Wat ik leerde na een maand bouwen met AI

Een maand geleden publiceerde ik de eerste post op deze blog. Het idee: een volledig geautomatiseerd trading systeem bouwen met AI, zonder zelf een regel code te typen, en alles publiek documenteren. Ik wist niet of het zou werken.

Vandaag draait er een systeem. Het staat op een paper account, het haalt elke ochtend data op, berekent factor scores, genereert signalen en plaatst orders. De live start met echt geld staat gepland voor eind juni. Vijfentwintig blogposts verder is dit wat een maand bouwen met AI me echt heeft geleerd, inclusief de delen die niet leuk waren.

Snelheid was nooit het probleem

De eerste verrassing: AI bouwt losse onderdelen belachelijk snel. Een Python backend stond er in een ochtend. Drieentwintigduizend historische scores in één middag. Een factor module die met de hand dagen zou kosten, was in een kwartier af. En dat is geen simpele module. Hij weegt zo'n twintig variabelen en categoriseert ze, met alle randgevallen die daarbij horen.

En toch duurde het geheel een maand. Het systeem is inmiddels zo'n dertigduizend regels Python code. Losse stukken zijn in minuten klaar, maar ze tot één werkend productiesysteem aan elkaar bouwen, integreren, testen en debuggen, dat kostte vier weken.

Want snelheid verplaatst alleen de bottleneck. Het typen van code is niet meer het trage deel. Het trage deel is beslissen wat er getypt moet worden. Welke architectuur klopt. Of de uitkomst echt klopt of er alleen logisch uitziet. Een AI die fout zit, zit net zo snel fout als dat hij goed zit.

Wat moeilijker was dan verwacht

Drie dingen onderschatte ik.

Het eerste: data is nooit uniform. Walmart heeft een fiscaal jaar dat niet op de kalender aansluit, en dat brak mijn earnings ingest compleet. Honderden bedrijven doen dit. Elke aanname over hoe data zich gedraagt, sneuvelt op een uitzondering.

Het tweede: paper trading is niet hetzelfde als live. Sommige bugs laten zich pas in productie zien, omdat je daar pas de echte volumes en de scherpe timing hebt. Een sizing bug zette elke nieuwe BUY op nul aandelen. Hij was logisch fout, maar pas zichtbaar bij zesenzeventig kandidaten tegelijk.

Het derde: het draait betekent niet het werkt. Mijn momentum berekening draaide foutloos en de top twintig zag er logisch uit. Klaar, dacht ik. Een paar uur later vond ik de fout. Foutloos draaien en correct zijn zijn twee verschillende dingen.

Wat ik opnieuw zou doen

Alles vastleggen in bestanden. Beslissingen, lessen, content-momenten, de werkafspraken met de AI. Niet in mijn hoofd, niet in een chat die straks weg is. In bestanden in de repo. Het kostte discipline, maar het is de reden dat ik na vier weken nog precies weet waarom ik bepaalde keuzes maakte.

En het publiek bouwen. Een blogpost schrijven dwingt je om te begrijpen wat je deed. Een paar keer ontdekte ik een denkfout pas tijdens het schrijven van de uitleg.

Wat ik anders zou doen

Minder vertrouwen op het ziet er goed uit. De duurste fout van de maand was een instelling die ik permanent had gezet en niet meer weghaalde. Het gevolg: twee weken lang verwerkte het systeem oude data zonder een enkele foutmelding. Geen error, gewoon stil verkeerd. Sindsdien ben ik wantrouwiger richting alles wat werkt zonder te klagen.

En minder marathondagen. Een aantal sessies liep ver door, en juist op de late uren maakte ik de slordige keuzes. Bij een systeem dat straks met echt geld handelt, is moe doorpakken geen deugd.

De take-away

AI haalde het typen weg, niet het denken. Dat is de hele les in één zin. Ik schrijf geen code meer, maar ik moet nog steeds de architectuur snappen, de uitkomsten controleren en de subtiele fouten vangen. De discipline die een productiesysteem vraagt is niet kleiner geworden. Hij is alleen verschoven naar waar hij hoort: bij de mens die verantwoordelijk is.

Over een maand weet ik of het systeem ook geld kan verdienen. Dat is een andere vraag. Maar bouwen, dat kan. Dat weet ik nu zeker.