AI स्टॉक ट्रेडिंग सिस्टम

AI trading system के तीन अर्थ अलग करें

तय करें कि आप शोध बना रहे हैं, रणनीति का मूल्यांकन कर रहे हैं या execution system चला रहे हैं। शोध के लिए source-linked report से शुरुआत करें। रणनीति मूल्यांकन के लिए rules और point-in-time dataset परिभाषित करें। निष्पादन के लिए access देने से पहले authorization और order-state handling निर्दिष्ट करें। Model-generated explanation एक hypothesis है; backtest assumptions के तहत experiment है; order वित्तीय परिणामों वाली external action है। इन outputs को अलग रखने से सही project चुनना आसान होता है और एक layer की सफल अवस्था दूसरी layer की कमी को छिपा नहीं पाती।

हर layer के बीच contract परिभाषित करें

एक application कई layers को साथ पैकेज करे तब भी boundary स्पष्ट रखें। Research stage को structured observations और unresolved items लौटाने चाहिए। Evaluation stage को explicit rules, data versions और assumptions consume करने चाहिए। Execution stage को केवल independently enforced constraints के अधीन authorized instructions स्वीकार करने चाहिए। Missing source को implicit neutral signal बनने न दें और generated confidence number को position size न बनने दें। ये domain decisions हैं, जिनका documented owner होना चाहिए।

LLM को सीमित शोध कार्य दें

Language models disclosures की तुलना, analysis code का draft और experiment logs की व्याख्या कर सकते हैं। हर task को ज्ञात source packet दें और output में references मांगें। Code assistance के लिए experiment specification और expected data schema दें, फिर generated code को चलाने से पहले review करें। Financial-data credentials को model credentials से अलग रखें और research tools को default रूप से read-only बनाएं। Retrieval से मिला article या filing execution permissions बदलने का अधिकार कभी न पाए। ये boundaries research application को debug करना आसान बनाती हैं और हर model request को trading system से जोड़ने की जरूरत नहीं पड़ती।

Qlib experiments को FinRL training से अलग पहचानें

Qlib data preparation, model training और evaluation वाला quantitative workflow देता है। FinRL market environments में reinforcement-learning policies का अध्ययन करता है। किसी का core workflow general chat endpoint नहीं है। LLM इनके आसपास factor सुझा या experiment code संपादित कर सकता है, लेकिन actual calculations local या hosted compute resources लेते हैं और अपने datasets पर निर्भर करते हैं। जिस hypothesis का मूल्यांकन करना है उसके अनुसार framework चुनें। Agent के लिखे argument और reinforcement-learning reward की तुलना ऐसे न करें जैसे वे एक ही outcome के measurements हों।

Information availability और execution assumptions का audit करें

Prompt में historical date होना point-in-time data की गारंटी नहीं है। दर्ज करें कि disclosures कब public हुए, revisions कैसे संभाले जाते हैं और उस समय universe में कौन-सी securities मौजूद थीं। International markets के लिए trading calendar, share-class mapping और currency treatment भी जांचें। Evaluation assumptions में commissions, spreads, slippage, liquidity और लागू market constraints शामिल होने चाहिए। ये inputs उपलब्ध न हों तो evaluation boundary report करें। अनुकूल curve दिखने के बाद assumptions बदलने से reproducible calculation भ्रामक हो सकती है, भले code में कोई स्पष्ट error न हो।

Permissions और risk checks को generated prose से बाहर रखें

Research report को खुद को trading permissions देने में सक्षम नहीं होना चाहिए। बाद के execution system में authorization, position limits, duplicate detection, cancellation और reconciliation के स्पष्ट owners चाहिए। इन controls को केवल prompt में नहीं, code और service permissions में enforce करें। Analyst द्वारा research artifact approve करने और किसी व्यक्ति द्वारा order authorize करने का फर्क सुरक्षित रखें। Report के नीचे warning label लगा देना उस agent के environment में अनावश्यक broker credentials होने की भरपाई नहीं करता।

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

System reliability को returns से स्वतंत्र मापें

रणनीति का मूल्यांकन करने से पहले जांचें कि jobs intended sources के साथ पूरी होती हैं, failures सामने आते हैं और saved inputs से results दोहराए जा सकते हैं। Source coverage, rejected outputs और unresolved billing रिकॉर्ड करें; success rate गढ़ें नहीं। Paper execution order-state transitions के tests जोड़ती है, लेकिन हर live-market condition को दोबारा नहीं बनाती। Passing client smoke केवल उस client के जरिए connectivity स्थापित करता है। Model calls, complete research, historical evaluation और बाद के किसी execution environment के लिए अलग-अलग evidence रखें।

सीमित evaluation budget इस्तेमाल करें

Run से पहले candidate strategies, model iterations और retry attempts की संख्या सीमित करें। वरना agent-generated code उसी evaluation data पर अनंत search कर सकता है। Failed hypotheses और हर candidate को reject करने का कारण सुरक्षित रखें। Current model contract का उपयोग करके data, compute और analyst review को model charges के साथ गिनें, article में कॉपी की गई fixed price से नहीं। विश्वसनीय comparison बताती है कि क्या आजमाया गया और क्या अज्ञात है। Investor.gov की AI fraud guidance याद दिलाती है कि guaranteed-performance भाषा warning sign है, evidence नहीं।

प्रमाण और दायरा

यह comparison official framework documentation पर आधारित system design बताती है। इसमें कोई executed strategy, paper-trading result या live trading case नहीं है। बाद के किसी performance claim के लिए अपना dataset, experiment और execution evidence चाहिए, जिसमें assumptions और review boundaries स्पष्ट हों।

अक्सर पूछे जाने वाले प्रश्न