Stonkfly 是一个用完整果蝇连接组（fly-connectome）做"神经交易"实验的开源项目：它把 Coinbase 的 BTC-USDC 价格渲染成 RGB 蜡烛图，交给 166,700 个神经元的仿真脑去"看"，再让神经网络提出买入/卖出/持有，并接入 Coinbase AgentKit 下单。官方明确声明：盈利性学习尚未被证明（Profitable learning has not been demonstrated）。本文带你读懂它验证了什么、没证明什么。

项目架构：一张 K 线如何变成一笔订单

Stonkfly 的完整链路可以用四步概括：

1. 视觉化输入：公开 BTC-USDC 价格被渲染成 320×180 的 RGB 蜡烛图，网络看到的是像素，不是价格序列或技术指标
2. 全连接组仿真：图像刺激 3,335 个 R1–R6 亮度输入和 811 个 R8 颜色输入，驱动基于 MaleCNS v1.0 重建图的仿真——166,700 个神经元、25,582,938 条有向连接、124,177,617 个突触接触
3. 固定读出器（decoder）：右侧 DNp20 均值减去左侧 DNp20 均值 ≥ 2 Hz 且至少 1 个 DNpe017 尖峰 → 提出 BUY；≤ −2 Hz → SELL；其余 → HOLD
4. 守卫 + 下单：自定义 Coinbase AgentKit ActionProvider 检查价格、预算、库存、冷却等限制后，才可能通过 Coinbase Advanced 提交现货订单

值得注意：项目没有使用 LLM 选单，也没有任何价格规则覆盖神经网络的提议。解码规则见 docs/model.md，下单约束见 docs/operations.md。

"学习"的真相：工程化强化信号，不是生物痛觉

项目对"学习"机制的表述非常克制。它的强化信号是这样工作的：

• 组合净值（现金 + 持仓按现价估值）相比上一观测上升 ≥ 0.01 USDC → 向15 个 PAM11（α1）多巴胺细胞注入 200 ms 人工电流
• 下降 ≥ 0.01 USDC → 向2 个 PPL101（γ1pedc）厌恶细胞注入同样脉冲
• 候选记忆规则只作用于7,835 条已有的 KC→MBON07/MBON11 突触，采用基线中心的 anti-Hebbian 率规则：KC 活动先于多巴胺 → 抑制突触；反向时序 → 增强突触

规则实现位于 stonkfly/neural/rule.py，整体建模边界见 docs/model.md。官方反复强调三点：

• 这些是工程化强化信号，不是建模的痛觉感受器，也不存在主观的"痛苦/快乐"
• "盈利多巴胺 / 亏损多巴胺"是人为分配的标签
• 权重发生变化的事实，不能推出它学会了盈利交易

已验证的结论：42 个测试通过，但边界很窄

docs/validation.md 记录了 2026-09-09 的验证状态。最终本地结果：42 个测试通过（含需显式开启的全连接组集成测试），且离线 fixture 运行能从存档账本/检查点恢复。核心验证项与"它不能证明的事"：

那 6 次观测的细节很有警示意义：首次 paper 成交花费 9.754680320 USDC + 约 0.0585 USDC 模拟手续费；随后触发 200 ms 厌恶脉冲，2 个 PPL101 细胞共 55 个尖峰；5 条候选突触相对基线发生变化——但它们在外部亏损脉冲之前就已经变了，内源性多巴胺活动同样能驱动规则。因此不能把每次权重变化都归因于盈亏。

单元测试中的记忆规则时序特异性测试见 tests/test_neural.py，其断言"配对时序改变权重、反向时序方向相反、冻结则完全不变"，正是上述机制检查的自动化版本。

未证明声明：项目自己划出的四条红线

阅读 docs/model.md 时，最关键的结论被加粗写明了：

本仓库的测试没有证明任何盈利性学习、策略改善、生物复制或实盘资金表现。

具体而言，以下说法都没有证据支持：

• ❌ "Stonkfly 学会了盈利交易"——固定方向解码器可能把电路偏差变成单边暴露，那 5 次连续 BUY 提议恰恰是这种局限性的实例
• ❌ "视觉通路是生物正确的"——白色场神经测试激活的 KC 远多于真实蜡烛图，早期深色图表甚至无法激活 KC，改用浅色背景是公开的感官适配器调整，不是发现了正确的视觉建模
• ❌ "复现了果蝇学习"——把一条规则同时套用到 α1 和 γ1pedc 两个隔室，是项目自述的"未验证的扩展"
• ❌ "实盘能赚钱"——所有交易所订单测试都使用内存中的 SDK 替身，从未对真实账户下过单

如果要宣称"学会了"，还差什么？

docs/model.md 给出了明确的验收标准，这也是评估此类项目最实用的清单：

1. 留出集时间序列回放（held-out chronological replay），不能挑幸运场次
2. 独立起始 + 冻结权重 + 打乱强化对照
3. 计入手续费/滑点、预算相等、测试保持期（retention）
4. 重置学习权重后收益消失（证明收益确实来自学到的东西）
5. 与现金和简单暴露基线对比——上涨的加密行情会让任何买家看起来"会交易"

当前仓库提供的是一个"可运行的实验闭环"，而不是上述实证结果。

如何本地复现验证（3 步）

环境要求 Python 3.11 + C++17 编译器，建议 16 GB 内存。克隆仓库：

git clone https://gitcode.com/gh_mirrors/st/stonkfly cd stonkfly python3.11 -m venv .venv && source .venv/bin/activate pip install -e '.[test]'

然后按 docs/validation.md 的"Reproduce"一节执行：

python -m pytest -q python -m stonkfly run --fixture --fast --steps 6 --out runs/check-fixture python -m stonkfly run --fast --steps 6 --out runs/check-public

最后一条命令读取当前真实公开价格做 paper 模拟成交，价格与结果会与报告时不同——这正是它被定义为"管道/神经测试"而非收益回测的原因。

总结：一个诚实的实验，而不是一只赚钱的"交易之蝇"

Stonkfly 的价值恰恰在于这种克制：它把"能运行的机制"和"能宣称的结论"清晰分开。如果你关注神经科学实验设计或量化系统的诚实披露方式，这个项目的方法论文档（docs/）值得细读；如果你期待一个已被证明盈利的 AI 交易系统，它明确告诉你——还没有。