Vollständiges Transkript von „Andrej Karpathy’s AI Trading Loop Found 44,975% (and it never stops)“. Klicke auf einen Zeitstempel, um das Video an dieser Stelle zu öffnen. Du brauchst ein anderes Video? Nutze den YouTube-Transkript-Generator.
0:00 Der Mitbegründer von OpenAI, Andre Karpathy, hat den Handel mit seiner autonomen Schleife für immer verändert. Hier unten rechts sehen Sie , wie sie autonom eine Reihe von Handelsideen durchläuft, diese im Wesentlichen backtestet, eine neue entwickelt und wieder backtestet. Sie können hier die Ergebnisse sehen; 44.975%ist bisher das beste Ergebnis. Ich werde das jetzt rund um die Uhr laufen lassen. Es nutzt Cloud-Code, also verwende ich keine API, was ziemlich beeindruckend ist. Ich möchte Ihnen den gesamten Code und das Setup zur Verfügung stellen, damit Sie verstehen, wie es funktioniert, aber Sie sehen hier 44.975%und dann 30.937%. Der maximale Drawdown liegt bei 12,54. Sharpe-Quotienten sind nicht verrückt, aber wir handeln hier Krypto, und
0:45 Sharpe bestraft einen tatsächlich für Abweichungen nach oben und unten. Daher verwende ich lieber die Sortino-Ratio, aber 1,8 ist auch in Ordnung. Sie sehen 100 Trades, den Prozentsatz pro Trade und so weiter. Lassen Sie mich Ihnen zeigen, wie das alles funktioniert. Lassen Sie uns also den Code durchgehen und wie Sie dies einrichten können. Können Sie mir Schritt für Schritt in kurzen, prägnanten Stichpunkten erklären, wie diese Karpathy-Schleife eigentlich für den Handel funktioniert ? Nehmen Sie an, ich versuche es hier einem Freund beizubringen. Kurz und prägnant. Danke. Und dann werde ich ihnen auch alle Dateien zeigen, die sie sehen müssen. Wenn Sie nicht wissen, wer Andre Karpathy ist: Er war Gründer von OpenAI und hat auch bei Tesla AI gearbeitet. Er ist also eine ziemliche Größe und hat diese Non-Stop-Schleife entwickelt, und ich habe sie einfach
1:31 auf den Handel angewendet. Ich gebe Ihnen also hier den gesamten Code, den Sie benötigen. Es ist eigentlich so gut wie MD5. Falls Sie nicht wissen, was MD5 ist: Es ist eine Anweisungsdatei. Die Idee ist also folgende. Ein KI-Agent arbeitet die ganze Nacht an einer Datei und ein fester Punktestand entscheidet, ob die Änderung bestehen bleibt oder verworfen wird. Im Grunde sagt es: „ Oh, hier ist eine neue Idee.“ Lass es uns umsetzen. Lass es uns testen. Wenn es funktioniert, sagt ein anderer, unabhängiger Agent: „Lass es uns behalten.“ Wenn nicht, sagt er: „ Nein, weiter zum nächsten.“ Und immer so weiter. Es wird einfach immer besser und besser. Eine Datei, die der Agent bearbeiten kann, ist strategy.py. Okay, eine Anweisungsdatei, die der Mensch kontrolliert, ist program.md. Hier können Sie, als Mensch, also Ihre eigenen Ideen einbringen. Ich teile gerne alles, was ich baue, denn ich
2:17 glaube, dass Code ein großer Gleichmacher ist und KI uns am Ende alle zum Programmieren befähigt. Das ist also ziemlich schön. Und die Leute fragen mich: "Warum teilst du das? Wie kannst du das teilen, ohne alles zu verraten?" Nun, ich kann das teilen, weil ich euch die Infrastruktur zeige. Ich zeige euch die Dinge, die ich baue, aber ihr seid nicht unbedingt bei jeder einzelnen Idee dabei. Und ich glaube, dass ich nicht auf die Ideen kommen kann, auf die ihr kommt, und ihr könnt nicht auf meine Ideen kommen, es sei denn, ihr seid jeden Tag hier. Deshalb teile ich diese Dinge gerne jeden Tag, weil ich glaube, dass Code ein großer Gleichmacher ist. Eine Zahl, die über alles entscheidet, ist K gleich ln (1 + Rendite) mal Sharpe-Ratio. Sie betrachtet also die Sharpe-Ratio und die Rendite. Behalten oder verwerfen, kein Mittelweg, und dann ein Protokoll von jedem Versuch. Ein Schritt-für-Schritt-Durchlauf wäre
3:03 also: Kopiere die aktuell beste Strategie nach strategy.py. Jeder Versuch beginnt also mit dem Champion. Es nutzt also die beste Strategie und baut darauf auf. Es erstellt einen Prompt basierend auf deiner program.md, die ich dir gleich zeigen werde. Die Basislinie, die es zu schlagen gilt, und die letzten 30 Versuche. Wie gesagt , ich benutze Claude Code als Agent, daher kostet es mich keine API-Credits. Es liest das Protokoll, nimmt eine Änderung vor und schreibt in die proposal.txt, was es getan hat. Dann lässt es das fixierte Test-Framework auf ETH 6-Stunden-Daten von 2017 bis 2022 laufen. Gleiches Kapital, gleiche Gebühren, gleiche Marge bei jedem Mal. Dann bewertet es: Es ermittelt K, Rendite, Sharpe, Volatilität, Drawdown und Anzahl der Trades. Zuerst die erste Schutzprüfung: mindestens 50 Trades, damit es nicht etwas ist, das nur ein- oder zweimal handelt. Es gibt noch
3:50 weitere Schutzmechanismen, dann kommt das Urteil und es wird in die results.tsv geschrieben. Die Werkzeugregeln, die es am Schummeln hindern, sind die Volatilitäts-Schutzregeln. Größere Wetten erhöhen Rendite und Sharpe bei exakt denselben Trades. Das ist ein Hebel-Regler, keine Idee. Ein Versuch zählt also nur, wenn sich die Volatilität kaum verändert hat. Ein weiterer Schutzmechanismus ist das gesperrte Zeitfenster. Die Schleife sieht also immer nur die Daten von 2017 bis 2022. Das sind unsere In-Sample-Daten, gegen die wir testen. Alles andere ab 2023 bleibt in der Schublade. Nur morning.py öffnet es einmal am Tag. Tausend Versuche in einem Fenster sind tausend Gelegenheiten für eine Überanpassung. Wir halten also einige Daten zurück, damit das System sie nicht sieht, während es Ideen entwickelt. Ihre Aufgabe am Morgen ist es, morning.py
4:36 auf die gesperrten Daten anzuwenden, das Log zu lesen und program.md so zu bearbeiten, dass es auf etwas Neues verweist. Wenn Sie sich das ansehen und diese Ergebnisse sehen, sagen Sie sich: „Okay, lassen Sie mich das auf etwas Neues ausrichten.“ Und was die Dateien für Ihre Freunde angeht: Ich werde Ihnen jetzt alle diese Dateien zeigen, okay? Sie sind auch schon auf meinem GitHub. Falls Sie mein GitHub bereits haben, viele von Ihnen haben ja den lebenslangen Vollzugriff. Äh, das spielt keine Rolle. Es gibt 5,95 Rabatt zum Labor Day und so weiter. Aber viele von euch haben dieses GitHub ohnehin, ich zeige euch den Code hier trotzdem. Es gibt eine Menge anderen Code und all das gute Zeug, aber die readme.md erklärt das Ganze. program.md, das gehört Ihnen. loop.py ist die Endlosschleife. strategy.py ist die einzige Datei, die der Agent jemals anfasst, okay? harness.py enthält die fixierten Ergebnisse. Niemand bearbeitet das. Die morning.py, die gesperrte Testdatei, prüfen,
5:23 results.tsv, eine Zeile pro Versuch, die „Keepers“, jede Version, die jemals gewonnen hat, und dann der Prompt. Ich werde Ihnen also jetzt den gesamten Code zeigen. Gehen wir alles nacheinander durch, denn ich möchte, dass Sie Zugriff darauf haben, auch wenn Sie nicht Teil des größeren Ganzen sind. Alles Liebe für Sie. Gehen wir zum Auto-Research, ich werde den gesamten Code Schritt für Schritt durchscrollen, damit Sie alles sehen können. Okay? Fangen wir da an, wo sie angefangen hat, bei der readme.md, damit Sie Screenshots machen oder tun können, was Sie müssen. Ich werde das alles sehr schnell durchscrollen. Ja, Sie müssen zurückspulen, wenn Sie das als Video sehen, aber das ist der gesamte Code, den wir durchgehen werden . Und wie gesagt, die program.md ist die einzige, die Sie bearbeiten. Die
6:08 Readme hat Ihnen also nur gezeigt, worum es hier geht. Die program.md ist der Ort, an dem wir alle auf unterschiedliche Ideen kommen. Sie sehen, hier nimmt der Mensch die Änderungen vor, also Sie und ich. Man sieht, welche Dinge man ändern kann, daher wird es ganz anders aussehen als bei mir. Und genau das ist der Punkt, wir werden alle auf unterschiedliche Ideen kommen. Gehen wir hier zur Schleife. Und das hier ist der tatsächliche Code. Also, hier seht ihr die komplette Schleife, und wie gesagt, ihr müsst einfach pausieren, zurückspulen oder tun, was nötig ist, um diese .py-Datei zu bekommen. Als Nächstes zeige ich euch die Strategie. Hier seht ihr Phase eins, den Agenten. Und ich lasse mir alles ausgeben. Ihr seht die Ausgabe hier unten rechts. Das ist Phase zwei, das Frozen Harness bewertet es. Und dann müssen wir hier die Anzeigetafel haben. Okay? Und hier ist die Hauptfunktion. Ich scrolle mal
6:55 ein Stück rüber. Ich verwende auch OpenRouter. Moment, eigentlich nutze ich es gar nicht. Da steht „kein Open-API-Schlüssel“. Kein API-Schlüssel. Ich nutze OpenRouter nicht, aber wenn ich KI außerhalb von Claude Code brauche, dann nutze ich OpenRouter. Falls ihr OpenRouter noch nicht kennt: Stripe hat sie gerade erst gekauft. Die sind eine ziemlich große Nummer. Ähm, es macht die Nutzung von KIs viel einfacher. Gehen wir jetzt zu strategy.py, damit ihr die auch sehen könnt. strategy.py, okay? Also, scrollen wir einfach mal schnell durch. Hier ist die vollständige strategy.py-Datei. Und das ist eine Datei, die der Agent anfasst. Also, wisst ihr, sie arbeitet ständig daran herum. Da steht eine Menge drin. Im Grunde jede Menge Notizen. Das sagt ihr
7:40 im Grunde nur, wie sie das machen soll. Ich kann hier also ziemlich schnell durchgehen. Ich mache es mal etwas schneller. Und ihr könntet eurem Agenten wirklich all das sagen, wenn ihr einen Screenshot davon macht. Äh, ich weiß, viele von euch haben diesen Code bereits, er ist auf GitHub. Macht also einfach Screenshots, wo ihr sie braucht, dann bekommt ihr die gesamte strategy.py. Wie ihr seht, sind es meistens nur Variablen. Okay, hier ist also das init. Okay. Das ist der Bereich, den sie bearbeitet. Das ist also jedes Mal anders. Ich weiß gar nicht, warum ich euch das überhaupt zeige, aber ich wollte euch alles zeigen, was ich im Moment habe. Ähm, ich bin mir ziemlich sicher, dass sie hier jedes Mal basierend auf der Strategie Änderungen vornimmt. Das
8:26 wird also bei euch anders aussehen. Es wird bei mir anders sein, aber ich möchte sichergehen, dass ihr alles seht, denn wenn ihr alles seht, könnt ihr es auch meistern. Und ich glaube, Code ist ein großer Gleichmacher, solange man auch wirklich handelt. Und jetzt kann es jeder von uns schaffen. Wir wissen alle, wie man programmiert, weil wir alle wissen, wie man KI benutzt, oder? Also, gehen wir jetzt zum Harness. harness.py ist das nächste. Das hier ist also das komplette Harness. Sie sehen oben das Auto-Research. Das ist das eingefrorene Harness. Das ist es, was man hier übergibt, die Args. Import Args, JSON. Okay. Das hier sind die eingefrorenen Einstellungen. Ich verwende die doppelten Gebühren. Das mache ich gerne, weil es immer einen Slippage gibt. Ich verwende eine Größe von 10 Millionen Dollar, weil ich ein High Roller bin. Gehen wir hierhin: Man kann den Pfad laden, die CSV laden, das Asset laden. Hier ist das Fenster, das
9:12 Sign-Sharp, die K-Metriken. Okay, die Zusammenfassung hier, der Guard, die Hauptfunktion ebenso. Und ja, das ist der gesamte Code dafür. Und jetzt möchte ich Ihnen noch ein paar mehr zeigen. Eigentlich werde ich Ihnen einfach die results.tsv geben, aber morning.py ist das letzte Stück Code und Sie können Ihre KI anweisen, das aufzubauen, jetzt wo Sie die meisten Screenshots haben. Schicken Sie es ihr einfach, und wie gesagt, jeder wird ein bisschen anders vorgehen, weil man unterschiedliche Lebenserfahrungen hat. Okay, boom, da haben Sie den gesamten Code. Jetzt gebe ich Ihnen die results.tsv, damit Sie die Struktur sehen können. Sie sehen, Sie brauchen einen Logs-Ordner, aber das wird für Sie erstellt. Die Keeper sind die Logs, das sind die Strategien, die getestet wurden. Sie sehen, diese werden automatisch erstellt. Und das Letzte,
9:58 was Sie sehen müssen–eigentlich müssen Sie das gar nicht sehen, aber das ist die results.tsv. Es wird also etwas in dieser Art ausgeben. Sie haben also jetzt den gesamten Code und Sie haben Karpathys Schleife, um unbegrenzt Handelssysteme für sich zu bauen. Der nächste Schritt wäre die Inkubation. Ich vermittle den Prozess von Research, Backtest und dann Inkubation in meinem Lifetime All-Access-Programm.
