KeyFrame內部研究專用

I Built the Ultimate AMD Indicator with AI

LuxAlgo·7月2日週四·32 min英文

三句話摘要

使用 Luxalgo Quant AI 構建自動識別 AMD 交易模式與 FBG 設置的智能交易指標。 Luxalgo Quant 透過視覺反饋與迭代對話,讓交易者能快速將複雜交易邏輯轉化為生產級指標,無需手寫代碼。 精確的模式定義帶來更佳信號:積累階段應該是 20-30 根 K 線的緊密波幅區間,操縱階段需要突破該區間但快速回歸,這樣的設置能過濾掉虛假訊號,提高勝率。

重點整理

重點
  • 1

    精確的模式定義帶來更佳信號:積累階段應該是 20-30 根 K 線的緊密波幅區間,操縱階段需要突破該區間但快速回歸,這樣的設置能過濾掉虛假訊號,提高勝率。

  • 2

    AI 工具優於通用代碼平台:Luxalgo Quant 專為交易指標開發設計,比 Claude Code 或 Codex 更懂交易邏輯,使用視覺示例與截圖輔助提示時能更準確地理解需求。

  • 3

    迭代優化依賴視覺反饋:通過在圖表上標記理想與不佳設置(綠勾與紅叉),講者幫助 AI 持續改進指標,例如限制操縱框長度為 10-15 根 K 線,移除重疊的積累區間。

  • 4

    參數靈活性決定交易適應性:指標需提供可調的蓋狀數量(Max Active FBGs)、波幅百分比閾值(2.5%)、ATR 波動率篩選等設置,讓交易者根據不同時間框架微調信號質量。

實用技巧與重點

乾貨
  • 工具:Luxalgo Quant(luxalgo.com/quant)、TradingView Pine Editor
  • 交易模式:AMD(Accumulation-Manipulation-Distribution)、FBG、IFBG
  • 關鍵參數
  • 積累階段預設 20 根 K 線,可調至 40-50 根尋求更多盤整
  • 操縱框最小長度:10-15 根 K 線(防止過長的虛假框)
  • 積累區間波幅百分比:2.5%(識別緊密範圍)
  • 最多活躍 FBG/IFBG 顯示數:5 個(避免圖表過度擁擠)
  • ATR 波動率篩選:可調整以識別不同級別的 FBG
  • 回測數據範例
  • NQ USD 15 分鐘圖上的設置在一天內產生多個 1:2 收益比交易(如 68 點獲利)
  • IFBG 在前一天早盤產生穿透多個低點的大幅交易
  • 提醒功能:支援在積累和操縱階段觸發獨立提醒

結論

結論

Luxalgo Quant 透過視覺反饋與迭代對話,讓交易者能快速將複雜交易邏輯轉化為生產級指標,無需手寫代碼。

完整解析

詳細

講者的核心目標是展示如何透過 Luxalgo Quant 這個專為交易工具開發設計的 AI,將 AMD 交易方法(積累-操縱-分布)自動化。相比通用代碼生成工具,Luxalgo Quant 內建交易知識,能更快速準確地理解交易需求。

過程從明確的需求提示開始。講者要求 AI 在圖表上繪製三個階段的方框,並能區分 FBG 與 IFBG 設置。為了幫助 AI 更好地理解,他提供了視頻截圖作為視覺範例,詳細說明積累階段應為 20-30 根 K 線的緊密波幅區間,操縱階段應是該區間的乾淨突破。同時請求可調的設定選項,例如 K 線數量調整與波幅篩選。

初次生成後,講者在 TradingView 中測試代碼並發現問題。例如出現過大的黃色操縱框,或 FBG 與 IFBG 同時顯示造成混亂。他將截圖回傳給 AI,明確指出「我看到 15 分鐘圖上出現很大的黃色框」,AI 隨即修正。透過這種視覺反饋迴圈,講者逐步調整參數:將操縱框最小長度設為 10-15 根 K 線以移除虛假信號,移除重疊的積累區間以只顯示最佳設置,調整波幅百分比至 2.5% 來識別更緊密的範圍。

最關鍵的一次改進發生在操縱邏輯檢查上。講者發現指標原本只在積累區間完全成立時才觸發操縱,導致錯過許多有效設置。他在圖表上用綠勾標記理想設置(短暫操縱後快速回歸原區間)、用紅叉標記糟糕設置(操縱延伸過長),這個視覺對比幫助 AI 重新編寫邏輯以「在收盤回到積累區間內時才關閉操縱框」,結果大幅提高了信號質量。回測時甚至捕捉到前一天早盤的大幅交易,價格穿透多個低點。

最後步驟是整合提醒功能。講者請求在積累或操縱階段發生時自動發送提醒,讓他無需時刻盯著圖表。將最終代碼貼回 TradingView 後,指標設定面板中自動出現「Alert on Accumulation」與「Alert on Manipulation」的切換選項,使用者只需在圖表上點選三點菜單新增提醒規則即可。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Everything Goldman Sachs Taught Me About AI (In 10 minutes)
AI 技術英文8月24日

Everything Goldman Sachs Taught Me About AI (In 10 minutes)

Nate Herk

  • 驗證優於相信:看起來完整的AI輸出不等於正確答案,需在提示中要求模型重新檢查數字、引用來源,並對無把握的部分標記。
  • 區分AI與自動化:確定步驟且答案已知的任務用傳統自動化更便宜快速;只在需要判斷力、靈活性或處理複雜資訊時才用AI,兩者結合效果最佳。
  • 以問題驅動選型:先寫清楚「要解決的問題是什麼、成功的樣子是什麼」,再決定用什麼工具,許多失敗項目是從技術而非問題出發。
Mu: a self-hosted personal agent where the interface is an email address you can write to
AI 技術英文8月23日

Mu: a self-hosted personal agent where the interface is an email address you can write to

GitHub Awesome

  • Mu 是自主代理人系統,具有實際網址與獨立伺服器,用戶可透過多種方式與其互動——網頁應用、電子郵件或程式化介面。
  • 架構完整覆蓋日常工作流程的多個層面,整合郵件收發(SMTP/IMAP)、檔案管理、行事曆、新聞聚合、市場數據與搜尋功能於一個 Go 伺服器內。
  • 支援自帶模型與多種通訊協定,用戶可選擇不同的 AI 模型,並透過 MCP、HTTP API 或命令列工具整合到其他系統。