Superalgos / 机器学习
Superalgos 机器学习：Bitcoin Factory 的众包预测到底怎么跑
项目里的 AI 部分是一个独立子系统，叫 Bitcoin Factory。它的思路不是「训练一个模型」，而是把参数与数据组合的穷举拆给所有参与者一起跑：每台机器测一组组合、把误差回报给测试服务器，服务器保留误差最低的那一组作为该资产/时间框架误差最低的预测模型。衡量标准是 RMSE，预测目标是下一根 K 线的最高、最低与收盘。官方同时明确提醒：这是纯暴力穷举，初期预测并不精准。
Bitcoin Factory 要解决的问题是什么
它想回答的是一个组合爆炸问题：在给定资产与时间框架下，哪一组模型参数与数据组合的预测误差最小。
| 问题 | 官方思路 | 为什么不能一个人做 | 注意点 |
|---|---|---|---|
| 该用哪些参数 | 参数有各自的合理区间，但只有相互组合后才知道效果 | 组合数量级远超个人算力 | 没有「拍脑袋一组参数」的捷径 |
| 该用哪些数据 | 可选指标有上百个、加密资产上千、时间框架数十种 | 需要测试百万级用例才能稳定 | 官方自述没人知道哪组数据最相关 |
| 怎么判断模型好坏 | 用测试数据集做预测后与真实值比对，取 RMSE 作为客观误差 | 单个模型的训练从几分钟到数小时 | 误差是唯一裁决标准，不看主观判断 |
| 市场会变怎么办 | 找到更优组合就替换旧模型并重算该资产/时间框架的预测 | 需要持续不断的测试循环 | 官方强调模型会过时，这是长期任务 |
| 预测结果有什么用 | 转化为一个预测指标，可手工参考或接入自建策略 | —— | 官方明确说不要期待初期精准 |
| 为什么用众包 | 个人要自建可观的数据处理设施，且单点容易被针对；集体更抗打断 | 算力是可以被拆开的 | 贡献算力会被记录并按月给予代币奖励 |
四个组件各干什么
官方把 Bitcoin Factory 拆成四个协同部件，只有其中一个需要你亲自运行。
| 组件 | 职责 | 谁来运行 | 你要关心什么 |
|---|---|---|---|
| Superalgos Network Node | 让各组件之间能通信；网络节点是 P2P 网络的开放接入点 | 社区贡献者运行的节点 | 需要放行 websocket 端口（默认 18042） |
| Test Server Application | 协调所有测试与预测用例：记录、组织并把用例派发给在线的测试客户端；收到更优结果就把它转成预测用例 | 由 Bitcoin Factory 官方运营 | 它本身不跑测试，只是调度者；只有受信成员才能当服务器运营者 |
| ML Test Client Application | 从测试服务器领用例，在本机的 TensorFlow Docker 容器里跑完并回报结果；同时接收最新预测数据 | 参与者自己运行（就是你要跑的那个） | 你的算力贡献会被记录，并按月获得代币奖励 |
| Forecast Client Application | 复现被选中的误差最低的模型，持续产出该资产/时间框架的下一根 K 线预测 | 官方与受信成员侧运行 | 产出会分发给测试客户端，并转为平台内的预测指标 |
| 数据流向 | 测试服务器 →（派发用例）→ 测试客户端 →（回报结果）→ 测试服务器 →（更优则转预测用例）→ 预测客户端 →（分发预测）→ 测试客户端 | —— | 闭环由官方组件与社区算力共同构成 |
| 当前开发状态 | 官方待办里仍有未修项（例如预测组件会发送 undefined 值）；多个测试服务器可以并存，但目前只能运行一个网络节点 | —— | 这意味着它是进行中的系统，不是成品服务 |
预测产出：范围、指标与错误
官方文档把产出范围写得很具体，也把「现在准不准」写得很直白。
| 维度 | 官方口径 | 含义 | 注意点 |
|---|---|---|---|
| 预测对象 | 下一根 K 线的最高价、最低价与收盘价 | 是「下一根」而不是趋势或涨跌方向 | 不要当成买卖信号直接使用 |
| 市场范围 | 目前只在 Binance 的 USDT 市场上做 | 其他交易所与其他计价对不在覆盖范围 | 官方用「for now」表述，属未完成范围 |
| 时间框架 | 1、2、3、4、6、8、12、24 小时 | 面向小时级而非分钟级 | 不覆盖更细的分钟框架 |
| 误差指标 | RMSE（均方根误差） | 越低越好；新的更优组合会替换旧模型 | 误差下降是长期累积结果，不是一次性达成 |
| 产出形态 | 转换为 Superalgos 里的一个预测指标，可手工参考或接入自建策略 | 最终落点仍是平台内的指标节点 | 接入策略前应先自行验证 |
| 获取门槛 | 贡献算力会累积代币奖励，攒够后可获得误差最低的那组预测的使用权 | 奖励与算力贡献挂钩 | 具体门槛与规则以官方文档为准 |
| 现阶段精度 | 官方明确说不要期待初期精准，这是纯暴力穷举，需要时间 | 把预期调到「实验性」更贴近现实 | 本站不提供任何准确率或收益数字 |
参与四步：从安装到跑起 Test Client
官方 README 把参与路径写成了四步，其中第二步最容易被跳过，但它恰恰是官方口中的必经项。
安装 Superalgos（必须是开发者与贡献者路径）
官方明确说其他安装方式没有为机器学习项目做过测试。所以你需要 Node、Git 与 GitHub 令牌，并按 fork-first 流程装好。预期：能执行
node platform并进入界面。做完前三课内置教程
官方要求先熟悉系统再参与群测，并说明前三课大约需要 2–3 小时。预期：你能独立完成界面上的基本操作，知道节点、工作区与任务在哪。
创建并贡献 User Profile
用户档案是你在项目里的身份，测试服务器用它来认证你的贡献。官方指向
Token-Distribution-Superalgos工作区里的「Creating Your User Profile」教程。预期：档案保存为扩展、提交后被治理仓库合并（约 10 分钟窗口）。按 Test Client 说明运行客户端
进入仓库的 Bitcoin-Factory 目录，打开
Test-Client目录，按其中的说明配置并运行。预期：客户端能从测试服务器领到用例、在本地容器里跑完并回报结果——之后你的贡献就会被累计。
Bitcoin-Factory/Test-Client 里的官方说明为准。TensorFlow 集成现在是什么状态：官方自述「部分且未完成」
这是评估 AI 能力时最该先看的一段——官方 README 对此的措辞非常克制。
| 项目 | 官方口径 | 对你的影响 | 注意点 |
|---|---|---|---|
| 集成完整度 | README 明确写作「partial and incomplete」（部分且未完成） | 不要把 AI 能力按成熟产品预期 | 这是官方原文措辞，不是第三方评价 |
| 安装方式 | 安装依赖时加 tensorflow 参数才会装该组依赖 | 不装则完全没有这部分 | 默认安装不含它 |
| 额外前置 | 需要 Python 3（官方在 Windows 提示里指向 Python 3.9；Linux 侧说明可另装 python3） | 环境里要有 Python | 版本要求以官方文档为准 |
| Windows 边界情况 | 官方提示 Windows 上装 TensorFlow 依赖可能在最后一步报错，并要求按报错后附的说明处理 | 报错是已知情况，不等于环境坏了 | 不要自行删改依赖绕过 |
| 与 Bitcoin Factory 的关系 | 测试客户端在 TensorFlow 容器里执行测试用例 | 群测链路依赖这套容器 | 容器与镜像细节以官方 Test-Client 说明为准 |
| 其他 ML 相关目录 | 仓库里另有 Machine-Learning 与 TensorFlow 两个 Project 目录 | 说明这块仍在演进 | 以当前仓库与文档为准，别照抄旧教程 |
贡献算力要多少资源、该抱什么预期
贡献算力听起来门槛很低，但官方文档里散落的几条限制值得先合并看一遍。
| 维度 | 官方口径 | 实际影响 | 注意点 |
|---|---|---|---|
| 贡献什么 | CPU/GPU 周期；不需要数据挖掘或机器学习经验，只要能跑起 Superalgos | 门槛在环境而不是算法 | 仍需要开发者路径安装与用户档案 |
| 获得什么 | 测试客户端会记录你的硬件解出的用例，测试服务器登记贡献；按月给予原生代币奖励 | 奖励与贡献量挂钩 | 具体结算规则以官方为准 |
| 攒够之后 | 可获得误差最低的预测指标使用权，用于手工参考或自建策略 | 这是参与的直接回报 | 使用权不等于收益保证 |
| 时间成本 | 先做完前三课教程（约 2–3 小时），再配置并长期运行客户端 | 不是一次性任务 | 官方把这个项目描述为需要长期参与 |
| 机器资源 | 模型训练从几分钟到数小时；官方建议学习阶段用全尺寸电脑，极简硬件留给生产 | 小机器不适合边学边跑 | 内存 ≤8 GB 需用 minMemo 启动 |
| 网络要求 | 依赖网络节点通信，节点端口需放行（默认 18042） | 网络不通就拿不到用例 | 测试网当前与 ML 项目存在冲突（官方已知问题） |
| 当前成熟度 | 官方待办里有未修项；预测端曾出现发送 undefined 值的问题 | 把它当实验性系统 | 遇到异常先看官方 issue 区与群里的最新状态 |
机器学习部分常见问题
组件、范围与状态以官方 Bitcoin-Factory README 与主 README 为准；本站未参与测试、也不提供任何准确率数字。
Bitcoin Factory 是一个模型吗？
不是单个模型，而是一套众包测试系统：官方维护测试服务器与预测端，社区贡献算力跑参数组合测试，用 RMSE 挑出误差最低的组合作为该资产/时间框架的误差最低模型，再转为平台内的预测指标。新的更优组合出现时会替换旧模型。
预测的是涨还是跌？
按官方文档，预测对象是下一根 K 线的最高价、最低价与收盘价，而不是涨跌方向或买卖信号。也就是说它产出的是价格层面的估计，是否以及如何用于策略需要你自己判断与验证，本站不做任何买卖点建议。
覆盖哪些市场和周期？
官方文档写明目前只在 Binance 的 USDT 市场上做预测，时间框架为 1、2、3、4、6、8、12、24 小时，并用了「for now」这类表述，说明范围仍可能变化。最新范围请以官方文档为准。
我需要机器学习背景吗？
官方说只要有基本技术能力把 Superalgos 跑起来、并愿意贡献 CPU/GPU 周期就可以参与，不需要数据挖掘或机器学习经验。但对环境的门槛还在：必须走开发者与贡献者安装路径（官方明确说其他安装方式没有为该项目测试过），并先做完前三课教程。
贡献算力能拿到什么？
官方说明你的测试贡献会被记录，并按月给予原生代币奖励；攒够代币后可以获得误差最低的预测指标使用权，用于手工参考或接入自建策略。具体的结算与门槛规则以官方文档为准，本站不提供任何收益或价格判断。
TensorFlow 集成成熟吗？
官方 README 的措辞是「partial and incomplete」——部分且未完成。它需要额外装 TensorFlow 依赖与 Python 3，Windows 上还有已知的安装报错情况需要按官方说明处理。评估这部分能力时请以官方原文与当前仓库状态为准。
现在能靠它做交易决策吗？
官方自己明确提醒：不要期待初期预测精准，因为这是在用纯暴力穷举寻找误差最低的组合，需要时间。本站同样不提供任何准确率、收益或买卖点表述。更稳妥的顺序是先在回测与模拟环境中验证你自己的策略逻辑，再考虑是否使用外部预测。
这和 EasyClaw 技能路线有什么不同？
两条路线做的事不一样：Bitcoin Factory 是长期跑参数组合测试、产出预测指标的众包算力项目；本机 EasyClaw 技能（如 quant-analyst 的回测与风险指标方法论、akshare-finance 的加密行情取数、chart-image 的出图）是按需一次性完成研究任务。两者没有已证实集成，也无法互相替代。