用 GaiaEx API 搭建 AI 交易機器人

2021 年，一位 23 歲的工程師釋出了一份刷爆網路的回測：他的加密機器人在兩年的歷史資料上把 $1,000 變成了 $420 萬。資金曲線沿著完美的 45 度直線一路向上。陌生人紛紛求他給程式碼。他辭了職，向朋友募了錢，正式上了實盤。

它每一週都在虧錢。不到四個月，帳戶就跌了 60%，他把它關掉了。

機器人本身並沒有「出錯」。程式碼執行得天衣無縫。問題在於，這份回測被反覆調參，直到完美貼合過去——而過去從不會一模一樣地重演。這個策略只是把 2019 年和 2020 年背了下來，並沒有學到任何通用的東西。一旦遇到它沒見過的行情，它就完全不知道該怎麼辦了。

這是關於 AI 交易機器人最重要的一條真相，而幾乎沒人會把它放在開頭講：機器人的好壞，取決於它周圍那套紀律。那些花哨的部分——模型、AI——大概只佔 20% 的工作量。另外 80% 是資料衛生、執行管線，以及在你睡覺時阻止一個 bug 或一次閃崩掏空你帳戶的風險控制。這節課要教的就是那 80%。

剝掉營銷的外殼，一個交易機器人不過是一段軟體，它盯著市場，並按規則下單——不需要人去點按鈕。所謂「AI」，是指其中一部分規則是從資料裡學來的，而不是手寫的，但它乾的活兒是一樣的：把資訊變成決策，自動地、全天候地進行。

人們用機器人，有三個實在的理由：

• 市場永不打烊。加密市場 24/7/365 全天交易。沒有哪個人能在週日凌晨 4 點盯著 BTC；機器人可以。
• 沒有情緒。機器人不會在底部恐慌拋售，也不會在頂部 FOMO 追高。無論你是狂喜還是恐懼，它都執行同一套計劃——而那恰恰是人最容易做出最糟糕判斷的時刻。
• 速度與一致性。機器人能同時評估幾十種資產，並在毫秒級別做出反應，而且它永遠不會「忘記」設定止損。

但請注意這份清單裡沒有什麼：穩賺不賠。機器人只是一種更快、不知疲倦、沒有情緒的執行策略的方式。如果策略本身是糟糕的，機器人只會更快、更穩定地虧錢。自動化會放大你擁有的任何優勢——也會放大你身上的任何缺陷。

在你碰機器學習之前，先搞懂那些撐起絕大多數真實機器人的主力策略。每一種都假設了某種特定的市場——並在市場性格改變時悄無聲息地失效。

• 網格機器人（Grid bots）在一個價格區間內鋪出一排買單和賣單。隨著價格來回震盪，機器人在每一格上低買高賣。在橫盤、來回拉鋸的市場裡堪稱絕妙——但在強趨勢裡就是一場災難：價格跑出網格，你被套在一堆虧損單上（或者乾脆錯過整段行情）。
• DCA（定投）機器人按固定間隔買入固定金額，很多還會在更低的價位加上「補倉單」，把平均買入價往下拉。在下跌中累積倉位很不錯——但如果價格一直跌，你就一直在接飛刀，平均成本只會不停淌血。
• 趨勢跟蹤 / 動量機器人（Trend-following / momentum bots）用均線交叉之類的訊號去追強勢、拋弱勢。它們在乾淨的趨勢裡大賺，卻在區間震盪的市場裡被「來回打臉」——死於一千次小虧損。
• 套利機器人（Arbitrage bots）利用同一資產在不同場所的不同價格，便宜處買進、貴處賣出。數學很簡單，工程卻極其殘酷。這是一場純粹的速度遊戲，微秒、手續費和轉帳延遲決定了那份「白撿」的利潤是真實的還是海市蜃樓。
• 做市機器人（Market-making bots）同時報出買價和賣價，賺取價差，提供流動性。在平靜的市場裡有利可圖，在劇烈的市場裡卻很危險——一次突然的波動會以快於你撤單的速度把你成交在錯誤的一側。

藏在這份清單裡的教訓是：每一種策略都是在賭你正身處哪一種市場。網格機器人無所謂「好」或「壞」——它適合區間，卻不適合趨勢。自動化交易中最難的問題不是把機器人搭出來；而是知道它的前提假設何時不再成立。

人們說「AI 交易機器人」時，彷彿它是一個指令碼。但在生產環境裡它是一條流水線：攝取、特徵、模型、訊號、執行、風險——每一塊都可以替換，而不必把整個技術棧重新接線。這樣搭建並不是為了學術上的整潔；而是為了讓你在凌晨 3 點、實盤盈虧與回測背離、你需要弄清是哪一跳出了問題時，還能保持理智。

跟著一個單獨的決策走一遍它的路徑：

• 攝取（Ingest）從交易所拉取實時市場資料——價格、成交、訂單簿。GaiaEx 透過 REST 提供下單和餘額介面，透過 WebSocket 提供訂單簿和成交資料。
• 特徵（Features）把原始數字變成有意義的輸入：波動率、動量、資金費率、訂單簿失衡。
• 模型（Model）（規則或 ML）讀取這些特徵，形成一個觀點。
• 訊號（Signal）把那個觀點轉成一個具體的訂單：方向、規模、價格。
• 執行（Execution）把訂單發往交易所，處理重試和確認。
• 風險（Risk）把這一切包裹起來——而且它對其他每一個階段都擁有否決權。

這套紀律的核心，是讓每個階段都確定性可復現，並且全程記錄日誌。給每個訊號打上一個 ID，給每個訂單打上一個客戶端 ID，給每一跳蓋上一個延遲時間戳。當出問題時——它一定會出問題——你希望讀一遍日誌就能看到現實究竟在哪裡與計劃背離，而不是靠猜。

炒作的人說「用 AI」。專業的人卻說：先從你能用大白話讀懂的規則開始。RSI 上的閾值、一次 MACD 指標交叉、成交量高於其移動平均線（均線）。規則容易記日誌、容易解釋，出問題時也容易追責。如果你那套基於規則的策略都賺不到錢，神經網路也救不了它——它只會以一種你沒法除錯的方式虧錢。

當模式過於微妙、或維度太高、手寫規則無能為力時，機器學習才配得上它的位置：在表格特徵上用梯度提升樹，在價格 K 線序列上用序列模型。用得好，ML 能從雜亂的輸入裡榨出訊號。但它有一種惡毒的失效模式，叫漂移（drift）：實盤市場慢慢地不再像模型訓練所用的資料，而表現就在無聲無息中衰減。模型依舊吐出自信滿滿的預測——只是它們現在錯了，而且沒有任何地方報錯。

這就是為什麼成熟的交易臺會跑一套混合（hybrid）方案：模型提議，而硬編碼的規則和風險上限否決。AI 可以建議一筆交易；但它永遠無法越過每日虧損上限或倉位上限。機器是一名直覺不錯、卻無權拿公司去下注的初級分析師。

模型的聰明程度，取決於你餵給它的輸入。光有原始價格很少夠用——這門手藝叫特徵工程（feature engineering）：把 OHLCV、訂單簿和衍生品資料，變成真正承載資訊的訊號。

在一張永續合約交易臺上，重要的特徵遠不止收盤價。資金費率是一筆真實的、反覆發生的成本或收入，它能把一個「賺錢」的策略翻成負的。多個時間跨度上的收益率能捕捉跨週期的動量。成交量比率能標記出異常活動。訂單簿失衡——買盤深度與賣盤深度之比——是一個短週期的微觀結構訊號，前提是你訂閱了 L2 資料。跨資產背景（ETH 相對 BTC 如何運動）則增添了一個全市場的視角。

有一條紀律把業餘者和專業者區分開來：砍掉不掙錢的特徵。如果一個特徵的置換重要性接近於零，你就是在為噪聲付出延遲和過擬合風險。更少、更強的特徵，幾乎每一次都勝過把一切都塞進去的模型。

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()

還要當心特徵工作中那條頭號大忌：前視偏差（look-ahead bias）。如果任何特徵不小心用到了在決策時刻本不存在的資訊——一根未來的 K 線、一個同週期的收盤價——你的回測會光彩奪目，而你的實盤帳戶不會。每一個特徵都必須只用你在那個時刻本該擁有的資料來計算，沒有例外。

那個毫不起眼的執行層，正是錢悄悄漏掉的地方。做對了沒人會注意；做錯了，一個完美的訊號就變成了實打實的虧損。

• 訂單型別。當你在乎價格時用限價單——你設定你能接受的最差價格。把市價單留給真正緊急的時刻，並且要清楚它會付出價差加滑點，這在稀薄或快速的市場裡可能極其慘烈。
• 冪等性（Idempotency）。永遠附上一個客戶端訂單 ID。網路會抽風；一個沒帶 ID 的重試 POST 可能讓你的倉位翻倍。有了 ID，交易所就能識別出重複請求並忽略它。這一個習慣，就能防住一整類災難性的 bug。
• 帶退避的重試。遇到 429（被限頻）或 5xx（伺服器錯誤）時，用指數退避（exponential backoff）等待後再重試——別把 API 錘到把你封禁。
• 時鐘紀律。簽名請求通常會把 HTTP 方法、路徑、請求體和一個毫秒級時間戳拼接成一個 HMAC 簽名。交易所會拒絕時鐘偏差過大的請求，所以要在做簽名的那臺機器上執行 NTP。一個漂移的時鐘會讓你的每一筆訂單都被拒絕，而你完全不知道為什麼。

這些都不是「AI」。但它們全都決定了你的 AI 究竟能不能賺到一塊錢。回測與實盤帳戶之間的鴻溝，大多就出在這一層——手續費、滑點、延遲，以及各種邊界情況——這恰恰是接下來兩節存在的理由。

這是那條把能活下來的交易者和會爆倉的交易者區分開的操作順序：風險是套在每一筆訂單上的閘門，而不是事後的一句道歉。你要在調校引擎之前先設計好煞車。

那些不容商量的控制項：

• 倉位上限。限制單一標的的敞口——通常是權益的 2–5%——這樣沒有任何一筆交易能把你毀掉。
• 止損。用 ATR（自適應波動率）或固定跳動點來設定，並把它們作為真實的訂單掛出去，而不是停留在你腦子裡的意圖。
• 每日虧損熔斷。如果帳戶當天虧了，比如說 3%，機器人就停止交易。就這麼停。這一條規則救下的帳戶，比任何精巧的訊號都多，因為它給一個 bug 或一個糟糕的日子所能造成的傷害封了頂。
• 一鍵熔斷開關（kill switch）。一個動作就能撤銷所有掛單並平掉每一個倉位。每月測試一次。你需要它的那一天，正是發現它壞了的最糟糕的一天。

對永續合約，把資金費率拖累和強平距離也併入同一道閘門——一個在價格上「沒事」的倉位，仍可能正在被資金費率放血，或者距離強平只剩一根插針。

託管也屬於這場對話。GaiaEx 使用 MPC（多方計算），把金鑰材料拆分到多方之間，於是機器人永遠不會把一把原始私鑰存放在某個檔案裡、讓攻擊者有機可乘。而且交易許可權可以與提幣許可權分開授予——所以你機器人用來下單的那把 API 金鑰，永遠不該被允許把資金轉出平臺。

有一種風險，那些光鮮的機器人廣告從不提起：面向散戶兜售的「AI 交易機器人」中，有相當大一部分根本不是交易工具——它們就是那場搶劫本身。誠實的教育必須把這一點講明白，因為大多數因「機器人」而虧錢的人，錢就是這麼沒的。

套路總在重複：

• 保證收益型機器人。「我們的 AI 每天穩賺 2%，零風險。」沒有任何正當的策略能保證收益；市場按定義就是不確定的。一個穩定、不會虧的利潤承諾，就是一個龐氏騙局的承諾。
• 許可權過大的 API 金鑰。許多詐騙機器人要求你連線一把帶提幣許可權的 API 金鑰。你照做的那一刻，他們就能掏空帳戶。2025 年底，Binance 記錄了多起經核實的帳戶被黑案例，以及五位數的損失，追查下來都源於未經授權的第三方機器人乾的正是這件事。
• 不透明、未經審計的程式碼。閉源、沒有安全審計的第三方機器人可能藏著後門。在為時已晚之前，你根本看不到程式碼拿你的金鑰做了什麼。
• 對敲刷量、刷交易量的機器人會悄悄違反交易所規則——害你的帳戶被限制或封停，而損失無人理賠。

防禦措施很具體，值得記牢。永遠不要給交易機器人提幣許可權——把 API 金鑰的範圍限定為僅交易。使用提幣地址白名單，讓資金只能轉到你預先批准過的地址。開啟強力的 2FA（驗證器 App 或硬體安全金鑰，不要用簡訊）。優先選擇官方的、經過審計的工具，而不是那些把天上的月亮都許給你的匿名 Telegram 機器人。還要記住金融界最古老的那條規則：如果好得不像真的，那它就是騙局，而「AI」只是它的戲服。

你有了策略、乾淨的特徵、一個執行層，還有風險閘門。誘惑就是直接用真實倉位切到實盤。別這麼幹。那片堆滿了死掉的機器人的墳場裡，滿是在紙面上看著完美、卻毫無準備地撞上現實的策略。

有紀律的路徑：

• 用完全相同的程式碼路徑做模擬交易（paper trade）。讓實盤的下單邏輯跑在實時資料上，但不動本金，至少跑上幾周。把成交和時間戳與策略的預期對比一下。如果模擬盤和回測已經對不上，就停下來，弄清楚原因。
• 以最小規模上實盤。第一個實盤階段的目標不是盈利——而是測量真相：真實的滑點、真實的手續費、真實的延遲。許多團隊在信任這些數字之前，會假設有一個相對回測 30–50% 的折讓。
• 只有當實盤與模型相符時才擴大規模。當真實的滑點和手續費與你的假設對得上時，再逐步加大規模。如果對不上，那就是你的模型在騙你——在給它投錢之前先修好它。

還要在糟糕的日子到來之前就為它做好打算。閃崩和 API 宕機不是假設——它們是已經排好期的事件，只是你不知道日期罷了。如果你唯一的應急預案是「我早上會注意到」，那你根本沒有應急預案。在你的交易所支援的地方，把斷連即平倉（flatten-on-disconnect）自動化，這樣一次掉線就不會在你睡覺時留下一個裸露的倉位在跑。