Does Graph RAG Actually Help? I Measured It on Postgres and TypeScript
Graph RAG is usually described with one claim: vector search misses answers that sit behind a chain of facts, and a knowledge graph fixes that.
That is plausible. It is also expensive to adopt, because every document goes through an LLM before it is searchable. So I built a small version on Postgres, ran it against a hybrid search baseline on 100 multi-hop questions, and counted what it cost.
The short result: the gain was modest and conditional. Graph retrieval alone did not clearly beat hybrid search. Combined with it, the graph did, on questions that need several documents, and the one-time indexing bill was about twelve times the token cost of the whole hybrid evaluation. The details matter more than the headline, so this article walks through the setup, the numbers with their uncertainty, the questions where the graph made things worse, and what the experiment cannot tell you.
All code and data are in aiengineering-book/graph-rag-experiment. You can skip the expensive build step and reproduce the results with a 0.8 MB file.
---
What Was Tested
Four systems answer the same questions with the same answer prompt, so the only difference between them is which passages the model sees:
| System | What it retrieves |
|---|---|
| Closed-book | Nothing. The model answers from what it already knows (a control). |
| Hybrid | Vector search and Postgres full-text search (ts_rank), merged by reciprocal rank fusion. Top 5 passages. No reranker. A BM25 version is tested later. |
| Graph | Passages found by walking a knowledge graph from the entities in the question. Top 5 passages. |
| Graph + hybrid | The two ranked lists merged by reciprocal rank fusion. Top 5 passages. |
The questions come from MuSiQue (CC BY 4.0), a benchmark of questions that need two to four reasoning steps across different passages. For example:
> Where does Ulysses Kay's birth city hold NASCAR races?
Answering it takes two passages: one that says Ulysses Kay was born in Tucson, and one that says what races Tucson hosts. The question names only the first.
I sampled 100 questions from the dev set with a fixed seed. Each question ships with 20 passages (19 for one of them), a few relevant and the rest distractors. I pooled all of them into one corpus of 1,847 passages, so every system searches the same collection, as it would in a real deployment.
The stack:
- Postgres 16 with pgvector. Vectors, full-text search and the graph all live here. There is no graph database.
- nomic-embed-text, running locally through Ollama, for all embeddings (768 dimensions).
- DeepSeek (deepseek-flash, thinking disabled) for graph extraction, for finding entities in a question, and for answering. Any OpenAI-compatible chat API would work for the same roles.
Scoring is exact match and token F1 against the gold answer and its aliases, plus the share of each question's supporting passages that a system actually retrieved. Exact match is strict ("The Mother (Tracy McConnell)" does not match "Tracy McConnell"), so F1 is reported too.
---
How the Graph Is Built and Searched
Indexing adds one step to what a hybrid index does. An LLM reads each passage and returns the entities in it and the relations between them as JSON:
{
"entities": ["Ulysses Kay", "Tucson, Arizona"],
"relations": [
{ "source": "Ulysses Kay", "relation": "born in", "target": "Tucson, Arizona" }
]
}
The results go into three tables next to the passages. Entities are merged by normalized name, and each relation remembers which passage it came from:
CREATE TABLE entities (id serial PRIMARY KEY, name text, key text UNIQUE, embedding vector(768));
CREATE TABLE mentions (entity_id int REFERENCES entities, chunk_id int REFERENCES chunks,
PRIMARY KEY (entity_id, chunk_id));
CREATE TABLE relations (id serial PRIMARY KEY, src int REFERENCES entities,
dst int REFERENCES entities, label text, chunk_id int REFERENCES chunks);
Searching the graph (what GraphRAG calls local search) has four steps:
1. Ask the LLM for the named entities in the question.
2. Embed each name and find the nearest entity in the entities table. These are the seeds.
3. Walk the relations table outward from the seeds for two hops.
4. Score each passage by the entities it mentions, weighting each by 1 / (1 + hops from a seed), and keep the top 5.
For the Ulysses Kay question, the seed is "Ulysses Kay". One hop reaches "Tucson, Arizona", so the passage about Tucson is retrieved even though the question never mentions it.
This is a deliberately small graph. It has no community detection and no community summaries, which Microsoft's GraphRAG uses for questions about a whole corpus. That matters for what the results can and cannot say, and it is covered at the end.
---
Results
| System | Exact match (95% interval) | F1 | Supporting passages retrieved | Exact match vs hybrid, same questions |
|---|---|---|---|---|
| Closed-book | 10% | 0.19 | n/a | n/a |
| Hybrid | 28% [19, 37] | 0.42 | 51% | baseline |
| Graph | 35% [26, 45] | 0.48 | 61% | +7 points [-3, 17]; right where hybrid was wrong 18 times, the reverse 11 |
| Graph + hybrid | 42% [33, 52] | 0.53 | 68% | +14 points [5, 24]; 20 times against 6 |
The intervals are 95% bootstrap intervals over the 100 questions. The last column compares systems on the same questions, which is more informative than comparing two percentages.
What the table supports:
- Retrieval helps at all. Without it, the model answers 10% of these questions. Hybrid search nearly triples that.
- Graph + hybrid beat hybrid. The interval for the difference, [5, 24] points, excludes zero.
- Graph alone did not clearly beat hybrid. Its interval, [-3, 17], includes zero. Seven points is the best estimate, but 100 questions cannot separate it from noise.
- Hybrid misses half the evidence. It retrieved 51% of the supporting passages. That gap is the room a graph has to work with.
Splitting the same results by the number of reasoning steps (MuSiQue labels each question 2, 3 or 4 hops):
| Hops | Questions | Hybrid | Graph + hybrid | Only graph + hybrid right / only hybrid right |
|---|---|---|---|---|
| 2 | 62 | 32% | 50% | 13 / 2 |
| 3 | 28 | 18% | 32% | 6 / 2 |
| 4 | 10 | 30% | 20% | 1 / 2 |
The gain did not grow with depth. It is clear at two hops and similar in size at three. At four hops there is no gain, but ten questions cannot say anything about four-hop questions, and I did not compute intervals for these splits.
---
Where the Graph Helped
The 18 questions the graph answered and hybrid did not share a shape: the answer sits behind an entity the question does not name.
For the Ulysses Kay question, hybrid search matched the words "NASCAR races" and returned passages about Richmond, Virginia, a NASCAR TV show and two NASCAR drivers, then answered "Richmond International Raceway". The graph started from "Ulysses Kay", followed the birthplace relation to Tucson, and answered "Tucson Raceway Park".
The same pattern appeared for "Who is the child of the actor who is a cast member of Love in Pawn?", for "In which county was James Finch born?", and for "Who was the spouse of the leading lady in Gone With the Wind?". In each case the second passage is reachable by following a relation from a named entity, and not by similarity to the question's words.
---
Where It Hurt
The graph answered 11 questions worse than hybrid (two of them are the same question, which appears twice in the sample). Two causes showed up.
The question has no entity to start from. "What was the percentage that the Dow Jones fell when the US had the highest unemployment rate?" contains no usable named entity, so the graph search had no seeds, returned unrelated passages, and the model answered "I don't know". Hybrid found it from the words alone.
The seed is a hub. For "In what part of Florida is Tom Denney's birthplace located?", the question names "Florida" as well as "Tom Denney". "Florida" has 41 neighbors in the graph, and walking out from it pulled in passages about other Florida cities, which crowded out the correct one.
The second cause suggested a fix: do not walk outward through entities with many neighbors. The median entity in this graph has one neighbor and the 99th percentile has 13, so I set the cutoff at 20, which catches 43 hub entities including "Florida". That fixed the Tom Denney question, and it raised graph + hybrid from 42% to 48%.
There is a catch, and it affects how much to trust that number. I chose the cutoff after reading the failures in this same sample of 100 questions. Even with the paired comparison, a gain from a setting tuned on the test set is optimistic, and its interval ([0, 12] points over graph + hybrid without the cap) barely clears zero. The Tom Denney question also appears twice in the sample under different ids, so that fix is counted twice. Treat the hub cap as a hypothesis to confirm on fresh questions, not as a result.
---
What Else Changed the Outcome
Each of these reuses the same graph, so there is no rebuild:
| Variation | Exact match | Supporting passages retrieved |
|---|---|---|
| Graph + hybrid, 2 hops (default) | 42% | 68% |
| Graph + hybrid, 1 hop | 36% | 64% |
| Hybrid, 8 passages instead of 5 | 33% | 60% |
| Graph + hybrid, 8 passages | 48% | 76% |
| Hybrid, BM25 for the keyword half | 27% | 59% |
| Graph + hybrid, BM25 for the keyword half | 38% | 68% |
- The second hop matters. With one hop, graph + hybrid falls to 36%, and its advantage over hybrid no longer clears zero. Most of the benefit comes from reaching passages two steps away.
- A stronger keyword search did not rescue the baseline. The keyword half of the hybrid search above is Postgres's built-in full-text ranking, which is not BM25. Swapping in BM25 (same parameters as the one in the book: k1 = 1.5, b = 0.75, and the Lucene-style idf, ln((N - df + 0.5) / (df + 0.5) + 1), which cannot go negative; BM25 variants differ in details like this, and they can change which passages rank first) raised the share of supporting passages hybrid retrieved from 51% to 59%, but exact match stayed at 27%. Graph + hybrid with BM25 scored 38%, which is 11 points above hybrid with BM25 [3, 20], winning 16 questions to 5. That is a little smaller than the 14 points against the original baseline, and the interval still excludes zero. My guess for why the better retrieval did not help: an answer needs every hop's passage, and BM25 mostly found more of the first-hop ones.
- The gain is not just more context. Giving hybrid search 8 passages lifts it from 28% to 33%. Graph + hybrid with 8 passages reaches 48%, ahead of hybrid with the same 8 passages by 15 points [7, 23], on 17 questions against 2. That extra context costs about 50% more prompt tokens (121,000 against 80,000 per 100 questions).
---
What It Costs
| Item | Cost |
|---|---|
| Building the graph, once | 1,827 LLM calls, about 964,000 tokens (450,000 prompt, 514,000 completion), about 14 minutes at 4 concurrent requests |
| Evaluating hybrid on 100 questions | about 80,000 prompt tokens |
| Evaluating graph + hybrid on 100 questions | about 82,000 prompt tokens, plus one extra LLM call per question to find the question's entities |
| Updating one edited passage, graph | about 255 prompt and 306 completion tokens, about 2 seconds |
| Updating one edited passage, hybrid index | about 70 to 90 ms, no LLM call |
The build is about twelve times the token cost of the entire hybrid evaluation, and nearly all of the experiment's spend. At query time the graph adds one short LLM call and about the same prompt size as hybrid, so serving cost is modest. The cost lives in indexing.
Two costs are not visible in those numbers:
- Extraction fails sometimes. 57 of 1,847 passages (3%) returned JSON that did not parse, so they have no graph entries at all.
- Entity merging is crude. Entities merge by normalized name, so "Future Ted" and "Future Ted Mosby" ended up as separate entities. A split like that can break a path. Better entity resolution would cost more.
The update figure applies to this small graph, where re-extracting one passage is enough. A system that also keeps community summaries has to regenerate those after changes, which this experiment did not measure.
---
What This Does Not Show
- One run on 100 questions, with one model. The intervals are wide. A different sample, or a different answering and extraction model, could move the numbers by several points. Stronger models might narrow the gap by making hybrid search better at using the passages it finds, or widen it by extracting a better graph. I did not test either.
- Only multi-hop questions. The benchmark has no single-fact questions, so this says nothing about whether the graph helps or hurts them. It also has no whole-corpus questions of the "which risks recur across all these contracts" kind.
- No community summaries. Those are what GraphRAG's global search relies on. This experiment tests the local half of graph retrieval only. Whether a graph helps on whole-corpus questions needs a different system and a different corpus.
- No reranker. I tested BM25 against the built-in full-text ranking, but not a reranking step (a cross-encoder that rescores the top candidates). It could lift the baseline further. It only reorders passages that were already retrieved, so I would expect it to help less with passages found through a bridge entity, but I did not test that.
- No comparison with multi-step retrieval. An agent that rewrites its query after each retrieval round can also follow a chain of facts, with no extra index. I did not compare against it.
- Possible training-data overlap. The model answers 10% of the questions with no retrieval at all, which is modest but not zero. The control run is there so you can see it.
---
When It Is Worth Trying
The experiment points to a narrow case. A graph is worth evaluating when:
- a large share of your questions need facts from several documents joined through an entity the question does not name;
- your documents describe entities and relations that stay fairly stable, because every change means re-extraction;
- you can afford an indexing bill that scales with corpus size and can measure the gain against your current hybrid search first.
If most of your questions are single-fact lookups, plain hybrid search is the cheaper path, and this experiment gives you no reason to change it. And before building a graph, measure how many of your questions are multi-hop at all. If that share is small, the cost is unlikely to pay back.
---
Reproduce It
Clone the repo and start Postgres with pgvector (docker compose up -d). Install Ollama and run ollama pull nomic-embed-text. Then:
npm install
cp .env.example .env # add an OpenAI-compatible API key for answering
npm run import-graph # loads the finished graph, about 2 minutes, no LLM calls
npm run eval -- --system hybrid
npm run eval -- --system graph+hybrid
npm run eval -- --system hybrid --keyword bm25 # the BM25 variants
npm run report -- results/hybrid-100.json results/graph-hybrid-100.json
import-graph copies the graph exactly but recomputes the embeddings locally. Embeddings come out slightly different on each import, so on the first 30 questions a few near-tied searches returned a different top 5, and exact match moved by two questions. Expect your numbers within a few points of the tables above, not identical to them.
To try a different answering model, the repo also ships the exact prompts each system sent (prompts/*.jsonl, retrieval already done). npm run run-prompts sends them to any OpenAI-compatible API, and npm run score-answers scores the result, with no database or Ollama needed. I only tested DeepSeek, so another provider may need small client changes.
To rebuild the graph yourself, download MuSiQue and draw the sample with scripts/sample-musique.py (the steps are in data/README.md), then run npm run ingest and npm run build-graph in place of import-graph. The build is the 964,000-token step.
---
Your Experience
The gain I measured was modest and only held when the graph was combined with hybrid search. If you have run graph retrieval in a real product, I would like to hear whether it paid for its indexing cost, what share of your questions were multi-hop, and whether you kept it or took it out.
---
Further Reading
Hybrid search with BM25 and reranking, the evaluation method, and a section on deciding when graph-based retrieval is worth adopting are covered in Chapters 11 and 12 of 《AI Engineering with TypeScript — A Comprehensive Guide to Building AI Agents》 at [Leanpub](leanpub.com). The book's companion code is at github.com/aiengineering-book/code.
The experiment code, the finished graph and the per-question results are in aiengineering-book/graph-rag-experiment.
The questions come from MuSiQue: Trivedi et al., "MuSiQue: Multihop Questions via Single-hop Question Composition", 2022 (repository, CC BY 4.0). Microsoft's GraphRAG and HKUDS's LightRAG are the two open-source implementations that include community summaries and global search.
2 reactions · 2 comments
Open Source Vibe Trading on DeepSeek and Claude: Setup, Backtest and Committee
Vibe Trading (HKUDS, 37K stars on GitHub) is an open source AI trading agent. I install it and test its 3 main features on DeepSeek Flash, DeepSeek Pro, Claude Haiku and Claude Sonnet.
HKUDS/Vibe-Trading
What is inside
• Setup, step by step in VS Code: clone, a Python 3.11 venv, the lock file, the .env with your model, and why Docker matters (its terminal app always keeps its shell tools on)
• Feature 1, one agent analyses NVIDIA: rating, entry, stop and target
• Feature 2, a strategy and its backtest: Larry Connors' RSI(2) pullback on SPY since 2015
• Feature 3, the investment committee: bull, bear, risk officer and portfolio manager
• Live runs in its own terminal app, and my original runs opened in its web app
• How it compares with TradingAgents and AI Hedge Fund in Glassbench
What I found
• Stock analysis on NVIDIA: DeepSeek Flash took 4.5 minutes for about 15 cents, Claude Haiku 80 seconds for 2 cents with 16 figures blanked by its grounding gate, Claude Sonnet 2 minutes 15 seconds for 63 cents
• Backtest: the engine is solid, the timing depends on the run. In 3 of my 4 DeepSeek runs the generated code shifted the signal one extra day (51.6% reported, 39.8% in my rebuild). Claude Haiku and Sonnet traded on the right day, and so did the live DeepSeek Flash run in this video (38.3%, 103 trades)
• Committee: DeepSeek Flash gave a Buy in 10 minutes, Claude Haiku gave no rating, Claude Sonnet gave a Hold with a hedge in 7.5 minutes
• One run of all 3 features: about 40 cents on DeepSeek Flash, 11 cents on Claude Haiku, $2.80 on Claude Sonnet
Links
• My pull request to the repo, on the signal delay: Vibe-Trading#2137
• AI-Trader paper from the same lab: arxiv.org
• Glassbench, to compare trading agent repos: davidalmeida90/glassbench
• TradingAgents video: youtu.be
• AI Hedge Fund video: youtu.be
Chapters
0:00 Vibe Trading in one minute
0:18 Why it got popular
0:48 In this video
1:10 Inside the repository
2:39 How a request moves through it
3:08 Install it safely, step by step
4:34 Let your AI agent install it
5:13 Feature 1: stock analysis on NVIDIA
7:41 Feature 2: RSI(2) strategy and backtest
11:07 Feature 3: investment committee
14:25 Compare it in Glassbench
15:19 Scoreboard and costs
16:18 My verdict
I paid for every API call in this video myself. Not investment advice: this is a test of an open source repo, nothing more.
#VibeTrading #AITrading #DeepSeek
[ar] تداول Vibe مفتوح المصدر على DeepSeek وClaude: الإعداد، الاختبار العكسي، واللجنة
Vibe Trading (HKUDS، ٣٧ ألف نجمة على GitHub) هو برنامج تداول قائم على الذكاء الاصطناعي مفتوح المصدر. قمت بتثبيته واختبار ميزاته الرئيسية الثلاث على منصات DeepSeek Flash وDeepSeek Pro وClaude Haiku وClaude Sonnet.
Vibe Trading (HKUDS، ٣٧ ألف نجمة على GitHub) HKUDS/Vibe-Trading
المحتويات
• خطوات الإعداد خطوة بخطوة في VS Code: استنساخ المشروع، إنشاء بيئة افتراضية (venv) باستخدام Python 3.11، ملف القفل، ملف .env الذي يحتوي على النموذج، وأهمية Docker (حيث يُبقي تطبيق الطرفية أدوات سطر الأوامر مُفعّلة دائمًا)
• الميزة 1: تحليل وكيل واحد لأسهم NVIDIA: التقييم، نقطة الدخول، وقف الخسارة، والهدف
• الميزة 2: استراتيجية واختبارها: استراتيجية لاري كونورز RSI(2) التراجعية على مؤشر SPY منذ عام 2015
• الميزة 3: لجنة الاستثمار: متفائل، متشائم، مسؤول المخاطر، ومدير المحفظة
• تشغيل مباشر في تطبيق الطرفية الخاص به، وتشغيلاتي الأصلية في تطبيق الويب
• مقارنة مع TradingAgents وAI Hedge Fund على Glassbench
النتائج
• تحليل أسهم NVIDIA: استغرق DeepSeek Flash أربع دقائق ونصف بتكلفة 15 سنتًا تقريبًا، بينما استغرق Claude Haiku ثماني ثوانٍ بتكلفة سنتين مع 16 رقمًا. تم تعطيلها بواسطة بوابة التأريض، كلود سونيت دقيقتان و15 ثانية مقابل 63 سنتًا
• اختبار رجعي: المحرك يعمل بشكل جيد، لكن التوقيت يعتمد على التشغيل. في 3 من أصل 4 عمليات تشغيل DeepSeek، أدى الكود المُولّد إلى تأخير الإشارة يومًا إضافيًا (51.6% من الحالات المُبلغ عنها، و39.8% في عملية إعادة البناء). تداولت منصتا Claude Haiku وSonnet في اليوم المناسب، وكذلك فعلت منصة DeepSeek Flash في هذا الفيديو (38.3%، 103 صفقات).
• اللجنة: أعطت DeepSeek Flash توصية شراء خلال 10 دقائق، بينما لم تُعطِ Claude Haiku أي توصية، وأعطت Claude Sonnet توصية احتفاظ مع تحوط خلال 7.5 دقائق.
• تشغيل واحد للميزات الثلاث: حوالي 40 سنتًا على DeepSeek Flash، و11 سنتًا على Claude Haiku، و2.80 دولار على Claude Sonnet.
الروابط
• طلب السحب الخاص بي إلى المستودع، بخصوص تأخير الإشارة: Vibe-Trading#2137
• ورقة بحثية حول AI-Trader من نفس المختبر: arxiv.org
• Glassbench، لمقارنة مستودعات وكلاء التداول: davidalmeida90/glassbench
• فيديو TradingAgents: youtu.be
• فيديو عن صناديق التحوط المدعومة بالذكاء الاصطناعي: youtu.be
الفصول
0:00 التداول باستخدام Vibe في دقيقة واحدة
0:18 لماذا اكتسب شهرة واسعة؟
0:48 محتوى هذا الفيديو
1:10 نظرة على المستودع
2:39 كيفية معالجة الطلبات فيه
3:08 تثبيته بأمان، خطوة بخطوة
4:34 دع وكيل الذكاء الاصطناعي الخاص بك يقوم بتثبيته
5:13 الميزة الأولى: تحليل الأسهم على NVIDIA
7:41 الميزة الثانية: استراتيجية RSI(2) واختبارها
11:07 الميزة الثالثة: لجنة الاستثمار
14:25 مقارنته على Glassbench
15:19 لوحة النتائج والتكاليف
16:18 رأيي
لقد دفعتُ تكلفة كل استدعاء API في هذا الفيديو بنفسي. هذه ليست نصيحة استثمارية: هذا مجرد اختبار لمستودع مفتوح المصدر، لا أكثر.
#تداول_الفايب #تداول_الذكاء_الاصطناعي #البحث_العميق
[bn] ডিপসিক (DeepSeek) এবং ক্লড (Claude)-এ ওপেন সোর্স ভাইব ট্রেডিং: সেটআপ, ব্যাকটেস্ট এবং কমিটি
ভাইব ট্রেডিং (HKUDS, গিটহাবে ৩৭ হাজার স্টার) একটি ওপেন সোর্স এআই ট্রেডিং এজেন্ট। আমি এটি ইনস্টল করে ডিপসিক ফ্ল্যাশ, ডিপসিক প্রো, ক্লদ হাইকু এবং ক্লদ সনেট-এর উপর এর ৩টি প্রধান ফিচার পরীক্ষা করেছি।
HKUDS/Vibe-Trading
এর ভেতরে যা আছে
• VS Code-এ ধাপে ধাপে সেটআপ: ক্লোন, একটি Python 3.11 venv, লক ফাইল, আপনার মডেল সহ .env ফাইল, এবং কেন ডকার গুরুত্বপূর্ণ (এর টার্মিনাল অ্যাপ সবসময় এর শেল টুলগুলো চালু রাখে)
• ফিচার ১, একটি এজেন্ট NVIDIA বিশ্লেষণ করে: রেটিং, এন্ট্রি, স্টপ এবং টার্গেট
• ফিচার ২, একটি স্ট্র্যাটেজি এবং এর ব্যাকটেস্ট: ২০১৫ সাল থেকে SPY-এর উপর ল্যারি কনরসের RSI(2) পুলব্যাক
• ফিচার ৩, বিনিয়োগ কমিটি: বুল, বেয়ার, রিস্ক অফিসার এবং পোর্টফোলিও ম্যানেজার
• এর নিজস্ব টার্মিনাল অ্যাপে লাইভ রান, এবং আমার আসল রানগুলো এর ওয়েব অ্যাপে খোলা যায়
• Glassbench-এ TradingAgents এবং AI Hedge Fund-এর সাথে এর তুলনা
আমি যা পেয়েছি
• NVIDIA-এর স্টক বিশ্লেষণ: DeepSeek Flash প্রায় ১৫ সেন্টের জন্য ৪.৫ মিনিট সময় নিয়েছে, Claude Haiku ২ সেন্টের জন্য ৮০ সেকেন্ড সময় নিয়েছে এবং ১৬টি সংখ্যা ফাঁকা রাখা হয়েছে এর গ্রাউন্ডিং গেট, ক্লদ সনেট ২ মিনিট ১৫ সেকেন্ড, ৬৩ সেন্টে
• ব্যাকটেস্ট: ইঞ্জিনটি নির্ভরযোগ্য, টাইমিং নির্ভর করে রানের উপর। আমার ৪টি DeepSeek রানের মধ্যে ৩টিতে জেনারেট হওয়া কোড সিগন্যালকে একদিন অতিরিক্ত সরিয়ে দিয়েছে (রিপোর্টে ৫১.৬%, আমার রিবিল্ডে ৩৯.৮%)। ক্লদ হাইকু এবং সনেট সঠিক দিনে ট্রেড করেছে, এবং এই ভিডিওতে লাইভ ডিপসিক ফ্ল্যাশ রানও (৩৮.৩%, ১০৩টি ট্রেড) সঠিক দিনে ট্রেড করেছে।
• কমিটি: ডিপসিক ফ্ল্যাশ ১০ মিনিটে 'বাই' রেটিং দিয়েছে, ক্লদ হাইকু কোনো রেটিং দেয়নি, ক্লদ সনেট ৭.৫ মিনিটে হেজ সহ 'হোল্ড' রেটিং দিয়েছে।
• তিনটি ফিচারের একটি রান: ডিপসিক ফ্ল্যাশে প্রায় ৪০ সেন্ট, ক্লদ হাইকুতে ১১ সেন্ট, ক্লদ সনেটে ২.৮০ ডলার।
লিঙ্ক
• সিগন্যাল ডিলে সম্পর্কিত রিপো-তে আমার পুল রিকোয়েস্ট: Vibe-Trading#2137
• একই ল্যাবের এআই-ট্রেডার পেপার: arxiv.org
• ট্রেডিং এজেন্ট রিপো তুলনা করার জন্য গ্লাসবেঞ্চ: davidalmeida90/glassbench
• ট্রেডিংএজেন্টস ভিডিও: youtu.be
• এআই হেজ ফান্ড ভিডিও: youtu.be
অধ্যায়সমূহ
০:০০ এক মিনিটে ভাইব ট্রেডিং
০:১৮ কেন এটি জনপ্রিয় হলো
০:৪৮ এই ভিডিওতে
১:১০ রিপোজিটরির ভেতরে
২:৩৯ একটি রিকোয়েস্ট কীভাবে এর মধ্যে দিয়ে যায়
৩:০৮ নিরাপদে, ধাপে ধাপে এটি ইনস্টল করুন
৪:৩৪ আপনার এআই এজেন্টকে দিয়ে এটি ইনস্টল করান
৫:১৩ ফিচার ১: এনভিডিয়া-তে স্টক বিশ্লেষণ
৭:৪১ ফিচার ২: RSI(2) স্ট্র্যাটেজি এবং ব্যাকটেস্ট
১১:০৭ ফিচার ৩: ইনভেস্টমেন্ট কমিটি
১৪:২৫ গ্লাসবেঞ্চ-এ তুলনা করুন
১৫:১৯ স্কোরবোর্ড এবং খরচ
১৬:১৮ আমার মতামত
এই ভিডিওর প্রতিটি এপিআই কলের জন্য আমি নিজে অর্থ প্রদান করেছি। এটি কোনো বিনিয়োগ পরামর্শ নয়: এটি একটি ওপেন সোর্স রিপো-র পরীক্ষা, এর বেশি কিছু নয়।
#VibeTrading #AITrading #DeepSeek
[de-DE] Open Source Vibe Trading mit DeepSeek und Claude: Einrichtung, Backtest und Komitee
Vibe Trading (HKUDS, 37.000 Sterne auf GitHub) ist ein Open-Source-KI-Handelsagent. Ich installiere ihn und teste seine drei Hauptfunktionen auf DeepSeek Flash, DeepSeek Pro, Claude Haiku und Claude Sonnet.
HKUDS/Vibe-Trading
Was beinhaltet Vibe-Trading?
• Schritt-für-Schritt-Einrichtung in VS Code: Klonen, eine Python 3.11-Umgebung, die Sperrdatei, die .env-Datei mit Ihrem Modell und die Bedeutung von Docker (die Terminal-App hält die Shell-Tools immer aktiv).
• Funktion 1: Ein Agent analysiert NVIDIA-Aktien: Bewertung, Einstieg, Stopp und Ziel.
• Funktion 2: Eine Strategie und ihr Backtest: Larry Connors' RSI(2)-Pullback auf den SPY seit 2015.
• Funktion 3: Das Investmentkomitee: Bullen, Bären, Risikomanager und Portfoliomanager.
• Live-Tests in der eigenen Terminal-App und meine eigenen Testläufe in der Web-App.
Vergleich mit TradingAgents und AI Hedge Fund in Glassbench.
Meine Ergebnisse:
• Aktienanalyse von NVIDIA: DeepSeek Flash benötigte 4,5 Minuten für ca. 15 Cent, Claude Haiku 80 Sekunden für 2 Cent, wobei 16 Stellen durch das Grounding Gate ausgeblendet wurden, Claude Sonnet 2 15 Minuten für 63 Cent
• Backtest: Die Engine ist stabil, das Timing hängt vom jeweiligen Durchlauf ab. In 3 von 4 DeepSeek-Durchläufen verschob der generierte Code das Signal um einen Tag (51,6 % gemeldet, 39,8 % in meinem Rebuild). Claude Haiku und Sonnet handelten am richtigen Tag, ebenso wie der Live-Lauf von DeepSeek Flash in diesem Video (38,3 %, 103 Trades).
• Bewertung: DeepSeek Flash gab innerhalb von 10 Minuten eine Kaufempfehlung, Claude Haiku gab keine Bewertung ab, Claude Sonnet gab innerhalb von 7,5 Minuten eine Halteempfehlung mit Absicherung.
• Ein Lauf aller 3 Funktionen: ca. 40 Cent bei DeepSeek Flash, 11 Cent bei Claude Haiku, 2,80 $ bei Claude Sonnet.
Links
• Mein Pull Request zum Repository bezüglich der Signalverzögerung: Vibe-Trading#2137
• AI-Trader-Paper aus demselben Labor: arxiv.org
• Glassbench zum Vergleich von Trading-Agent-Repositories: davidalmeida90/glassbench
• TradingAgents-Video: youtu.be
• Video zum Thema KI-Hedgefonds: youtu.be
Kapitel
0:00 Vibe Trading in einer Minute
0:18 Warum es so beliebt wurde
0:48 In diesem Video
1:10 Einblick in das Repository
2:39 Wie eine Anfrage verarbeitet wird
3:08 Sichere Installation – Schritt für Schritt
4:34 Installation durch Ihren KI-Agenten
5:13 Funktion 1: Aktienanalyse auf NVIDIA
7:41 Funktion 2: RSI(2)-Strategie und Backtest
11:07 Funktion 3: Investmentkomitee
14:25 Vergleich in Glassbench
15:19 Scoreboard und Kosten
16:18 Mein Fazit
Ich habe alle API-Aufrufe in diesem Video selbst bezahlt. Dies ist keine Anlageberatung, sondern lediglich ein Test eines Open-Source-Repositorys.
#VibeTrading #AITrading #DeepSeek
[es-US] Vibe Trading de código abierto en DeepSeek y Claude: Configuración, backtest y comité
Vibe Trading (HKUDS, 37.000 estrellas en GitHub) es un agente de trading con IA de código abierto. Lo instalé y probé sus tres funciones principales en DeepSeek Flash, DeepSeek Pro, Claude Haiku y Claude Sonnet. HKUDS/Vibe-Trading
Contenido
• Configuración paso a paso en VS Code: clonación, un entorno virtual (venv) de Python 3.11, el archivo de bloqueo, el archivo .env con tu modelo y la importancia de Docker (su terminal mantiene siempre activas las herramientas de la consola).
• Funcionalidad 1: un agente analiza NVIDIA: calificación, punto de entrada, stop loss y objetivo.
• Funcionalidad 2: una estrategia y su backtesting: el retroceso del RSI(2) de Larry Connors en SPY desde 2015.
• Funcionalidad 3: el comité de inversión: alcista, bajista, responsable de riesgos y gestor de cartera.
• Ejecuciones en vivo en su propia terminal y mis ejecuciones originales abiertas en su aplicación web.
• Comparación con TradingAgents y AI Hedge Fund en Glassbench.
Observaciones
• Análisis de acciones de NVIDIA: DeepSeek Flash tardó 4,5 minutos para unos 15 centavos; Claude Haiku tardó 80 segundos para 2 centavos, con 16 cifras ocultas por su puerta de conexión a tierra. Soneto de 2 minutos y 15 segundos por 63 centavos
• Backtesting: el motor es sólido, la sincronización depende de la ejecución. En 3 de mis 4 ejecuciones de DeepSeek, el código generado retrasó la señal un día más (51,6 % según lo informado, 39,8 % en mi reconstrucción). Claude Haiku y Sonnet operaron en el día correcto, al igual que la ejecución en vivo de DeepSeek Flash en este video (38.3%, 103 operaciones).
• Comité: DeepSeek Flash dio una recomendación de compra en 10 minutos, Claude Haiku no dio ninguna calificación, Claude Sonnet dio una recomendación de mantener con cobertura en 7.5 minutos.
• Una ejecución de las 3 funciones: aproximadamente 40 centavos en DeepSeek Flash, 11 centavos en Claude Haiku, $2.80 en Claude Sonnet.
Enlaces
• Mi solicitud de extracción al repositorio, sobre el retraso de la señal: Vibe-Trading#2137
• Documento sobre AI-Trader del mismo laboratorio: arxiv.org
• Glassbench, para comparar repositorios de agentes de trading: davidalmeida90/glassbench
• Video de TradingAgents: youtu.be
• Video sobre fondos de cobertura con IA: youtu.be
Capítulos
0:00 Vibe Trading en un minuto
0:18 Por qué se popularizó
0:48 En este video
1:10 Dentro del repositorio
2:39 Cómo se procesa una solicitud
3:08 Instalación segura, paso a paso
4:34 Cómo lo instala tu agente de IA
5:13 Característica 1: análisis de acciones en NVIDIA
7:41 Característica 2: estrategia RSI(2) y backtesting
11:07 Característica 3: comité de inversión
14:25 Comparación en Glassbench
15:19 Marcador y costos
16:18 Mi veredicto
Pagué personalmente por cada llamada a la API en este video. Esto no es asesoramiento de inversión: se trata de una prueba de un repositorio de código abierto, nada más.
#VibeTrading #AITrading #DeepSeek
[fr-FR] Vibe Trading open source sur DeepSeek et Claude : Installation, Backtest et Comité
Vibe Trading (HKUDS, 37 000 étoiles sur GitHub) est un agent de trading IA open source. Je l'ai installé et j'ai testé ses 3 principales fonctionnalités sur DeepSeek Flash, DeepSeek Pro, Claude Haiku et Claude Sonnet. HKUDS/Vibe-Trading
Contenu
• Installation pas à pas dans VS Code : clonage, création d’un environnement virtuel Python 3.11, fichier de verrouillage, fichier .env contenant votre modèle et explication de l’importance de Docker (son application terminal maintient ses outils shell toujours actifs)
• Fonctionnalité 1 : analyse de NVIDIA par un agent : notation, point d’entrée, stop et objectif
• Fonctionnalité 2 : stratégie et son backtest : le repli du RSI(2) de Larry Connors sur le SPY depuis 2015
• Fonctionnalité 3 : le comité d’investissement : haussier, baissier, responsable des risques et gestionnaire de portefeuille
• Exécutions en direct dans son application terminal dédiée et mes exécutions originales accessibles via son application web
• Comparaison avec TradingAgents et AI Hedge Fund sur Glassbench
Constatations
• Analyse boursière de NVIDIA : DeepSeek Flash a mis 4,5 minutes pour un gain d’environ 15 centimes, Claude Haiku 80 secondes pour un gain de 2 centimes (16 chiffres masqués par son port de mise à la terre), Claude Sonnet 2 minutes et 15 secondes pour 0,63 $
• Test rétrospectif : le moteur est fiable, le timing dépend de l’exécution. Dans 3 de mes 4 exécutions DeepSeek, le code généré a décalé le signal d’un jour supplémentaire (51,6 % rapportés, 39,8 % dans ma reconstruction). Claude Haiku et Sonnet ont fonctionné le jour opportun, tout comme l'exécution en direct de DeepSeek Flash dans cette vidéo (38,3 %, 103 transactions).
• Comité : DeepSeek Flash a émis un avis d'achat en 10 minutes, Claude Haiku n'a émis aucune évaluation, Claude Sonnet a émis un avis de maintien avec couverture en 7,5 minutes.
• Une exécution combinant les 3 fonctionnalités : environ 0,40 $ pour DeepSeek Flash, 0,11 $ pour Claude Haiku et 2,80 $ pour Claude Sonnet.
Liens
• Ma pull request sur le dépôt, concernant le délai du signal : Vibe-Trading#2137
• Article sur AI-Trader du même laboratoire : arxiv.org
• Glassbench, pour comparer les dépôts d'agents de trading : davidalmeida90/glassbench
• Vidéo sur TradingAgents : youtu.be
• Vidéo sur les fonds spéculatifs IA : youtu.be
Chapitres
0:00 Vibe Trading en une minute
0:18 Pourquoi est-il devenu si populaire ?
0:48 Dans cette vidéo
1:10 À l'intérieur du dépôt
2:39 Parcours d'une requête
3:08 Installation sécurisée, étape par étape
4:34 Installation par votre agent IA
5:13 Fonctionnalité 1 : Analyse boursière sur NVIDIA
7:41 Fonctionnalité 2 : Stratégie RSI(2) et backtest
11:07 Fonctionnalité 3 : Comité d'investissement
14:25 Comparaison avec Glassbench
15:19 Tableau de bord et coûts
16:18 Mon avis
J'ai payé moi-même tous les appels API de cette vidéo. Ceci n'est pas un conseil en investissement : il s'agit d'un test d'un dépôt open source, rien de plus.
#VibeTrading #AITrading #DeepSeek
[hi] DeepSeek और Claude पर ओपन सोर्स Vibe Trading: सेटअप, बैकटेस्ट और कमिटी
वाइब ट्रेडिंग (HKUDS, GitHub पर 37K स्टार) एक ओपन सोर्स एआई ट्रेडिंग एजेंट है। मैंने इसे इंस्टॉल किया और डीपसीक फ्लैश, डीपसीक प्रो, क्लाउड हाइकू और क्लाउड सॉनेट पर इसकी 3 मुख्य विशेषताओं का परीक्षण किया।
HKUDS/Vibe-Trading
इसमें क्या है
• VS Code में चरण-दर-चरण सेटअप: क्लोन, एक Python 3.11 venv, लॉक फ़ाइल, आपके मॉडल वाली .env फ़ाइल, और Docker का महत्व (इसका टर्मिनल ऐप हमेशा अपने शेल टूल्स को चालू रखता है)
• फ़ीचर 1, एक एजेंट NVIDIA का विश्लेषण करता है: रेटिंग, एंट्री, स्टॉप और टारगेट
• फ़ीचर 2, एक रणनीति और उसका बैकटेस्ट: 2015 से SPY पर लैरी कॉनर्स का RSI(2) पुलबैक
• फ़ीचर 3, निवेश समिति: बुल, बेयर, रिस्क ऑफिसर और पोर्टफोलियो मैनेजर
• इसके अपने टर्मिनल ऐप में लाइव रन, और मेरे मूल रन इसके वेब ऐप में खोले गए
• Glassbench में TradingAgents और AI Hedge Fund के साथ इसकी तुलना
मुझे क्या मिला
• NVIDIA पर स्टॉक विश्लेषण: DeepSeek Flash ने लगभग 15 सेंट के लिए 4.5 मिनट लिए, क्लाउड हाइकू 2 सेंट के लिए 80 सेकंड, जिसमें 16 अंक ग्राउंडिंग गेट द्वारा खाली कर दिए गए हैं, क्लाउड सॉनेट 63 सेंट के लिए 2 मिनट 15 सेकंड
• बैकटेस्ट: इंजन ठोस है, समय रन पर निर्भर करता है। मेरे 4 डीपसीक रन में से 3 में जेनरेट किए गए कोड ने सिग्नल को एक अतिरिक्त दिन आगे बढ़ा दिया (51.6% रिपोर्ट किया गया, मेरे रीबिल्ड में 39.8%)। क्लाउड हाइकू और सॉनेट ने सही दिन पर ट्रेडिंग की, और इस वीडियो में दिखाए गए लाइव डीपसीक फ्लैश रन ने भी (38.3%, 103 ट्रेड) यही परिणाम दिया।
• समिति: डीपसीक फ्लैश ने 10 मिनट में बाय रेटिंग दी, क्लाउड हाइकू ने कोई रेटिंग नहीं दी, क्लाउड सॉनेट ने 7.5 मिनट में हेज के साथ होल्ड रेटिंग दी।
• तीनों फीचर्स का एक रन: डीपसीक फ्लैश पर लगभग 40 सेंट, क्लाउड हाइकू पर 11 सेंट, क्लाउड सॉनेट पर $2.80।
लिंक
• सिग्नल डिले पर मेरे पुल रिक्वेस्ट का लिंक: Vibe-Trading#2137
• उसी लैब का AI-Trader पेपर: arxiv.org
• ट्रेडिंग एजेंट रिपॉजिटरी की तुलना करने के लिए ग्लास बेंच: davidalmeida90/glassbench
• ट्रेडिंग एजेंट्स वीडियो: youtu.be
• AI हेज फंड वीडियो: youtu.be
अध्याय
0:00 वाइब ट्रेडिंग एक मिनट में
0:18 यह लोकप्रिय क्यों हुआ
0:48 इस वीडियो में
1:10 रिपॉजिटरी के अंदर
2:39 अनुरोध कैसे आगे बढ़ता है
3:08 इसे सुरक्षित रूप से चरण दर चरण स्थापित करें
4:34 अपने AI एजेंट को इसे स्थापित करने दें
5:13 फ़ीचर 1: NVIDIA पर स्टॉक विश्लेषण
7:41 फ़ीचर 2: RSI(2) रणनीति और बैकटेस्ट
11:07 फ़ीचर 3: निवेश समिति
14:25 ग्लास बेंच में इसकी तुलना करें
15:19 स्कोरबोर्ड और लागत
16:18 मेरा निर्णय
इस वीडियो में प्रत्येक API कॉल के लिए मैंने स्वयं भुगतान किया है। यह निवेश संबंधी सलाह नहीं है: यह केवल एक ओपन सोर्स रिपॉजिटरी का परीक्षण है, इससे अधिक कुछ नहीं।
#VibeTrading #AITrading #DeepSeek
[id] Vibe Trading Open Source di DeepSeek dan Claude: Pengaturan, Backtest, dan Komite
Vibe Trading (HKUDS, 37 ribu bintang di GitHub) adalah agen perdagangan AI sumber terbuka. Saya menginstalnya dan menguji 3 fitur utamanya pada DeepSeek Flash, DeepSeek Pro, Claude Haiku, dan Claude Sonnet.
HKUDS/Vibe-Trading
Isi di dalamnya
• Pengaturan, langkah demi langkah di VS Code: kloning, venv Python 3.11, file lock, .env dengan model Anda, dan mengapa Docker penting (aplikasi terminalnya selalu menjalankan alat shell-nya)
• Fitur 1, satu agen menganalisis NVIDIA: peringkat, titik masuk, stop loss, dan target
• Fitur 2, strategi dan backtest-nya: pullback RSI(2) Larry Connors pada SPY sejak 2015
• Fitur 3, komite investasi: bull, bear, petugas risiko, dan manajer portofolio
• Eksekusi langsung di aplikasi terminalnya sendiri, dan eksekusi asli saya dibuka di aplikasi web-nya
• Perbandingannya dengan TradingAgents dan AI Hedge Fund di Glassbench
Apa yang saya temukan
• Analisis saham NVIDIA: DeepSeek Flash membutuhkan waktu 4,5 menit untuk sekitar 15 sen, Claude Haiku 80 detik untuk 2 sen dengan 16 angka diblokir oleh gerbang pembumiannya, Claude Sonnet 2 menit 15 detik seharga 63 sen
• Backtest: mesinnya solid, pengaturan waktunya tergantung pada jalannya. Dalam 3 dari 4 percobaan DeepSeek saya, kode yang dihasilkan menggeser sinyal satu hari ekstra (51,6% dilaporkan, 39,8% dalam perbaikan saya). Claude Haiku dan Sonnet melakukan perdagangan pada hari yang tepat, begitu pula dengan DeepSeek Flash yang ditampilkan dalam video ini (38,3%, 103 perdagangan)
• Komite: DeepSeek Flash memberikan rekomendasi Beli dalam 10 menit, Claude Haiku tidak memberikan peringkat, Claude Sonnet memberikan rekomendasi Tahan dengan lindung nilai dalam 7,5 menit
• Satu kali menjalankan ketiga fitur tersebut: sekitar 40 sen pada DeepSeek Flash, 11 sen pada Claude Haiku, $2,80 pada Claude Sonnet
Tautan
• Permintaan pull saya ke repositori, tentang penundaan sinyal: Vibe-Trading#2137
• Makalah AI-Trader dari lab yang sama: arxiv.org
• Glassbench, untuk membandingkan repositori agen perdagangan: davidalmeida90/glassbench
• TradingAgents Video: youtu.be
• Video AI Hedge Fund: youtu.be
Bab
0:00 Vibe Trading dalam satu menit
0:18 Mengapa menjadi populer
0:48 Dalam video ini
1:10 Di dalam repositori
2:39 Bagaimana sebuah permintaan bergerak melaluinya
3:08 Instal dengan aman, langkah demi langkah
4:34 Biarkan agen AI Anda menginstalnya
5:13 Fitur 1: analisis saham di NVIDIA
7:41 Fitur 2: strategi RSI(2) dan backtest
11:07 Fitur 3: komite investasi
14:25 Bandingkan di Glassbench
15:19 Papan skor dan biaya
16:18 Kesimpulan saya
Saya membayar sendiri setiap panggilan API dalam video ini. Bukan saran investasi: ini adalah uji coba repositori sumber terbuka, tidak lebih.
#VibeTrading #AITrading #DeepSeek
[it] Vibe Trading open source su DeepSeek e Claude: configurazione, backtest e comitato
Vibe Trading (HKUDS, 37.000 stelle su GitHub) è un agente di trading basato sull'intelligenza artificiale e open source. L'ho installato e ho testato le sue 3 funzionalità principali su DeepSeek Flash, DeepSeek Pro, Claude Haiku e Claude Sonnet.
Italiano: HKUDS/Vibe-Trading
Cosa contiene
• Configurazione passo passo in VS Code: clonazione, un ambiente virtuale Python 3.11, il file di blocco, il file .env con il tuo modello e perché Docker è importante (la sua app terminale mantiene sempre attivi gli strumenti della shell)
• Funzionalità 1, un agente analizza NVIDIA: rating, punto di ingresso, stop e target
• Funzionalità 2, una strategia e il suo backtest: il pullback RSI(2) di Larry Connors su SPY dal 2015
• Funzionalità 3, il comitato di investimento: rialzista, ribassista, responsabile del rischio e gestore di portafoglio
• Esecuzioni in tempo reale nella sua app terminale e le mie esecuzioni originali aperte nella sua app web
• Confronto con TradingAgents e AI Hedge Fund su Glassbench
Cosa ho scoperto
• Analisi azionaria su NVIDIA: DeepSeek Flash ha impiegato 4,5 minuti per circa 15 centesimi, Claude Haiku 80 secondi per 2 centesimi con 16 cifre oscurate dal suo Porta di messa a terra, Sonetto di Claude, 2 minuti e 15 secondi per 63 centesimi
• Backtest: il motore è solido, la tempistica dipende dall'esecuzione. In 3 delle mie 4 esecuzioni di DeepSeek, il codice generato ha spostato il segnale di un giorno in più (51,6% riportato, 39,8% nella mia ricostruzione). Claude Haiku e Sonnet hanno operato nel giorno giusto, così come l'esecuzione live di DeepSeek Flash in questo video (38,3%, 103 operazioni).
• Comitato: DeepSeek Flash ha dato un segnale di acquisto in 10 minuti, Claude Haiku non ha dato un giudizio, Claude Sonnet ha dato un segnale di mantenimento con copertura in 7,5 minuti.
• Un'esecuzione con tutte e 3 le funzionalità: circa 40 centesimi su DeepSeek Flash, 11 centesimi su Claude Haiku, 2,80 dollari su Claude Sonnet.
Link
• La mia pull request al repository, sul ritardo del segnale: Vibe-Trading#2137
• Articolo sull'AI-Trader dello stesso laboratorio: arxiv.org
• Glassbench, per confrontare i repository degli agenti di trading: davidalmeida90/glassbench
• Video di TradingAgents: Italiano: youtu.be
• Video sull'AI Hedge Fund: youtu.be
Capitoli
0:00 Vibe Trading in un minuto
0:18 Perché è diventato popolare
0:48 In questo video
1:10 All'interno del repository
2:39 Come una richiesta lo attraversa
3:08 Installalo in sicurezza, passo dopo passo
4:34 Fai installare il tuo agente AI
5:13 Funzionalità 1: analisi azionaria su NVIDIA
7:41 Funzionalità 2: strategia RSI(2) e backtest
11:07 Funzionalità 3: comitato di investimento
14:25 Confronto con Glassbench
15:19 Scoreboard e costi
16:18 Il mio verdetto
Ho pagato personalmente ogni chiamata API in questo video. Non si tratta di consigli di investimento: questo è un test di un repository open source, niente di più.
#VibeTrading #AITrading #DeepSeek
[iw] Vibe Trading בקוד פתוח עם DeepSeek ו-Claude: התקנה, בדיקה לאחור (Backtest) וועדת השקעות
Vibe Trading (HKUDS, 37 אלף כוכבים ב-GitHub) הוא סוכן מסחר מבוסס בינה מלאכותית בקוד פתוח. אני מתקין אותו ובודק את 3 התכונות העיקריות שלו ב-DeepSeek Flash, DeepSeek Pro, Claude Haiku ו-Claude Sonnet. HKUDS/Vibe-Trading
מה בפנים
• הגדרה, שלב אחר שלב ב-VS Code: שיבוט, venv של Python 3.11, קובץ הנעילה, קובץ ה-.env עם המודל שלך, ומדוע Docker חשובה (אפליקציית הטרמינל שלה תמיד שומרת על כלי המעטפת שלה פעילים)
• מאפיין 1, סוכן אחד מנתח את NVIDIA: דירוג, כניסה, עצירה ויעד
• מאפיין 2, אסטרטגיה ומבחן גב שלה: נסיגה של RSI(2) של Larry Connors ב-SPY מאז 2015
• מאפיין 3, ועדת ההשקעות: שור, דוב, קצין סיכונים ומנהל תיקים
• ריצות חיות באפליקציית טרמינל משלה, והריצות המקוריות שלי נפתחו באפליקציית האינטרנט שלה
• כיצד היא משתווה ל-TradingAgents ולקרן גידור AI ב-Glassbench
מה שמצאתי
• ניתוח מניות ב-NVIDIA: DeepSeek Flash לקח 4.5 דקות לכ-15 סנט, קלוד הייקו 80 שניות ל-2 סנט עם 16 ספרות שהושמטו על ידי שער ההארקה שלה, קלוד סונט 2 דקות ו-15 שניות עבור 63 סנט
• בדיקה אחורית: המנוע תקין, התזמון תלוי בריצה. ב-3 מתוך 4 ריצות DeepSeek שלי, הקוד שנוצר הזיז את האות ביום נוסף (51.6% דווחו, 39.8% בבנייה מחדש שלי). קלוד הייקו וסונט נסחרו ביום הנכון, וכך גם ריצת ה-DeepSeek Flash החיה בסרטון הזה (38.3%, 103 עסקאות)
• ועדה: DeepSeek Flash נתן קנייה תוך 10 דקות, קלוד הייקו לא נתן דירוג, קלוד סונט נתן החזקה עם גידור תוך 7.5 דקות
• ריצה אחת של כל 3 המאפיינים: כ-40 סנט על DeepSeek Flash, 11 סנט על קלוד הייקו, 2.80 דולר על קלוד סונט
קישורים
• בקשת ה-pull שלי לריפו, על עיכוב האות: Vibe-Trading#2137
• מאמר AI-Trader מאותה מעבדה: arxiv.org
• Glassbench, להשוואת ריפו של סוכני מסחר: davidalmeida90/glassbench
• סרטון TradingAgents: youtu.be
• סרטון קרן גידור מבוססת בינה מלאכותית: youtu.be
פרקים
0:00 Vibe Trading בדקה אחת
0:18 למה זה נהיה פופולרי
0:48 בסרטון הזה
1:10 בתוך המאגר
2:39 איך בקשה עוברת דרכו
3:08 התקן אותו בצורה בטוחה, שלב אחר שלב
4:34 תן לסוכן הבינה המלאכותית שלך להתקין אותו
5:13 מאפיין 1: ניתוח מניות ב-NVIDIA
7:41 מאפיין 2: אסטרטגיית RSI(2) ומבחן אחורי
11:07 מאפיין 3: ועדת השקעות
14:25 השווה ב-Glassbench
15:19 לוח תוצאות ועלויות
16:18 פסק הדין שלי
שילמתי בעצמי עבור כל קריאה ל-API בסרטון הזה. לא ייעוץ השקעות: זהו מבחן של מאגר קוד פתוח, לא יותר.
#VibeTrading #AITrading #DeepSeek
[ja] DeepSeekとClaudeで動かすオープンソースのVibe Trading：セットアップ、バックテスト、投資委員会
Vibe Trading（HKUDS、GitHubで37,000スター）はオープンソースのAIトレーディングエージェントです。DeepSeek Flash、DeepSeek Pro、Claude Haiku、Claude Sonnetにインストールし、その主要な3つの機能をテストしました。
HKUDS/Vibe-Trading
内容
• VS Codeでのセットアップ手順：クローン、Python 3.11 venv、ロックファイル、モデルを含む.envファイル、そしてDockerの重要性（ターミナルアプリは常にシェルツールを有効にしているため）
• 機能1：NVIDIAの分析エージェント：レーティング、エントリー、ストップ、ターゲット
• 機能2：戦略とそのバックテスト：2015年以降のSPYにおけるLarry ConnorsのRSI(2)プルバック
• 機能3：投資委員会：ブル、ベア、リスクオフィサー、ポートフォリオマネージャー
• 専用ターミナルアプリでのライブ実行、およびWebアプリで開いた私のオリジナル実行結果
• GlassbenchでのTradingAgentsおよびAI Hedge Fundとの比較
私が発見したこと
• NVIDIAの株式分析：DeepSeek Flashは4.5分で約15セント、Claude Haikuは80秒で2セント（16桁の数字は空白）接地ゲート、クロード・ソネット 2分15秒 63セント
• バックテスト：エンジンは安定しており、タイミングは実行によって異なります。DeepSeekを4回実行したうち3回で、生成されたコードによって信号が1日ずれました（報告値51.6%、再構築値39.8%）。 Claude HaikuとSonnetは適切な日に取引を行い、この動画で紹介されているDeepSeek Flashのライブ実行も同様でした（38.3%、103回の取引）。
• 委員会：DeepSeek Flashは10分で買いシグナルを発出し、Claude Haikuは評価なし、Claude Sonnetは7.5分でヘッジ付きのホールドシグナルを発出しました。
• 3つの機能すべてを使用した1回の実行：DeepSeek Flashで約40セント、Claude Haikuで11セント、Claude Sonnetで2.80ドルの利益。
リンク
• シグナル遅延に関するリポジトリへのプルリクエスト：Vibe-Trading#2137
• 同じ研究室によるAIトレーダーに関する論文：arxiv.org
• トレーディングエージェントのリポジトリを比較するためのGlassbench：davidalmeida90/glassbench
• TradingAgentsの動画：youtu.be
• AIヘッジファンドの動画：youtu.be
チャプター
0:00 Vibe Tradingを1分で解説
0:18 人気の理由
0:48 この動画の内容
1:10 リポジトリの内部構造
2:39 リクエストの処理方法
3:08 安全なインストール手順
4:34 AIエージェントによるインストール
5:13 機能1：NVIDIAでの株式分析
7:41 機能2：RSI(2)戦略とバックテスト
11:07 機能3：投資委員会
14:25 Glassbenchでの比較
15:19 スコアボードとコスト
16:18 私の評価
この動画で使用されているAPI呼び出しはすべて私が個人的に費用を負担したものです。投資アドバイスではありません。これはオープンソースリポジトリのテストであり、それ以上の意味はありません。
#VibeTrading #AITrading #DeepSeek
[ko] DeepSeek 및 Claude 기반 오픈 소스 Vibe Trading: 설정, 백테스트, 투자 위원회 활용법
Vibe Trading(HKUDS, GitHub에서 별 37,000개)은 오픈 소스 AI 트레이딩 에이전트입니다. 저는 이를 설치하고 DeepSeek Flash, DeepSeek Pro, Claude Haiku 및 Claude Sonnet에서 주요 3가지 기능을 테스트했습니다.
HKUDS/Vibe-Trading
내용
• VS Code에서 단계별 설정: 클론, Python 3.11 가상 환경(venv), 잠금 파일, 모델이 포함된 .env 파일, 그리고 Docker의 중요성(터미널 앱은 항상 셸 도구를 활성화합니다)
• 기능 1: 에이전트 하나가 NVIDIA를 분석합니다: 등급, 진입, 손절매 및 목표가
• 기능 2: 전략 및 백테스트: 2015년 이후 Larry Connors의 SPY RSI(2) 되돌림
• 기능 3: 투자 위원회: 강세론자, 약세론자, 위험 관리 담당자 및 포트폴리오 관리자
• 자체 터미널 앱에서 실시간 실행 및 웹 앱에서 열린 제 초기 실행 결과
• Glassbench에서 TradingAgents 및 AI Hedge Fund와의 비교
발견한 내용
• NVIDIA 주식 분석: DeepSeek Flash는 약 15센트에 4.5분, Claude Haiku는 접지 게이트로 인해 16자리 숫자가 가려진 상태에서 2센트에 80초가 걸렸습니다. 소네트 2분 15초, 63센트
• 백테스트: 엔진은 안정적이지만 타이밍은 실행에 따라 다릅니다. 제가 실행한 4번의 DeepSeek 중 3번에서 생성된 코드가 신호를 하루 더 앞당겼습니다(보고된 값 51.6%, 재구축 후 값 39.8%). Claude Haiku와 Sonnet은 적절한 날짜에 거래를 했고, 이 영상에 나오는 DeepSeek Flash 실시간 실행 결과도 마찬가지였습니다(38.3%, 103건의 거래).
• 위원회: DeepSeek Flash는 10분 만에 매수 의견을 제시했고, Claude Haiku는 의견을 제시하지 않았으며, Claude Sonnet은 7.5분 만에 헤지와 함께 보유 의견을 제시했습니다.
• 세 가지 기능을 모두 사용한 한 번의 실행: DeepSeek Flash에서 약 40센트, Claude Haiku에서 11센트, Claude Sonnet에서 2.80달러
링크
• 신호 지연 관련 제 풀 리퀘스트: Vibe-Trading#2137
• 같은 연구실의 AI-Trader 논문: arxiv.org
• 거래 에이전트 저장소 비교를 위한 Glassbench: davidalmeida90/glassbench
• TradingAgents 영상: youtu.be
• AI 헤지 펀드 영상: youtu.be
목차
0:00 Vibe Trading 1분 소개
0:18 인기 요인
0:48 이 영상에서 다루는 내용
1:10 저장소 내부
2:39 요청 처리 과정
3:08 단계별 안전 설치 방법
4:34 AI 에이전트를 이용한 설치
5:13 기능 1: NVIDIA 기반 주식 분석
7:41 기능 2: RSI(2) 전략 및 백테스트
11:07 기능 3: 투자 위원회
14:25 Glassbench에서 비교
15:19 점수판 및 비용
16:18 최종 평가
이 영상에 나오는 모든 API 호출 비용은 제가 직접 지불했습니다. 투자 조언이 아니며, 오픈 소스 저장소 테스트일 뿐입니다.
#VibeTrading #AITrading #DeepSeek
[ml] DeepSeek-ലും Claude-ലും ഓപ്പൺ സോഴ്സ് വൈബ് ട്രേഡിങ്ങ്: സെറ്റപ്പ്, ബാക്ക്ടെസ്റ്റ്, കമ്മിറ്റി
വൈബ് ട്രേഡിംഗ് (HKUDS, GitHub-ൽ 37K നക്ഷത്രങ്ങൾ) ഒരു ഓപ്പൺ സോഴ്സ് AI ട്രേഡിംഗ് ഏജന്റാണ്. ഞാൻ ഇത് ഇൻസ്റ്റാൾ ചെയ്യുകയും DeepSeek Flash, DeepSeek Pro, Claude Haiku, Claude Sonnet എന്നിവയിൽ അതിന്റെ 3 പ്രധാന സവിശേഷതകൾ പരീക്ഷിക്കുകയും ചെയ്യുന്നു.
HKUDS/Vibe-Trading
ഉള്ളിലുള്ളത് എന്താണ്
• VS കോഡിൽ ഘട്ടം ഘട്ടമായുള്ള സജ്ജീകരണം: ക്ലോൺ, ഒരു പൈത്തൺ 3.11 venv, ലോക്ക് ഫയൽ, നിങ്ങളുടെ മോഡലുള്ള .env, എന്തുകൊണ്ട് ഡോക്കർ പ്രധാനമാണ് (അതിന്റെ ടെർമിനൽ ആപ്പ് എപ്പോഴും അതിന്റെ ഷെൽ ടൂളുകൾ ഓണാക്കി നിർത്തുന്നു)
• ഫീച്ചർ 1, ഒരു ഏജന്റ് NVIDIA വിശകലനം ചെയ്യുന്നു: റേറ്റിംഗ്, എൻട്രി, സ്റ്റോപ്പ്, ടാർഗെറ്റ്
• ഫീച്ചർ 2, ഒരു തന്ത്രവും അതിന്റെ ബാക്ക്ടെസ്റ്റും: 2015 മുതൽ SPY-യിൽ ലാറി കോണേഴ്സിന്റെ RSI(2) പിൻവലിക്കൽ
• ഫീച്ചർ 3, നിക്ഷേപ കമ്മിറ്റി: ബുൾ, ബിയർ, റിസ്ക് ഓഫീസർ, പോർട്ട്ഫോളിയോ മാനേജർ
• സ്വന്തം ടെർമിനൽ ആപ്പിൽ തത്സമയ റൺ ചെയ്യുന്നു, എന്റെ യഥാർത്ഥ റൺ അതിന്റെ വെബ് ആപ്പിൽ തുറന്നു
• ഗ്ലാസ്ബെഞ്ചിലെ ട്രേഡിംഗ് ഏജന്റുമാരുമായും AI ഹെഡ്ജ് ഫണ്ടുമായും ഇത് എങ്ങനെ താരതമ്യം ചെയ്യുന്നു
ഞാൻ കണ്ടെത്തിയത്
• NVIDIA-യിലെ സ്റ്റോക്ക് വിശകലനം: DeepSeek Flash ഏകദേശം 15 സെന്റിന് 4.5 മിനിറ്റ് എടുത്തു, ഗ്രൗണ്ടിംഗ് കാരണം 16 കണക്കുകൾ ശൂന്യമാക്കി, ക്ലോഡ് ഹൈക്കു 2 സെന്റിന് 80 സെക്കൻഡ് എടുത്തു. ഗേറ്റ്, ക്ലോഡ് സോണറ്റ് 63 സെന്റിന് 2 മിനിറ്റ് 15 സെക്കൻഡ്
• ബാക്ക്ടെസ്റ്റ്: എഞ്ചിൻ സോളിഡ് ആണ്, സമയം ഓട്ടത്തെ ആശ്രയിച്ചിരിക്കുന്നു. എന്റെ 4 DeepSeek റണ്ണുകളിൽ 3 എണ്ണത്തിലും ജനറേറ്റ് ചെയ്ത കോഡ് ഒരു ദിവസം കൂടി സിഗ്നൽ മാറ്റി (51.6% റിപ്പോർട്ട് ചെയ്തു, എന്റെ പുനർനിർമ്മാണത്തിൽ 39.8%). ക്ലോഡ് ഹൈക്കുവും സോണറ്റും ശരിയായ ദിവസം ട്രേഡ് ചെയ്തു, ഈ വീഡിയോയിലെ ലൈവ് ഡീപ്സീക്ക് ഫ്ലാഷും അങ്ങനെ തന്നെ ചെയ്തു (38.3%, 103 ട്രേഡുകൾ)
• കമ്മിറ്റി: ഡീപ്സീക്ക് ഫ്ലാഷ് 10 മിനിറ്റിനുള്ളിൽ ഒരു വാങ്ങൽ നൽകി, ക്ലോഡ് ഹൈക്കു റേറ്റിംഗ് നൽകിയില്ല, ക്ലോഡ് സോണറ്റ് 7.5 മിനിറ്റിനുള്ളിൽ ഒരു ഹെഡ്ജ് ഉപയോഗിച്ച് ഹോൾഡ് നൽകി
• 3 സവിശേഷതകളിൽ ഒരു റൺ: ഡീപ്സീക്ക് ഫ്ലാഷിൽ ഏകദേശം 40 സെന്റ്, ക്ലോഡ് ഹൈക്കുവിൽ 11 സെന്റ്, ക്ലോഡ് സോണറ്റിൽ $2.80
ലിങ്കുകൾ
• സിഗ്നൽ കാലതാമസത്തെക്കുറിച്ച് റിപ്പോയിലേക്കുള്ള എന്റെ പുൾ അഭ്യർത്ഥന: Vibe-Trading#2137
• അതേ ലാബിൽ നിന്നുള്ള AI-ട്രേഡർ പേപ്പർ: arxiv.org
• ട്രേഡിംഗ് ഏജന്റ് റിപ്പോകൾ താരതമ്യം ചെയ്യാൻ ഗ്ലാസ്ബെഞ്ച്: davidalmeida90/glassbench
• ട്രേഡിംഗ് ഏജന്റുമാരുടെ വീഡിയോ: youtu.be
• AI ഹെഡ്ജ് ഫണ്ട് വീഡിയോ: youtu.be
അധ്യായങ്ങൾ
0:00 ഒരു മിനിറ്റിൽ വൈബ് ട്രേഡിംഗ്
0:18 അത് ജനപ്രിയമായതിന്റെ കാരണം
0:48 ഈ വീഡിയോയിൽ
1:10 റിപ്പോസിറ്ററിക്കുള്ളിൽ
2:39 ഒരു അഭ്യർത്ഥന അതിലൂടെ എങ്ങനെ നീങ്ങുന്നു
3:08 സുരക്ഷിതമായി, ഘട്ടം ഘട്ടമായി ഇത് ഇൻസ്റ്റാൾ ചെയ്യുക
4:34 നിങ്ങളുടെ AI ഏജന്റ് ഇത് ഇൻസ്റ്റാൾ ചെയ്യാൻ അനുവദിക്കുക
5:13 ഫീച്ചർ 1: NVIDIA-യിലെ സ്റ്റോക്ക് വിശകലനം
7:41 ഫീച്ചർ 2: RSI(2) തന്ത്രവും ബാക്ക്ടെസ്റ്റും
11:07 ഫീച്ചർ 3: നിക്ഷേപ സമിതി
14:25 ഗ്ലാസ്ബെഞ്ചിൽ താരതമ്യം ചെയ്യുക
15:19 സ്കോർബോർഡും ചെലവുകളും
16:18 എന്റെ വിധി
ഈ വീഡിയോയിലെ ഓരോ API കോളിനും ഞാൻ തന്നെ പണം നൽകി. നിക്ഷേപ ഉപദേശമല്ല: ഇത് ഒരു ഓപ്പൺ സോഴ്സ് റിപ്പോയുടെ ഒരു പരീക്ഷണമാണ്, അതിൽ കൂടുതലൊന്നുമില്ല.
#വൈബ് ട്രേഡിംഗ് #എഐട്രേഡിംഗ് #ഡീപ്സീക്ക്
[nl-NL] Open source Vibe Trading op DeepSeek en Claude: installatie, backtest en commissie
Vibe Trading (HKUDS, 37.000 sterren op GitHub) is een open-source AI-handelsagent. Ik installeer het en test de drie belangrijkste functies op DeepSeek Flash, DeepSeek Pro, Claude Haiku en Claude Sonnet.
HKUDS/Vibe-Trading
Wat zit erin?
• Installatie, stap voor stap in VS Code: klonen, een Python 3.11 venv, het lock-bestand, het .env-bestand met je model en waarom Docker belangrijk is (de terminal-app houdt de shell-tools altijd actief)
• Functie 1: één agent analyseert NVIDIA: rating, instap, stop en target
• Functie 2: een strategie en de bijbehorende backtest: Larry Connors' RSI(2) pullback op SPY sinds 2015
• Functie 3: het beleggingscomité: bull, bear, risicomanager en portefeuillemanager
• Live runs in de eigen terminal-app en mijn originele runs geopend in de web-app
• Vergelijking met TradingAgents en AI Hedge Fund in Glassbench
Wat ik heb ontdekt
• Aandelenanalyse van NVIDIA: DeepSeek Flash deed er 4,5 minuten over voor ongeveer 15 cent, Claude Haiku 80 seconden voor 2 cent met 16 cijfers die werden geblokkeerd door de grounding gate, Claude Sonnet 2 minuten 15 seconden voor 63 cent
• Backtest: de engine is solide, de timing hangt af van de run. In 3 van mijn 4 DeepSeek-runs verschoof de gegenereerde code het signaal een extra dag (51,6% gerapporteerd, 39,8% in mijn herbouw). Claude Haiku en Sonnet handelden op de juiste dag, net als de live DeepSeek Flash-run in deze video (38,3%, 103 transacties).
• Commissie: DeepSeek Flash gaf een koopadvies in 10 minuten, Claude Haiku gaf geen beoordeling, Claude Sonnet gaf een houdadvies met een hedge in 7,5 minuten.
• Eén run met alle 3 functies: ongeveer 40 cent op DeepSeek Flash, 11 cent op Claude Haiku, $ 2,80 op Claude Sonnet.
Links
• Mijn pull request naar de repository over de signaalvertraging: Vibe-Trading#2137
• AI-Trader-paper van hetzelfde lab: arxiv.org
• Glassbench, om repositories van trading agents te vergelijken: davidalmeida90/glassbench
• TradingAgents-video: youtu.be
• AI Hedge Fund-video: youtu.be
Hoofdstukken
0:00 Vibe Trading in één minuut
0:18 Waarom het populair werd
0:48 In deze video
1:10 Binnen de repository
2:39 Hoe een verzoek erdoorheen gaat
3:08 Veilig installeren, stap voor stap
4:34 Laat je AI-agent het installeren
5:13 Functie 1: aandelenanalyse op NVIDIA
7:41 Functie 2: RSI(2)-strategie en backtest
11:07 Functie 3: beleggingscommissie
14:25 Vergelijken in Glassbench
15:19 Scorebord en kosten
16:18 Mijn oordeel
Ik heb zelf betaald voor elke API-aanroep in deze video. Geen beleggingsadvies: dit is een test van een open source repository, niets meer.
#VibeTrading #AITrading #DeepSeek
[pa] DeepSeek ਅਤੇ Claude 'ਤੇ ਓਪਨ ਸੋਰਸ Vibe Trading: ਸੈੱਟਅੱਪ, ਬੈਕਟੈਸਟ ਅਤੇ ਕਮੇਟੀ
ਵਾਈਬ ਟ੍ਰੇਡਿੰਗ (HKUDS, GitHub 'ਤੇ 37K ਸਟਾਰ) ਇੱਕ ਓਪਨ ਸੋਰਸ AI ਟ੍ਰੇਡਿੰਗ ਏਜੰਟ ਹੈ। ਮੈਂ ਇਸਨੂੰ ਇੰਸਟਾਲ ਕਰਦਾ ਹਾਂ ਅਤੇ ਇਸਦੀਆਂ 3 ਮੁੱਖ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ DeepSeek Flash, DeepSeek Pro, Claude Haiku ਅਤੇ Claude Sonnet 'ਤੇ ਟੈਸਟ ਕਰਦਾ ਹਾਂ।
HKUDS/Vibe-Trading
ਅੰਦਰ ਕੀ ਹੈ
• ਸੈੱਟਅੱਪ, VS ਕੋਡ ਵਿੱਚ ਕਦਮ ਦਰ ਕਦਮ: ਕਲੋਨ, ਇੱਕ Python 3.11 venv, ਲਾਕ ਫਾਈਲ, ਤੁਹਾਡੇ ਮਾਡਲ ਦੇ ਨਾਲ .env, ਅਤੇ ਡੌਕਰ ਕਿਉਂ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ (ਇਸਦਾ ਟਰਮੀਨਲ ਐਪ ਹਮੇਸ਼ਾ ਆਪਣੇ ਸ਼ੈੱਲ ਟੂਲਸ ਨੂੰ ਚਾਲੂ ਰੱਖਦਾ ਹੈ)
• ਵਿਸ਼ੇਸ਼ਤਾ 1, ਇੱਕ ਏਜੰਟ NVIDIA ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦਾ ਹੈ: ਰੇਟਿੰਗ, ਐਂਟਰੀ, ਸਟਾਪ ਅਤੇ ਟਾਰਗੇਟ
• ਵਿਸ਼ੇਸ਼ਤਾ 2, ਇੱਕ ਰਣਨੀਤੀ ਅਤੇ ਇਸਦਾ ਬੈਕਟੈਸਟ: 2015 ਤੋਂ SPY 'ਤੇ ਲੈਰੀ ਕੋਨਰਜ਼ ਦਾ RSI(2) ਪੁੱਲਬੈਕ
• ਵਿਸ਼ੇਸ਼ਤਾ 3, ਨਿਵੇਸ਼ ਕਮੇਟੀ: ਬਲਦ, ਰਿੱਛ, ਜੋਖਮ ਅਧਿਕਾਰੀ ਅਤੇ ਪੋਰਟਫੋਲੀਓ ਮੈਨੇਜਰ
• ਆਪਣੇ ਖੁਦ ਦੇ ਟਰਮੀਨਲ ਐਪ ਵਿੱਚ ਲਾਈਵ ਚੱਲਦਾ ਹੈ, ਅਤੇ ਮੇਰੇ ਅਸਲ ਚੱਲਦੇ ਹਨ ਇਸਦੇ ਵੈੱਬ ਐਪ ਵਿੱਚ ਖੋਲ੍ਹੇ ਗਏ
• ਇਹ ਗਲਾਸਬੈਂਚ ਵਿੱਚ TradingAgents ਅਤੇ AI Hedge Fund ਨਾਲ ਕਿਵੇਂ ਤੁਲਨਾ ਕਰਦਾ ਹੈ
ਮੈਂ ਕੀ ਪਾਇਆ
• NVIDIA 'ਤੇ ਸਟਾਕ ਵਿਸ਼ਲੇਸ਼ਣ: DeepSeek Flash ਨੇ ਲਗਭਗ 15 ਸੈਂਟ ਲਈ 4.5 ਮਿੰਟ ਲਏ, Claude Haiku ਨੇ 2 ਸੈਂਟ ਲਈ 80 ਸਕਿੰਟ ਲਏ ਜਿਸ ਵਿੱਚ ਇਸਦੇ ਗਰਾਉਂਡਿੰਗ ਗੇਟ ਦੁਆਰਾ 16 ਅੰਕੜੇ ਖਾਲੀ ਕੀਤੇ ਗਏ ਸਨ, ਕਲੌਡ ਸੋਨੇਟ 2 ਮਿੰਟ 15 ਸਕਿੰਟ 63 ਸੈਂਟ ਲਈ
• ਬੈਕਟੈਸਟ: ਇੰਜਣ ਠੋਸ ਹੈ, ਸਮਾਂ ਦੌੜ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਮੇਰੇ 4 ਡੀਪਸੀਕ ਰਨ ਵਿੱਚੋਂ 3 ਵਿੱਚ ਤਿਆਰ ਕੀਤੇ ਕੋਡ ਨੇ ਸਿਗਨਲ ਨੂੰ ਇੱਕ ਵਾਧੂ ਦਿਨ ਬਦਲ ਦਿੱਤਾ (51.6% ਰਿਪੋਰਟ ਕੀਤਾ ਗਿਆ, ਮੇਰੇ ਦੁਬਾਰਾ ਬਣਾਉਣ ਵਿੱਚ 39.8%)। ਕਲਾਉਡ ਹਾਇਕੂ ਅਤੇ ਸੋਨੇਟ ਨੇ ਸਹੀ ਦਿਨ ਵਪਾਰ ਕੀਤਾ, ਅਤੇ ਇਸ ਵੀਡੀਓ ਵਿੱਚ ਲਾਈਵ ਡੀਪਸਿਕ ਫਲੈਸ਼ ਵੀ ਚੱਲਿਆ (38.3%, 103 ਵਪਾਰ)
• ਕਮੇਟੀ: ਡੀਪਸਿਕ ਫਲੈਸ਼ ਨੇ 10 ਮਿੰਟਾਂ ਵਿੱਚ ਇੱਕ ਖਰੀਦ ਦਿੱਤੀ, ਕਲਾਉਡ ਹਾਇਕੂ ਨੇ ਕੋਈ ਰੇਟਿੰਗ ਨਹੀਂ ਦਿੱਤੀ, ਕਲਾਉਡ ਸੋਨੇਟ ਨੇ 7.5 ਮਿੰਟਾਂ ਵਿੱਚ ਇੱਕ ਹੈਜ ਦੇ ਨਾਲ ਇੱਕ ਹੋਲਡ ਦਿੱਤਾ
• ਸਾਰੀਆਂ 3 ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਿੱਚੋਂ ਇੱਕ ਦੌੜ: ਡੀਪਸਿਕ ਫਲੈਸ਼ 'ਤੇ ਲਗਭਗ 40 ਸੈਂਟ, ਕਲਾਉਡ ਹਾਇਕੂ 'ਤੇ 11 ਸੈਂਟ, ਕਲਾਉਡ ਸੋਨੇਟ 'ਤੇ $2.80
ਲਿੰਕ
• ਸਿਗਨਲ ਦੇਰੀ 'ਤੇ ਰੈਪੋ ਨੂੰ ਮੇਰੀ ਪੁੱਲ ਬੇਨਤੀ: Vibe-Trading#2137
• ਉਸੇ ਲੈਬ ਤੋਂ AI-Trader ਪੇਪਰ: arxiv.org
• ਗਲਾਸਬੈਂਚ, ਟ੍ਰੇਡਿੰਗ ਏਜੰਟ ਰੈਪੋ ਦੀ ਤੁਲਨਾ ਕਰਨ ਲਈ: davidalmeida90/glassbench
• TradingAgents ਵੀਡੀਓ: youtu.be
• AI ਹੈਜ ਫੰਡ ਵੀਡੀਓ: youtu.be
ਅਧਿਆਇ
0:00 ਇੱਕ ਮਿੰਟ ਵਿੱਚ ਵਾਈਬ ਟ੍ਰੇਡਿੰਗ
0:18 ਇਹ ਪ੍ਰਸਿੱਧ ਕਿਉਂ ਹੋਇਆ
0:48 ਇਸ ਵੀਡੀਓ ਵਿੱਚ
1:10 ਰਿਪੋਜ਼ਟਰੀ ਦੇ ਅੰਦਰ
2:39 ਇੱਕ ਬੇਨਤੀ ਇਸ ਵਿੱਚੋਂ ਕਿਵੇਂ ਲੰਘਦੀ ਹੈ
3:08 ਇਸਨੂੰ ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਸਥਾਪਿਤ ਕਰੋ, ਕਦਮ ਦਰ ਕਦਮ
4:34 ਆਪਣੇ AI ਏਜੰਟ ਨੂੰ ਇਸਨੂੰ ਸਥਾਪਤ ਕਰਨ ਦਿਓ
5:13 ਵਿਸ਼ੇਸ਼ਤਾ 1: NVIDIA 'ਤੇ ਸਟਾਕ ਵਿਸ਼ਲੇਸ਼ਣ
7:41 ਵਿਸ਼ੇਸ਼ਤਾ 2: RSI(2) ਰਣਨੀਤੀ ਅਤੇ ਬੈਕਟੈਸਟ
11:07 ਵਿਸ਼ੇਸ਼ਤਾ 3: ਨਿਵੇਸ਼ ਕਮੇਟੀ
14:25 ਗਲਾਸਬੈਂਚ ਵਿੱਚ ਇਸਦੀ ਤੁਲਨਾ ਕਰੋ
15:19 ਸਕੋਰਬੋਰਡ ਅਤੇ ਲਾਗਤਾਂ
16:18 ਮੇਰਾ ਫੈਸਲਾ
ਮੈਂ ਇਸ ਵੀਡੀਓ ਵਿੱਚ ਹਰੇਕ API ਕਾਲ ਲਈ ਖੁਦ ਭੁਗਤਾਨ ਕੀਤਾ। ਨਿਵੇਸ਼ ਸਲਾਹ ਨਹੀਂ: ਇਹ ਇੱਕ ਓਪਨ ਸੋਰਸ ਰੈਪੋ ਦਾ ਟੈਸਟ ਹੈ, ਹੋਰ ਕੁਝ ਨਹੀਂ।
#VibeTrading #AITrading #DeepSeek
[pl] Otwartoźródłowy Vibe Trading na DeepSeek i Claude: instalacja, backtest i komitet inwestycyjny
Vibe Trading (HKUDS, 37 tys. gwiazdek na GitHubie) to otwartoźródłowy agent handlowy oparty na sztucznej inteligencji. Instaluję go i testuję jego 3 główne funkcje na DeepSeek Flash, DeepSeek Pro, Claude Haiku i Claude Sonnet. HKUDS/Vibe-Trading
Co zawiera
• Konfiguracja krok po kroku w VS Code: klon, venv w Pythonie 3.11, plik blokady, .env z modelem i dlaczego Docker ma znaczenie (aplikacja terminalowa zawsze ma włączone narzędzia powłoki)
• Funkcja 1: jeden agent analizuje NVIDIA: rating, wejście, stop i cel
• Funkcja 2: strategia i jej backtest: korekta RSI(2) Larry'ego Connorsa na SPY od 2015 roku
• Funkcja 3: komitet inwestycyjny: wzrost, spadek, dyrektor ds. ryzyka i zarządzający portfelem
• Przebiegi na żywo w aplikacji terminalowej, a moje oryginalne przebiegi otwarte w aplikacji webowej
• Porównanie z TradingAgents i AI Hedge Fund w Glassbench
Co odkryłem
• Analiza akcji na NVIDIA: DeepSeek Flash trwał 4,5 minuty za około 15 centów, Claude Haiku 80 sekund za 2 centy, z 16 cyframi wygaszonymi przez bramka uziemiająca, Claude Sonnet 2 minuty 15 sekund za 63 centy
• Test wsteczny: silnik jest solidny, czas zależy od przebiegu. W 3 z moich 4 przebiegów DeepSeek wygenerowany kod przesunął sygnał o jeden dodatkowy dzień (51,6% zgłoszonych, 39,8% w mojej przebudowie). Claude Haiku i Sonnet handlowali we właściwym dniu, podobnie jak DeepSeek Flash na żywo w tym filmie (38,3%, 103 transakcje)
• Komitet: DeepSeek Flash wydał rekomendację kupna w ciągu 10 minut, Claude Haiku nie wystawił rekomendacji, Claude Sonnet wydał rekomendację utrzymania z zabezpieczeniem w ciągu 7,5 minuty
• Jeden przebieg wszystkich 3 trendów: około 40 centów na DeepSeek Flash, 11 centów na Claude Haiku, 2,80 USD na Claude Sonnet
Linki
• Mój pull request do repozytorium, dotyczący opóźnienia sygnału: Vibe-Trading#2137
• Artykuł AI-Trader z tego samego laboratorium: arxiv.org
• Glassbench, do porównania repozytoriów agentów handlowych: davidalmeida90/glassbench
• Film o TradingAgents: youtu.be
• Film o AI Hedge Fund: youtu.be
Rozdziały
0:00 Vibe Trading w minutę
0:18 Dlaczego stał się popularny
0:48 W tym filmie
1:10 Wewnątrz repozytorium
2:39 Jak żądanie przez nie przechodzi
3:08 Bezpieczna instalacja, krok po kroku
4:34 Pozwól swojemu agentowi AI go zainstalować
5:13 Funkcja 1: analiza akcji na NVIDIA
7:41 Funkcja 2: strategia RSI(2) i backtest
11:07 Funkcja 3: komitet inwestycyjny
14:25 Porównaj w Glassbench
15:19 Tablica wyników i koszty
16:18 Mój werdykt
Sam zapłaciłem za każde wywołanie API w tym filmie. Nie jest to porada inwestycyjna: to test repozytorium open source, nic więcej.
#VibeTrading #AITrading #DeepSeek
[pt-BR] Vibe Trading de código aberto no DeepSeek e Claude: Configuração, Backtest e Comitê
Vibe Trading (HKUDS, 37 mil estrelas no GitHub) é um agente de negociação de IA de código aberto. Eu o instalei e testei seus 3 principais recursos no DeepSeek Flash, DeepSeek Pro, Claude Haiku e Claude Sonnet.
HKUDS/Vibe-Trading
O que está incluído
• Configuração passo a passo no VS Code: clonagem, um ambiente virtual Python 3.11, o arquivo de bloqueio, o arquivo .env com seu modelo e por que o Docker é importante (seu aplicativo de terminal mantém suas ferramentas de shell sempre abertas)
• Recurso 1: um agente analisa a NVIDIA: classificação, entrada, stop e alvo
• Recurso 2: uma estratégia e seu backtest: recuo do RSI(2) de Larry Connors no SPY desde 2015
• Recurso 3: o comitê de investimento: otimista, pessimista, diretor de risco e gestor de portfólio
• Execuções ao vivo em seu próprio aplicativo de terminal e minhas execuções originais abertas em seu aplicativo web
• Comparação com TradingAgents e AI Hedge Fund no Glassbench
O que descobri
• Análise de ações da NVIDIA: DeepSeek Flash levou 4,5 minutos para cerca de 15 centavos, Claude Haiku 80 segundos para 2 centavos com 16 dígitos apagados pelo seu portão de aterramento, Claude Sonnet 2 minutos e 15 segundos por 63 centavos
• Backtest: o motor é sólido, o tempo depende da execução. Em 3 das minhas 4 execuções do DeepSeek, o código gerado deslocou o sinal em um dia a mais (51,6% relatado, 39,8% na minha reconstrução). Claude Haiku e Sonnet operaram no dia certo, assim como a execução ao vivo do DeepSeek Flash neste vídeo (38,3%, 103 operações)
• Comitê: DeepSeek Flash recomendou Compra em 10 minutos, Claude Haiku não emitiu nenhuma classificação, Claude Sonnet recomendou Manter com hedge em 7,5 minutos
• Uma execução com todos os 3 recursos: cerca de 40 centavos no DeepSeek Flash, 11 centavos no Claude Haiku, US$ 2,80 no Claude Sonnet
Links
• Meu pull request para o repositório, sobre o atraso do sinal: Vibe-Trading#2137
• Artigo do AI-Trader do mesmo laboratório: arxiv.org
• Glassbench, para comparar repositórios de agentes de negociação: davidalmeida90/glassbench
• Vídeo do TradingAgents: youtu.be
• Vídeo sobre Fundos de Investimento com IA: youtu.be
Capítulos
0:00 Vibe Trading em um minuto
0:18 Por que ficou popular
0:48 Neste vídeo
1:10 Dentro do repositório
2:39 Como uma requisição se move por ele
3:08 Instale com segurança, passo a passo
4:34 Deixe seu agente de IA instalar
5:13 Recurso 1: análise de ações na NVIDIA
7:41 Recurso 2: estratégia RSI(2) e backtest
11:07 Recurso 3: comitê de investimento
14:25 Compare no Glassbench
15:19 Placar e custos
16:18 Meu veredito
Eu paguei por cada chamada de API neste vídeo. Não é uma recomendação de investimento: este é um teste de um repositório de código aberto, nada mais.
#VibeTrading #AITrading #DeepSeek
[ru] Open Source Vibe Trading на DeepSeek и Claude: настройка, бэктест и инвестиционный комитет
Vibe Trading (HKUDS, 37 тыс. звезд на GitHub) — это торговый агент с открытым исходным кодом и искусственным интеллектом. Я установил его и протестировал 3 основные функции на DeepSeek Flash, DeepSeek Pro, Claude Haiku и Claude Sonnet.
HKUDS/Vibe-Trading
Что внутри
• Пошаговая настройка в VS Code: клонирование, виртуальное окружение Python 3.11, файл блокировки, .env с вашей моделью и почему Docker важен (его терминальное приложение всегда держит включенными инструменты оболочки)
• Функция 1: один агент анализирует NVIDIA: рейтинг, точка входа, стоп-лосс и целевая цена
• Функция 2: стратегия и ее бэктест: коррекция RSI(2) Ларри Коннорса на SPY с 2015 года
• Функция 3: инвестиционный комитет: бык, медведь, риск-менеджер и портфельный менеджер
• Запуски в реальном времени в собственном терминальном приложении, а мои первоначальные запуски открыты в веб-приложении
• Сравнение с TradingAgents и AI Hedge Fund в Glassbench
Что я обнаружил
• Анализ акций NVIDIA: DeepSeek Flash занял 4,5 минуты для примерно 15 центов, Claude Haiku — 80 секунд для 2 центов, при этом 16 цифр были проигнорированы Заземляющий затвор, Клод Сонне, 2 минуты 15 секунд за 63 цента
• Тестирование: движок работает стабильно, время зависит от запуска. В 3 из 4 моих запусков DeepSeek сгенерированный код сдвинул сигнал на один дополнительный день (51,6% заявлено, 39,8% в моей пересборке). Клод Хайку и Сонне торговали в удачный день, как и работа DeepSeek Flash в реальном времени, показанная в этом видео (38,3%, 103 сделки).
• Комитет: DeepSeek Flash дал рекомендацию «Покупать» за 10 минут, Клод Хайку не дал оценки, Клод Сонне дал рекомендацию «Держать» с хеджированием за 7,5 минут.
• Один запуск всех 3 функций: около 40 центов на DeepSeek Flash, 11 центов на Клоде Хайку, 2,80 доллара на Клоде Сонне.
Ссылки
• Мой запрос на слияние в репозиторий, касающийся задержки сигнала: Vibe-Trading#2137
• Статья об AI-Trader из той же лаборатории: arxiv.org
• Glassbench для сравнения репозиториев торговых агентов: davidalmeida90/glassbench
• Видео о TradingAgents: youtu.be
• Видео об ИИ-хедж-фонде: youtu.be
Разделы
0:00 Торговля с использованием Vibe за одну минуту
0:18 Почему она стала популярной
0:48 В этом видео
1:10 Внутри репозитория
2:39 Как запрос проходит через него
3:08 Безопасная установка, шаг за шагом
4:34 Позвольте вашему ИИ-агенту установить ее
5:13 Функция 1: анализ акций NVIDIA
7:41 Функция 2: стратегия RSI(2) и бэктест
11:07 Функция 3: инвестиционный комитет
14:25 Сравнение в Glassbench
15:19 Таблица результатов и затраты
16:18 Мой вердикт
Я сам оплатил каждый вызов API в этом видео. Это не инвестиционный совет: это тест репозитория с открытым исходным кодом, ничего больше.
#VibeTrading #AITrading #DeepSeek
[ta] DeepSeek மற்றும் Claude-ல் ஓப்பன் சோர்ஸ் Vibe Trading: அமைப்பு, பேக் டெஸ்ட்
282 likes · 12 comments · 23,363 views
Mentions
Deeptutor绝对是付费级的开源产品 套壳卖绝对大有可为（不提倡，但肯定有人这么做了。。。） HKUDS/DeepTutor t.co
#Plugin for #agents that uses #decisions strategy 9B specialized #model to improve performance of previously unseen tasks, learn on previous experience to refine and improve. - #TerminalBench 2.1: +8.3% vs best baseline - #AIME 2024+2025: +22.2% #SystemOne #CodeAgents #Opensource MIT lic #AI #LLM
应开源社区小伙伴们的要求，DeepTutor 桌面版(Desktop)终于安排上啦。Mac 和 Windows 都已支持，开箱即用！ GitHub: HKUDS/DeepTutor t.co
Does Graph RAG Actually Help? I Measured It on Postgres and TypeScript Graph RAG is usually described with one claim: vector search misses answers that sit behind a chain of facts, and a knowledge graph fixes that. That is plausible. It is also expensive to adopt, because every document goes through an LLM before it is searchable. So I built a small version on Postgres, ran it against a hybrid search baseline on 100 multi-hop questions, and counted what it cost. The short result: the gain was modest and conditional. Graph retrieval alone did not clearly beat hybrid search. Combined with it, the graph did, on questions that need several documents, and the one-time indexing bill was about twelve times the token cost of the whole hybrid evaluation. The details matter more than the headline, so this article walks through the setup, the numbers with their uncertainty, the questions where the graph made things worse, and what the experiment cannot tell you. All code and data are in aiengineering-book/graph-rag-experiment. You can skip the expensive build step and reproduce the results with a 0.8 MB file. --- What Was Tested Four systems answer the same questions with the same answer prompt, so the only difference between them is which passages the model sees: | System | What it retrieves | |---|---| | Closed-book | Nothing. The model answers from what it already knows (a control). | | Hybrid | Vector search and Postgres full-text search (ts_rank), merged by reciprocal rank fusion. Top 5 passages. No reranker. A BM25 version is tested later. | | Graph | Passages found by walking a knowledge graph from the entities in the question. Top 5 passages. | | Graph + hybrid | The two ranked lists merged by reciprocal rank fusion. Top 5 passages. | The questions come from MuSiQue (CC BY 4.0), a benchmark of questions that need two to four reasoning steps across different passages. For example: > Where does Ulysses Kay's birth city hold NASCAR races? Answering it takes two passages: one that says Ulysses Kay was born in Tucson, and one that says what races Tucson hosts. The question names only the first. I sampled 100 questions from the dev set with a fixed seed. Each question ships with 20 passages (19 for one of them), a few relevant and the rest distractors. I pooled all of them into one corpus of 1,847 passages, so every system searches the same collection, as it would in a real deployment. The stack: - Postgres 16 with pgvector. Vectors, full-text search and the graph all live here. There is no graph database. - nomic-embed-text, running locally through Ollama, for all embeddings (768 dimensions). - DeepSeek (deepseek-flash, thinking disabled) for graph extraction, for finding entities in a question, and for answering. Any OpenAI-compatible chat API would work for the same roles. Scoring is exact match and token F1 against the gold answer and its aliases, plus the share of each question's supporting passages that a system actually retrieved. Exact match is strict ("The Mother (Tracy McConnell)" does not match "Tracy McConnell"), so F1 is reported too. --- How the Graph Is Built and Searched Indexing adds one step to what a hybrid index does. An LLM reads each passage and returns the entities in it and the relations between them as JSON: { "entities": ["Ulysses Kay", "Tucson, Arizona"], "relations": [ { "source": "Ulysses Kay", "relation": "born in", "target": "Tucson, Arizona" } ] } The results go into three tables next to the passages. Entities are merged by normalized name, and each relation remembers which passage it came from: CREATE TABLE entities (id serial PRIMARY KEY, name text, key text UNIQUE, embedding vector(768)); CREATE TABLE mentions (entity_id int REFERENCES entities, chunk_id int REFERENCES chunks, PRIMARY KEY (entity_id, chunk_id)); CREATE TABLE relations (id serial PRIMARY KEY, src int REFERENCES entities, dst int REFERENCES entities, label text, chunk_id int REFERENCES chunks); Searching the graph (what GraphRAG calls local search) has four steps: 1. Ask the LLM for the named entities in the question. 2. Embed each name and find the nearest entity in the entities table. These are the seeds. 3. Walk the relations table outward from the seeds for two hops. 4. Score each passage by the entities it mentions, weighting each by 1 / (1 + hops from a seed), and keep the top 5. For the Ulysses Kay question, the seed is "Ulysses Kay". One hop reaches "Tucson, Arizona", so the passage about Tucson is retrieved even though the question never mentions it. This is a deliberately small graph. It has no community detection and no community summaries, which Microsoft's GraphRAG uses for questions about a whole corpus. That matters for what the results can and cannot say, and it is covered at the end. --- Results | System | Exact match (95% interval) | F1 | Supporting passages retrieved | Exact match vs hybrid, same questions | |---|---|---|---|---| | Closed-book | 10% | 0.19 | n/a | n/a | | Hybrid | 28% [19, 37] | 0.42 | 51% | baseline | | Graph | 35% [26, 45] | 0.48 | 61% | +7 points [-3, 17]; right where hybrid was wrong 18 times, the reverse 11 | | Graph + hybrid | 42% [33, 52] | 0.53 | 68% | +14 points [5, 24]; 20 times against 6 | The intervals are 95% bootstrap intervals over the 100 questions. The last column compares systems on the same questions, which is more informative than comparing two percentages. What the table supports: - Retrieval helps at all. Without it, the model answers 10% of these questions. Hybrid search nearly triples that. - Graph + hybrid beat hybrid. The interval for the difference, [5, 24] points, excludes zero. - Graph alone did not clearly beat hybrid. Its interval, [-3, 17], includes zero. Seven points is the best estimate, but 100 questions cannot separate it from noise. - Hybrid misses half the evidence. It retrieved 51% of the supporting passages. That gap is the room a graph has to work with. Splitting the same results by the number of reasoning steps (MuSiQue labels each question 2, 3 or 4 hops): | Hops | Questions | Hybrid | Graph + hybrid | Only graph + hybrid right / only hybrid right | |---|---|---|---|---| | 2 | 62 | 32% | 50% | 13 / 2 | | 3 | 28 | 18% | 32% | 6 / 2 | | 4 | 10 | 30% | 20% | 1 / 2 | The gain did not grow with depth. It is clear at two hops and similar in size at three. At four hops there is no gain, but ten questions cannot say anything about four-hop questions, and I did not compute intervals for these splits. --- Where the Graph Helped The 18 questions the graph answered and hybrid did not share a shape: the answer sits behind an entity the question does not name. For the Ulysses Kay question, hybrid search matched the words "NASCAR races" and returned passages about Richmond, Virginia, a NASCAR TV show and two NASCAR drivers, then answered "Richmond International Raceway". The graph started from "Ulysses Kay", followed the birthplace relation to Tucson, and answered "Tucson Raceway Park". The same pattern appeared for "Who is the child of the actor who is a cast member of Love in Pawn?", for "In which county was James Finch born?", and for "Who was the spouse of the leading lady in Gone With the Wind?". In each case the second passage is reachable by following a relation from a named entity, and not by similarity to the question's words. --- Where It Hurt The graph answered 11 questions worse than hybrid (two of them are the same question, which appears twice in the sample). Two causes showed up. The question has no entity to start from. "What was the percentage that the Dow Jones fell when the US had the highest unemployment rate?" contains no usable named entity, so the graph search had no seeds, returned unrelated passages, and the model answered "I don't know". Hybrid found it from the words alone. The seed is a hub. For "In what part of Florida is Tom Denney's birthplace located?", the question names "Florida" as well as "Tom Denney". "Florida" has 41 neighbors in the graph, and walking out from it pulled in passages about other Florida cities, which crowded out the correct one. The second cause suggested a fix: do not walk outward through entities with many neighbors. The median entity in this graph has one neighbor and the 99th percentile has 13, so I set the cutoff at 20, which catches 43 hub entities including "Florida". That fixed the Tom Denney question, and it raised graph + hybrid from 42% to 48%. There is a catch, and it affects how much to trust that number. I chose the cutoff after reading the failures in this same sample of 100 questions. Even with the paired comparison, a gain from a setting tuned on the test set is optimistic, and its interval ([0, 12] points over graph + hybrid without the cap) barely clears zero. The Tom Denney question also appears twice in the sample under different ids, so that fix is counted twice. Treat the hub cap as a hypothesis to confirm on fresh questions, not as a result. --- What Else Changed the Outcome Each of these reuses the same graph, so there is no rebuild: | Variation | Exact match | Supporting passages retrieved | |---|---|---| | Graph + hybrid, 2 hops (default) | 42% | 68% | | Graph + hybrid, 1 hop | 36% | 64% | | Hybrid, 8 passages instead of 5 | 33% | 60% | | Graph + hybrid, 8 passages | 48% | 76% | | Hybrid, BM25 for the keyword half | 27% | 59% | | Graph + hybrid, BM25 for the keyword half | 38% | 68% | - The second hop matters. With one hop, graph + hybrid falls to 36%, and its advantage over hybrid no longer clears zero. Most of the benefit comes from reaching passages two steps away. - A stronger keyword search did not rescue the baseline. The keyword half of the hybrid search above is Postgres's built-in full-text ranking, which is not BM25. Swapping in BM25 (same parameters as the one in the book: k1 = 1.5, b = 0.75, and the Lucene-style idf, ln((N - df + 0.5) / (df + 0.5) + 1), which cannot go negative; BM25 variants differ in details like this, and they can change which passages rank first) raised the share of supporting passages hybrid retrieved from 51% to 59%, but exact match stayed at 27%. Graph + hybrid with BM25 scored 38%, which is 11 points above hybrid with BM25 [3, 20], winning 16 questions to 5. That is a little smaller than the 14 points against the original baseline, and the interval still excludes zero. My guess for why the better retrieval did not help: an answer needs every hop's passage, and BM25 mostly found more of the first-hop ones. - The gain is not just more context. Giving hybrid search 8 passages lifts it from 28% to 33%. Graph + hybrid with 8 passages reaches 48%, ahead of hybrid with the same 8 passages by 15 points [7, 23], on 17 questions against 2. That extra context costs about 50% more prompt tokens (121,000 against 80,000 per 100 questions). --- What It Costs | Item | Cost | |---|---| | Building the graph, once | 1,827 LLM calls, about 964,000 tokens (450,000 prompt, 514,000 completion), about 14 minutes at 4 concurrent requests | | Evaluating hybrid on 100 questions | about 80,000 prompt tokens | | Evaluating graph + hybrid on 100 questions | about 82,000 prompt tokens, plus one extra LLM call per question to find the question's entities | | Updating one edited passage, graph | about 255 prompt and 306 completion tokens, about 2 seconds | | Updating one edited passage, hybrid index | about 70 to 90 ms, no LLM call | The build is about twelve times the token cost of the entire hybrid evaluation, and nearly all of the experiment's spend. At query time the graph adds one short LLM call and about the same prompt size as hybrid, so serving cost is modest. The cost lives in indexing. Two costs are not visible in those numbers: - Extraction fails sometimes. 57 of 1,847 passages (3%) returned JSON that did not parse, so they have no graph entries at all. - Entity merging is crude. Entities merge by normalized name, so "Future Ted" and "Future Ted Mosby" ended up as separate entities. A split like that can break a path. Better entity resolution would cost more. The update figure applies to this small graph, where re-extracting one passage is enough. A system that also keeps community summaries has to regenerate those after changes, which this experiment did not measure. --- What This Does Not Show - One run on 100 questions, with one model. The intervals are wide. A different sample, or a different answering and extraction model, could move the numbers by several points. Stronger models might narrow the gap by making hybrid search better at using the passages it finds, or widen it by extracting a better graph. I did not test either. - Only multi-hop questions. The benchmark has no single-fact questions, so this says nothing about whether the graph helps or hurts them. It also has no whole-corpus questions of the "which risks recur across all these contracts" kind. - No community summaries. Those are what GraphRAG's global search relies on. This experiment tests the local half of graph retrieval only. Whether a graph helps on whole-corpus questions needs a different system and a different corpus. - No reranker. I tested BM25 against the built-in full-text ranking, but not a reranking step (a cross-encoder that rescores the top candidates). It could lift the baseline further. It only reorders passages that were already retrieved, so I would expect it to help less with passages found through a bridge entity, but I did not test that. - No comparison with multi-step retrieval. An agent that rewrites its query after each retrieval round can also follow a chain of facts, with no extra index. I did not compare against it. - Possible training-data overlap. The model answers 10% of the questions with no retrieval at all, which is modest but not zero. The control run is there so you can see it. --- When It Is Worth Trying The experiment points to a narrow case. A graph is worth evaluating when: - a large share of your questions need facts from several documents joined through an entity the question does not name; - your documents describe entities and relations that stay fairly stable, because every change means re-extraction; - you can afford an indexing bill that scales with corpus size and can measure the gain against your current hybrid search first. If most of your questions are single-fact lookups, plain hybrid search is the cheaper path, and this experiment gives you no reason to change it. And before building a graph, measure how many of your questions are multi-hop at all. If that share is small, the cost is unlikely to pay back. --- Reproduce It Clone the repo and start Postgres with pgvector (docker compose up -d). Install Ollama and run ollama pull nomic-embed-text. Then: npm install cp .env.example .env # add an OpenAI-compatible API key for answering npm run import-graph # loads the finished graph, about 2 minutes, no LLM calls npm run eval -- --system hybrid npm run eval -- --system graph+hybrid npm run eval -- --system hybrid --keyword bm25 # the BM25 variants npm run report -- results/hybrid-100.json results/graph-hybrid-100.json import-graph copies the graph exactly but recomputes the embeddings locally. Embeddings come out slightly different on each import, so on the first 30 questions a few near-tied searches returned a different top 5, and exact match moved by two questions. Expect your numbers within a few points of the tables above, not identical to them. To try a different answering model, the repo also ships the exact prompts each system sent (prompts/*.jsonl, retrieval already done). npm run run-prompts sends them to any OpenAI-compatible API, and npm run score-answers scores the result, with no database or Ollama needed. I only tested DeepSeek, so another provider may need small client changes. To rebuild the graph yourself, download MuSiQue and draw the sample with scripts/sample-musique.py (the steps are in data/README.md), then run npm run ingest and npm run build-graph in place of import-graph. The build is the 964,000-token step. --- Your Experience The gain I measured was modest and only held when the graph was combined with hybrid search. If you have run graph retrieval in a real product, I would like to hear whether it paid for its indexing cost, what share of your questions were multi-hop, and whether you kept it or took it out. --- Further Reading Hybrid search with BM25 and reranking, the evaluation method, and a section on deciding when graph-based retrieval is worth adopting are covered in Chapters 11 and 12 of 《AI Engineering with TypeScript — A Comprehensive Guide to Building AI Agents》 at [Leanpub](leanpub.com). The book's companion code is at github.com/aiengineering-book/code. The experiment code, the finished graph and the per-question results are in aiengineering-book/graph-rag-experiment. The questions come from MuSiQue: Trivedi et al., "MuSiQue: Multihop Questions via Single-hop Question Composition", 2022 (repository, CC BY 4.0). Microsoft's GraphRAG and HKUDS's LightRAG are the two open-source implementations that include community summaries and global search.
DeepTutorをコードから読む：マルチエンジンRAGの構成と静的セキュリティレビュー TL;DR HKUDS/DeepTutor は香港大学 Data Intelligence Lab（HKUDS）による学習特化のエージェントアプリ。2026-10-30 時点で ★50,686（当日 +1,930）、Apache-2.0 知識ベースは LlamaIndex / PageIndex / GraphRAG / LightRAG など複数の RAG パイプラインを差し替え可能な構成 コミット 1ea7df1554 を実行せずに静的レビューした。自動スコアは 23/100（RED）だったが、high 検出は精査するとほぼ誤検知。ただし v1.4.x に CVSS 最大 9.8 の CVE 群があり、現行 v1.7.0 を使う前提で「注意つき」と判断した ! 本記事はリポジトリの静的な読解と公開情報に基づきます。コードの実行・動的解析はしていません。 概要 DeepTutor は「AI チューター」を自分の環境で動かすための OSS です。バックエンドは Python（3.11–3.14）、フロントは Next.js で、deeptutor start が同梱の Next.js standalone サーバを起動する構成です。README によると、会話・出題・小テスト・調査・可視化・解答・マスタリーパス・精読・音声まとめといったモードが同じ会話コンテキストを共有します。 リポジトリの指標（スキャン時点）: 項目 値 初回コミット / 最終コミット 2025-12-28 / 2026-10-29 コミット数 3,155（直近30日 738） 作者数 278（直近90日アクティブ 164） トップ作者比率 0.39 CI ワークフロー 5 テスト あり 1年弱でこの規模という、かなり速いペースで開発されているプロジェクトです。 アーキテクチャ：retrieval まわり deeptutor/ 配下は agents, capabilities, knowledge, services, tools, runtime などに分かれています。RAG の中心は deeptutor/services/rag/ です。 deeptutor/services/rag/ ├── factory.py / service.py # RAGService とパイプライン選択 ├── query_rewrite.py # 検索前のクエリ書き換え ├── smart_retriever.py # マルチクエリ検索と集約 ├── index_versioning.py # KB インデックスのバージョン管理 ├── embedding_binding.py ほか # 埋め込みプロバイダの紐付け └── pipelines/ ├── llamaindex/ pageindex/ graphrag/ ├── lightrag/ lightrag_server/ └── weknora/ ima/ kiwix/ 1. クエリ書き換え（fail-open） query_rewrite.py は、会話中の指示語を含む質問（「それってどういう意味？」など）を、LLM を 1 回呼んで自己完結したキーワード寄りの検索クエリに書き換えます。docstring に fail-open と明記されていて、LLM のエラー・タイムアウト・空出力のときは元のクエリにフォールバックします。書き換えに失敗しても検索自体は止まりません。現時点で実装されている戦略は standalone だけで、multi_query は今後の PR 用に予約されています。 2. マルチクエリ検索 SmartRetriever は、コンテキストからクエリのバリエーションを生成し（既定 max_queries=3、ヒントが渡されればそれを使う）、asyncio.gather(..., return_exceptions=True) で並列に検索して結果を集約します。1 本のクエリが例外を出しても、残りの結果は生かされる作りです。 3. パイプラインとインデックスのバージョン管理 KB はバージョン付きの version-N ディレクトリとして管理されます。たとえば PageIndex は埋め込みを使わないので、ローカルに置くのは「取り込んだファイル → ホスト側の doc_id」の対応表（pageindex_docs.json）だけです。それでも同じ index_versioning を使うことで、UI 上はほかの KB と同じように扱えるようになっています。プロバイダ定数には pageindex（クラウド）と pageindex-oss があります。 ! PageIndex（クラウド版）のように、ドキュメント自体が外部サービスに置かれるパイプラインもあります。教材に機密が含まれる場合は、どのパイプラインを選ぶかがデータの出口の選択になります。 セットアップ上の注意（API キー・コスト） お試しなら Docker イメージを使えます（README 記載）。 docker run --rm --name deeptutor \ -p 127.0.0.1:3782:3782 \ -v deeptutor-data:/app/data \ ghcr.io/hkuds/deeptutor:latest 127.0.0.1 にバインドしている点に注目してください。.env.example のコメントでも、ホスト側ポート（8001 / 3782 / 8090）はすべて loopback 前提とされています。起動したら Settings → Providers でモデルプロバイダを設定します。 pip でインストールする場合、1.7.0 からモジュール構成が変わっています。 pip install -U "deeptutor[full]" # Web アプリ + CLI 素の deeptutor は core のみ README には、旧 deeptutor-cli パッケージが入っている場合は先にそれをアンインストールするよう書かれています。同じトランザクションでアップグレードすると、新しい core が消えることがあるためです。 ! LLM・埋め込み・検索は設定したプロバイダへ送信されます。各社の API キーが必要で、従量課金になる可能性があります。特にクエリ書き換えとマルチクエリ検索は、1 回の質問で複数回 LLM / 検索を呼ぶ設計です 個人情報や機密資料は入れないでください deeptutor/services/llm/telemetry.py はローカルにログを出すだけで、外部には送信していませんでした（ただし全通信先を網羅的に確認したわけではありません） 静的セキュリティレビュー 対象はコミット 1ea7df155447f4caf0e3abc86b3ff5395479cd4a（2026-10-29 01:36 JST）、スキャン日時は 2026-10-30 15:17 JST です。 自動スコア：23 / 100（RED） 区分 件数 減点 high 15 -60 medium 1 -8 low 10 -6 SECURITY.md なし — -3 数字だけ見ると「紹介しない」側ですが、検出内容を 1 件ずつ見ていきます。 検出の精査（ほぼ誤検知） CREDENTIAL_PATHS（13件）：chat_hints.py, security_guard.py, routers/book.py, フロントの ChatStateAdapter.tsx など。検出された文字列はすべて local state で、UI 状態やローカルストレージの意味で使われていました。たとえば pageindex/storage.py:4 は、前述の「The only local state is a lightweight manifest…」という docstring です。SSH 鍵やブラウザの認証情報に触れるコードではありません → 誤検知。 HIDDEN_UNICODE（2件）：tests/runtime/providers/test_text.py と tests/services/cli_apps/test_provider.py。ゼロ幅スペースや RLO を除去するサニタイザのテスト入力です → 誤検知。 VERY_LONG_LINE（1件）：web/lib/brand-icons.generated.ts（11,747 文字）。生成されたアイコンデータです → 誤検知。 PIPE_TO_SHELL：deeptutor/services/cli_apps/models.py:10 は、レジストリにある curl … | bash を実行しないことを説明する docstring でした。残りは tests とリリースノート（ver1-5-7.md）だけです → 誤検知。 RAW_IP_URL：tests 内のみです。169.254.169.254（クラウドのメタデータエンドポイント）は SSRF 防止のテストケースでした。 Bandit B202（deeptutor/tools/tex_downloader.py:180）： if not is_within_directory(extract_dir, member_path): print(f"Suspicious file path in tar: {member.name}. Skipping.") continue yield member tar.extractall(extract_dir, members=safe_members(tar)) def _extract_zip(self, zip_path: Path, extract_dir: Path): with zipfile.ZipFile(zip_path, "r") as zip_file: zip_file.extractall(extract_dir) tar 側は safe_members でディレクトリ外を指すメンバーを除外しているので、実害は小さいと判断しました。一方 zip 側は同じ検証をしていません。軽微な注意点です。 エージェント向け指示書 フック（AGENT_HOOKS）や MCP 設定ファイルは見つかりませんでした。AGENTS.md / SKILL.md のほか、capabilities//prompts/ や skills/builtin//SKILL.md など多数のプロンプト用 Markdown があります。冒頭を中心に確認した範囲では、隠れた指示や外部送信命令はありませんでした。grep で探した範囲では不可視文字もありません。ただし全文を精読したわけではありません。 既知の CVE と修正バージョン ここが一番重要なポイントです。 CVE 影響 修正 CVE-2026-51876 / 51878 / 51879 / 51880 / 51881 v1.4.0。RCE・パストラバーサル・認可回避（CVSS 最大 9.8） v1.4.1（シェル実行を既定で無効化 など） CVE-2026-58168 1.4.10 未満。MCP ツールの認可回避 1.4.10 現行は v1.7.0 です。マルウェア混入やアカウント乗っ取りの報告は見つかりませんでした。 ! 1.4.10 未満は使わず、必ず最新版にアップデートしてください インターネットに公開しないでください（README の Docker 例も loopback バインドです） シェル実行や MCP ツールなど権限の強い機能は、必要なとき以外は有効にしないでください 衛生面 SECURITY.md・CODEOWNERS・dependabot がない：脆弱性の報告窓口が明文化されていません。過去に重大な CVE が出ている規模のプロジェクトとしては弱いところです CodeQL などのコードスキャンもありません。pull_request_target は使われていません Python 依存はピン留めされていないため、PyPI advisory との自動照合はできませんでした このレビューの限界 grep・Bandit・一部の目視による静的チェックと公開情報だけで判断しています。実行・動的解析はしていません 巨大なコードベースのすべてを読んだわけではなく、通信先も網羅的には確認していません 依存関係の脆弱性は未検証です 「安全である」という保証ではなく、「紹介してよいか」を判断する材料です まとめ DeepTutor は、RAG パイプラインを差し替えられる設計と、fail-open なクエリ書き換え・マルチクエリ検索を持つ、読みごたえのあるコードベースです。自動スキャンの RED 判定は大半が誤検知でした。一方で、過去の CVE 群と SECURITY.md がない点は実際のリスクです。最新版を使う・ローカル限定で動かす・強い権限の機能は無効にしておく、この 3 点を守れば試す価値は十分にあります。 参考： HKUDS/DeepTutor github.com/HKUDS/DeepTutor/releases/tag/v1.4.1 app.opencve.io
This repo gives AI agents a command line for Blender, FreeCAD, draw.io and even video games. 🔗 HKUDS/CLI-Anything Credits: HKUDS/CLI-Anything #clianything #python #aiagents
Hardening DeepTutor's Lifelong Knowledge Tracing in Production Tutoring Pipelines Integrating DeepTutor: What the Docs Don't Tell You When we evaluated HKUDS/DeepTutor (HKUDS/DeepTutor) for a production adaptive learning stack, the pitch was straightforward: lifelong personalized tutoring with persistent knowledge tracing. The reality? The framework's stateful architecture introduces failure boundaries you won't hit until multi-tenant load testing. DeepTutor aims to model long-term student progress by maintaining evolving knowledge states across sessions. Unlike ephemeral chatbots that treat every interaction as isolated, this system must reconcile historical performance data with real-time tutoring interactions. That persistence layer becomes your bottleneck. Architecture Breakdown: Where State Lives The core challenge in DeepTutor isn't the tutoring logic—it's the knowledge tracing pipeline. The system maintains: 1. Student Knowledge State: Vector embeddings representing concept mastery over time 2. Interaction History: Timestamped question-answer pairs with correctness labels 3. Adaptive Curriculum: Dynamic question selection based on current state estimates In our test topology, we ran DeepTutor behind a FastAPI gateway routing to multiple LLM backends through B-Lost's relay gateway (b-lost.com) for provider fallback. Configuration: import openai client = openai.OpenAI( base_url="https://b-lost.com/v1", api_key=os.getenv("BLOST_API_KEY") ) def generate_tutoring_response(student_state, question): prompt = build_adaptive_prompt(student_state, question) response = client.chat.completions.create( model="gpt-4o", messages=[{"role": "user", "content": prompt}], temperature=0.7 ) return response.choices[0].message.content The issue: DeepTutor's knowledge tracing runs inference on every interaction to update student embeddings. With 200ms average LLM latency plus 50-80ms for state vector updates, single-student sessions clocked 250-280ms total response time. Acceptable for demos, but not for classrooms with 30 concurrent learners. Session Isolation and State Collision The repository doesn't document multi-tenant isolation strategies. We discovered this the hard way when parallel sessions corrupted student state vectors. The culprit: # Naive global state management (anti-pattern) student_states = {} def update_knowledge_state(student_id, interaction): if student_id not in student_states: student_states[student_id] = initialize_state() # Race condition: concurrent updates to same student_id student_states[student_id] = recalculate_state( student_states[student_id], interaction ) Production fix required session-scoped state management with Redis-backed locking: # Terminal session diagnostic redis-cli KEYS "deeptutor:student:*" redis-cli GET "deeptutor:student:12345:state" redis-cli EXPIRE "deeptutor:student:12345:lock" 5 Migrating to Redis cut state collision errors from 12% to under 0.3% in concurrent load tests (simulated 50 students, 5 questions/min each). RAG Integration: When Retrieved Context Conflicts with Knowledge State DeepTutor's adaptive curriculum pulls from a static knowledge graph. We augmented it with RAG for dynamic content (current events, updated curriculum standards). Configuration: from langchain.vectorstores import FAISS from langchain.embeddings import OpenAIEmbeddings embeddings = OpenAIEmbeddings( openai_api_base="https://b-lost.com/v1", openai_api_key=os.getenv("BLOST_API_KEY") ) vector_store = FAISS.load_local("curriculum_db", embeddings) def retrieve_relevant_content(query, student_state): # Filter by student mastery level filters = {"difficulty": student_state["current_level"]} docs = vector_store.similarity_search(query, k=3, filter=filters) return docs The operational trap: RAG retrieval added 80-120ms latency, pushing total response time past 400ms. When benchmarking multi-provider fallback through the B-Lost relay, TTFT (time-to-first-token) dropped by 35ms with zero token truncation by caching embeddings client-side. More critical: retrieved content occasionally contradicted the knowledge state's difficulty estimates. A student flagged as struggling with algebra would receive calculus-level word problems because RAG pulled the highest-similarity docs without respecting mastery boundaries. We had to implement a two-stage filter: def filtered_retrieval(query, student_state): candidates = vector_store.similarity_search(query, k=10) # Post-filter by knowledge state compatibility valid_docs = [ doc for doc in candidates if doc.metadata["difficulty"] <= student_state["max_difficulty"] ] return valid_docs[:3] Debugging Knowledge Drift with CLI Probes Knowledge state vectors drift over time if interaction labels are noisy (students guessing correctly, or making careless errors on mastered concepts). We built a CLI diagnostic: #!/bin/bash # deeptutor-drift-probe.sh STUDENT_ID=$1 REDIS_KEY="deeptutor:student:${STUDENT_ID}:state" echo "Fetching state vector..." STATE=$(redis-cli GET $REDIS_KEY) echo "Analyzing interaction history..." HISTORY=$(redis-cli LRANGE "deeptutor:student:${STUDENT_ID}:history" 0 -1) python3 << EOF import json import numpy as np state = json.loads('$STATE') history = json.loads('$HISTORY') # Calculate concept mastery variance concept_scores = [] for interaction in history[-20:]: concept_scores.append(interaction['correctness']) variance = np.var(concept_scores) print(f"Mastery variance (last 20): {variance:.3f}") if variance > 0.25: print("WARNING: High variance detected - potential label noise") EOF Run every 50 interactions per student. Variance above 0.25 triggered manual review—often revealing mislabeled interactions or students rushing through questions. The Unresolved Question: Long-Term State Decay DeepTutor assumes lifelong learning, but our longest pilot ran 6 months. Student knowledge states grew to 500+ interaction records. At what point does historical data become noise rather than signal? We experimented with exponential decay weights: def calculate_weighted_state(history, decay_rate=0.95): weighted_sum = 0 total_weight = 0 for i, interaction in enumerate(reversed(history)): weight = decay_rate ** i weighted_sum += interaction['mastery_delta'] * weight total_weight += weight return weighted_sum / total_weight Decay rate tuning (0.90 vs 0.95 vs 0.98) changed student progression pacing by 15-20%. No consensus yet on optimal values—likely depends on subject domain and student age group. How do you balance honoring past struggles against recognizing genuine growth?
Open Source Vibe Trading on DeepSeek and Claude: Setup, Backtest and Committee Vibe Trading (HKUDS, 37K stars on GitHub) is an open source AI trading agent. I install it and test its 3 main features on DeepSeek Flash, DeepSeek Pro, Claude Haiku and Claude Sonnet. HKUDS/Vibe-Trading What is inside • Setup, step by step in VS Code: clone, a Python 3.11 venv, the lock file, the .env with your model, and why Docker matters (its terminal app always keeps its shell tools on) • Feature 1, one agent analyses NVIDIA: rating, entry, stop and target • Feature 2, a strategy and its backtest: Larry Connors' RSI(2) pullback on SPY since 2015 • Feature 3, the investment committee: bull, bear, risk officer and portfolio manager • Live runs in its own terminal app, and my original runs opened in its web app • How it compares with TradingAgents and AI Hedge Fund in Glassbench What I found • Stock analysis on NVIDIA: DeepSeek Flash took 4.5 minutes for about 15 cents, Claude Haiku 80 seconds for 2 cents with 16 figures blanked by its grounding gate, Claude Sonnet 2 minutes 15 seconds for 63 cents • Backtest: the engine is solid, the timing depends on the run. In 3 of my 4 DeepSeek runs the generated code shifted the signal one extra day (51.6% reported, 39.8% in my rebuild). Claude Haiku and Sonnet traded on the right day, and so did the live DeepSeek Flash run in this video (38.3%, 103 trades) • Committee: DeepSeek Flash gave a Buy in 10 minutes, Claude Haiku gave no rating, Claude Sonnet gave a Hold with a hedge in 7.5 minutes • One run of all 3 features: about 40 cents on DeepSeek Flash, 11 cents on Claude Haiku, $2.80 on Claude Sonnet Links • My pull request to the repo, on the signal delay: Vibe-Trading#2137 • AI-Trader paper from the same lab: arxiv.org • Glassbench, to compare trading agent repos: davidalmeida90/glassbench • TradingAgents video: youtu.be • AI Hedge Fund video: youtu.be Chapters 0:00 Vibe Trading in one minute 0:18 Why it got popular 0:48 In this video 1:10 Inside the repository 2:39 How a request moves through it 3:08 Install it safely, step by step 4:34 Let your AI agent install it 5:13 Feature 1: stock analysis on NVIDIA 7:41 Feature 2: RSI(2) strategy and backtest 11:07 Feature 3: investment committee 14:25 Compare it in Glassbench 15:19 Scoreboard and costs 16:18 My verdict I paid for every API call in this video myself. Not investment advice: this is a test of an open source repo, nothing more. #VibeTrading #AITrading #DeepSeek [ar] تداول Vibe مفتوح المصدر على DeepSeek وClaude: الإعداد، الاختبار العكسي، واللجنة Vibe Trading (HKUDS، ٣٧ ألف نجمة على GitHub) هو برنامج تداول قائم على الذكاء الاصطناعي مفتوح المصدر. قمت بتثبيته واختبار ميزاته الرئيسية الثلاث على منصات DeepSeek Flash وDeepSeek Pro وClaude Haiku وClaude Sonnet. Vibe Trading (HKUDS، ٣٧ ألف نجمة على GitHub) HKUDS/Vibe-Trading المحتويات • خطوات الإعداد خطوة بخطوة في VS Code: استنساخ المشروع، إنشاء بيئة افتراضية (venv) باستخدام Python 3.11، ملف القفل، ملف .env الذي يحتوي على النموذج، وأهمية Docker (حيث يُبقي تطبيق الطرفية أدوات سطر الأوامر مُفعّلة دائمًا) • الميزة 1: تحليل وكيل واحد لأسهم NVIDIA: التقييم، نقطة الدخول، وقف الخسارة، والهدف • الميزة 2: استراتيجية واختبارها: استراتيجية لاري كونورز RSI(2) التراجعية على مؤشر SPY منذ عام 2015 • الميزة 3: لجنة الاستثمار: متفائل، متشائم، مسؤول المخاطر، ومدير المحفظة • تشغيل مباشر في تطبيق الطرفية الخاص به، وتشغيلاتي الأصلية في تطبيق الويب • مقارنة مع TradingAgents وAI Hedge Fund على Glassbench النتائج • تحليل أسهم NVIDIA: استغرق DeepSeek Flash أربع دقائق ونصف بتكلفة 15 سنتًا تقريبًا، بينما استغرق Claude Haiku ثماني ثوانٍ بتكلفة سنتين مع 16 رقمًا. تم تعطيلها بواسطة بوابة التأريض، كلود سونيت دقيقتان و15 ثانية مقابل 63 سنتًا • اختبار رجعي: المحرك يعمل بشكل جيد، لكن التوقيت يعتمد على التشغيل. في 3 من أصل 4 عمليات تشغيل DeepSeek، أدى الكود المُولّد إلى تأخير الإشارة يومًا إضافيًا (51.6% من الحالات المُبلغ عنها، و39.8% في عملية إعادة البناء). تداولت منصتا Claude Haiku وSonnet في اليوم المناسب، وكذلك فعلت منصة DeepSeek Flash في هذا الفيديو (38.3%، 103 صفقات). • اللجنة: أعطت DeepSeek Flash توصية شراء خلال 10 دقائق، بينما لم تُعطِ Claude Haiku أي توصية، وأعطت Claude Sonnet توصية احتفاظ مع تحوط خلال 7.5 دقائق. • تشغيل واحد للميزات الثلاث: حوالي 40 سنتًا على DeepSeek Flash، و11 سنتًا على Claude Haiku، و2.80 دولار على Claude Sonnet. الروابط • طلب السحب الخاص بي إلى المستودع، بخصوص تأخير الإشارة: Vibe-Trading#2137 • ورقة بحثية حول AI-Trader من نفس المختبر: arxiv.org • Glassbench، لمقارنة مستودعات وكلاء التداول: davidalmeida90/glassbench • فيديو TradingAgents: youtu.be • فيديو عن صناديق التحوط المدعومة بالذكاء الاصطناعي: youtu.be الفصول 0:00 التداول باستخدام Vibe في دقيقة واحدة 0:18 لماذا اكتسب شهرة واسعة؟ 0:48 محتوى هذا الفيديو 1:10 نظرة على المستودع 2:39 كيفية معالجة الطلبات فيه 3:08 تثبيته بأمان، خطوة بخطوة 4:34 دع وكيل الذكاء الاصطناعي الخاص بك يقوم بتثبيته 5:13 الميزة الأولى: تحليل الأسهم على NVIDIA 7:41 الميزة الثانية: استراتيجية RSI(2) واختبارها 11:07 الميزة الثالثة: لجنة الاستثمار 14:25 مقارنته على Glassbench 15:19 لوحة النتائج والتكاليف 16:18 رأيي لقد دفعتُ تكلفة كل استدعاء API في هذا الفيديو بنفسي. هذه ليست نصيحة استثمارية: هذا مجرد اختبار لمستودع مفتوح المصدر، لا أكثر. #تداول_الفايب #تداول_الذكاء_الاصطناعي #البحث_العميق [bn] ডিপসিক (DeepSeek) এবং ক্লড (Claude)-এ ওপেন সোর্স ভাইব ট্রেডিং: সেটআপ, ব্যাকটেস্ট এবং কমিটি ভাইব ট্রেডিং (HKUDS, গিটহাবে ৩৭ হাজার স্টার) একটি ওপেন সোর্স এআই ট্রেডিং এজেন্ট। আমি এটি ইনস্টল করে ডিপসিক ফ্ল্যাশ, ডিপসিক প্রো, ক্লদ হাইকু এবং ক্লদ সনেট-এর উপর এর ৩টি প্রধান ফিচার পরীক্ষা করেছি। HKUDS/Vibe-Trading এর ভেতরে যা আছে • VS Code-এ ধাপে ধাপে সেটআপ: ক্লোন, একটি Python 3.11 venv, লক ফাইল, আপনার মডেল সহ .env ফাইল, এবং কেন ডকার গুরুত্বপূর্ণ (এর টার্মিনাল অ্যাপ সবসময় এর শেল টুলগুলো চালু রাখে) • ফিচার ১, একটি এজেন্ট NVIDIA বিশ্লেষণ করে: রেটিং, এন্ট্রি, স্টপ এবং টার্গেট • ফিচার ২, একটি স্ট্র্যাটেজি এবং এর ব্যাকটেস্ট: ২০১৫ সাল থেকে SPY-এর উপর ল্যারি কনরসের RSI(2) পুলব্যাক • ফিচার ৩, বিনিয়োগ কমিটি: বুল, বেয়ার, রিস্ক অফিসার এবং পোর্টফোলিও ম্যানেজার • এর নিজস্ব টার্মিনাল অ্যাপে লাইভ রান, এবং আমার আসল রানগুলো এর ওয়েব অ্যাপে খোলা যায় • Glassbench-এ TradingAgents এবং AI Hedge Fund-এর সাথে এর তুলনা আমি যা পেয়েছি • NVIDIA-এর স্টক বিশ্লেষণ: DeepSeek Flash প্রায় ১৫ সেন্টের জন্য ৪.৫ মিনিট সময় নিয়েছে, Claude Haiku ২ সেন্টের জন্য ৮০ সেকেন্ড সময় নিয়েছে এবং ১৬টি সংখ্যা ফাঁকা রাখা হয়েছে এর গ্রাউন্ডিং গেট, ক্লদ সনেট ২ মিনিট ১৫ সেকেন্ড, ৬৩ সেন্টে • ব্যাকটেস্ট: ইঞ্জিনটি নির্ভরযোগ্য, টাইমিং নির্ভর করে রানের উপর। আমার ৪টি DeepSeek রানের মধ্যে ৩টিতে জেনারেট হওয়া কোড সিগন্যালকে একদিন অতিরিক্ত সরিয়ে দিয়েছে (রিপোর্টে ৫১.৬%, আমার রিবিল্ডে ৩৯.৮%)। ক্লদ হাইকু এবং সনেট সঠিক দিনে ট্রেড করেছে, এবং এই ভিডিওতে লাইভ ডিপসিক ফ্ল্যাশ রানও (৩৮.৩%, ১০৩টি ট্রেড) সঠিক দিনে ট্রেড করেছে। • কমিটি: ডিপসিক ফ্ল্যাশ ১০ মিনিটে 'বাই' রেটিং দিয়েছে, ক্লদ হাইকু কোনো রেটিং দেয়নি, ক্লদ সনেট ৭.৫ মিনিটে হেজ সহ 'হোল্ড' রেটিং দিয়েছে। • তিনটি ফিচারের একটি রান: ডিপসিক ফ্ল্যাশে প্রায় ৪০ সেন্ট, ক্লদ হাইকুতে ১১ সেন্ট, ক্লদ সনেটে ২.৮০ ডলার। লিঙ্ক • সিগন্যাল ডিলে সম্পর্কিত রিপো-তে আমার পুল রিকোয়েস্ট: Vibe-Trading#2137 • একই ল্যাবের এআই-ট্রেডার পেপার: arxiv.org • ট্রেডিং এজেন্ট রিপো তুলনা করার জন্য গ্লাসবেঞ্চ: davidalmeida90/glassbench • ট্রেডিংএজেন্টস ভিডিও: youtu.be • এআই হেজ ফান্ড ভিডিও: youtu.be অধ্যায়সমূহ ০:০০ এক মিনিটে ভাইব ট্রেডিং ০:১৮ কেন এটি জনপ্রিয় হলো ০:৪৮ এই ভিডিওতে ১:১০ রিপোজিটরির ভেতরে ২:৩৯ একটি রিকোয়েস্ট কীভাবে এর মধ্যে দিয়ে যায় ৩:০৮ নিরাপদে, ধাপে ধাপে এটি ইনস্টল করুন ৪:৩৪ আপনার এআই এজেন্টকে দিয়ে এটি ইনস্টল করান ৫:১৩ ফিচার ১: এনভিডিয়া-তে স্টক বিশ্লেষণ ৭:৪১ ফিচার ২: RSI(2) স্ট্র্যাটেজি এবং ব্যাকটেস্ট ১১:০৭ ফিচার ৩: ইনভেস্টমেন্ট কমিটি ১৪:২৫ গ্লাসবেঞ্চ-এ তুলনা করুন ১৫:১৯ স্কোরবোর্ড এবং খরচ ১৬:১৮ আমার মতামত এই ভিডিওর প্রতিটি এপিআই কলের জন্য আমি নিজে অর্থ প্রদান করেছি। এটি কোনো বিনিয়োগ পরামর্শ নয়: এটি একটি ওপেন সোর্স রিপো-র পরীক্ষা, এর বেশি কিছু নয়। #VibeTrading #AITrading #DeepSeek [de-DE] Open Source Vibe Trading mit DeepSeek und Claude: Einrichtung, Backtest und Komitee Vibe Trading (HKUDS, 37.000 Sterne auf GitHub) ist ein Open-Source-KI-Handelsagent. Ich installiere ihn und teste seine drei Hauptfunktionen auf DeepSeek Flash, DeepSeek Pro, Claude Haiku und Claude Sonnet. HKUDS/Vibe-Trading Was beinhaltet Vibe-Trading? • Schritt-für-Schritt-Einrichtung in VS Code: Klonen, eine Python 3.11-Umgebung, die Sperrdatei, die .env-Datei mit Ihrem Modell und die Bedeutung von Docker (die Terminal-App hält die Shell-Tools immer aktiv). • Funktion 1: Ein Agent analysiert NVIDIA-Aktien: Bewertung, Einstieg, Stopp und Ziel. • Funktion 2: Eine Strategie und ihr Backtest: Larry Connors' RSI(2)-Pullback auf den SPY seit 2015. • Funktion 3: Das Investmentkomitee: Bullen, Bären, Risikomanager und Portfoliomanager. • Live-Tests in der eigenen Terminal-App und meine eigenen Testläufe in der Web-App. Vergleich mit TradingAgents und AI Hedge Fund in Glassbench. Meine Ergebnisse: • Aktienanalyse von NVIDIA: DeepSeek Flash benötigte 4,5 Minuten für ca. 15 Cent, Claude Haiku 80 Sekunden für 2 Cent, wobei 16 Stellen durch das Grounding Gate ausgeblendet wurden, Claude Sonnet 2 15 Minuten für 63 Cent • Backtest: Die Engine ist stabil, das Timing hängt vom jeweiligen Durchlauf ab. In 3 von 4 DeepSeek-Durchläufen verschob der generierte Code das Signal um einen Tag (51,6 % gemeldet, 39,8 % in meinem Rebuild). Claude Haiku und Sonnet handelten am richtigen Tag, ebenso wie der Live-Lauf von DeepSeek Flash in diesem Video (38,3 %, 103 Trades). • Bewertung: DeepSeek Flash gab innerhalb von 10 Minuten eine Kaufempfehlung, Claude Haiku gab keine Bewertung ab, Claude Sonnet gab innerhalb von 7,5 Minuten eine Halteempfehlung mit Absicherung. • Ein Lauf aller 3 Funktionen: ca. 40 Cent bei DeepSeek Flash, 11 Cent bei Claude Haiku, 2,80 $ bei Claude Sonnet. Links • Mein Pull Request zum Repository bezüglich der Signalverzögerung: Vibe-Trading#2137 • AI-Trader-Paper aus demselben Labor: arxiv.org • Glassbench zum Vergleich von Trading-Agent-Repositories: davidalmeida90/glassbench • TradingAgents-Video: youtu.be • Video zum Thema KI-Hedgefonds: youtu.be Kapitel 0:00 Vibe Trading in einer Minute 0:18 Warum es so beliebt wurde 0:48 In diesem Video 1:10 Einblick in das Repository 2:39 Wie eine Anfrage verarbeitet wird 3:08 Sichere Installation – Schritt für Schritt 4:34 Installation durch Ihren KI-Agenten 5:13 Funktion 1: Aktienanalyse auf NVIDIA 7:41 Funktion 2: RSI(2)-Strategie und Backtest 11:07 Funktion 3: Investmentkomitee 14:25 Vergleich in Glassbench 15:19 Scoreboard und Kosten 16:18 Mein Fazit Ich habe alle API-Aufrufe in diesem Video selbst bezahlt. Dies ist keine Anlageberatung, sondern lediglich ein Test eines Open-Source-Repositorys. #VibeTrading #AITrading #DeepSeek [es-US] Vibe Trading de código abierto en DeepSeek y Claude: Configuración, backtest y comité Vibe Trading (HKUDS, 37.000 estrellas en GitHub) es un agente de trading con IA de código abierto. Lo instalé y probé sus tres funciones principales en DeepSeek Flash, DeepSeek Pro, Claude Haiku y Claude Sonnet. HKUDS/Vibe-Trading Contenido • Configuración paso a paso en VS Code: clonación, un entorno virtual (venv) de Python 3.11, el archivo de bloqueo, el archivo .env con tu modelo y la importancia de Docker (su terminal mantiene siempre activas las herramientas de la consola). • Funcionalidad 1: un agente analiza NVIDIA: calificación, punto de entrada, stop loss y objetivo. • Funcionalidad 2: una estrategia y su backtesting: el retroceso del RSI(2) de Larry Connors en SPY desde 2015. • Funcionalidad 3: el comité de inversión: alcista, bajista, responsable de riesgos y gestor de cartera. • Ejecuciones en vivo en su propia terminal y mis ejecuciones originales abiertas en su aplicación web. • Comparación con TradingAgents y AI Hedge Fund en Glassbench. Observaciones • Análisis de acciones de NVIDIA: DeepSeek Flash tardó 4,5 minutos para unos 15 centavos; Claude Haiku tardó 80 segundos para 2 centavos, con 16 cifras ocultas por su puerta de conexión a tierra. Soneto de 2 minutos y 15 segundos por 63 centavos • Backtesting: el motor es sólido, la sincronización depende de la ejecución. En 3 de mis 4 ejecuciones de DeepSeek, el código generado retrasó la señal un día más (51,6 % según lo informado, 39,8 % en mi reconstrucción). Claude Haiku y Sonnet operaron en el día correcto, al igual que la ejecución en vivo de DeepSeek Flash en este video (38.3%, 103 operaciones). • Comité: DeepSeek Flash dio una recomendación de compra en 10 minutos, Claude Haiku no dio ninguna calificación, Claude Sonnet dio una recomendación de mantener con cobertura en 7.5 minutos. • Una ejecución de las 3 funciones: aproximadamente 40 centavos en DeepSeek Flash, 11 centavos en Claude Haiku, $2.80 en Claude Sonnet. Enlaces • Mi solicitud de extracción al repositorio, sobre el retraso de la señal: Vibe-Trading#2137 • Documento sobre AI-Trader del mismo laboratorio: arxiv.org • Glassbench, para comparar repositorios de agentes de trading: davidalmeida90/glassbench • Video de TradingAgents: youtu.be • Video sobre fondos de cobertura con IA: youtu.be Capítulos 0:00 Vibe Trading en un minuto 0:18 Por qué se popularizó 0:48 En este video 1:10 Dentro del repositorio 2:39 Cómo se procesa una solicitud 3:08 Instalación segura, paso a paso 4:34 Cómo lo instala tu agente de IA 5:13 Característica 1: análisis de acciones en NVIDIA 7:41 Característica 2: estrategia RSI(2) y backtesting 11:07 Característica 3: comité de inversión 14:25 Comparación en Glassbench 15:19 Marcador y costos 16:18 Mi veredicto Pagué personalmente por cada llamada a la API en este video. Esto no es asesoramiento de inversión: se trata de una prueba de un repositorio de código abierto, nada más. #VibeTrading #AITrading #DeepSeek [fr-FR] Vibe Trading open source sur DeepSeek et Claude : Installation, Backtest et Comité Vibe Trading (HKUDS, 37 000 étoiles sur GitHub) est un agent de trading IA open source. Je l'ai installé et j'ai testé ses 3 principales fonctionnalités sur DeepSeek Flash, DeepSeek Pro, Claude Haiku et Claude Sonnet. HKUDS/Vibe-Trading Contenu • Installation pas à pas dans VS Code : clonage, création d’un environnement virtuel Python 3.11, fichier de verrouillage, fichier .env contenant votre modèle et explication de l’importance de Docker (son application terminal maintient ses outils shell toujours actifs) • Fonctionnalité 1 : analyse de NVIDIA par un agent : notation, point d’entrée, stop et objectif • Fonctionnalité 2 : stratégie et son backtest : le repli du RSI(2) de Larry Connors sur le SPY depuis 2015 • Fonctionnalité 3 : le comité d’investissement : haussier, baissier, responsable des risques et gestionnaire de portefeuille • Exécutions en direct dans son application terminal dédiée et mes exécutions originales accessibles via son application web • Comparaison avec TradingAgents et AI Hedge Fund sur Glassbench Constatations • Analyse boursière de NVIDIA : DeepSeek Flash a mis 4,5 minutes pour un gain d’environ 15 centimes, Claude Haiku 80 secondes pour un gain de 2 centimes (16 chiffres masqués par son port de mise à la terre), Claude Sonnet 2 minutes et 15 secondes pour 0,63 $ • Test rétrospectif : le moteur est fiable, le timing dépend de l’exécution. Dans 3 de mes 4 exécutions DeepSeek, le code généré a décalé le signal d’un jour supplémentaire (51,6 % rapportés, 39,8 % dans ma reconstruction). Claude Haiku et Sonnet ont fonctionné le jour opportun, tout comme l'exécution en direct de DeepSeek Flash dans cette vidéo (38,3 %, 103 transactions). • Comité : DeepSeek Flash a émis un avis d'achat en 10 minutes, Claude Haiku n'a émis aucune évaluation, Claude Sonnet a émis un avis de maintien avec couverture en 7,5 minutes. • Une exécution combinant les 3 fonctionnalités : environ 0,40 $ pour DeepSeek Flash, 0,11 $ pour Claude Haiku et 2,80 $ pour Claude Sonnet. Liens • Ma pull request sur le dépôt, concernant le délai du signal : Vibe-Trading#2137 • Article sur AI-Trader du même laboratoire : arxiv.org • Glassbench, pour comparer les dépôts d'agents de trading : davidalmeida90/glassbench • Vidéo sur TradingAgents : youtu.be • Vidéo sur les fonds spéculatifs IA : youtu.be Chapitres 0:00 Vibe Trading en une minute 0:18 Pourquoi est-il devenu si populaire ? 0:48 Dans cette vidéo 1:10 À l'intérieur du dépôt 2:39 Parcours d'une requête 3:08 Installation sécurisée, étape par étape 4:34 Installation par votre agent IA 5:13 Fonctionnalité 1 : Analyse boursière sur NVIDIA 7:41 Fonctionnalité 2 : Stratégie RSI(2) et backtest 11:07 Fonctionnalité 3 : Comité d'investissement 14:25 Comparaison avec Glassbench 15:19 Tableau de bord et coûts 16:18 Mon avis J'ai payé moi-même tous les appels API de cette vidéo. Ceci n'est pas un conseil en investissement : il s'agit d'un test d'un dépôt open source, rien de plus. #VibeTrading #AITrading #DeepSeek [hi] DeepSeek और Claude पर ओपन सोर्स Vibe Trading: सेटअप, बैकटेस्ट और कमिटी वाइब ट्रेडिंग (HKUDS, GitHub पर 37K स्टार) एक ओपन सोर्स एआई ट्रेडिंग एजेंट है। मैंने इसे इंस्टॉल किया और डीपसीक फ्लैश, डीपसीक प्रो, क्लाउड हाइकू और क्लाउड सॉनेट पर इसकी 3 मुख्य विशेषताओं का परीक्षण किया। HKUDS/Vibe-Trading इसमें क्या है • VS Code में चरण-दर-चरण सेटअप: क्लोन, एक Python 3.11 venv, लॉक फ़ाइल, आपके मॉडल वाली .env फ़ाइल, और Docker का महत्व (इसका टर्मिनल ऐप हमेशा अपने शेल टूल्स को चालू रखता है) • फ़ीचर 1, एक एजेंट NVIDIA का विश्लेषण करता है: रेटिंग, एंट्री, स्टॉप और टारगेट • फ़ीचर 2, एक रणनीति और उसका बैकटेस्ट: 2015 से SPY पर लैरी कॉनर्स का RSI(2) पुलबैक • फ़ीचर 3, निवेश समिति: बुल, बेयर, रिस्क ऑफिसर और पोर्टफोलियो मैनेजर • इसके अपने टर्मिनल ऐप में लाइव रन, और मेरे मूल रन इसके वेब ऐप में खोले गए • Glassbench में TradingAgents और AI Hedge Fund के साथ इसकी तुलना मुझे क्या मिला • NVIDIA पर स्टॉक विश्लेषण: DeepSeek Flash ने लगभग 15 सेंट के लिए 4.5 मिनट लिए, क्लाउड हाइकू 2 सेंट के लिए 80 सेकंड, जिसमें 16 अंक ग्राउंडिंग गेट द्वारा खाली कर दिए गए हैं, क्लाउड सॉनेट 63 सेंट के लिए 2 मिनट 15 सेकंड • बैकटेस्ट: इंजन ठोस है, समय रन पर निर्भर करता है। मेरे 4 डीपसीक रन में से 3 में जेनरेट किए गए कोड ने सिग्नल को एक अतिरिक्त दिन आगे बढ़ा दिया (51.6% रिपोर्ट किया गया, मेरे रीबिल्ड में 39.8%)। क्लाउड हाइकू और सॉनेट ने सही दिन पर ट्रेडिंग की, और इस वीडियो में दिखाए गए लाइव डीपसीक फ्लैश रन ने भी (38.3%, 103 ट्रेड) यही परिणाम दिया। • समिति: डीपसीक फ्लैश ने 10 मिनट में बाय रेटिंग दी, क्लाउड हाइकू ने कोई रेटिंग नहीं दी, क्लाउड सॉनेट ने 7.5 मिनट में हेज के साथ होल्ड रेटिंग दी। • तीनों फीचर्स का एक रन: डीपसीक फ्लैश पर लगभग 40 सेंट, क्लाउड हाइकू पर 11 सेंट, क्लाउड सॉनेट पर $2.80। लिंक • सिग्नल डिले पर मेरे पुल रिक्वेस्ट का लिंक: Vibe-Trading#2137 • उसी लैब का AI-Trader पेपर: arxiv.org • ट्रेडिंग एजेंट रिपॉजिटरी की तुलना करने के लिए ग्लास बेंच: davidalmeida90/glassbench • ट्रेडिंग एजेंट्स वीडियो: youtu.be • AI हेज फंड वीडियो: youtu.be अध्याय 0:00 वाइब ट्रेडिंग एक मिनट में 0:18 यह लोकप्रिय क्यों हुआ 0:48 इस वीडियो में 1:10 रिपॉजिटरी के अंदर 2:39 अनुरोध कैसे आगे बढ़ता है 3:08 इसे सुरक्षित रूप से चरण दर चरण स्थापित करें 4:34 अपने AI एजेंट को इसे स्थापित करने दें 5:13 फ़ीचर 1: NVIDIA पर स्टॉक विश्लेषण 7:41 फ़ीचर 2: RSI(2) रणनीति और बैकटेस्ट 11:07 फ़ीचर 3: निवेश समिति 14:25 ग्लास बेंच में इसकी तुलना करें 15:19 स्कोरबोर्ड और लागत 16:18 मेरा निर्णय इस वीडियो में प्रत्येक API कॉल के लिए मैंने स्वयं भुगतान किया है। यह निवेश संबंधी सलाह नहीं है: यह केवल एक ओपन सोर्स रिपॉजिटरी का परीक्षण है, इससे अधिक कुछ नहीं। #VibeTrading #AITrading #DeepSeek [id] Vibe Trading Open Source di DeepSeek dan Claude: Pengaturan, Backtest, dan Komite Vibe Trading (HKUDS, 37 ribu bintang di GitHub) adalah agen perdagangan AI sumber terbuka. Saya menginstalnya dan menguji 3 fitur utamanya pada DeepSeek Flash, DeepSeek Pro, Claude Haiku, dan Claude Sonnet. HKUDS/Vibe-Trading Isi di dalamnya • Pengaturan, langkah demi langkah di VS Code: kloning, venv Python 3.11, file lock, .env dengan model Anda, dan mengapa Docker penting (aplikasi terminalnya selalu menjalankan alat shell-nya) • Fitur 1, satu agen menganalisis NVIDIA: peringkat, titik masuk, stop loss, dan target • Fitur 2, strategi dan backtest-nya: pullback RSI(2) Larry Connors pada SPY sejak 2015 • Fitur 3, komite investasi: bull, bear, petugas risiko, dan manajer portofolio • Eksekusi langsung di aplikasi terminalnya sendiri, dan eksekusi asli saya dibuka di aplikasi web-nya • Perbandingannya dengan TradingAgents dan AI Hedge Fund di Glassbench Apa yang saya temukan • Analisis saham NVIDIA: DeepSeek Flash membutuhkan waktu 4,5 menit untuk sekitar 15 sen, Claude Haiku 80 detik untuk 2 sen dengan 16 angka diblokir oleh gerbang pembumiannya, Claude Sonnet 2 menit 15 detik seharga 63 sen • Backtest: mesinnya solid, pengaturan waktunya tergantung pada jalannya. Dalam 3 dari 4 percobaan DeepSeek saya, kode yang dihasilkan menggeser sinyal satu hari ekstra (51,6% dilaporkan, 39,8% dalam perbaikan saya). Claude Haiku dan Sonnet melakukan perdagangan pada hari yang tepat, begitu pula dengan DeepSeek Flash yang ditampilkan dalam video ini (38,3%, 103 perdagangan) • Komite: DeepSeek Flash memberikan rekomendasi Beli dalam 10 menit, Claude Haiku tidak memberikan peringkat, Claude Sonnet memberikan rekomendasi Tahan dengan lindung nilai dalam 7,5 menit • Satu kali menjalankan ketiga fitur tersebut: sekitar 40 sen pada DeepSeek Flash, 11 sen pada Claude Haiku, $2,80 pada Claude Sonnet Tautan • Permintaan pull saya ke repositori, tentang penundaan sinyal: Vibe-Trading#2137 • Makalah AI-Trader dari lab yang sama: arxiv.org • Glassbench, untuk membandingkan repositori agen perdagangan: davidalmeida90/glassbench • TradingAgents Video: youtu.be • Video AI Hedge Fund: youtu.be Bab 0:00 Vibe Trading dalam satu menit 0:18 Mengapa menjadi populer 0:48 Dalam video ini 1:10 Di dalam repositori 2:39 Bagaimana sebuah permintaan bergerak melaluinya 3:08 Instal dengan aman, langkah demi langkah 4:34 Biarkan agen AI Anda menginstalnya 5:13 Fitur 1: analisis saham di NVIDIA 7:41 Fitur 2: strategi RSI(2) dan backtest 11:07 Fitur 3: komite investasi 14:25 Bandingkan di Glassbench 15:19 Papan skor dan biaya 16:18 Kesimpulan saya Saya membayar sendiri setiap panggilan API dalam video ini. Bukan saran investasi: ini adalah uji coba repositori sumber terbuka, tidak lebih. #VibeTrading #AITrading #DeepSeek [it] Vibe Trading open source su DeepSeek e Claude: configurazione, backtest e comitato Vibe Trading (HKUDS, 37.000 stelle su GitHub) è un agente di trading basato sull'intelligenza artificiale e open source. L'ho installato e ho testato le sue 3 funzionalità principali su DeepSeek Flash, DeepSeek Pro, Claude Haiku e Claude Sonnet. Italiano: HKUDS/Vibe-Trading Cosa contiene • Configurazione passo passo in VS Code: clonazione, un ambiente virtuale Python 3.11, il file di blocco, il file .env con il tuo modello e perché Docker è importante (la sua app terminale mantiene sempre attivi gli strumenti della shell) • Funzionalità 1, un agente analizza NVIDIA: rating, punto di ingresso, stop e target • Funzionalità 2, una strategia e il suo backtest: il pullback RSI(2) di Larry Connors su SPY dal 2015 • Funzionalità 3, il comitato di investimento: rialzista, ribassista, responsabile del rischio e gestore di portafoglio • Esecuzioni in tempo reale nella sua app terminale e le mie esecuzioni originali aperte nella sua app web • Confronto con TradingAgents e AI Hedge Fund su Glassbench Cosa ho scoperto • Analisi azionaria su NVIDIA: DeepSeek Flash ha impiegato 4,5 minuti per circa 15 centesimi, Claude Haiku 80 secondi per 2 centesimi con 16 cifre oscurate dal suo Porta di messa a terra, Sonetto di Claude, 2 minuti e 15 secondi per 63 centesimi • Backtest: il motore è solido, la tempistica dipende dall'esecuzione. In 3 delle mie 4 esecuzioni di DeepSeek, il codice generato ha spostato il segnale di un giorno in più (51,6% riportato, 39,8% nella mia ricostruzione). Claude Haiku e Sonnet hanno operato nel giorno giusto, così come l'esecuzione live di DeepSeek Flash in questo video (38,3%, 103 operazioni). • Comitato: DeepSeek Flash ha dato un segnale di acquisto in 10 minuti, Claude Haiku non ha dato un giudizio, Claude Sonnet ha dato un segnale di mantenimento con copertura in 7,5 minuti. • Un'esecuzione con tutte e 3 le funzionalità: circa 40 centesimi su DeepSeek Flash, 11 centesimi su Claude Haiku, 2,80 dollari su Claude Sonnet. Link • La mia pull request al repository, sul ritardo del segnale: Vibe-Trading#2137 • Articolo sull'AI-Trader dello stesso laboratorio: arxiv.org • Glassbench, per confrontare i repository degli agenti di trading: davidalmeida90/glassbench • Video di TradingAgents: Italiano: youtu.be • Video sull'AI Hedge Fund: youtu.be Capitoli 0:00 Vibe Trading in un minuto 0:18 Perché è diventato popolare 0:48 In questo video 1:10 All'interno del repository 2:39 Come una richiesta lo attraversa 3:08 Installalo in sicurezza, passo dopo passo 4:34 Fai installare il tuo agente AI 5:13 Funzionalità 1: analisi azionaria su NVIDIA 7:41 Funzionalità 2: strategia RSI(2) e backtest 11:07 Funzionalità 3: comitato di investimento 14:25 Confronto con Glassbench 15:19 Scoreboard e costi 16:18 Il mio verdetto Ho pagato personalmente ogni chiamata API in questo video. Non si tratta di consigli di investimento: questo è un test di un repository open source, niente di più. #VibeTrading #AITrading #DeepSeek [iw] Vibe Trading בקוד פתוח עם DeepSeek ו-Claude: התקנה, בדיקה לאחור (Backtest) וועדת השקעות Vibe Trading (HKUDS, 37 אלף כוכבים ב-GitHub) הוא סוכן מסחר מבוסס בינה מלאכותית בקוד פתוח. אני מתקין אותו ובודק את 3 התכונות העיקריות שלו ב-DeepSeek Flash, DeepSeek Pro, Claude Haiku ו-Claude Sonnet. HKUDS/Vibe-Trading מה בפנים • הגדרה, שלב אחר שלב ב-VS Code: שיבוט, venv של Python 3.11, קובץ הנעילה, קובץ ה-.env עם המודל שלך, ומדוע Docker חשובה (אפליקציית הטרמינל שלה תמיד שומרת על כלי המעטפת שלה פעילים) • מאפיין 1, סוכן אחד מנתח את NVIDIA: דירוג, כניסה, עצירה ויעד • מאפיין 2, אסטרטגיה ומבחן גב שלה: נסיגה של RSI(2) של Larry Connors ב-SPY מאז 2015 • מאפיין 3, ועדת ההשקעות: שור, דוב, קצין סיכונים ומנהל תיקים • ריצות חיות באפליקציית טרמינל משלה, והריצות המקוריות שלי נפתחו באפליקציית האינטרנט שלה • כיצד היא משתווה ל-TradingAgents ולקרן גידור AI ב-Glassbench מה שמצאתי • ניתוח מניות ב-NVIDIA: DeepSeek Flash לקח 4.5 דקות לכ-15 סנט, קלוד הייקו 80 שניות ל-2 סנט עם 16 ספרות שהושמטו על ידי שער ההארקה שלה, קלוד סונט 2 דקות ו-15 שניות עבור 63 סנט • בדיקה אחורית: המנוע תקין, התזמון תלוי בריצה. ב-3 מתוך 4 ריצות DeepSeek שלי, הקוד שנוצר הזיז את האות ביום נוסף (51.6% דווחו, 39.8% בבנייה מחדש שלי). קלוד הייקו וסונט נסחרו ביום הנכון, וכך גם ריצת ה-DeepSeek Flash החיה בסרטון הזה (38.3%, 103 עסקאות) • ועדה: DeepSeek Flash נתן קנייה תוך 10 דקות, קלוד הייקו לא נתן דירוג, קלוד סונט נתן החזקה עם גידור תוך 7.5 דקות • ריצה אחת של כל 3 המאפיינים: כ-40 סנט על DeepSeek Flash, 11 סנט על קלוד הייקו, 2.80 דולר על קלוד סונט קישורים • בקשת ה-pull שלי לריפו, על עיכוב האות: Vibe-Trading#2137 • מאמר AI-Trader מאותה מעבדה: arxiv.org • Glassbench, להשוואת ריפו של סוכני מסחר: davidalmeida90/glassbench • סרטון TradingAgents: youtu.be • סרטון קרן גידור מבוססת בינה מלאכותית: youtu.be פרקים 0:00 Vibe Trading בדקה אחת 0:18 למה זה נהיה פופולרי 0:48 בסרטון הזה 1:10 בתוך המאגר 2:39 איך בקשה עוברת דרכו 3:08 התקן אותו בצורה בטוחה, שלב אחר שלב 4:34 תן לסוכן הבינה המלאכותית שלך להתקין אותו 5:13 מאפיין 1: ניתוח מניות ב-NVIDIA 7:41 מאפיין 2: אסטרטגיית RSI(2) ומבחן אחורי 11:07 מאפיין 3: ועדת השקעות 14:25 השווה ב-Glassbench 15:19 לוח תוצאות ועלויות 16:18 פסק הדין שלי שילמתי בעצמי עבור כל קריאה ל-API בסרטון הזה. לא ייעוץ השקעות: זהו מבחן של מאגר קוד פתוח, לא יותר. #VibeTrading #AITrading #DeepSeek [ja] DeepSeekとClaudeで動かすオープンソースのVibe Trading：セットアップ、バックテスト、投資委員会 Vibe Trading（HKUDS、GitHubで37,000スター）はオープンソースのAIトレーディングエージェントです。DeepSeek Flash、DeepSeek Pro、Claude Haiku、Claude Sonnetにインストールし、その主要な3つの機能をテストしました。 HKUDS/Vibe-Trading 内容 • VS Codeでのセットアップ手順：クローン、Python 3.11 venv、ロックファイル、モデルを含む.envファイル、そしてDockerの重要性（ターミナルアプリは常にシェルツールを有効にしているため） • 機能1：NVIDIAの分析エージェント：レーティング、エントリー、ストップ、ターゲット • 機能2：戦略とそのバックテスト：2015年以降のSPYにおけるLarry ConnorsのRSI(2)プルバック • 機能3：投資委員会：ブル、ベア、リスクオフィサー、ポートフォリオマネージャー • 専用ターミナルアプリでのライブ実行、およびWebアプリで開いた私のオリジナル実行結果 • GlassbenchでのTradingAgentsおよびAI Hedge Fundとの比較 私が発見したこと • NVIDIAの株式分析：DeepSeek Flashは4.5分で約15セント、Claude Haikuは80秒で2セント（16桁の数字は空白）接地ゲート、クロード・ソネット 2分15秒 63セント • バックテスト：エンジンは安定しており、タイミングは実行によって異なります。DeepSeekを4回実行したうち3回で、生成されたコードによって信号が1日ずれました（報告値51.6%、再構築値39.8%）。 Claude HaikuとSonnetは適切な日に取引を行い、この動画で紹介されているDeepSeek Flashのライブ実行も同様でした（38.3%、103回の取引）。 • 委員会：DeepSeek Flashは10分で買いシグナルを発出し、Claude Haikuは評価なし、Claude Sonnetは7.5分でヘッジ付きのホールドシグナルを発出しました。 • 3つの機能すべてを使用した1回の実行：DeepSeek Flashで約40セント、Claude Haikuで11セント、Claude Sonnetで2.80ドルの利益。 リンク • シグナル遅延に関するリポジトリへのプルリクエスト：Vibe-Trading#2137 • 同じ研究室によるAIトレーダーに関する論文：arxiv.org • トレーディングエージェントのリポジトリを比較するためのGlassbench：davidalmeida90/glassbench • TradingAgentsの動画：youtu.be • AIヘッジファンドの動画：youtu.be チャプター 0:00 Vibe Tradingを1分で解説 0:18 人気の理由 0:48 この動画の内容 1:10 リポジトリの内部構造 2:39 リクエストの処理方法 3:08 安全なインストール手順 4:34 AIエージェントによるインストール 5:13 機能1：NVIDIAでの株式分析 7:41 機能2：RSI(2)戦略とバックテスト 11:07 機能3：投資委員会 14:25 Glassbenchでの比較 15:19 スコアボードとコスト 16:18 私の評価 この動画で使用されているAPI呼び出しはすべて私が個人的に費用を負担したものです。投資アドバイスではありません。これはオープンソースリポジトリのテストであり、それ以上の意味はありません。 #VibeTrading #AITrading #DeepSeek [ko] DeepSeek 및 Claude 기반 오픈 소스 Vibe Trading: 설정, 백테스트, 투자 위원회 활용법 Vibe Trading(HKUDS, GitHub에서 별 37,000개)은 오픈 소스 AI 트레이딩 에이전트입니다. 저는 이를 설치하고 DeepSeek Flash, DeepSeek Pro, Claude Haiku 및 Claude Sonnet에서 주요 3가지 기능을 테스트했습니다. HKUDS/Vibe-Trading 내용 • VS Code에서 단계별 설정: 클론, Python 3.11 가상 환경(venv), 잠금 파일, 모델이 포함된 .env 파일, 그리고 Docker의 중요성(터미널 앱은 항상 셸 도구를 활성화합니다) • 기능 1: 에이전트 하나가 NVIDIA를 분석합니다: 등급, 진입, 손절매 및 목표가 • 기능 2: 전략 및 백테스트: 2015년 이후 Larry Connors의 SPY RSI(2) 되돌림 • 기능 3: 투자 위원회: 강세론자, 약세론자, 위험 관리 담당자 및 포트폴리오 관리자 • 자체 터미널 앱에서 실시간 실행 및 웹 앱에서 열린 제 초기 실행 결과 • Glassbench에서 TradingAgents 및 AI Hedge Fund와의 비교 발견한 내용 • NVIDIA 주식 분석: DeepSeek Flash는 약 15센트에 4.5분, Claude Haiku는 접지 게이트로 인해 16자리 숫자가 가려진 상태에서 2센트에 80초가 걸렸습니다. 소네트 2분 15초, 63센트 • 백테스트: 엔진은 안정적이지만 타이밍은 실행에 따라 다릅니다. 제가 실행한 4번의 DeepSeek 중 3번에서 생성된 코드가 신호를 하루 더 앞당겼습니다(보고된 값 51.6%, 재구축 후 값 39.8%). Claude Haiku와 Sonnet은 적절한 날짜에 거래를 했고, 이 영상에 나오는 DeepSeek Flash 실시간 실행 결과도 마찬가지였습니다(38.3%, 103건의 거래). • 위원회: DeepSeek Flash는 10분 만에 매수 의견을 제시했고, Claude Haiku는 의견을 제시하지 않았으며, Claude Sonnet은 7.5분 만에 헤지와 함께 보유 의견을 제시했습니다. • 세 가지 기능을 모두 사용한 한 번의 실행: DeepSeek Flash에서 약 40센트, Claude Haiku에서 11센트, Claude Sonnet에서 2.80달러 링크 • 신호 지연 관련 제 풀 리퀘스트: Vibe-Trading#2137 • 같은 연구실의 AI-Trader 논문: arxiv.org • 거래 에이전트 저장소 비교를 위한 Glassbench: davidalmeida90/glassbench • TradingAgents 영상: youtu.be • AI 헤지 펀드 영상: youtu.be 목차 0:00 Vibe Trading 1분 소개 0:18 인기 요인 0:48 이 영상에서 다루는 내용 1:10 저장소 내부 2:39 요청 처리 과정 3:08 단계별 안전 설치 방법 4:34 AI 에이전트를 이용한 설치 5:13 기능 1: NVIDIA 기반 주식 분석 7:41 기능 2: RSI(2) 전략 및 백테스트 11:07 기능 3: 투자 위원회 14:25 Glassbench에서 비교 15:19 점수판 및 비용 16:18 최종 평가 이 영상에 나오는 모든 API 호출 비용은 제가 직접 지불했습니다. 투자 조언이 아니며, 오픈 소스 저장소 테스트일 뿐입니다. #VibeTrading #AITrading #DeepSeek [ml] DeepSeek-ലും Claude-ലും ഓപ്പൺ സോഴ്സ് വൈബ് ട്രേഡിങ്ങ്: സെറ്റപ്പ്, ബാക്ക്ടെസ്റ്റ്, കമ്മിറ്റി വൈബ് ട്രേഡിംഗ് (HKUDS, GitHub-ൽ 37K നക്ഷത്രങ്ങൾ) ഒരു ഓപ്പൺ സോഴ്സ് AI ട്രേഡിംഗ് ഏജന്റാണ്. ഞാൻ ഇത് ഇൻസ്റ്റാൾ ചെയ്യുകയും DeepSeek Flash, DeepSeek Pro, Claude Haiku, Claude Sonnet എന്നിവയിൽ അതിന്റെ 3 പ്രധാന സവിശേഷതകൾ പരീക്ഷിക്കുകയും ചെയ്യുന്നു. HKUDS/Vibe-Trading ഉള്ളിലുള്ളത് എന്താണ് • VS കോഡിൽ ഘട്ടം ഘട്ടമായുള്ള സജ്ജീകരണം: ക്ലോൺ, ഒരു പൈത്തൺ 3.11 venv, ലോക്ക് ഫയൽ, നിങ്ങളുടെ മോഡലുള്ള .env, എന്തുകൊണ്ട് ഡോക്കർ പ്രധാനമാണ് (അതിന്റെ ടെർമിനൽ ആപ്പ് എപ്പോഴും അതിന്റെ ഷെൽ ടൂളുകൾ ഓണാക്കി നിർത്തുന്നു) • ഫീച്ചർ 1, ഒരു ഏജന്റ് NVIDIA വിശകലനം ചെയ്യുന്നു: റേറ്റിംഗ്, എൻട്രി, സ്റ്റോപ്പ്, ടാർഗെറ്റ് • ഫീച്ചർ 2, ഒരു തന്ത്രവും അതിന്റെ ബാക്ക്ടെസ്റ്റും: 2015 മുതൽ SPY-യിൽ ലാറി കോണേഴ്സിന്റെ RSI(2) പിൻവലിക്കൽ • ഫീച്ചർ 3, നിക്ഷേപ കമ്മിറ്റി: ബുൾ, ബിയർ, റിസ്ക് ഓഫീസർ, പോർട്ട്ഫോളിയോ മാനേജർ • സ്വന്തം ടെർമിനൽ ആപ്പിൽ തത്സമയ റൺ ചെയ്യുന്നു, എന്റെ യഥാർത്ഥ റൺ അതിന്റെ വെബ് ആപ്പിൽ തുറന്നു • ഗ്ലാസ്ബെഞ്ചിലെ ട്രേഡിംഗ് ഏജന്റുമാരുമായും AI ഹെഡ്ജ് ഫണ്ടുമായും ഇത് എങ്ങനെ താരതമ്യം ചെയ്യുന്നു ഞാൻ കണ്ടെത്തിയത് • NVIDIA-യിലെ സ്റ്റോക്ക് വിശകലനം: DeepSeek Flash ഏകദേശം 15 സെന്റിന് 4.5 മിനിറ്റ് എടുത്തു, ഗ്രൗണ്ടിംഗ് കാരണം 16 കണക്കുകൾ ശൂന്യമാക്കി, ക്ലോഡ് ഹൈക്കു 2 സെന്റിന് 80 സെക്കൻഡ് എടുത്തു. ഗേറ്റ്, ക്ലോഡ് സോണറ്റ് 63 സെന്റിന് 2 മിനിറ്റ് 15 സെക്കൻഡ് • ബാക്ക്ടെസ്റ്റ്: എഞ്ചിൻ സോളിഡ് ആണ്, സമയം ഓട്ടത്തെ ആശ്രയിച്ചിരിക്കുന്നു. എന്റെ 4 DeepSeek റണ്ണുകളിൽ 3 എണ്ണത്തിലും ജനറേറ്റ് ചെയ്ത കോഡ് ഒരു ദിവസം കൂടി സിഗ്നൽ മാറ്റി (51.6% റിപ്പോർട്ട് ചെയ്തു, എന്റെ പുനർനിർമ്മാണത്തിൽ 39.8%). ക്ലോഡ് ഹൈക്കുവും സോണറ്റും ശരിയായ ദിവസം ട്രേഡ് ചെയ്തു, ഈ വീഡിയോയിലെ ലൈവ് ഡീപ്സീക്ക് ഫ്ലാഷും അങ്ങനെ തന്നെ ചെയ്തു (38.3%, 103 ട്രേഡുകൾ) • കമ്മിറ്റി: ഡീപ്സീക്ക് ഫ്ലാഷ് 10 മിനിറ്റിനുള്ളിൽ ഒരു വാങ്ങൽ നൽകി, ക്ലോഡ് ഹൈക്കു റേറ്റിംഗ് നൽകിയില്ല, ക്ലോഡ് സോണറ്റ് 7.5 മിനിറ്റിനുള്ളിൽ ഒരു ഹെഡ്ജ് ഉപയോഗിച്ച് ഹോൾഡ് നൽകി • 3 സവിശേഷതകളിൽ ഒരു റൺ: ഡീപ്സീക്ക് ഫ്ലാഷിൽ ഏകദേശം 40 സെന്റ്, ക്ലോഡ് ഹൈക്കുവിൽ 11 സെന്റ്, ക്ലോഡ് സോണറ്റിൽ $2.80 ലിങ്കുകൾ • സിഗ്നൽ കാലതാമസത്തെക്കുറിച്ച് റിപ്പോയിലേക്കുള്ള എന്റെ പുൾ അഭ്യർത്ഥന: Vibe-Trading#2137 • അതേ ലാബിൽ നിന്നുള്ള AI-ട്രേഡർ പേപ്പർ: arxiv.org • ട്രേഡിംഗ് ഏജന്റ് റിപ്പോകൾ താരതമ്യം ചെയ്യാൻ ഗ്ലാസ്ബെഞ്ച്: davidalmeida90/glassbench • ട്രേഡിംഗ് ഏജന്റുമാരുടെ വീഡിയോ: youtu.be • AI ഹെഡ്ജ് ഫണ്ട് വീഡിയോ: youtu.be അധ്യായങ്ങൾ 0:00 ഒരു മിനിറ്റിൽ വൈബ് ട്രേഡിംഗ് 0:18 അത് ജനപ്രിയമായതിന്റെ കാരണം 0:48 ഈ വീഡിയോയിൽ 1:10 റിപ്പോസിറ്ററിക്കുള്ളിൽ 2:39 ഒരു അഭ്യർത്ഥന അതിലൂടെ എങ്ങനെ നീങ്ങുന്നു 3:08 സുരക്ഷിതമായി, ഘട്ടം ഘട്ടമായി ഇത് ഇൻസ്റ്റാൾ ചെയ്യുക 4:34 നിങ്ങളുടെ AI ഏജന്റ് ഇത് ഇൻസ്റ്റാൾ ചെയ്യാൻ അനുവദിക്കുക 5:13 ഫീച്ചർ 1: NVIDIA-യിലെ സ്റ്റോക്ക് വിശകലനം 7:41 ഫീച്ചർ 2: RSI(2) തന്ത്രവും ബാക്ക്ടെസ്റ്റും 11:07 ഫീച്ചർ 3: നിക്ഷേപ സമിതി 14:25 ഗ്ലാസ്ബെഞ്ചിൽ താരതമ്യം ചെയ്യുക 15:19 സ്കോർബോർഡും ചെലവുകളും 16:18 എന്റെ വിധി ഈ വീഡിയോയിലെ ഓരോ API കോളിനും ഞാൻ തന്നെ പണം നൽകി. നിക്ഷേപ ഉപദേശമല്ല: ഇത് ഒരു ഓപ്പൺ സോഴ്സ് റിപ്പോയുടെ ഒരു പരീക്ഷണമാണ്, അതിൽ കൂടുതലൊന്നുമില്ല. #വൈബ് ട്രേഡിംഗ് #എഐട്രേഡിംഗ് #ഡീപ്സീക്ക് [nl-NL] Open source Vibe Trading op DeepSeek en Claude: installatie, backtest en commissie Vibe Trading (HKUDS, 37.000 sterren op GitHub) is een open-source AI-handelsagent. Ik installeer het en test de drie belangrijkste functies op DeepSeek Flash, DeepSeek Pro, Claude Haiku en Claude Sonnet. HKUDS/Vibe-Trading Wat zit erin? • Installatie, stap voor stap in VS Code: klonen, een Python 3.11 venv, het lock-bestand, het .env-bestand met je model en waarom Docker belangrijk is (de terminal-app houdt de shell-tools altijd actief) • Functie 1: één agent analyseert NVIDIA: rating, instap, stop en target • Functie 2: een strategie en de bijbehorende backtest: Larry Connors' RSI(2) pullback op SPY sinds 2015 • Functie 3: het beleggingscomité: bull, bear, risicomanager en portefeuillemanager • Live runs in de eigen terminal-app en mijn originele runs geopend in de web-app • Vergelijking met TradingAgents en AI Hedge Fund in Glassbench Wat ik heb ontdekt • Aandelenanalyse van NVIDIA: DeepSeek Flash deed er 4,5 minuten over voor ongeveer 15 cent, Claude Haiku 80 seconden voor 2 cent met 16 cijfers die werden geblokkeerd door de grounding gate, Claude Sonnet 2 minuten 15 seconden voor 63 cent • Backtest: de engine is solide, de timing hangt af van de run. In 3 van mijn 4 DeepSeek-runs verschoof de gegenereerde code het signaal een extra dag (51,6% gerapporteerd, 39,8% in mijn herbouw). Claude Haiku en Sonnet handelden op de juiste dag, net als de live DeepSeek Flash-run in deze video (38,3%, 103 transacties). • Commissie: DeepSeek Flash gaf een koopadvies in 10 minuten, Claude Haiku gaf geen beoordeling, Claude Sonnet gaf een houdadvies met een hedge in 7,5 minuten. • Eén run met alle 3 functies: ongeveer 40 cent op DeepSeek Flash, 11 cent op Claude Haiku, $ 2,80 op Claude Sonnet. Links • Mijn pull request naar de repository over de signaalvertraging: Vibe-Trading#2137 • AI-Trader-paper van hetzelfde lab: arxiv.org • Glassbench, om repositories van trading agents te vergelijken: davidalmeida90/glassbench • TradingAgents-video: youtu.be • AI Hedge Fund-video: youtu.be Hoofdstukken 0:00 Vibe Trading in één minuut 0:18 Waarom het populair werd 0:48 In deze video 1:10 Binnen de repository 2:39 Hoe een verzoek erdoorheen gaat 3:08 Veilig installeren, stap voor stap 4:34 Laat je AI-agent het installeren 5:13 Functie 1: aandelenanalyse op NVIDIA 7:41 Functie 2: RSI(2)-strategie en backtest 11:07 Functie 3: beleggingscommissie 14:25 Vergelijken in Glassbench 15:19 Scorebord en kosten 16:18 Mijn oordeel Ik heb zelf betaald voor elke API-aanroep in deze video. Geen beleggingsadvies: dit is een test van een open source repository, niets meer. #VibeTrading #AITrading #DeepSeek [pa] DeepSeek ਅਤੇ Claude 'ਤੇ ਓਪਨ ਸੋਰਸ Vibe Trading: ਸੈੱਟਅੱਪ, ਬੈਕਟੈਸਟ ਅਤੇ ਕਮੇਟੀ ਵਾਈਬ ਟ੍ਰੇਡਿੰਗ (HKUDS, GitHub 'ਤੇ 37K ਸਟਾਰ) ਇੱਕ ਓਪਨ ਸੋਰਸ AI ਟ੍ਰੇਡਿੰਗ ਏਜੰਟ ਹੈ। ਮੈਂ ਇਸਨੂੰ ਇੰਸਟਾਲ ਕਰਦਾ ਹਾਂ ਅਤੇ ਇਸਦੀਆਂ 3 ਮੁੱਖ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ DeepSeek Flash, DeepSeek Pro, Claude Haiku ਅਤੇ Claude Sonnet 'ਤੇ ਟੈਸਟ ਕਰਦਾ ਹਾਂ। HKUDS/Vibe-Trading ਅੰਦਰ ਕੀ ਹੈ • ਸੈੱਟਅੱਪ, VS ਕੋਡ ਵਿੱਚ ਕਦਮ ਦਰ ਕਦਮ: ਕਲੋਨ, ਇੱਕ Python 3.11 venv, ਲਾਕ ਫਾਈਲ, ਤੁਹਾਡੇ ਮਾਡਲ ਦੇ ਨਾਲ .env, ਅਤੇ ਡੌਕਰ ਕਿਉਂ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ (ਇਸਦਾ ਟਰਮੀਨਲ ਐਪ ਹਮੇਸ਼ਾ ਆਪਣੇ ਸ਼ੈੱਲ ਟੂਲਸ ਨੂੰ ਚਾਲੂ ਰੱਖਦਾ ਹੈ) • ਵਿਸ਼ੇਸ਼ਤਾ 1, ਇੱਕ ਏਜੰਟ NVIDIA ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦਾ ਹੈ: ਰੇਟਿੰਗ, ਐਂਟਰੀ, ਸਟਾਪ ਅਤੇ ਟਾਰਗੇਟ • ਵਿਸ਼ੇਸ਼ਤਾ 2, ਇੱਕ ਰਣਨੀਤੀ ਅਤੇ ਇਸਦਾ ਬੈਕਟੈਸਟ: 2015 ਤੋਂ SPY 'ਤੇ ਲੈਰੀ ਕੋਨਰਜ਼ ਦਾ RSI(2) ਪੁੱਲਬੈਕ • ਵਿਸ਼ੇਸ਼ਤਾ 3, ਨਿਵੇਸ਼ ਕਮੇਟੀ: ਬਲਦ, ਰਿੱਛ, ਜੋਖਮ ਅਧਿਕਾਰੀ ਅਤੇ ਪੋਰਟਫੋਲੀਓ ਮੈਨੇਜਰ • ਆਪਣੇ ਖੁਦ ਦੇ ਟਰਮੀਨਲ ਐਪ ਵਿੱਚ ਲਾਈਵ ਚੱਲਦਾ ਹੈ, ਅਤੇ ਮੇਰੇ ਅਸਲ ਚੱਲਦੇ ਹਨ ਇਸਦੇ ਵੈੱਬ ਐਪ ਵਿੱਚ ਖੋਲ੍ਹੇ ਗਏ • ਇਹ ਗਲਾਸਬੈਂਚ ਵਿੱਚ TradingAgents ਅਤੇ AI Hedge Fund ਨਾਲ ਕਿਵੇਂ ਤੁਲਨਾ ਕਰਦਾ ਹੈ ਮੈਂ ਕੀ ਪਾਇਆ • NVIDIA 'ਤੇ ਸਟਾਕ ਵਿਸ਼ਲੇਸ਼ਣ: DeepSeek Flash ਨੇ ਲਗਭਗ 15 ਸੈਂਟ ਲਈ 4.5 ਮਿੰਟ ਲਏ, Claude Haiku ਨੇ 2 ਸੈਂਟ ਲਈ 80 ਸਕਿੰਟ ਲਏ ਜਿਸ ਵਿੱਚ ਇਸਦੇ ਗਰਾਉਂਡਿੰਗ ਗੇਟ ਦੁਆਰਾ 16 ਅੰਕੜੇ ਖਾਲੀ ਕੀਤੇ ਗਏ ਸਨ, ਕਲੌਡ ਸੋਨੇਟ 2 ਮਿੰਟ 15 ਸਕਿੰਟ 63 ਸੈਂਟ ਲਈ • ਬੈਕਟੈਸਟ: ਇੰਜਣ ਠੋਸ ਹੈ, ਸਮਾਂ ਦੌੜ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਮੇਰੇ 4 ਡੀਪਸੀਕ ਰਨ ਵਿੱਚੋਂ 3 ਵਿੱਚ ਤਿਆਰ ਕੀਤੇ ਕੋਡ ਨੇ ਸਿਗਨਲ ਨੂੰ ਇੱਕ ਵਾਧੂ ਦਿਨ ਬਦਲ ਦਿੱਤਾ (51.6% ਰਿਪੋਰਟ ਕੀਤਾ ਗਿਆ, ਮੇਰੇ ਦੁਬਾਰਾ ਬਣਾਉਣ ਵਿੱਚ 39.8%)। ਕਲਾਉਡ ਹਾਇਕੂ ਅਤੇ ਸੋਨੇਟ ਨੇ ਸਹੀ ਦਿਨ ਵਪਾਰ ਕੀਤਾ, ਅਤੇ ਇਸ ਵੀਡੀਓ ਵਿੱਚ ਲਾਈਵ ਡੀਪਸਿਕ ਫਲੈਸ਼ ਵੀ ਚੱਲਿਆ (38.3%, 103 ਵਪਾਰ) • ਕਮੇਟੀ: ਡੀਪਸਿਕ ਫਲੈਸ਼ ਨੇ 10 ਮਿੰਟਾਂ ਵਿੱਚ ਇੱਕ ਖਰੀਦ ਦਿੱਤੀ, ਕਲਾਉਡ ਹਾਇਕੂ ਨੇ ਕੋਈ ਰੇਟਿੰਗ ਨਹੀਂ ਦਿੱਤੀ, ਕਲਾਉਡ ਸੋਨੇਟ ਨੇ 7.5 ਮਿੰਟਾਂ ਵਿੱਚ ਇੱਕ ਹੈਜ ਦੇ ਨਾਲ ਇੱਕ ਹੋਲਡ ਦਿੱਤਾ • ਸਾਰੀਆਂ 3 ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਿੱਚੋਂ ਇੱਕ ਦੌੜ: ਡੀਪਸਿਕ ਫਲੈਸ਼ 'ਤੇ ਲਗਭਗ 40 ਸੈਂਟ, ਕਲਾਉਡ ਹਾਇਕੂ 'ਤੇ 11 ਸੈਂਟ, ਕਲਾਉਡ ਸੋਨੇਟ 'ਤੇ $2.80 ਲਿੰਕ • ਸਿਗਨਲ ਦੇਰੀ 'ਤੇ ਰੈਪੋ ਨੂੰ ਮੇਰੀ ਪੁੱਲ ਬੇਨਤੀ: Vibe-Trading#2137 • ਉਸੇ ਲੈਬ ਤੋਂ AI-Trader ਪੇਪਰ: arxiv.org • ਗਲਾਸਬੈਂਚ, ਟ੍ਰੇਡਿੰਗ ਏਜੰਟ ਰੈਪੋ ਦੀ ਤੁਲਨਾ ਕਰਨ ਲਈ: davidalmeida90/glassbench • TradingAgents ਵੀਡੀਓ: youtu.be • AI ਹੈਜ ਫੰਡ ਵੀਡੀਓ: youtu.be ਅਧਿਆਇ 0:00 ਇੱਕ ਮਿੰਟ ਵਿੱਚ ਵਾਈਬ ਟ੍ਰੇਡਿੰਗ 0:18 ਇਹ ਪ੍ਰਸਿੱਧ ਕਿਉਂ ਹੋਇਆ 0:48 ਇਸ ਵੀਡੀਓ ਵਿੱਚ 1:10 ਰਿਪੋਜ਼ਟਰੀ ਦੇ ਅੰਦਰ 2:39 ਇੱਕ ਬੇਨਤੀ ਇਸ ਵਿੱਚੋਂ ਕਿਵੇਂ ਲੰਘਦੀ ਹੈ 3:08 ਇਸਨੂੰ ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਸਥਾਪਿਤ ਕਰੋ, ਕਦਮ ਦਰ ਕਦਮ 4:34 ਆਪਣੇ AI ਏਜੰਟ ਨੂੰ ਇਸਨੂੰ ਸਥਾਪਤ ਕਰਨ ਦਿਓ 5:13 ਵਿਸ਼ੇਸ਼ਤਾ 1: NVIDIA 'ਤੇ ਸਟਾਕ ਵਿਸ਼ਲੇਸ਼ਣ 7:41 ਵਿਸ਼ੇਸ਼ਤਾ 2: RSI(2) ਰਣਨੀਤੀ ਅਤੇ ਬੈਕਟੈਸਟ 11:07 ਵਿਸ਼ੇਸ਼ਤਾ 3: ਨਿਵੇਸ਼ ਕਮੇਟੀ 14:25 ਗਲਾਸਬੈਂਚ ਵਿੱਚ ਇਸਦੀ ਤੁਲਨਾ ਕਰੋ 15:19 ਸਕੋਰਬੋਰਡ ਅਤੇ ਲਾਗਤਾਂ 16:18 ਮੇਰਾ ਫੈਸਲਾ ਮੈਂ ਇਸ ਵੀਡੀਓ ਵਿੱਚ ਹਰੇਕ API ਕਾਲ ਲਈ ਖੁਦ ਭੁਗਤਾਨ ਕੀਤਾ। ਨਿਵੇਸ਼ ਸਲਾਹ ਨਹੀਂ: ਇਹ ਇੱਕ ਓਪਨ ਸੋਰਸ ਰੈਪੋ ਦਾ ਟੈਸਟ ਹੈ, ਹੋਰ ਕੁਝ ਨਹੀਂ। #VibeTrading #AITrading #DeepSeek [pl] Otwartoźródłowy Vibe Trading na DeepSeek i Claude: instalacja, backtest i komitet inwestycyjny Vibe Trading (HKUDS, 37 tys. gwiazdek na GitHubie) to otwartoźródłowy agent handlowy oparty na sztucznej inteligencji. Instaluję go i testuję jego 3 główne funkcje na DeepSeek Flash, DeepSeek Pro, Claude Haiku i Claude Sonnet. HKUDS/Vibe-Trading Co zawiera • Konfiguracja krok po kroku w VS Code: klon, venv w Pythonie 3.11, plik blokady, .env z modelem i dlaczego Docker ma znaczenie (aplikacja terminalowa zawsze ma włączone narzędzia powłoki) • Funkcja 1: jeden agent analizuje NVIDIA: rating, wejście, stop i cel • Funkcja 2: strategia i jej backtest: korekta RSI(2) Larry'ego Connorsa na SPY od 2015 roku • Funkcja 3: komitet inwestycyjny: wzrost, spadek, dyrektor ds. ryzyka i zarządzający portfelem • Przebiegi na żywo w aplikacji terminalowej, a moje oryginalne przebiegi otwarte w aplikacji webowej • Porównanie z TradingAgents i AI Hedge Fund w Glassbench Co odkryłem • Analiza akcji na NVIDIA: DeepSeek Flash trwał 4,5 minuty za około 15 centów, Claude Haiku 80 sekund za 2 centy, z 16 cyframi wygaszonymi przez bramka uziemiająca, Claude Sonnet 2 minuty 15 sekund za 63 centy • Test wsteczny: silnik jest solidny, czas zależy od przebiegu. W 3 z moich 4 przebiegów DeepSeek wygenerowany kod przesunął sygnał o jeden dodatkowy dzień (51,6% zgłoszonych, 39,8% w mojej przebudowie). Claude Haiku i Sonnet handlowali we właściwym dniu, podobnie jak DeepSeek Flash na żywo w tym filmie (38,3%, 103 transakcje) • Komitet: DeepSeek Flash wydał rekomendację kupna w ciągu 10 minut, Claude Haiku nie wystawił rekomendacji, Claude Sonnet wydał rekomendację utrzymania z zabezpieczeniem w ciągu 7,5 minuty • Jeden przebieg wszystkich 3 trendów: około 40 centów na DeepSeek Flash, 11 centów na Claude Haiku, 2,80 USD na Claude Sonnet Linki • Mój pull request do repozytorium, dotyczący opóźnienia sygnału: Vibe-Trading#2137 • Artykuł AI-Trader z tego samego laboratorium: arxiv.org • Glassbench, do porównania repozytoriów agentów handlowych: davidalmeida90/glassbench • Film o TradingAgents: youtu.be • Film o AI Hedge Fund: youtu.be Rozdziały 0:00 Vibe Trading w minutę 0:18 Dlaczego stał się popularny 0:48 W tym filmie 1:10 Wewnątrz repozytorium 2:39 Jak żądanie przez nie przechodzi 3:08 Bezpieczna instalacja, krok po kroku 4:34 Pozwól swojemu agentowi AI go zainstalować 5:13 Funkcja 1: analiza akcji na NVIDIA 7:41 Funkcja 2: strategia RSI(2) i backtest 11:07 Funkcja 3: komitet inwestycyjny 14:25 Porównaj w Glassbench 15:19 Tablica wyników i koszty 16:18 Mój werdykt Sam zapłaciłem za każde wywołanie API w tym filmie. Nie jest to porada inwestycyjna: to test repozytorium open source, nic więcej. #VibeTrading #AITrading #DeepSeek [pt-BR] Vibe Trading de código aberto no DeepSeek e Claude: Configuração, Backtest e Comitê Vibe Trading (HKUDS, 37 mil estrelas no GitHub) é um agente de negociação de IA de código aberto. Eu o instalei e testei seus 3 principais recursos no DeepSeek Flash, DeepSeek Pro, Claude Haiku e Claude Sonnet. HKUDS/Vibe-Trading O que está incluído • Configuração passo a passo no VS Code: clonagem, um ambiente virtual Python 3.11, o arquivo de bloqueio, o arquivo .env com seu modelo e por que o Docker é importante (seu aplicativo de terminal mantém suas ferramentas de shell sempre abertas) • Recurso 1: um agente analisa a NVIDIA: classificação, entrada, stop e alvo • Recurso 2: uma estratégia e seu backtest: recuo do RSI(2) de Larry Connors no SPY desde 2015 • Recurso 3: o comitê de investimento: otimista, pessimista, diretor de risco e gestor de portfólio • Execuções ao vivo em seu próprio aplicativo de terminal e minhas execuções originais abertas em seu aplicativo web • Comparação com TradingAgents e AI Hedge Fund no Glassbench O que descobri • Análise de ações da NVIDIA: DeepSeek Flash levou 4,5 minutos para cerca de 15 centavos, Claude Haiku 80 segundos para 2 centavos com 16 dígitos apagados pelo seu portão de aterramento, Claude Sonnet 2 minutos e 15 segundos por 63 centavos • Backtest: o motor é sólido, o tempo depende da execução. Em 3 das minhas 4 execuções do DeepSeek, o código gerado deslocou o sinal em um dia a mais (51,6% relatado, 39,8% na minha reconstrução). Claude Haiku e Sonnet operaram no dia certo, assim como a execução ao vivo do DeepSeek Flash neste vídeo (38,3%, 103 operações) • Comitê: DeepSeek Flash recomendou Compra em 10 minutos, Claude Haiku não emitiu nenhuma classificação, Claude Sonnet recomendou Manter com hedge em 7,5 minutos • Uma execução com todos os 3 recursos: cerca de 40 centavos no DeepSeek Flash, 11 centavos no Claude Haiku, US$ 2,80 no Claude Sonnet Links • Meu pull request para o repositório, sobre o atraso do sinal: Vibe-Trading#2137 • Artigo do AI-Trader do mesmo laboratório: arxiv.org • Glassbench, para comparar repositórios de agentes de negociação: davidalmeida90/glassbench • Vídeo do TradingAgents: youtu.be • Vídeo sobre Fundos de Investimento com IA: youtu.be Capítulos 0:00 Vibe Trading em um minuto 0:18 Por que ficou popular 0:48 Neste vídeo 1:10 Dentro do repositório 2:39 Como uma requisição se move por ele 3:08 Instale com segurança, passo a passo 4:34 Deixe seu agente de IA instalar 5:13 Recurso 1: análise de ações na NVIDIA 7:41 Recurso 2: estratégia RSI(2) e backtest 11:07 Recurso 3: comitê de investimento 14:25 Compare no Glassbench 15:19 Placar e custos 16:18 Meu veredito Eu paguei por cada chamada de API neste vídeo. Não é uma recomendação de investimento: este é um teste de um repositório de código aberto, nada mais. #VibeTrading #AITrading #DeepSeek [ru] Open Source Vibe Trading на DeepSeek и Claude: настройка, бэктест и инвестиционный комитет Vibe Trading (HKUDS, 37 тыс. звезд на GitHub) — это торговый агент с открытым исходным кодом и искусственным интеллектом. Я установил его и протестировал 3 основные функции на DeepSeek Flash, DeepSeek Pro, Claude Haiku и Claude Sonnet. HKUDS/Vibe-Trading Что внутри • Пошаговая настройка в VS Code: клонирование, виртуальное окружение Python 3.11, файл блокировки, .env с вашей моделью и почему Docker важен (его терминальное приложение всегда держит включенными инструменты оболочки) • Функция 1: один агент анализирует NVIDIA: рейтинг, точка входа, стоп-лосс и целевая цена • Функция 2: стратегия и ее бэктест: коррекция RSI(2) Ларри Коннорса на SPY с 2015 года • Функция 3: инвестиционный комитет: бык, медведь, риск-менеджер и портфельный менеджер • Запуски в реальном времени в собственном терминальном приложении, а мои первоначальные запуски открыты в веб-приложении • Сравнение с TradingAgents и AI Hedge Fund в Glassbench Что я обнаружил • Анализ акций NVIDIA: DeepSeek Flash занял 4,5 минуты для примерно 15 центов, Claude Haiku — 80 секунд для 2 центов, при этом 16 цифр были проигнорированы Заземляющий затвор, Клод Сонне, 2 минуты 15 секунд за 63 цента • Тестирование: движок работает стабильно, время зависит от запуска. В 3 из 4 моих запусков DeepSeek сгенерированный код сдвинул сигнал на один дополнительный день (51,6% заявлено, 39,8% в моей пересборке). Клод Хайку и Сонне торговали в удачный день, как и работа DeepSeek Flash в реальном времени, показанная в этом видео (38,3%, 103 сделки). • Комитет: DeepSeek Flash дал рекомендацию «Покупать» за 10 минут, Клод Хайку не дал оценки, Клод Сонне дал рекомендацию «Держать» с хеджированием за 7,5 минут. • Один запуск всех 3 функций: около 40 центов на DeepSeek Flash, 11 центов на Клоде Хайку, 2,80 доллара на Клоде Сонне. Ссылки • Мой запрос на слияние в репозиторий, касающийся задержки сигнала: Vibe-Trading#2137 • Статья об AI-Trader из той же лаборатории: arxiv.org • Glassbench для сравнения репозиториев торговых агентов: davidalmeida90/glassbench • Видео о TradingAgents: youtu.be • Видео об ИИ-хедж-фонде: youtu.be Разделы 0:00 Торговля с использованием Vibe за одну минуту 0:18 Почему она стала популярной 0:48 В этом видео 1:10 Внутри репозитория 2:39 Как запрос проходит через него 3:08 Безопасная установка, шаг за шагом 4:34 Позвольте вашему ИИ-агенту установить ее 5:13 Функция 1: анализ акций NVIDIA 7:41 Функция 2: стратегия RSI(2) и бэктест 11:07 Функция 3: инвестиционный комитет 14:25 Сравнение в Glassbench 15:19 Таблица результатов и затраты 16:18 Мой вердикт Я сам оплатил каждый вызов API в этом видео. Это не инвестиционный совет: это тест репозитория с открытым исходным кодом, ничего больше. #VibeTrading #AITrading #DeepSeek [ta] DeepSeek மற்றும் Claude-ல் ஓப்பன் சோர்ஸ் Vibe Trading: அமைப்பு, பேக் டெஸ்ட்
오늘 깃허브에서 제일 핫한 오픈소스 14개, 전부 정리했습니다 [10분 완벽 정리] 2026년 11월 1일 기준 깃허브 트렌딩에 오른 오픈소스 14개를 14위부터 1위까지 정리했습니다. 00:00 오늘의 TOP 14 00:04 14위 보르세인트 유틸스 01:04 13위 데브옵스 엑서사이즈 02:10 12위 오픈마익 03:23 11위 오르카스 03:52 10위 딥튜터 04:24 9위 라이트판다 05:45 8위 슈퍼파워스 06:03 7위 임페커블 06:37 6위 오픈마우스봇 07:11 5위 자미두수 07:52 4위 T3 코드 08:24 3위 클로드 코드 게임 스튜디오 09:13 2위 맷 포콕 스킬 09:31 1위 클로드 멤 10:12 마무리 저장소 : 14위 Vorssaint Utils — vorssaint/vorssaint-utils 13위 DevOps Exercises — bregman-arie/devops-exercises 12위 OpenMAIC — THU-MAIC/OpenMAIC 11위 Orkas — Orkas-AI/Orkas 10위 DeepTutor — HKUDS/DeepTutor 9위 Lightpanda — lightpanda-io/browser 8위 Superpowers — obra/superpowers 7위 Impeccable — pbakaus/impeccable 6위 OpenMausBot — milind-soni/OpenMausBot 5위 자미두수 — Renhuai123/ziwei-doushu 4위 T3 Code — pingdotgg/t3code 3위 Claude Code Game Studios — Donchitos/Claude-Code-Game-Studios 2위 Matt Pocock Skills — mattpocock/skills 1위 Claude-Mem — thedotmack/claude-mem #깃허브 #오픈소스 #AI에이전트 #클로드코드 [en-US] 14 Hottest Open Source Projects on GitHub Right Now, All Summarized [10-Minute Deep Dive] We have compiled a list of the 14 open source projects trending on GitHub as of November 1, 2026, ranking from 14th to 1st. 00:00 Today's TOP 14 00:04 14th Vorssaint Utils 01:04 13th DevOps Exercise 02:10 12th OpenMice 03:23 11th Orcas 03:52 10th DeepTutor 04:24 9th LightPanda 05:45 8th Superpowers 06:03 7th Impeccable 06:37 6th OpenMouseBot 07:11 5th Zi Wei Dou Shu 07:52 4th T3 Code 08:24 3rd Claude Code Game Studio 09:13 2nd Matt Pocock Skill 09:31 1st Claude Mem 10:12 Wrap-up Repository : 14th Vorssaint Utils — vorssaint/vorssaint-utils 13th DevOps Exercises — bregman-arie/devops-exercises 12th OpenMAIC — THU-MAIC/OpenMAIC 11th Orkas — Orkas-AI/Orkas 10th DeepTutor — HKUDS/DeepTutor 9th Lightpanda — lightpanda-io/browser 8th Superpowers — obra/superpowers 7th Impeccable — pbakaus/impeccable 6th OpenMausBot — milind-soni/OpenMausBot 5th Zi Wei Dou Shu — Renhuai123/ziwei-doushu 4th Place T3 Code — pingdotgg/t3code 3rd Place Claude Code Game Studios — Donchitos/Claude-Code-Game-Studios 2nd Place Matt Pocock Skills — mattpocock/skills 1st Place Claude-Mem — thedotmack/claude-mem #GitHub #OpenSource #AIAgent #ClaudeCode [id] 14 Open Source Paling Hot di GitHub Hari Ini, Semuanya Sudah Dirangkum [Rangkuman Lengkap 10 Menit] Kami telah menyusun daftar 14 proyek sumber terbuka yang sedang tren di GitHub per 1 November 2026, dengan peringkat dari ke-14 hingga ke-1. 00:00 TOP 14 Hari Ini 00:04 Vorssaint Utils ke-14 01:04 DevOps Exercise ke-13 02:10 OpenMice ke-12 03:23 Orcas ke-11 03:52 DeepTutor ke-10 04:24 LightPanda ke-9 05:45 Superpowers ke-8 06:03 Impeccable ke-7 06:37 OpenMouseBot ke-6 07:11 Zi Wei Dou Shu ke-5 07:52 T3 Code ke-4 08:24 Claude Code Game Studio ke-3 09:13 Matt Pocock Skill ke-2 09:31 Claude Mem ke-1 10:12 Ringkasan Repositori: Vorssaint Utils ke-14 — vorssaint/vorssaint-utils DevOps ke-13 Latihan — bregman-arie/devops-exercises 12th OpenMAIC — THU-MAIC/OpenMAIC 11th Orkas — Orkas-AI/Orkas 10th DeepTutor — HKUDS/DeepTutor 9th Lightpanda — lightpanda-io/browser 8th Superpowers — obra/superpowers 7th Impeccable — pbakaus/impeccable 6th OpenMausBot — milind-soni/OpenMausBot 5th Zi Wei Dou Shu — Renhuai123/ziwei-doushu 4th T3 Code — pingdotgg/t3code 3rd Claude Code Game Studios — Donchitos/Claude-Code-Game-Studios Juara 2 Matt Pocock Skills — mattpocock/skills Juara 1 Claude-Mem — thedotmack/claude-mem #GitHub #OpenSource #AIAgent #ClaudeCode
🚀 Your personal AI tutor, for free! DeepTutor helps you learn difficult topics through personalized explanations, interactive learning & step-by-step guidance. GitHub: hkuds/deeptutor