AI stock trading system

AI trading system-এর তিনটি অর্থ আলাদা করুন

আপনি research তৈরি করছেন, strategy evaluate করছেন, নাকি execution system operate করছেন তা ঠিক করুন। Research-এর জন্য source-linked report দিয়ে শুরু করুন। Strategy evaluation-এর জন্য rule ও point-in-time dataset define করুন। Execution-এর জন্য access দেওয়ার আগে authorization ও order-state handling specify করুন। Model-generated explanation হলো hypothesis; backtest assumption-নির্ভর experiment; order financial consequence-সহ external action। এই output আলাদা রাখলে সঠিক project বেছে নেওয়া সহজ হয় এবং এক layer-এর successful step অন্য layer-এর missing step আড়াল করতে পারে না।

প্রতিটি layer-এর মধ্যের contract define করুন

একটি application কয়েকটি layer একসঙ্গে package করলেও boundary দৃশ্যমান রাখুন। Research stage structured observation ও unresolved item ফেরত দেবে। Evaluation stage explicit rule, data version ও assumption consume করবে। Execution stage independently enforced constraint-এর অধীনে কেবল authorized instruction নেবে। Missing source-কে implicit neutral signal হতে দেবেন না এবং generated confidence number-কে position size বানাবেন না। এগুলো domain decision, documented owner দরকার।

Bounded research task-এ LLM ব্যবহার করুন

Language model disclosure তুলনা, analysis code draft ও experiment log explain করতে পারে। প্রতিটি task-কে known source packet দিন এবং output-এ reference চাইুন। Code assistance-এ experiment specification ও expected data schema দিন, তারপর execution-এর আগে generated code review করুন। Financial-data credential model credential থেকে আলাদা রাখুন এবং research tool defaultভাবে read-only করুন। Retrieval-এর মাধ্যমে পাওয়া article বা filing execution permission বদলানোর authority পাবে না। এই boundary-তে প্রতিটি model request-কে trading system-এর সঙ্গে couple না করেও research application debug করা সহজ হয়।

Qlib experiment ও FinRL training আলাদা বুঝুন

Qlib data preparation, model training ও evaluation-সহ quantitative workflow দেয়। FinRL market environment-এ reinforcement-learning policy study করে। কোনো core workflow-ই general chat endpoint নয়। LLM factor suggest বা তাদের চারপাশের experiment code edit করতে পারে, কিন্তু actual calculation local বা hosted compute resource ব্যবহার করে এবং dataset-এর ওপর নির্ভর করে। Evaluate করা hypothesis অনুযায়ী framework বেছে নিন। Agent-এর written argument ও reinforcement-learning reward-কে একই outcome-এর measurement ধরে তুলনা করবেন না।

Information availability ও execution assumption audit করুন

Prompt-এর historical date point-in-time data guarantee নয়। Disclosure কখন public হয়েছে, revision কীভাবে handle হয় এবং তখন universe-এ কোন security ছিল record করুন। International market-এ trading calendar, share-class mapping ও currency treatment confirm করুন। Evaluation assumption-এ commission, spread, slippage, liquidity ও applicable market constraint-ও থাকতে হবে। Input unavailable হলে evaluation boundary report করুন। Favorable curve দেখার পর assumption বদলালে code-এ obvious error না থাকলেও reproducible calculation misleading হতে পারে।

Generated prose-এর বাইরে permission ও risk check রাখুন

Research report নিজেকে trading permission দিতে পারবে না। পরের execution system-এ authorization, position limit, duplicate detection, cancellation ও reconciliation-এর explicit owner দরকার। Prompt একা নয়, code ও service permission-এ control enforce করুন। Analyst research artifact approve করা এবং person order authorize করার distinction রাখুন। Report-এর শেষে warning label থাকলেও environment-এ agent-এর unnecessary broker credential থাকলে তা যথেষ্ট safeguard নয়।

{
  "mode": "research",
  "data_access": "read_only",
  "order_submission": "disabled",
  "artifact_review": "required",
  "missing_required_data": "stop",
  "evaluation_status": "not_run"
}

Return থেকে system reliability independently মাপুন

Strategy evaluate করার আগে job intended source-সহ শেষ হয় কি না, failure surface হয় কি না এবং saved input থেকে result reproduce করা যায় কি না verify করুন। Success rate বানিয়ে না নিয়ে source coverage, rejected output ও unresolved billing record করুন। Paper execution order-state transition-এর test যোগ করে, কিন্তু প্রতিটি live-market condition পুনর্গঠন করে না। Passing client smoke কেবল ওই client-এর connectivity প্রতিষ্ঠা করে। Model call, complete research, historical evaluation ও later execution environment-এর জন্য আলাদা evidence রাখুন।

একটি bounded evaluation budget ব্যবহার করুন

Run-এর আগে candidate strategy, model iteration ও retry attempt-এর সংখ্যা limit করুন। নইলে agent-generated code একই evaluation data-তে open-ended search তৈরি করতে পারে। Failed hypothesis ও প্রতিটি candidate reject হওয়ার কারণ রাখুন। Article-এ copy করা fixed price নয়, current model contract ব্যবহার করে data, compute ও analyst review model charge-এর সঙ্গে count করুন। Credible comparison-এ কী চেষ্টা হয়েছে ও কী unknown তা report করে। Investor.gov guidance AI fraud-এর কথা মনে করিয়ে দেয়: guaranteed-performance language warning sign, evidence নয়।

Evidence ও scope

এই comparison official framework documentation ব্যবহার করে system design বর্ণনা করে। এতে executed strategy, paper-trading result বা live trading case নেই। পরের performance claim-এর নিজস্ব dataset, experiment ও execution evidence, assumption ও review boundary disclosure-সহ দরকার।

সাধারণ প্রশ্ন