Claude Code автоматизация исследования взяла победу в хакатоне! Победитель: Я вообще не знал, как выиграть

На Autoresearch Hackathon, организованном Paradigm, почти не «проектировавший стратегию вручную» участник в итоге взял первое место. Победитель Ryan Li, который также является CEO SurfAI, говорит, что весь процесс решения задач практически целиком выполнялся ИИ, и что он даже «не знает, как победил»; в итоге он всё равно занял первое место в Prediction Market Challenge.

Этот конкурс требует от участников разработать маркет-мейкинг-стратегию в смоделированном двоичном рынке прогнозов: размещать ликвидность в стакане через лимитные ордера и найти баланс прибыли между «арбитражерами» и «потоком розничных трейдеров». Итоговая позиция определяется по среднему edge (преимуществу по прибыли) в 200 случайных симуляциях. Финальный результат Ryan — 42.32 доллара mean edge (рассчитано как медиана по трём наборам случайных seed), после пересчёта он поднялся на первое место.

Автоматическое исследование с помощью Claude Code + Codex, создание 1039 стратегий

В отличие от традиционной количественной торговли или маркет-мейкинг-стратегий, которые опираются на участие людей-экспертов для подстройки параметров и моделирования, Ryan применил подход «Bitter Lesson», предложенный Rich Sutton в последние годы: пусть вычислительная мощность и масштаб поиска обгоняют человеческий опыт. Он перевёл всю задачу в процесс «автоматизированного исследования» (autoresearch), где несколько AI-агентов параллельно исследуют пространство решений, а не вручную оптимизируют.

Весь процесс включал использование 8–20 AI-агентов, запущенных параллельно (в основном на базе Claude Code, с поддержкой Codex): каждый агент отвечал за разные предположения и параметрические пространства, постоянно генерируя стратегии, выполняя симуляции и возвращая результаты. В итоге было накоплено 1 039 вариантов стратегий, проведено более 2 000 оценок, а также автоматически сгенерировано 47 скриптов для параметрического сканирования. Общий масштаб поиска — сопоставим с тем, как за несколько часов сжать то, на что при ручных экспериментах ушли бы недели.

Получив чемпионство на хакатоне: 900 строк Python от ИИ для алгоритма маркет-мейкинга

На уровне стратегий окончательно победившее решение — это маркет-мейкинг-алгоритм примерно на 900 строк Python; ключевая логика не проистекает из одного единственного дизайна, а складывается из нескольких модулей, «доказавших свою эффективность». В том числе: уход от крайне узких диапазонов спредов, в которых арбитражеры действуют без проигрыша; оценка реальной цены с помощью методов теории информации; динамическая корректировка объёма котировок в зависимости от риска арбитража; и активный вход в рынок в момент, когда стакан противника оказывается «съеден», чтобы забирать высокоприбыльные интервалы.

Самейшим критическим прорывом стало решение одного AI-агента «полностью отказаться от существующих стратегий и начать с нуля». Когда общая оптимизация застопорилась примерно на +25 edge, этот агент независимо нашёл модель sizing, опирающуюся на «вероятность риска арбитража»; это подняло результаты стратегии сразу до +44 — став поворотной точкой всей гонки. Этот результат напрямую подтверждает методологию Ryan: когда поиск застревает в локальном оптимуме, перезапуск оказывается эффективнее, чем донастройка.

Абсолютное преимущество AI-исследований: автоматизированные пробы и ошибки

В своём итоговом выводе Ryan отметил, что ключ в этой задаче не в том, чтобы придумать «умную стратегию», а в том, чтобы создать систему, способную выполнять масштабный поиск, проверять идеи и отбрасывать их. Вместо того чтобы полагаться на человеческую интуицию, он позволил ИИ пробовать варианты в огромном пространстве решений и повышать эффективность за счёт параллелизации и автоматизации.

Этот кейс также дополнительно усиливает переход роли «Agentic AI» в инженерных и исследовательских процессах: ИИ больше не просто вспомогательный инструмент, а может напрямую взять на себя роль ключевого исполнителя для исследования и принятия решений. В некоторых сильно структурированных, поддающихся моделированию задачах человек может даже полностью выйти из роли «решателя» и вместо этого заняться разработкой самой поисковой рамки и механизма оценки.

Эта статья об автоматизированном исследовании с помощью Claude Code выиграла чемпионство на хакатоне! Победитель: «Я вообще не знаю, как выиграл». Впервые опубликовано на 鏈新聞 ABMedia.