzrostem ceny, drugi za spadkiem — przez ustaloną liczbę rund. Ostatecznie wygrywa strona z bardziej przekonującymi argumentami.

Jednak pod maską — surowe wskaźniki jak RSI i Stoch RSI są podawane LLM w formie tekstowej. Modele nie radzą sobie z priorytetyzacją: łańcuch rozumowania jest chaotyczny. Przykład:

• RSI wskazuje na wyprzedanie — hipoteza wzrostu.
• Brak narzędzi do backtestu hipotezy.
• Stoch RSI sygnalizuje wykupienie — utrwalamy odpowiedź.

Sztywne wagi priorytetów zabijają adaptacyjność, prowadząc do strat. Dynamiczna priorytetyzacja wymaga 200 tys. tokenów na backtest — od 1,20 USD (Haiku) do 6,00 USD (Opus). Bez wskaźników system jest ślepy na szum w mediach społecznościowych: jeden bloger z fałszywymi kontami lub płatne API (200 USD/mies. za X).

node-ccxt-backtest wykorzystuje 8 agentów tematycznych:

• Bilans: rezerwy on-chain, odpływ z giełd, podaż LTH, fale HODL.
• Ruch kapitału: napły do ETF, presja minerów, stablecoiny, OTC.
• Metryki fundamentalne: hashrate, MVRV, NVT, Stock-to-Flow.
• Przychody sieci: opłaty, Lightning, TVL DeFi.
• Insiderzy: MicroStrategy, BlackRock ETF, Grayscale GBTC.
• Wiadomości o aktywie: regulacje, hacki, instytucje.
• Makro globalne: Fed, CPI, DXY, Fear & Greed, M2.
• Historia ceny: anomalne wolumeny, wybicia.

Problem — ignorowanie metryk portfela (max drawdown, współczynnik Sharpe'a) i oderwanie od rzeczywistości: tweet prezydenta zmienia wszystko w mgnieniu oka.

Dlaczego statyczne podejścia zawodzą

Oba przykłady to statyczne zapytania do źródeł. Rynek zmienia się codziennie: adaptacja jest obowiązkowa. Wzór „Rozumowanie + Działanie” rozwiązuje to: LLM na przemian analizuje i szuka wiadomości. Agent skupia się na relewantnych wyzwalaczach, ignorując szum.

Implementacja agenta: przykłady sygnałów z kwietnia 2026

Fundamentalna analiza na kwiecień wskazała SELL: negatywy dominują — Fed trzyma stopy, silny DXY, odpływ z ETF BlackRock, niski hashrate, funding rate 15%, indeks strachu 28.

{
  "reasoning": "Wszystkie dostarczone raporty skupiają się na negatywnych sygnałach: 1) makroekonomia – Fed utrzymuje wysokie stopy, silny dolar, wzrost zatrudnienia → nastawienie risk-off...",
  "signal": "SELL"
}

5 kwietnia — geopolityka (ultimatum dla Iranu): WAIT. Cena poniżej MA, RSI 44, strach 12, ale bez katalizatora.

8 kwietnia — tweet Trumpa o rozejmie: BUY. Rajd do 72 tys. USD, likwidacje 425 mln USD shortów, wolumen >2 mln BTC/godz. Stop-loss 70 tys. USD.

9 kwietnia — sprzeczności (wybicie 71 tys. USD vs. presja minerów, put-opcje 17%): WAIT.

Kod źródłowy agentów

Agent wyszukiwania sieciowego

import { addAgent } from "agent-swarm-kit";
...
import { str } from "functools-kit";

addAgent({
  agentName: AgentName.WebSearchAgent,
  completion: CompletionName.OllamaTextCompletion,
  keepMessages: Infinity,
  prompt: str.newline(
    "Jesteś agentem wyszukiwania sieciowego w roju agentów systemu handlowego.",
    "",
    "Twoim zadaniem jest sporządzenie obiektywnego raportu..."
  ),
  tools: [
    ToolName.WebSearchTool,
  ],
});

Generator sygnałów

import {
  addOutline,
  commitAssistantMessage,
  commitUserMessage,
  dumpOutlineResult,
  execute,
  fork,
  IOutlineHistory,
  IOutlineResult,
} from "agent-swarm-kit";

...

const DISPLAY_NAME_MAP = {
  BTCUSDT: "Bitcoin",
  // ...
};

const SEARCH_PROMPT = str.newline(
  "Szukasz wyzwalaczy ostrych wydarzeń...",
  "Poziom 1 — Ostre wydarzenia..."
);

Kod wykorzystuje agent-swarm-kit do roju agentów. Wyszukiwanie skupia się na świeżych wyzwalaczach: breaking news, hacki, tweety Trumpa, makro-niespodzianki. Format wyjścia — JSON z reasoning i signal (BUY/SELL/WAIT).

Co jest ważne

• Wzór „Rozumowanie + Działanie” zapewnia adaptacyjność: agent szuka wiadomości między krokami analizy.
• Skupienie na ostrych wydarzeniach (tweety, geopolityka) przeważa nad statycznymi wskaźnikami.
• Metryki sukcesu: max drawdown, współczynnik Sharpe'a — obowiązkowe do backtestu.
• Koszt: zoptymalizowany pod Ollama, unika drogich API.
• Obiektywizm: priorytet negatywnym sygnałom, wielokrotne zapytania.

— Editorial Team