企业官网建设流程全解析

如何读懂ATLAS janus.py源码：JANUS元层把群体加权变成涌现市场制度检测器

【免费下载链接】atlas-gicATLAS by General Intelligence Capital — Self-improving AI trading agents using Karpathy-style autoresearch项目地址: https://gitcode.com/gh_mirrors/at/atlas-gic

ATLAS 是一个自进化 AI 交易系统，25 个以上的 AI 交易代理每日辩论市场，并用市场反馈持续改进自身提示词。其中的 janus.py 实现了位于所有代理群体之上的JANUS 元层：它根据近期准确率对各 cohort（不同训练区间的代理群体）做动态加权，而权重差本身还"涌现"成了一个市场制度（Regime）检测器。下面用新手友好的方式，带你读懂这个不到 570 行的 Python 文件里的核心设计。

🧭 先搞懂背景：JANUS 在 ATLAS 四层架构中的位置

读懂 janus.py 之前，先看一眼整体架构。ATLAS 是一个 4 层多智能体系统，信号从宏观层逐层过滤，最终由决策层执行：

架构图和逐层输出格式可以看 architecture/overview.md 与 architecture/layers.md。

而 JANUS 站在这些群体之上。ATLAS 用不同的市场区间训练出不同的代理群体（All Seasons / PRISM 方法，详见 README.md 中的 "All Seasons" 一节），比如18monthcohort 在 18 个月数据上训练，10yearcohort 在更长历史上训练。不同 cohort 给出的建议可能互相矛盾——谁来裁判？就是 JANUS。

🔍 第一步：从 3 个类常量看懂设计意图

打开 src/janus.py#L36-L40，文件开头就藏着整个系统的设计哲学：

• MIN_WEIGHT = 0.2：任何 cohort 的影响力不得低于 20%——永远保留"少数派"声音；
• MAX_WEIGHT = 0.8：任何 cohort 不得独占 80% 以上话语权——防止某个群体"一家独大"；
• ROLLING_WINDOW = 30：只用最近 30 天的表现打分数——只信近期战绩；
• REGIME_THRESHOLD = 0.15：两组权重差超过 ±15% 才发出明确的制度信号。

💡 新手读源码技巧：先读常量和注释，再读函数。ATLAS 的开发者把"没有 cohort 会被彻底静音、也不会有一个 cohort 独裁"这条风控原则直接写在了常量里，这比任何文字文档都直白。

初始化时（src/janus.py#L42-L58），所有 cohort 从平等权重（各 1/2）开始，随后完全靠战绩说话——这就是"涌现"的前提：没有人预先规定制度切换规则。

⚖️ 第二步：权重是如何算出来的？三步走

JANUS 每天跑一次的权重更新逻辑在update_weights()里（src/janus.py#L241-L267），可以拆成三步：

① 打两个分：命中率 + Sharpe

calculate_cohort_metrics()（src/janus.py#L162-L200）回看最近 30 天的打分记录，算出每个 cohort 的：

• hit_rate：预测方向正确的比例（做多且涨了、做空且跌了就算"命中"）；
• sharpe：按置信度加权的日收益的年化夏普比率。

② 合成原始分数

每个 cohort 的原始分 = 命中率与归一化 Sharpe 各占一半（各 50%）。

③ Softmax + 双边界约束

_softmax_with_constraints()（src/janus.py#L202-L239）把原始分数通过 softmax 变成一组和为 1 的权重，然后依次执行：低于 0.2 的拉到 0.2 → 重新归一化 → 高于 0.8 的压到 0.8 → 再次归一化。

🧠 为什么用 softmax 而不是简单归一化？softmax 是"赢家通吃但有温度"的平滑放大：分数差距越大，领先者权重升得越猛，但永远不会让落后者归零。配合上下界，形成一个"能拉开差距、但不会消灭对手"的动态天平。

🌉 第三步：最妙的设计——权重差 = 涌现制度检测器

真正让这篇源码"出圈"的是regime_signal()（src/janus.py#L269-L289）。它的判断逻辑只有一行核心比较：短窗口 cohort 权重 − 长窗口 cohort 权重：

为什么说它是"涌现"的？因为开发者从未写过任何制度识别规则——没有 VIX 阈值、没有波动率过滤。它只是忠实地记录"哪个 cohort 最近猜得对"，而"市场变新了 vs 市场在重复历史"这一区分，从权重差中自己浮现出来。短窗口代理擅长捕捉当下，长窗口代理擅长匹配历史模式，谁近期更准，谁就获得更高权重——这个差值天然就是制度仪表盘。

🧪 建议怎么融合：争议标的与置信度惩罚

blend_recommendations()（src/janus.py#L291-L336）按当前权重把各 cohort 的建议混成最终推荐，单标的融合规则在_blend_ticker_recommendations()（src/janus.py#L338-L421）：

1. 对每只股票，把各 cohort 的多头意见和空头意见分开，按权重 × 置信度求和；
2. 哪边加权和更高，最终方向就是哪边；
3. 如果多空双方同时存在（contested = True），用对方的一半加权和做惩罚，压低最终置信度——分歧越大，仓位越保守；
4. 所有争议标的会被单独列进contested_tickers，供人工或 CRO 重点审查。

这一步的思想可以概括为一句话：让群体吵架，但按"谁更靠谱"决定听谁的话；吵得越凶，出手越轻。

🚀 每日循环：一条命令跑完整流程

run_daily()（src/janus.py#L423-L471）把整件事串成流水线：加载打分结果 → 更新权重 → 融合建议 → 输出制度信号 → 落盘。产物有两份 JSON：当日完整输出janus_daily.json和只保留摘要的滚动历史janus_history.json（自动裁剪到最近 365 天），方便后续画权重与制度随时间演变的曲线（get_history()就是为此提供数据，src/janus.py#L512-L531）。

文件末尾的main()（src/janus.py#L534-L567）还做了命令行入口，支持用逗号分隔传入任意 cohort 组合。

📌 读完这篇源码，你能带走什么？

三条可复用的架构思想：

1. 裁判层与选手层分离：25 个交易代理负责"猜"，JANUS 只负责"按战绩分话语权"。选手水平再高，也需要一个只认近期战绩的裁判。
2. 边界约束比精确算法更重要：0.2 / 0.8 的上下界让系统在"灵活加权"和"防止独裁/消音"之间取得了平衡——这是比 softmax 本身更值得抄的设计。
3. 监测涌现指标，而不是硬编码规则：与其写满"什么时候算风格切换"的 if-else，不如先让系统按准确率加权，再从权重分布里"读"出市场状态。制度检测器不是被写出来的，是被权重动态"养"出来的。

延伸阅读路径（都在仓库内）：

• 四层架构全景：architecture/overview.md
• 各层代理职责与输出格式：architecture/layers.md
• autoresearch 自改进循环与 Darwinian 权重：architecture/autoresearch.md
• 源码目录结构说明：src/README.md
• 18 个月回测的最终代理权重表：results/summary.json
• 回测过程日志样例：results/autoresearch_log.json

一个有趣的交叉印证：在 results/summary.json 中，CIO（组合经理代理）的 Darwinian 权重被压到了最低值 0.3——系统自己"发现"了组合管理才是瓶颈，与 JANUS 元层的判断逻辑异曲同工：权重会自己说出问题所在。这正是把群体加权做成元层之后，ATLAS 最迷人的地方。

【免费下载链接】atlas-gicATLAS by General Intelligence Capital — Self-improving AI trading agents using Karpathy-style autoresearch项目地址: https://gitcode.com/gh_mirrors/at/atlas-gic