Manifest projektu AIvestor

Dlaczego powstał ten projekt?

Nie jestem doradcą inwestycyjnym ani funduszem. Jestem inżynierem, który po latach własnych doświadczeń rynkowych zadał sobie pytanie:

Czy można inwestować spokojniej, mądrzej i bardziej konsekwentnie – bez emocji?

Nie szukam „magicznego algorytmu” ani gwarancji zysku.
Szukam sposobu, aby system rozumiał moją intencję inwestycyjną, działał, gdy mnie nie ma, i podejmował decyzje spójne z tym, co sam uznaję za rozsądne.

Czym AIvestor jest, a czym nie jest

AIvestor jest:

  • eksperymentem badawczym (R&D), a nie produktem komercyjnym,
  • architekturą decyzyjną opartą o agentów i zdarzenia,
  • demonstratorem technologii decision intelligence, a nie obietnicą zysku.

AIvestor nie jest:

  • poradą inwestycyjną,
  • czarną skrzynką „która wie lepiej”,
  • gotowym robo-doradcą dla masowego użytkownika.

Co testuję (hipotezy)

  1. Decyzje a kontekst: czy da się łączyć analizę techniczną, newsy ESPI, sentyment rynkowy, historię decyzji i strategię użytkownika w jedną spójną decyzję?
  2. Explainability: czy każdą decyzję można opisać i zarchiwizować w języku naturalnym?
  3. Intencja użytkownika: czy inwestor może wyrazić strategię w języku naturalnym, a system zrealizuje ją automatycznie?
  4. Odporność architektury: czy multi-agentowe, event-driven podejście jest stabilne w realnym (choć testowym) środowisku?

Architektura w skrócie

  • Multi-agent: wyspecjalizowani agenci (news, sentyment, instrument, portfel) zamiast jednego monolitycznego modelu.
  • Event-driven: decyzje wyzwalane zdarzeniami (NEWS_TRIGGER, TAKE_PROFIT_HIT, POSITION_CLOSED).
  • LLM w pętli: modele językowe (Gemini/GPT) przetwarzają kontekst i generują rekomendacje.
  • UI i explainability: webowy interfejs pokazuje rynek, portfel, rekomendacje i historię decyzji.

Co czyni AIvestora unikalnym?

  • Niestandardowa architektura multiagentowa – wiele wyspecjalizowanych agentów współpracuje zamiast jednego black-boxa.
  • Human-in-the-loop – system zawsze działa w ramach intencji i limitów zdefiniowanych przez człowieka.
  • Explainability i audyt – każda decyzja ma uzasadnienie i pełny ślad w logach.
  • ~30 źródeł danych – własne scrapery + portale branżowe, raporty, notowania, newsy ESPI.
  • Świadomy eksperyment, nie produkt – test procesu, nie pogoń za zyskiem.
  • Trudne warunki testowe – GPW i niska płynność jako poligon do hartowania architektury.
  • Always-on, event-driven – system działa ciągle, reaguje na zdarzenia w czasie zbliżonym do rzeczywistego.

Dane i kontekst

AIvestor sam aktywnie buduje kontekst decyzyjny:

  • pobiera surowe notowania w różnych interwałach i wykonuje analizę techniczną,
  • ściąga profil spółki, raporty finansowe, wskaźniki i wyceny,
  • integruje newsy branżowe i komunikaty ESPI,
  • korzysta z ok. 30 scraperów i integracji z różnych źródeł danych,
  • pobiera dane „na zdarzenie” – tylko wtedy, gdy potrzebne są do decyzji.

To zasadnicza różnica względem ChatGPT: tu wiadomo co, skąd i kiedy zostało użyte.

Tryby i kontrola użytkownika

  • Tryby: automatyczny, pół-automatyczny, ręczny – włączane w UI.
  • Filtry preselekcji: rynek, minimalne obroty, filtrowanie „planktonu”.
  • Strategia w języku naturalnym – globalna, dla portfela i per instrument.
  • Limity ryzyka: min/max ekspozycji, max SL itp.
  • Zarządzanie pozycją: otwarcie, redukcja, zamknięcie, dokup (rozszerzenie) jeśli pozwala strategia i limity.
  • Analiza „na zadanie” i zakupy manualne – użytkownik może w pełni przejąć kontrolę.

Zakres testów i środowisko

  • Rynek: GPW jako punkt startowy – szybki dostęp do danych, znajomy kontekst.
  • Środowisko: konto symulacyjne spięte z API brokera (real-time dane, symulowany kapitał).
  • Pozycje: celowo małe, często o niskiej płynności – by wygenerować dużo przypadków testowych.
  • Styl: średni czas trwania pozycji ~30 dni (nie day-trading, nie long-term).

Celowo testuję w warunkach trudnych – jeśli architektura się obroni, skalowanie to kwestia inżynierii, a nie koncepcji.

Ograniczenia

  • To nie produkt, nie doradztwo i nie gwarancja zysków.
  • Wyniki na koncie symulacyjnym nie odwzorowują wprost dużych kwot i pełnej płynności.
  • GPW jest płytkie i zmienne – ale to celowy poligon.
  • Integracje z brokerami mogą się zmieniać co może powodować (przejsciowe) problemy integracyjne.

Co dalej?

  • Dalsze testy w trybie R&D.
  • Prezentacje i rozmowy.
  • Ewentualne partnerstwa.

Zastrzeżenia prawne

AIvestor to projekt badawczy.
Treści na stronie nie stanowią rekomendacji ani porady inwestycyjnej.
Nie gwarantuję wyników.
Każda decyzja inwestycyjna podejmowana jest wyłącznie na własną odpowiedzialność.

Projekt badawczy AIvestor – realne dane, realne decyzje, realna ciekawość.