नमस्ते। मैं एक छात्र डेवलपर हूँ, जिसने अपनी personal portfolio को manage करने के लिए toy project के रूप में शुरुआत की थी, लेकिन धीरे-धीरे यह इतना बड़ा हो गया कि मैंने 31 LLM agents वाला एक सिस्टम बना लिया।
शुरुआत में इसे users जुटाने के लिए B2C stock recommendation web service के रूप में plan किया था। लेकिन भारी API communication cost और इसकी utility को verify करने की समस्या सामने आई। इसलिए मैंने user acquisition (marketing) छोड़ दिया, पूरा UI/UX हटा दिया, और अपना real brokerage account (10 million KRW) सीधे जोड़कर ऐसा pipeline बना दिया जिसमें AI सारे फैसले और trades खुद करता है, और फिलहाल उसी तरह इसे चला रहा हूँ।
इस दौरान सोच-विचार करके जो architecture बनाया और जो technical trial-and-error झेला, उसे GeekNews के लोगों के साथ साझा करना चाहता हूँ.
🧠 सिस्टम आर्किटेक्चर: 6 चरण, 31 agents की cross-validation
यह सिस्टम (K-Agent Alpha) किसी single prompt पर नहीं, बल्कि एक पूरी top-down investment approach की नकल करने वाली Multi-Agent relay pipeline के रूप में काम करता है। यह लगभग 1 घंटे तक sequentially चलता है।
-
Portfolio & sentiment analysis (Phase 0~1):
- KIS (Korea Investment & Securities) API से वास्तविक holdings लाए जाते हैं, और पिछले trades की win rate का analysis करके feedback loop में मदद की जाती है।
- volatility (VIX), exchange rate, KOSPI के उतार-चढ़ाव समेत 5 indicators के आधार पर market stance तय किया जाता है।
-
Macroeconomics team (Phase 2 - 7 agents):
- interest rate, exchange rate, derivatives agents, FRED, Bank of Korea API आदि के जरिए global liquidity का analysis करते हैं।
- one-way thinking को रोकने के लिए Base/Bull/Bear, ये 3 scenarios ज़बरदस्ती निकालने के लिए design किया गया है।
-
Industry/sector team (Phase 3 - 10 agents):
- यह सिस्टम का सबसे sophisticated pipeline है। foreign/institutional real-time fund flow, sector PER, और search news के आधार पर promising sectors को screen किया जाता है।
- LLM की खास hallucination (ऐसे stocks सुझाना जो मौजूद ही नहीं हैं) को पकड़ने के लिए delisting या minimum market cap से नीचे होने जैसी चीज़ों को mechanically filter करने वाला Validator agent रखा गया है।
-
Company analysis and risk team (Phase 4 - 8 agents):
- DART financial statements, charts (technical indicators), और news को खंगालकर candidates चुने जाते हैं। risk manager short-selling pressure और MDD को verify करता है।
-
Final decision maker CIO (Phase 5 - 1 agent):
- 30 agents (Gemini Flash) के outputs को सबसे intelligent
gemini-3.1-pro-previewone-top model consolidate करता है। - Sunk Cost Fallacy जैसी गलतियों को रोकने के लिए 'Bounded Autonomy' prompt लागू किया गया है, ताकि वह हर हाल में "जब मैं गलत होऊँ तब का Bear Case scenario" और "investment invalidation conditions" स्पष्ट करे। यहाँ बना JSON मेरे Korea Investment & Securities API को भेजा जाता है।
- 30 agents (Gemini Flash) के outputs को सबसे intelligent
💡 Troubleshooting: LLM के cognitive bias और traffic surge
सिस्टम चलाते समय मुझे दो काफ़ी दर्दनाक समस्याओं का सामना करना पड़ा, जिन्हें मैंने हल किया।
- LLM stop-loss नहीं कर पाते (disposition effect):
- AI ने वही human cognitive bias दोहराया: जो stocks profit में थे, उन्हें थोड़ा-सा बढ़ते ही बेचना चाहता था, और जो घाटे में फँसे थे, उन्हें "कभी न कभी ऊपर जाएंगे" कहकर छोड़ देता था। इसे रोकने के लिए मैंने logic बदला ताकि अगर कल और आज के decisions में contradiction हो, तो stance क्यों बदला यह स्पष्ट करना पड़े, और अपने ही पिछले win rate का self-evaluation करके खुद का rebuttal (Red-Teaming) करना पड़े।
- 31 agents की API traffic limit (Rate Limit & Context Limits):
- 20~30 stocks का deep analysis करते समय लगातार token overflow या external API limit block होने की समस्या आती रही। आखिरकार financial data, chart indicators जैसे बड़े datasets को
get_fundamental_batch_allकी तरह backend से एक बार में bundle करके push करने वाली Batch processing architecture में बदल दिया, जिससे execution time 1 घंटे के भीतर stable हो गया।
- 20~30 stocks का deep analysis करते समय लगातार token overflow या external API limit block होने की समस्या आती रही। आखिरकार financial data, chart indicators जैसे बड़े datasets को
📊 AI वास्तव में जो logs निकालता है, उसका उदाहरण
ऊपर की प्रक्रिया पूरी होने के बाद AI नीचे की तरह काफी deep level की strategy report (logs) output करता है।
(AI द्वारा कल लिखे गए वास्तविक macroeconomic diagnosis log का एक हिस्सा)
"PPI (Producer Price Index) की rebound magnitude (2.43%) CPI (2.0%) से ऊपर निकल गई है, जिससे companies पर margin squeeze वास्तविकता बनता जा रहा है...
futures market -1112.61 की गहरी backwardation स्थिति दर्ज कर रहा है।
oil price के 100 डॉलर पार करने और exchange rate के 1,520 KRW से ऊपर जाने के साथ 'Sudden Stop' phase में प्रवेश की संभावना स्पष्ट हो रही है।
→ cash allocation को 34% तक काफ़ी बढ़ाया जाए। broad undervaluation appeal दिखाने वाले shipbuilding equipment sector को portfolio में शामिल किया जाए."
💻 Execution results और logs देखना
अभी पूरा source code मेरे security keys और real account logic के साथ उलझा हुआ है, इसलिए मैं इसे open source के रूप में सीधे git clone करके चलाने लायक अपलोड नहीं कर पाया हूँ (बाद में core prompts और pipeline को साफ-सुथरा करके GitHub पर डालने की योजना है)।
लेकिन इसकी जगह, मैंने एक dedicated Telegram channel जोड़ रखा है ताकि आप देख सकें कि ये 31 prompt pipelines वास्तव में रोज़ 1 घंटे तक कैसे चर्चा करती हैं और कैसे decision logs (outputs) निकालती हैं।
- यह landing page, email collection, या marketing purpose के लिए बिल्कुल नहीं है।
- बिना किसी human intervention के, 100% LLM द्वारा auto-generated institutional-grade investment reports और उनसे जुड़े real-time trade history (real account integration) हर दिन दोपहर 3:05 बजे streaming के रूप में पोस्ट होते हैं।
👉 Real-time AI decision log (report) channel: t.me/K_Agent_Alpha
अगर आप में से किसी की रुचि multi-agent systems या prompt engineering में है, तो कृपया देखकर architecture या AI के decision errors को सुधारने पर सख्त सलाह या technical feedback दें, तो मैं वास्तव में आभारी रहूँगा!
8 टिप्पणियां
अरे बाप रे..
अरे बाप रे...
LLM में inference time होता है, इसलिए वे real-time trading या HFT जैसी high-frequency trading के लिए धीमे पड़ते हैं। यह कम से कम 5-minute candle के आधार पर ही संभव है। इसके अलावा कई LLM models को जोड़ देने से उनकी क्षमता अपने-आप बेहतर नहीं हो जाती। बेहतर यह होगा कि लगभग 5 LLM का इस्तेमाल करके market या community analysis में, जिसे logic या LSTM models पकड़ नहीं पाते, जैसे sentiment analysis — उत्साह है या डर — यह काम उन्हें सौंपा जाए, और advanced PPO, CNN, LSTM (historical chart data analysis) जैसे deep learning models के साथ, साथ ही user-विशिष्ट analysis logic पर आधारित trading methods को ensemble के रूप में जोड़ा जाए। ultra-short-term trading के लिए LSTM, CNN जैसे deep learning models अधिक उपयुक्त हैं.
उस हिस्से पर हम पर्याप्त रूप से विचार कर रहे हैं। इसलिए हम बाजार बंद होने के समय closing price पर bet करके high-frequency trading से बचने की कोशिश कर रहे हैं।
थोड़ा और टिप दूँ तो, छोटे LLM models को SFT(NTR) tuning के ज़रिए किसी specific domain के लिए specialized बनाया जा सकता है, और उन्हें local में चलाइए, जबकि API के लिए सिर्फ एक large language model इस्तेमाल कीजिए! 7B या 3B जैसे models को अगर किसी खास analysis के लिए specialize करें, तो थोड़ा बेहतर result मिलता है। आह! SFT(NTR) करते समय AI Hub का सक्रिय रूप से इस्तेमाल करें, तो dataset बनाना आसान हो जाता है। (मैंने भी कुछ ऐसा ही बनाकर देखा है ^^;)
अच्छा, कम से कम एक-दो महीने की backtesting ज़रूर चाहिए। नहीं तो आप देख सकते हैं कि LLM अजीब हरकतें करके आपकी संपत्ति उड़ा दे। (निचले स्तर पर खरीदना, ऊपरी स्तर पर बेचना)
आपने काफ़ी परिष्कृत hallucination का एक पुलिंदा बना दिया है... बाज़ार की भविष्यवाणी नहीं की जा सकती। अगर आपके बनाए हुए से आपकी संपत्ति दोगुने से ज़्यादा बढ़ जाती है, तो मैं मान लूँगा कि मैं ग़लत था।
यह भ्रम भी हो सकता है। इसलिए मैं भी इसे देखता रहूंगा। चूंकि इसमें मेरा पैसा लगा है, इसलिए मुझे लगातार अपडेट देना होगा। यह एक तरह का प्रयोग है।