Bài học 1 đã chỉ ra sáu vị trí mà AI có thể được tích hợp trong quy trình giao dịch, với việc tổ chức thông tin đặt lên hàng đầu. Nếu các bản tóm tắt không chính xác, ngày tháng bị nhầm lẫn hoặc không thể truy xuất nguồn, thì các bước tạo giả thuyết, thảo luận backtesting và danh sách kiểm tra kiểm soát rủi ro sau đó chỉ khuếch đại các thiên lệch ban đầu. Do đó, Bài học 2 không ưu tiên các kỹ thuật "đặt câu hỏi tốt hơn", mà tập trung vào kỷ luật cấu trúc cần thiết ở giai đoạn đầu vào để các đầu ra của mô hình được coi là đối tượng cần xác minh theo mặc định, thay vì là các sự kiện đã được xác lập.
Trong bối cảnh giao dịch, hiện tượng ảo giác thường không phải là mô hình cố tình bịa đặt, mà là nó tạo ra nội dung trôi chảy và đầy tự tin nhưng không thể khớp với các nguồn chính có thể xác minh. Các dạng phổ biến bao gồm: bịa đặt thông báo hoặc liên kết, nhầm lẫn vốn hóa thị trường với nguồn cung lưu thông, áp dụng dữ liệu lỗi thời vào các vấn đề hiện tại, sử dụng cụm từ như "dữ liệu trên chuỗi cho thấy" mà không cung cấp địa chỉ, khung thời gian hoặc tiêu chuẩn thống kê. Giải pháp không phải là từ chối AI hoàn toàn, mà là chỉ rõ cấp độ nguồn, ranh giới thời gian và các bước xác minh cho mọi thông tin đi vào chuỗi quyết định.
2. Phân loại nguồn: Xây dựng khung phân loại có thể hành động
Trước khi gửi tài liệu cho AI, nên phân loại các nguồn thông tin và yêu cầu mô hình gắn nhãn từng điểm chính theo cấp độ trong prompt. Mục đích của việc phân loại không phải là hình thức, mà là làm rõ nội dung nào có thể được nêu như sự thật và nội dung nào chỉ có thể dùng làm gợi ý hoặc phán đoán chưa được xác minh.
-
Nguồn chính bao gồm các trang web chính thức của dự án, hồ sơ phát hành trên GitHub, thông báo từ sàn giao dịch và cơ quan quản lý, các trình khám phá blockchain và dữ liệu giao dịch có thể xuất. Những tài liệu này tương đối đáng tin cậy nhưng vẫn cần cảnh giác với các trang lừa đảo và thông báo giả mạo; cụ thể là các liên kết và tên miền nên được xác minh thủ công.
-
Nguồn thứ cấp bao gồm các báo cáo từ viện nghiên cứu, tài liệu kiểm toán và trang chứng minh dự trữ; chúng giúp hiểu cơ chế nhưng cần kiểm tra xem ngày xuất bản và phạm vi kiểm toán có bao phủ cấu trúc hiện tại hay không.
-
Truyền thông chính thống: các diễn giải về chính sách có thể tham khảo, nhưng các kết luận chính nên được đối chiếu với các tài liệu chính.
-
Phương tiện truyền thông xã hội, KOL và nội dung cộng đồng chỉ phù hợp làm điểm khởi đầu để phát hiện vấn đề và không nên độc lập biện minh cho một giao dịch. Ảnh chụp màn hình ẩn danh và "thông tin nội bộ" theo mặc định bị loại khỏi logic giao dịch.
Prompt có thể yêu cầu: chỉ các nguồn cấp cao mới được sử dụng cho các tuyên bố thực tế; các nguồn cấp trung bình hoặc thấp phải được gắn nhãn là "theo báo cáo" hoặc "chưa được xác minh"; các mục thiếu nguồn hoặc ngày tháng nên được đánh dấu thống nhất để xác minh. Ngay cả khi mô hình vẫn mắc lỗi, định dạng đầu ra này tạo điều kiện cho việc lọc thủ công.
3. Mốc thời gian và tiêu chuẩn: Dữ liệu tiền điện tử dễ bị "dữ liệu cũ trong bối cảnh mới"
Việc huấn luyện và truy xuất của mô hình chậm hơn so với diễn biến thời gian thực, và các cơ chế dự án thường được nâng cấp. Khi truy vấn, hãy chỉ rõ phạm vi thời gian, ví dụ, chỉ phân tích tài liệu sau một ngày nhất định; đánh dấu thông tin có khả năng lỗi thời là "tính đến [ngày]". Khi so sánh giá hoặc số liệu, hãy chỉ rõ khoảng nến, sàn giao dịch, cặp giao dịch, spot hay perpetual, v.v. Đối với thống kê trên chuỗi, hãy chỉ rõ tên chuỗi, địa chỉ hợp đồng, cửa sổ thống kê và liệu dòng vào/ra của sàn giao dịch có được bao gồm hay không. Cùng một câu hỏi dưới các tiêu chuẩn khác nhau có thể đưa ra kết luận trái ngược; do đó, tiêu chuẩn nên là một trường prompt cố định thay vì được thêm vào sau.
4. Câu chuyện sống sót và bằng chứng mâu thuẫn
Các cuộc thảo luận về tiền điện tử thường chỉ trưng bày các trường hợp có lợi nhuận, chỉ sử dụng mẫu thị trường tăng giá hoặc trích dẫn backtest từ các giai đoạn tăng. Các câu chuyện của AI có xu hướng làm cho chúng nghe có vẻ hoàn chỉnh, trong khi bỏ qua các mẫu đối lập thất bại. Các biện pháp đối phó bao gồm: yêu cầu cả bằng chứng ủng hộ và phản đối; chỉ rõ kích thước mẫu và khung thời gian; trả lời rõ ràng "không thể xác định" khi bằng chứng không đủ, thay vì ép buộc đưa ra kết luận. Đối thoại theo định hướng nghiên cứu phù hợp hơn để trình bày các kịch bản và điều kiện thất bại, thay vì trực tiếp đưa ra khuyến nghị long/short.
Các prompt hiệu quả thường bao gồm bốn phần: Tuyên bố phạm vi: vai trò trợ lý nghiên cứu, không khuyến nghị token, không đảm bảo lợi nhuận; Điều kiện ràng buộc: không có liên kết bịa đặt, đánh dấu sự không chắc chắn, quy tắc phân loại nguồn; Định dạng đầu ra: lập luận, cơ sở, cấp độ nguồn, ngày tháng, điều kiện vô hiệu; Các bước xác minh: yêu cầu kiểm tra thủ công, ví dụ, mở URL thông báo hoặc xác minh hash giao dịch trên chuỗi.
Vào cuối mỗi cuộc hội thoại, hãy tạo một danh sách kiểm tra xác minh để hoàn thành thủ công trước khi chuyển sang các giả thuyết hoặc bước giao dịch. Độ dài của prompt không phải là yếu tố then chốt; điều quan trọng là nguồn, khung thời gian và tiêu chuẩn có được cố định hay không.
6. Phân công lao động dữ liệu: Số liệu do con người cung cấp, mô hình xử lý diễn giải
Một sự phân công lao động mạnh mẽ hơn là: dữ liệu thị trường và trên chuỗi nên được xuất từ API, sàn giao dịch hoặc trình khám phá và dán cho AI dưới dạng bảng thô hoặc với các trường rõ ràng; mô hình sẽ diễn giải ý nghĩa, xác định sự không nhất quán và giúp cấu trúc giả thuyết, nhưng không độc lập tạo ra các giá trị quan trọng. Nếu mô hình tham gia tính toán, yêu cầu nó hiển thị công thức và các bước trung gian, với các kết luận cốt lõi được tính toán lại thủ công. Các cuộc hội thoại dài có nguy cơ lạc hướng ngữ cảnh; các chủ đề quan trọng nên bắt đầu một luồng mới, các sự kiện đã xác minh nên được lưu trữ riêng để chỉ tham khảo trong các tương tác sau, nhằm giảm ô nhiễm ngữ cảnh.
7. Tổng kết bài học
Bài học này đề cập đến bước trước khi sử dụng AI: tài liệu đến từ đâu, chúng có bao gồm ngày tháng và tiêu chuẩn không, và liệu các nguồn cấp thấp có thể được dùng làm cơ sở giao dịch hay không. Ảo giác và câu chuyện sống sót thường không phải do mô hình "nói nhảm", mà là kết quả từ các tuyên bố không thể xác minh, dữ liệu lỗi thời hoặc câu chuyện thành công được chọn lọc trong đầu vào. Bằng cách đưa phân loại nguồn, ranh giới thời gian và danh sách kiểm tra xác minh vào một quy trình cố định, đầu ra mặc định là các bản nháp cần xác minh trước khi đưa vào thảo luận giả thuyết hoặc vị thế. Bài học tiếp theo sẽ đề cập đến xác thực chiến lược: sau khi làm sạch đầu vào, cần xem xét riêng dữ liệu, chi phí và kết quả ngoài mẫu, đường cong backtest một mình không thể xác thực một chiến lược.
