在本研究中，我们审计了基于烛台的机器学习模型是否能够将对加密货币极值或短期结果的预测转化为正向的币安现货交易策略。数值结果来自于固定种子模型的脚本运行和确定性模拟器；人类监督的AI代理通过文献检索、独立任务批评、文档整理和源代码打包支持了7月20日的证据完整性修订，而非交易决策。
强有力的后期证据表明，经过广泛的前期搜索后，一个不变的十对强制每日选择器在假设的31个基点的完成周期成本下，在19个7月周期中损失了6.72%，仅取得3次胜利和16次失败。
在特定模型的7月评估中，验证选择的局部最小政策回报为-1.79%，而局部最大卖出现金/重新进入政策的表现比持续持有低2.80%；它们的毛平均优势分别为11.11和12.21个基点，甚至低于21个基点的压力测试。
受Gurgul启发的仅基于OHLCV的每日适应性模型达到了最小/最大ROC AUC为0.874/0.896，但平均精度仅为0.134/0.116，并且在七个周期中损失了44.30%，而买入持有策略的损失为-41.20%。
一项法医审计还降低了早期One4All“30天保留”的评级：其日期影响了先前的架构工作，其四小时的结果范围在拆分边界处没有被清除，使用了相同收盘的进入方式，并且其原始结果目录缺失。
在测试的主要是探索性协议中，事件排名性能并未确立正向可执行策略价值。所有操作决策均为NO_TRADE。
博主点评： 本文通过严谨的审计方法揭示了基于烛台的机器学习模型在实际交易中的局限性，强调了AI在决策支持中的重要性，同时也警示了投资者对模型预测的过度依赖。