Współczesne rozwiązania w zakresie handlu algorytmicznego coraz częściej odchodzą od sztywnych reguł “if-this-then-that” na rzecz systemów wykorzystujących wnioskowanie dużych modeli językowych (LLM). Projekt Nocturne to open-source’owa implementacja autonomicznego agenta, który integruje analizę techniczną w czasie rzeczywistym z warstwą decyzyjną opartą na sztucznej inteligencji, realizując zlecenia bezpośrednio na zdecentralizowanej giełdzie Hyperliquid.
Techniczna struktura i przepływ danych
Fundamentem działania agenta jest pętla decyzyjna, która łączy trzy kluczowe domeny: pozyskiwanie danych rynkowych, wnioskowanie logiczne oraz egzekucję transakcji. System nie polega wyłącznie na predykcji cen przez model językowy, lecz wykorzystuje mechanizm Tool Calling (wywoływania narzędzi). Oznacza to, że LLM (np. model z rodziny Llama, GPT czy DeepSeek dostępny przez OpenRouter) ma zdolność dynamicznego żądania konkretnych wskaźników technicznych z zewnętrznego API, zanim podejmie decyzję o otwarciu pozycji.
Architektura rozwiązania została podzielona na niezależne moduły, co ułatwia audyt i modyfikacje kodu. Poniższa tabela przedstawia kluczowe komponenty systemu oraz ich odpowiedzialność techniczną:
| Moduł | Kluczowa Technologia | Odpowiedzialność w systemie |
|---|---|---|
| Warstwa decyzyjna | OpenRouter API / LLM | Analiza kontekstu rynkowego i podejmowanie decyzji (Kup/Sprzedaj/Trzymaj) na podstawie dostarczonych danych. |
| Analityka techniczna | TAAPI.io | Dostarczanie wskaźników (np. RSI, EMA, MACD) na żądanie modelu językowego. |
| Egzekucja zleceń | Hyperliquid API / SDK | Podpisywanie transakcji kluczem prywatnym i interakcja z księgą zleceń giełdy DEX. |
| Zarządzanie stanem | Python / JSONL | Logowanie historii decyzji (“dziennik agenta”) oraz monitorowanie aktywnych pozycji (Stop Loss / Take Profit). |
Bezpieczeństwo i wdrażanie w środowiskach TEE
Istotnym aspektem projektu jest podejście do bezpiecznego wdrażania bota. Kod został przygotowany do pracy w kontenerach Docker, ale autorzy kładą szczególny nacisk na kompatybilność z EigenCloud. Pozwala to na uruchomienie agenta w tzw. Trusted Execution Environment (TEE).
Wdrożenie w TEE zwiększa bezpieczeństwo kluczy prywatnych (służących do podpisywania transakcji na blockchainie), izolując proces handlowy od reszty infrastruktury chmurowej. Dzięki temu operatorzy mogą uruchamiać zautomatyzowane strategie na zewnętrznych serwerach przy zminimalizowanym ryzyku wycieku danych uwierzytelniających portfela kryptowalutowego.
Praktyczne zastosowania i ryzyka
Analizowany projekt stanowi framework dla programistów i badaczy AI, którzy chcą eksperymentować z finansowym zastosowaniem modeli generatywnych. Główne obszary zastosowań obejmują:
- Testowanie modeli LLM: Porównywanie skuteczności różnych modeli (np. DeepSeek vs Grok) w interpretacji tych samych sygnałów rynkowych poprzez prostą zmianę konfiguracji w pliku
.env. - Rozwój strategii hybrydowych: Łączenie twardych danych technicznych (wskaźniki) z “miękką” interpretacją trendu przez AI, co jest trudne do osiągnięcia w klasycznych botach.
- Edukacja w zakresie DeFi: Zrozumienie mechanizmów interakcji z giełdami typu DEX poprzez API oraz zarządzania tożsamością w sieciach blockchain.
Należy podkreślić, że udostępniony kod ma charakter eksperymentalny i nie przeszedł zewnętrznego audytu bezpieczeństwa. Mechanizmy decyzyjne oparte na LLM mogą podlegać halucynacjom, co w kontekście operacji finansowych wiąże się z ryzykiem utraty kapitału.
