Paggawa ng AI Trading Bot gamit ang GaiaEx API

Noong 2021, may isang 23-anyos na engineer na nag-post ng backtest na naging viral: naging $4.2 million ang $1,000 ng kanyang crypto bot sa loob ng dalawang taon ng historical data. Tuwid na 45-degree na linya ang equity curve pataas. Nagmamakaawa ang mga stranger para sa code. Nagresign siya sa trabaho, nangolekta ng pera mula sa mga kaibigan, at nag-live.

Nalugi ito bawat linggo, walang exception. Sa loob ng apat na buwan, bumagsak ng 60% ang account, at pinatay na lang niya ito.

Walang “mali” sa bot. Tumakbo ang code nang walang problema. Ang isyu ay na-tune ang backtest hanggang sa perpektong bagay sa nakaraan — at hindi na uulit ang nakaraan sa eksaktong parehong paraan. Na-memorize lang ng strategy ang 2019 at 2020 sa halip na matuto ng anumang pangkalahatang pattern. Sa sandaling nakaharap ito ng market na hindi pa niya nakita, walang alam ito kung ano ang gagawin.

Ito ang pinakamahalagang katotohanan tungkol sa AI trading bots, at halos walang nagsisimula rito: kasing-galing lang ng bot ang disiplina sa paligid nito. Ang flashy na bahagi — ang model, ang AI — mga 20% lang ito ng trabaho. Ang natitirang 80% ay ang data hygiene, execution plumbing, at risk controls na pumipigil sa isang bug o flash crash na lubusang ubusin ang account mo habang tulog ka. Ang lesson na ito ay nagtuturo ng 80%.

Kung tanggalin mo ang marketing, ang trading bot ay simpleng software na nagbabantay sa market at naglalagay ng orders ayon sa mga panuntunan — nang walang taong nag-click ng button. Ang “AI” ay nangangahulugang natutunan ang ilan sa mga panuntunang ito mula sa data sa halip na sinulat ng tao, pero pareho lang ang trabaho: gawing decision ang impormasyon, automatiko, 24 oras.

May tatlong tapat na dahilan kung bakit gumagamit ang mga tao ng bots:

• Hindi natutulog ang market. Trading ang crypto 24/7/365. Walang taong makakapagbantay sa BTC sa 4 ng umaga sa Linggo; kaya ng bot ito.
• Walang emosyon. Hindi nagpapanic-sell ang bot sa ibaba o nagFOMO-buy sa itaas. Sinusunod nito ang parehong plano kung ikaw man ay eksaltado o takot — na eksaktong sandali kung kailan gumagawa ng pinakamasamang desisyon ang mga tao.
• Bilis at consistency. Kayang suriin ng bot ang dose-dosenang asset at tumugon sa loob ng milliseconds, at hindi ito “nakalimutan” maglagay ng stop-loss.

Pero tingnan mo kung ano ang wala sa listahan na ito: garantisadong tubo. Ang bot ay mas mabilis, walang-pagod, walang-emosyong paraan lang ng pagpapatakbo ng strategy. Kung masama ang strategy, mas mabilis at mas consistent lang na malugi ang bot. Pinapalaki ng automation ang anumang edge na meron ka — o anumang kahinaan na meron ka.

Bago mo galawin ang machine learning, unawain muna ang mga workhorse strategy na siyang nagpapatakbo sa malaking bahagi ng mga totoong bot. Bawat isa ay ipinapalagay ang partikular na klase ng market — at tahimik na nasisira kapag nagbago ang karakter ng market.

• Grid bots ay naglalagay ng hanay ng buy at sell orders sa loob ng price range. Habang oscillate ang presyo, bumibili ang bot sa mababa at nagbebenta sa mataas sa bawat antas. Napakaganda sa sideways, choppy na market — at kalamidad sa malakas na trend, kung saan lalabas ang presyo sa grid at maiiwan kang may hawak ng mga losers (o mismong nakaligtaan ang buong move).
• DCA (dollar-cost averaging) bots ay bumibili ng fixed na halaga sa mga interval, at marami ang nagdadagdag ng “safety orders” sa mababang presyo para ibaba ang average entry price. Maganda para sa unti-unting pagipon habang bumabagsak ang presyo — pero kung patuloy na bumabagsak ang presyo, patuloy kang bumibili sa isang bagsak, at dumurugo lang ang average mo.
• Trend-following / momentum bots ay bumibili sa lakas at nagbebenta sa kahinaan gamit ang mga signal gaya ng moving-average crosses. Malakas sila manalo sa malinaw na trends at “nagigiling” — kamatayan sa dahan-dahang maliliit na losses — sa range-bound na market.
• Arbitrage bots ay ginagamit ang parehong asset na may ibang presyo sa ibang venue, bumibili sa mura at nagbebenta sa mahal. Simple ang math; brutal ang engineering. Purong laro ng bilis ito kung saan ang microseconds, fees, at transfer delays ang nagdedesisyon kung totoo ba ang “libreng” tubo o ilusyon lang.
• Market-making bots ay nagquote ng bid at ask parehas at kumikita sa spread, nagbibigay ng liquidity. Kumikita sa tahimik na market, mapanganib sa mabilis — biglaang move ay makakapag-fill sa iyo sa maling panig nang mas mabilis kaysa makansela mo.

Ang leksyon na nakatago sa listahang ito: ang bawat strategy ay isang bet kung anong klase ng market ang kinaroroonan mo. Ang grid bot ay hindi “magaling” o “masama” — tama ito para sa ranges at mali para sa trends. Ang pinakamahirap na problema sa automated trading ay hindi ang paggawa ng bot; ito ay ang pagkaalam kung kailan hindi na valid ang assumption nito.

Sinasabi ng mga tao ang “AI trading bot” na parang isang script lang ito. Sa production, ito ay isang pipeline: ingest, features, model, signals, execution, at risk — bawat piraso ay pinapalitan nang hindi na kailangang buuin ulit ang buong stack. Ang paggawa nito sa ganitong paraan ay hindi lang academic neatness; ito ang dahilan kung paano ka mananatiling matino sa 3 ng umaga kapag ang live P&L ay lumihis mula sa backtest at kailangan mong malaman saang hop nagkaproblema.

Sundan ang landas ng isang desisyon:

• Hinihila ng Ingest ang live market data — presyo, trades, order book — mula sa exchange. Nagbibigay ang GaiaEx ng REST para sa orders at balances at WebSockets para sa books at trades.
• Ginagawang makabuluhang input ang mga hilaw na numero sa Features: volatility, momentum, funding, book imbalance.
• Binabasa ng Model (rules o ML) ang mga features na iyon at bumubuo ng opinyon.
• Ginagawa ng Signal na kongkretong order ang opinyon na iyon: side, size, price.
• Ipinapadala ng Execution ang order sa exchange, hinahandle ang retries at confirmations.
• Binabalot ng Risk ang lahat — at meron itong veto power sa bawat ibang stage.

Ang disiplina ay panatilihing deterministic at naka-log ang bawat stage. Lagyan ng ID ang bawat signal, client ID ang bawat order, at latency stamp ang bawat hop. Kapag may nagkamali — at mangyayari ito — kailangan mong mabasa ang logs at makita mismo kung saan nagkahiwalay ang realidad mula sa plano, hindi manghula.

Sabi ng hype, “gamitin ang AI.” Sabi ng mga propesyonal: magsimula sa rules na mababasa mo sa plain English. Thresholds sa RSI, MACD cross, volume na mataas sa moving average nito. Madaling i-log ang rules, madaling ipaliwanag, at madaling sisihin kapag may nasira. Kung hindi kumita ang rule-based strategy mo, hindi ito maililigtas ng neural network — malulugi lang ito sa paraang hindi mo mababasa o maayos.

Nagiging karapat-dapat ang machine learning kapag ang mga pattern ay masyadong banayad o multi-dimensional para sa hand-written rules: gradient-boosted trees sa tabular features, sequence models sa bars ng price data. Kung magaling gamitin, kaya ng ML na kumuha ng signal mula sa magulong inputs. Pero meron itong malupit na failure mode na tinatawag na drift: unti-unting hinto ang live market sa paghahalintulad sa data na dinaanan ng training ng model, at tahimik na bumabagsak ang performance. Nagpapatuloy ang model na gumawa ng mga kumpiyansang prediction — mali na lang sila ngayon, at walang error na lumalabas.

Ito ang dahilan kung bakit ang mature desks ay pinapatakbo ang isang hybrid: ang model ay nagmumungkahi, at ang hard-coded rules at risk limits ang bumeto. Puwedeng magmungkahi ng trade ang AI; hindi ito puwedeng override sa daily loss limit o position cap. Ang makina ay katulad ng junior analyst na may magandang instinct pero walang authority na ibet ang kumpanya.

Kasing-talino lang ng model ang mga input na ipinapakain mo dito. Bihira sapat ang hilaw na presyo — ang sining ay feature engineering: gawing signal na talagang may dalang impormasyon ang OHLCV, order book, at derivatives data.

Sa perps desk, ang mga features na mahalaga ay lampas sa closing price. Ang Funding ay totoo, recurring na gastos o kita na kayang gawing negatibo ang isang “nananalo” na strategy. Ang Returns sa maraming horizons ay kumukuha ng momentum sa iba't ibang timeframe. Nagfla-flag ng hindi pangkaraniwang aktibidad ang Volume ratios. Ang Order book imbalance — ang ratio ng bid sa ask depth — ay isang short-horizon microstructure signal, kung nag-subscribe ka sa L2 data. Nagdaragdag ng market-wide na pananaw ang Cross-asset context (kung paano gumagalaw ang ETH kaugnay ng BTC).

May isang disiplina na naghihiwalay ng mga amateur mula sa mga pro: tanggalin ang mga feature na hindi karapat-dapat. Kung malapit sa zero ang permutation importance ng isang feature, binabayaran mo ang latency at overfitting risk para lang sa noise. Mas kaunti, mas malakas na features ay palaging mananalo laban sa kitchen-sink na model.

def engineer_features(df):
    df["log_ret"] = np.log(df["close"] / df["close"].shift(1))
    df["vol_20"] = df["log_ret"].rolling(20).std()
    df["vol_ratio"] = df["volume"] / df["volume"].rolling(20).mean()
    return df.dropna()

At bantayan ang pinakamalaking kasalanan sa feature work: look-ahead bias. Kung ang isang feature ay aksidenteng gumamit ng impormasyon na hindi pa magiging available sa oras ng desisyon — isang future bar, isang same-period close — kaakit-akit ang tingin ng backtest mo pero hindi ang live account mo. Ang bawat feature ay dapat kalkulahin gamit lang ang data na meron ka sa oras na iyon, walang exception.

Ang hindi kaakit-akit na execution layer ay kung saan tahimik na tumutulo ang pera. Kung tama ito, walang mapapansin; kung mali, magiging totoong pagkalugi ang isang perpektong signal.

• Order type. Gumamit ng limit orders kung mahalaga sa iyo ang presyo — itinatakda mo ang pinakamasamang presyo na tatanggapin mo. I-reserve ang market orders para sa tunay na urgency, at igalang na binabayaran nito ang spread kasama ang slippage, na sa manipis o mabilis na market ay kayang lubhang mahirap.
• Idempotency. Laging maglagay ng client order ID. Nagigipit ang network minsan; ang isang retried POST na walang ID ay kayang doblehin ang position mo. Sa ID, kinikilala ng exchange ang duplicate at binabalewala ito. Ang isang gawi na ito ay pumipigil sa buong klase ng katastrophic bugs.
• Retries na may backoff. Sa 429 (rate-limited) o 5xx (server error), hintayin at ulitin gamit ang exponential backoff — huwag pigain ang API hanggang maban ka.
• Clock discipline. Karaniwang pinagsasama ng signed requests ang HTTP method, path, body, at millisecond timestamp sa isang HMAC signature. Tinatanggihan ng mga exchange ang requests na may naliligaw na oras, kaya patakbuhin ang NTP sa makina na nagsasign. Ang isang nagliligaw na orasan ay mag-reject ng bawat order at wala kang idea kung bakit.

Walang isa man dito ang “AI.” Lahat nito ang nagdedesisyon kung kikita ang AI mo ng kahit isang dolyar. Ang agwat sa pagitan ng backtest at live account ay karamihan ay nasa layer na ito — fees, slippage, latency, at edge cases — kung bakit umiiral ang susunod na dalawang seksyon.

Ito ang order of operations na naghihiwalay ng mga trader na patuloy mula sa mga trader na masasabog: ang risk ay isang gate sa bawat order, hindi paghingi ng tawad matapos ang trade. Idinidisenyo mo ang preno bago i-tune ang makina.

Ang mga hindi negotiable na controls:

• Position caps. Limitahan ang exposure sa isang pangalan — madalas 2–5% ng equity — para walang isang trade na makakasira sa iyo.
• Stops. Itakda ito base sa ATR (volatility-adaptive) o fixed ticks, at ilagay ito bilang totoong orders, hindi mga intensyon sa isip mo.
• Daily loss halt. Kung bumagsak ang account, sabihin nating 3% sa araw, hihinto na sa trading ang bot. Buong hinto. Ang isang panuntunang ito ay nagligtas ng mas marami pang account kaysa anumang matalinong signal, dahil nililimitahan nito ang pinsalang kayang gawin ng bug o masamang araw.
• Kill switch. Isang aksyon na kinakansela ang lahat ng working orders at pinaplano ang lahat ng position. Subukan ito buwan-buwan. Ang araw na kailangan mo ito ang pinakamasamang araw para matuklasang sira ito.

Para sa perps, isama ang funding drag at liquidation distance sa parehong gate — ang isang position na “ayos naman” sa presyo ay kayang dumurugo pa rin sa funding o nakatapat lang sa isang wick mula sa liquidation.

Kasama rin dito ang custody. Gumagamit ang GaiaEx ng MPC, na naghahati ng key material sa iba't ibang partido kaya hindi kailanman may hawak ang bot ng hilaw na private key sa isang file na kayang kunin ng attacker. At puwedeng ihiwalay ang trading permissions mula sa withdrawal permissions — kaya ang API key na gagamitin ng bot mo para maglagay ng orders ay dapat hindi kailanman pinapayagang ilabas ang pondo mula sa platform.

Narito ang isang risk na hindi binabanggit ng makinang na ads ng bot: ang malaking bahagi ng “AI trading bots” na ibinebenta sa retail ay hindi talaga trading tools — sila ang pagnanakaw. Dapat tapat na sabihin ito sa tapatang edukasyon, dahil dito talaga natatalo ng pera ang karamihan sa mga taong nawalan ng pera sa “bots.”

Umuulit ang mga pattern:

• Guaranteed-return bots. “Ang AI namin ay kumikita ng 2% kada araw, walang risk.” Walang lehitimong strategy na nangako ng returns; hindi tiyak ang market sa kahulugan nito. Ang pangako ng steady, hindi-matatalong tubo ay pangako ng Ponzi.
• Over-permissioned API keys. Marami sa mga scam bot ang humihiling na ikonekta mo ang API key na may withdrawal rights. Sa sandaling gawin mo ito, kaya nilang ubusin ang account. Noong huling bahagi ng 2025, nadokumento ng Binance ang mga kumpirmadong kaso ng hinack na account at limang-digit na pagkalugi na napagmulan sa unauthorized na third-party bots na ganito eksakto ang ginawa.
• Opaque, unaudited code. Ang mga third-party bot na closed source at walang security audit ay kayang magtago ng backdoors. Hindi mo makikita kung ano ang ginagawa ng code sa mga key mo hanggang huli na.
• Wash-trading at volume-farming bots na tahimik na nilalabag ang mga panuntunan ng exchange — na nagreresulta sa restricted o suspended na account mo, walang support para sa mga pagkalugi.

Kongkreto ang mga depensa at karapat-dapat memoryahin. Huwag kailanman bigyan ng withdrawal permission ang trading bot — i-scope ang API keys sa trading lang. Gamitin ang withdrawal address whitelisting para ang pondo ay kailanman lang lumabas sa mga address na pre-approved mo. I-enable ang malakas na 2FA (authenticator app o hardware security key, hindi SMS). Piliin ang official, audited na tools sa halip ng anonymous na Telegram bots na nangangako ng buwan. At tandaan ang pinakalumang panuntunan sa finance: kung sobrang maganda para maging totoo, iyan ang scam, at ang “AI” ay damit lang.

Meron ka na ng strategy, malinis na features, execution layer, at risk gates. Ang tukso ay ilipat ito agad sa live gamit ang totoong size. Huwag. Puno ang sementeryo ng patay na bots na strategy na tila perpekto sa papel pero nakaharap sa realidad nang walang paghahanda.

Ang disiplinadong daan:

• Paper trade gamit ang eksaktong parehong code path. Patakbuhin ang live order logic laban sa live data nang hindi ipinapamalinya ang principal, sa loob ng hindi bababa sa ilang linggo. Ihambing ang fills at timestamps laban sa inaasahan ng strategy. Kung hindi na tugma ang paper at backtest, huminto at alamin kung bakit.
• Mag-live sa minimum size. Ang layunin ng unang live phase ay hindi tubo — ito ay sukatin ang katotohanan: totoong slippage, totoong fees, totoong latency. Marami sa mga team ang nagpapalagay ng 30–50% na haircut kumpara sa backtest bago sila magtiwala sa mga numero.
• Palakihin lang kapag tugma ang live sa modelado. Kapag tugma ang totoong slippage at fees sa mga assumption mo, unti-unting palakihin ang size. Kung hindi, nagsisinungaling sa iyo ang model mo — ayusin ito bago mo ito pondohan.

At planuhin ang masamang araw bago pa ito dumating. Hindi hypothetical ang flash crashes at API outages — nakaskedyul silang events na hindi mo lang alam ang petsa. Kung ang tanging contingency mo ay “mapapansin ko sa umaga,” walang contingency talaga. I-automate ang flatten-on-disconnect kung suportado ng exchange mo, para ang naputol na connection ay hindi kailanman magpapatakbo ng hubad na position habang tulog ka.