AlphaGPT · 一页纸速查
一句话精髓：它不预测价格。它像 GPT 写代码那样，自动生成因子公式，拿回测收益当奖励，反过来训练那个"写公式的 Transformer"。最后把高分公式接上链上钱包，真金白银地下单。不是预测模型，是自动写因子的系统。
文本版 · 供搜索与朗读
AlphaGPT · 一页纸速查
AlphaGPT
Solana meme · 加密量化
路径 C:/GitHub/AlphaGPT
Python 3.11 · PyTorch · 链上实盘
一句话精髓：它不预测价格。它像 GPT 写代码那样，自动生成因子公式，拿回测收益当奖励，反过来训练那个"写公式的 Transformer"。最后把高分公式接上链上钱包，真金白银地下单。不是预测模型，是自动写因子的系统。
核心理念
生成公式 而非 → 而非预测价格
Transformer 自回归吐出一串 token——每个 token 要么是特征，要么是算子。一台栈式虚拟机把它们执行成因子信号。
公式可读。能 decode() 还原成 MUL(RET, DECAY(VOL_CHG)) 这种样子。能调试，能解释。
奖励从哪来？回测。净 PnL 高的公式，让生成它的那条路径概率变大——就这么 RL 起来。
技术栈速览
深度学习PyTorch · Looped Transformer + QKNorm/RMSNorm/SwiGLU/MTPHead
正则技巧Newton-Schulz LoRD （Muon 系低秩衰减）
数据源Birdeye 主 / DexScreener 备
存储PostgreSQL + TimescaleDB hypertable
交易Solana RPC + Jupiter v6 聚合器
看板Streamlit + Plotly
A股实验Tushare （times.py）
动手前的坑
仓库不带训练好的 best_meme_strategy.json，得先跑训练
没有 .env 模板，自己拼：Birdeye Key、QuickNode RPC、Solana 私钥
外部服务一堆：Postgres、Birde、Jupiter、QuickNode，少一个都跑不动
私钥进 .env——这是真链上实盘，亏了不退
README 只有作者安全声明，技术说明全在 CATREADME.md
数据流：从行情到链上
① 采样Transformer 吐公式 token 序列
② 执行StackVM 跑出因子信号
③ 评分回测净 PnL 当适应度
④ 回传REINFORCE 抬高好路径概率
模块速查
data_pipeline 数据抓 Birdeye 行情入库，过滤低流动性垃圾币
model_core 核心因子挖掘引擎，Transformer+VM+回测训练
strategy_manager 实盘15 分钟循环，加载公式打分下单，带止损止盈
execution 链上Jupiter 报价 + Solana RPC 签名发单
dashboard 看板Streamlit 持仓/PnL/日志，含急停按钮
lord 研究LoRD vs L2 正则的 grokking 实验
times.py A股同范式迁移到 511260.SH，奖励用 Sortino
跑起来五步
1建库 crypto_quant，配好 .env
2python -m data_pipeline.run_pipeline 抓数据
3python -m model_core.engine 训练，出 best_meme_strategy.json
4python -m strategy_manager.runner 实盘常驻
5streamlit run dashboard/app.py 看盘 + 急停
因子 & 算子（12+12）
基础因子 6 个：ret 对数收益 · liq_score 流动性健康度 · pressure 买卖压力 · fomo 成交量加速 · dev 偏离均值 · log_vol 对数量。扩展再加 6 个：波动率聚集、动量反转、RSI、振幅、收盘位置、量能趋势。
算子：ADD SUB MUL DIV NEG ABS SIGN + GATE门控 JUMP跳变检测 DECAY衰减叠加 DELAY1滞后 MAX3三值最大。
交易风控要点
开仓阈值 sigmoid > 0.85
止损 -5% · 止盈 +10% 半仓留 moonbag
退出信号 score < 0.45 · 移动止盈
防蜜罐 流动性 > $5000 且卖出可询价
关键文件
model_core/alphagpt.py 模型
model_core/vm.py 栈式虚拟机
model_core/engine.py 训练循环
strategy_manager/runner.py 实盘入口
execution/trader.py 链上下单
times.py A股版实验
AlphaGPT 速查 · 生成公式 ≠ 预测价格 · 2026.06
讨论回复（3）
https://github.com/imbue-bit/AlphaGPT
想象你在厨房。一锅汤端上来，尝一口，皱眉：「淡了。」
这一口尝出了什么？你舌头同时处理着咸度、鲜度、温度、油花大小、姜的辛辣——几十个维度一股脑涌进来。可你嘴里最后蹦出来的，就一个字：淡。
因子，干的就是这件事。
市场每秒钟往你脸上糊成千上万个数——价格跳了、成交量炸了、买盘压过来、卖盘撤了、时间走到收盘前二十分钟……乱得像一锅未调味的汤。你没法对着这一堆原始数据下决定。你需要一个东西，把这些乱七八糟 压成一个数。这个数告诉你：该买，还是该卖。
这个东西，就叫因子。
好，再细一层。因子不是凭空来的，它是算出来的。怎么算？拿原始数据，套一个公式。
公式长什么样？最朴素的：今日收益 = (今收 − 昨收) / 昨收。这就是一个因子——叫「动量」。它把两天的价格，压成一个数。
再比如：成交量比五天前涨了几倍？这也是个因子——叫「量能放大」。
你看，因子的本质就是 一个把市场数据变成单一数值的函数。输入是市场的乱，输出是一个数。数大，某种信号强；数小，信号弱。
那 AlphaGPT 里说的「生成因子公式」，又是啥意思？
普通人写因子，靠拍脑袋——「我觉得量价齐升该买」，于是手写一个 成交量 × 收益率。写完还得调，调完还得试，累死。
AlphaGPT 不这么干。它让一个 Transformer 像写代码一样，自己拼公式。从一堆「特征」（ret、vol、pressure……）和「算子」（乘、衰减、门控……）里挑 token，拼成 MUL(RET, DECAY(VOL_CHG)) 这种东西。拼完了，让虚拟机跑一遍，得出因子值，再拿回测打分。分高？这公式留着。分低？换一组 token 重拼。
故「生成因子」四字，译作人话即：让机器自己发明看市场的角度，哪个角度赚钱，就用哪个。
末了说一句这个词本身。「因子」从统计学的 factor analysis 来——「影响结果的因素」。一只股票今日涨了 3%，为啥涨？拆一拆：1% 是大盘带的，0.5% 是行业带的，1.5% 是它自己的事。那「它自己的事」这部分，便是某个 因子 所解释掉的。
量化全部手艺，说穿了就一句话：找更多的因子，找更准的因子，找别人还没发现的因子。 找到了，你就有了看市场的一个新角度。角度多了，胜率便高。
AlphaGPT 的聪明之处，在于它不让人去找——让机器自己找，找到能赚钱的就留下。这跟 AlphaGo 自己跟自己下棋是一个路子：把「赢」当奖励，反过来训那个下棋的家伙。
夫因子者，市场之盐也。盐不在多，在对。一撮好盐，能叫一锅汤活过来。
#FeynmanLearning #量化因子 #智柴系统实验室🎙️