atlas-strategy-evolution

版本: 1.0
日期: 2026-04-23
職責: 投資模型的動態調整、績效回饋與持續進化

---

核心哲學

「沒有永遠有效的投資模型，只有持續進化的策略系統」

---

投資模型生態系

現有模型

模型ID	名稱	適用情境	權重範圍
ai_supercycle_model	AI超級週期模型	結構性科技趨勢強勁	0.1 - 0.6
hawkish_fed_model	鷹派Fed模型	高利率+緊縮環境	0.1 - 0.5
geopolitical_hedge_model	地緣政治避險模型	戰爭/地緣風險升溫	0.1 - 0.6
semiconductor_cycle_model	半導體週期模型	半導體庫存週期	0.1 - 0.4
seasonal_model	季節性輪動模型	春節/除權息等季節效應	0.0 - 0.3

模型權重動態調整

func EvolveModelWeights(macro MacroRiskAssessment, trends []StructuralTrend) {
    switch macro.Level {
    case Green:
        weights["ai_supercycle_model"] = 0.6
        weights["hawkish_fed_model"] = 0.2
        weights["geopolitical_hedge_model"] = 0.2
        
    case Yellow:
        if trends["AI"].Strength > 70 {
            weights["ai_supercycle_model"] = 0.5
            weights["hawkish_fed_model"] = 0.3
        } else {
            weights["ai_supercycle_model"] = 0.3
            weights["hawkish_fed_model"] = 0.4
        }
        
    case Orange/Red:
        weights["ai_supercycle_model"] = 0.1
        weights["geopolitical_hedge_model"] = 0.6
        weights["hawkish_fed_model"] = 0.3
    }
}

---

MetaLearner 與 MiroFish Swarm 的連結

策略進化系統透過 SubmitTrainingScenarios 接收 Swarm 模擬產生的訓練情境，將魚群表現轉化為學習策略的演化素材：

MiroFish Swarm 模擬
  └── ExportTrainingData() → []TrainingScenario
        └── MetaLearner.SubmitTrainingScenarios(scenarios)
              └── scenarioToLearningData() → SwarmLearningData
                    └── SubmitSwarmData() → swarmData channel
                          └── processSwarmData() 更新策略績效
                                └── evolvePopulation() 執行遺傳演算法

• 每條魚的 TrainingScenario 包含其歷史狀態、預測、表現（Accuracy、SharpeRatio、MaxDrawdown）與預測規則
• scenarioToLearningData 將魚的準確率映射為學習率參數（accuracy>0.8 → 0.001；>0.6 → 0.01；否則 0.1）
• 批次提交後自動觸發一次 evolvePopulation()，執行 elite 選擇、crossover、mutation
• 頂級策略可透過 GET /api/dashboard/swarm-strategies 查詢

績效回饋機制

評估維度

type ModelPerformance struct {
    ModelID       string
    Period        string
    PredictedFlow string    // 模型預測的資金流向
    ActualFlow    string    // 實際資金流向
    Accuracy      float64   // 預測準確率
    PnLImpact     float64   // 對組合損益的影響
}

注意：ModelPerformance 是投資模型層級的績效追蹤（用於 Darwinian 權重調整）。MetaLearner 內部使用 StrategyPerformance（SuccessCount、FailureCount、AvgImprovement、ConvergenceRate、StabilityScore）追蹤學習策略的表現。兩者位於不同抽象層級。

自動調整規則

func EvaluateModels(performances []ModelPerformance) {
    for _, p := range performances {
        if p.Accuracy < 0.5 {
            ReduceModelWeight(p.ModelID, 0.1)
        } else if p.Accuracy > 0.8 {
            IncreaseModelWeight(p.ModelID, 0.1)
        }
    }
}

---

實驗生命週期

Propose → Execute → Judge → Promote/Revert

改良重點（v2.0）

1. 觀測值門檻提高：level_1: 3→8, level_2: 8→12, level_3: 12→15

   ⚠️ Pending: Thresholds remain at level_1: 3, level_2: 8, level_3: 12 (see internal/experiment/judge.go → requiredObservationCountForMaturity()). Requires data collection infrastructure upgrade.

2. 統計穩定性檢查：Sharpe ratio 標準誤差 < 0.5

   ✅ Implemented: maintain_sharpe_like gate uses SharpeStabilityCheck().

3. Out-of-sample 驗證：Candidate 必須在第二個獨立窗口優於 Baseline

   ✅ Implemented: no_drawdown_spike and preserve_downside_protection gates.

4. 透明度強化：Darwinian 權重截斷事件記錄 + 連續截斷警告

   ✅ Implemented: Logging in constrainWeight() at darwinian_weights.go:315-319.

---

關鍵檔案

• internal/experiment/judge.go - 實驗評判核心
• internal/experiment/sharpe_stability.go - Sharpe穩定性檢查
• internal/experiment/oos_validator.go - Out-of-sample驗證
• internal/portfolio/darwinian_weights.go - Darwinian權重管理
• internal/narrative/knowledge_base.go - 投資模型定義

---

Wave 9 觀測整合

策略進化循環可透過 EventPositionUpdate 與 EventRegimeChange 事件串接 Wave 9 可觀測性。

---

Agent Spawning 模組（internal/spawning）

自動偵測系統知識缺口並生成新 Agent，管理完整生命週期。

陷阱	說明
PromptsDir 必須為絕對路徑	SpawningConfig.PromptsDir 預設 "prompts" 相對於 CWD；ManualSpawn 前需確認工作目錄
Agent 初始為 disabled	AgentFactory.CreateAgentForGap 產生 Enabled: false，必須經 AcceptAgent() 才啟用
Extinction 閾值 20 天	CheckExtinction() 預設權重維持在 DarwinianWeightMin(0.3) 以下 20 天即淘汰
ManualSpawn 不進內部 map	ManualSpawn() 只建立並回傳 SpawnedAgent，不會自動加入 spawnedAgents map（測試有註解）
Gap 優先排序用 bubble sort	prioritizeGaps() 使用簡單排序（列表小，非效能瓶頸），嚴重程度加權後以年齡微調

MetaLearner（internal/metalearning）

透過遺傳演算法根據 MiroFish swarm 回饋持續優化學習策略參數。

陷阱	說明
冷啟動分數為 0	calculateStrategyScore() 在 TotalApplications == 0 時回傳 0，新策略初期排名墊底
通道滿載丟棄	SubmitSwarmData 與 SubmitTrainingResult 使用緩衝 channel（容量 100），滿載時直接丟棄
pseudo-random 為 deterministic	使用自訂 LCG（deterministicRand），測試可重現但非加密安全
參數突變可能為負	mutateStrategy() 對 learning_rate/batch_size 取絕對值，其他參數可能變為負數
Save/Load 只存 ID 引用	Save() 將 population 與 elite 存為 ID 列表；Load() 需從 strategies map 還原引用

---

技能版本: 1.2
最後更新: 2026-06-27