Preliminary Round Participant Insights — AOT Matrix: Análisis cerebro-izquierdo, decisiones cerebro-derecho en el trading de IA

Apertura

En el WEEX AI Trading Hackathon, AOT Matrix eligió un camino más cauteloso en el diseño de sistemas, uno que en realidad es más difícil de lograr en un entorno de trading en vivo.

Desde el principio, tomaron decisiones claras sobre qué papel debe y no debe desempeñar la IA en el sistema comercial.

Entrevistamos a AOT Matrix sobre su lógica de toma de decisiones, las múltiples iteraciones de su arquitectura de sistema y lo que es implementarla bajo las restricciones reales de ingeniería y entorno comercial de WEEX.

Q1. En el trading de IA, el primer instinto de la mayoría de las personas es “dejar que la IA haga pedidos”. ¿Por qué descartaste esta idea desde el principio?

Matriz AOT:

Porque los criptomercados son inherentemente inestables.

Las distribuciones de precios cambian, las estructuras de volatilidad se rompen y los patrones históricos a menudo fallan cuando más importa. Dejar que la IA ejecute órdenes de compra o venta directamente convertiría cualquier desajuste del modelo en pérdidas reales inmediatas.

Basándonos en eso, en la primera semana descartamos dos enfoques comunes: usar la IA como bot de trading automatizado o dejar que genere señales de trading directamente.

En su lugar, elegimos que la IA respondiera a una pregunta más moderada pero mucho más crítica: ¿es este el entorno adecuado para operar en este momento?

Q2. Durante la fase de preparación, ¿con qué arquitectura de sistema experimentaste inicialmente?

Matriz AOT:

Al principio, probamos una configuración híbrida: La IA señala la dirección y el sistema basado en reglas se ejecuta.

Pero durante las pruebas de retorno y simulaciones, los problemas quedaron claros: la estabilidad de las señales de IA varió mucho entre las diferentes fases del mercado.

Tan pronto como cambió la estructura del mercado, la fiabilidad de esas señales disminuyó significativamente.

Más tarde nos dimos cuenta de que el problema no era la precisión del modelo, sino la división de responsabilidades.

Q3. ¿Cómo redefiniste las funciones de la IA y la toma de decisiones comerciales?

Matriz AOT:

Después de varias iteraciones, finalizamos una estructura del sistema “cerebro izquierdo / cerebro derecho”.

La IA reside en el “cerebro izquierdo”, responsable únicamente del análisis y no de tomar decisiones comerciales.

Su trabajo es evaluar las condiciones del mercado —tendencias, rangos, escenarios de alto riesgo, o si el comercio debe ser pausado— mientras proporciona una puntuación de confianza para el medio ambiente. No predice precios exactos ni realiza pedidos.

Las decisiones reales de trading son manejadas por el “cerebro derecho”, un sistema basado en reglas que gestiona los permisos de trading, el tamaño de las posiciones y los controles de apalancamiento.

Cada operación debe ser auditable y reproducible, un requisito difícil que nos fijamos en el WEEX AI Hackathon.

Q4. Durante la preparación, ¿cuán difícil fue traducir la experiencia comercial en información legible por IA?

Matriz AOT:

Extremadamente desafiante. La experiencia de los traders es a menudo intuitiva, pero la IA requiere información estructurada.

Así que en lugar de agregar más datos, rompimos la lógica. Dividimos la lógica de trading en tres tipos: estructura del mercado, estado de volatilidad, y condiciones de riesgo. La IA aprende y emite solo estos estados intermedios.

De esta manera, la IA ya no predice los precios futuros; se centra en responder si el entorno actual es saludable y adecuado para operar.

Dado el corto tiempo de preparación, pensamos que este era un enfoque más seguro y práctico.

Q5. Al integrar la API WEEX y pasar de la simulación al comercio en vivo, ¿qué desafíos inesperados surgieron?

Matriz AOT:

La mayoría de los desafíos estaban relacionados con la ingeniería. Inicialmente completamos la autenticación básica y el envío de pedidos a través de la API WEEX, pero en el comercio en vivo, nos dimos cuenta rápidamente de que “poder realizar pedidos” no garantiza la estabilidad del sistema a largo plazo.

La fluctuación de la red, los tiempos de espera de las solicitudes y los problemas de ejecución multiestrategia surgieron gradualmente durante las simulaciones y las pruebas en vivo.

Para solucionar esto, hicimos actualizaciones sistemáticas de ingeniería, incluyendo:

• ID de traza de cadena completa para el seguimiento a nivel de pedido
• Controles de órdenes idempotentes para evitar ejecuciones duplicadas
• Colas asíncronas y conciliación del estado de los pedidos para mejorar la recuperación del sistema bajo anomalías

Esta fase fue un paso crítico para convertir una demostración en un sistema capaz de operar a largo plazo.

Q6. Pones mucho esfuerzo en registrar decisiones comerciales y ejecuciones. ¿Cuál fue el razonamiento detrás de esto?

Matriz AOT:

En el comercio en vivo, cualquier comercio que no se pueda explicar eventualmente se convertirá en una fuente de riesgo.

Por lo tanto, requerimos que cada pedido pueda responder a tres preguntas: ¿Por qué se abrió en ese momento? ¿Cuál fue el criterio del sistema sobre el entorno del mercado? ¿Se adoptaría la misma decisión si se repitieran las condiciones?

El sistema registra completamente las evaluaciones de IA de las condiciones del mercado, la justificación detrás de la ejecución de decisiones y el resultado final del comercio.

El objetivo no es complicar las cosas, sino garantizar que todas las operaciones sean rastreables, reproducibles y revisables, lo que llamamos “auditoría en cadena completa”.

Q7. Mientras se prepara para el WEEX AI Trading Hackathon, ¿cuál ha sido su mayor visión sobre el comercio de IA?

Matriz AOT:

Tres ideas principales.

Primero, la IA en el comercio no está destinada a reemplazar a los humanos, sino a restringirlos.

Es mejor frenar las decisiones emocionales y detectar entornos innegociables que buscar “mayores retornos”.

En segundo lugar, la estabilidad del sistema a menudo importa más que la precisión del modelo.

Un sistema que se ve perfecto en backtests pero falla en vivo simplemente convierte su ventaja técnica en exposición al riesgo.

Tercero, la interpretabilidad es crítica para la supervivencia a largo plazo.

Sólo si se pueden entender y revisar todos los planes y adquisiciones se podrá arreglar el sistema después de las reducciones, en lugar de desecharlo y reconstruirlo.

Cerrando

Para AOT Matrix, el WEEX AI Trading Hackathon no es solo una competencia de modelos, es una prueba exhaustiva de diseño de sistemas, ingeniería y conciencia de riesgos.

Su arquitectura es el producto de una validación, ajustes y convergencia continuos bajo las condiciones de trading en vivo y las restricciones de ingeniería de WEEX.

Y este es exactamente el proceso por el que debe pasar el trading de IA para pasar del concepto a una herramienta sostenible y a largo plazo.