Budujemy systemy, które podejmują i weryfikują decyzje tradingowe na Hyperliquid — od danych rynkowych, przez sygnały i zarządzanie ryzykiem, po egzekucję i audyt. Agent AI jest częścią stacku: 230 skilli, dostęp do danych, zdolność działania. Człowiek decyduje o kapitale; kod pilnuje dyscypliny.
Te liczby pochodzą z repozytoriów i serwera — nie z broszury. Aktualizowane przy każdym większym wdrożeniu.
Każda zdolność systemu przechodzi tę samą drogę. Nic nie trafia na mainnet wcześniej niż przez pełny cykl.
Najpierw strzelamy do żywego API i czytamy surowy JSON. Zakładanie kształtu odpowiedzi z dokumentacji to klasyczny błąd — weryfikujemy każdy endpoint przed napisaniem adaptera.
Nowy kod rodzi się z testami pytest. Semantyka sygnałów, kosztów i progów jest przypięta testami — nie może „zniknąć" przy refaktorze.
Strategia najpierw działa obok rynku: zapisuje decyzje do łańcucha audytowego, ale nie składa zleceń. Zbieramy przewidywania i wyniki.
Scorecard liczy trafność nie w próżni, ale przeciw benchmarkom: always-LONG i sign(xgap). Strategia jest ciekawa tylko jeśli bije oba.
Fail-closed bramki jakości danych, limity ekspozycji, kill-switch. Dopiero potem egzekucja — i to wyłącznie reduce-only przy ochronie pozycji.
Cztery aktywne elementy stacku. Każdy robi co innego i ma inny status — to zamierzone.
Produkcyjny system na Hyperliquid. Rdzeń to profit-lock ladder — automatyczna drabina podnoszenia stop-lossa, która chroni zysk szybciej niż człowiek zareaguje: od progu +22 USD stop jedzie na +14, przez +25→15, +30→20, +35→25, po +40→30. Bot ustawia wyłącznie reduce-only trigger SL — nie otworzy pozycji, nie zwiększy ryzyka. Wokół tego: engine sygnałowy multi-timeframe, moduł kapitałowy, dziennik i tryb shadow dla nowych strategii.
Samodzielny program badawczy: strategie testowane wyłącznie na papierze, z łańcuchem audytowym. Każda decyzja to rekord z hashem poprzedniego — łańcuch jest tamper-evident, każdy rekord da się deterministycznie odtworzyć (verify, replay). Evaluator liczy wynik ex-post z prawdziwym horyzontem świec, a nie „drift do kliknięcia".
Nie kod — metodologia ręcznego tradingu L/S, którą egzekwuje agent AI na życzenie operatora („l czy s?"). Świeże dane ze skanera, poziomy zawsze z podstawą: struktura / VWAP / projekcja / półka. Reżimy rynkowe decydują, który klocek jest aktywny — paraboliczny, pullback do VWAP, wybicie z półką. Werdykt nigdy z pamięci, zawsze z bieżącego odczytu.
Agent siedzi na topie całego labu: czyta kody, deployuje na serwer, analizuje dane rynkowe (funding, OI, płynność, SMC), prowadzi retrospektywy i egzekwuje SRAT_02. Każda zdolność to skill — procedura z krokami, pułapkami i wymogiem dowodu. Inwentarz jest publiczny na osobnej stronie.
75 modułów. Najważniejsze odpowiedzialności, po nazwach z repozytorium.
Większość pomysłów na strategie umiera — i to jest feature, nie bug. Kilka faktów z łańcucha decyzji:
H1 mikrodyslokacje odrzucone — na majorach mediana |xgap| to 0,7–0,9 bps przy ~11 bps kosztów round-trip. Model przesunięty na carry (H2), H1 zostaje tylko do replayu.
Sprint engine → shadow — profit factor 0,456 na danych pilota. Poniżej 1,0 = strategia traci; została wycofana z toru egzekucji do czasu poprawy. UI pokazuje ten wynik otwarto.
Scorecard 38,7% trafności — pierwotny system sygnałów SRAT_01 był gorszy niż moneta. Zarchiwizowany; wniosek: bez benchmarków (always-LONG 67% w rynku LONG-bias) hit-rate jest ozdobą.
Ledger v1 mierzył zły horyzont — wynik liczony „od decyzji do kliknięcia", nie po realnym oknie pozycji. Przepisany na świecowy horyzont prawdziwy; stare dane zarchiwizowane z ostrzeżeniem.
Założenia kształtu API — dwa razy w jednej sesji struktura odpowiedzi HL okazała się inna niż w docs. Od tamtej pory: live-probe przed każdą integracją, surowy JSON do pliku.
Żadna strategia wejścia nie ma dziś potwierdzonego edge'u ponad koszty. To, co działa na produkcji, to ochrona tego, co już jest — profit-lock ladder. Dopóki dane nie powiedzą inaczej, nie udajemy odwrotnego.
Zasady zaprojektowane tak, żeby błąd kodu nie mógł kosztować więcej niż dyskomfort.