Торговый ИИ не должен считать прибыль — иначе он подгонит результат

Самая опасная часть торгового ИИ — не ошибка в прогнозе, а убедительный отчёт о том, как хорошо он якобы заработал. Если попросить чат самостоятельно провести бектест, он легко подгонит методику под красивое число: выберет удобную точку входа, проигнорирует неудачные сигналы или изменит правила по ходу анализа.

В описанной архитектуре модель отодвинута от арифметики. Она подключается к источнику рекомендаций через MCP, регулярно читает новые сообщения и извлекает из свободного текста торговое намерение: что купить или продать. Дальше решение передаётся в backtest-kit, а уже тот ведёт виртуальные позиции, считает PnL, просадки, Sharpe и Calmar ratio.

Это важный раздел ответственности. Агент может ошибиться в понимании сообщения, но не может незаметно переписать историю сделок или заменить плохой результат красивым. Рейтинг строится по всем рекомендованным тикерам, а не по одной общей доходности — так заметно, что автор уверенно ведёт несколько активов, а на остальных просто угадывает.

Практически агент хранит состояние позиций, знает peak profit, текущую просадку и количество открытых сделок. Условия вроде лимита в три позиции, trailing take или закрытия после длительного застоя задаются в промпте либо коде, а точные TP/SL рассчитываются скриптом с учётом текущей волатильности. Историю рекомендаций можно сохранить на диск и прогнать отдельно, уже без ожидания очередного ответа модели.

По оценке автора, при подписке Claude Max за 200 долларов неоптимизированный сценарий с опросом раз в 15 минут расходует лимит примерно за 2 дня для Fable 5, за 8 дней для Opus 5, за 20 дней для Sonnet 5 и за 40 дней для Haiku 4.5. Вынесение сводок в сабагента и увеличение интервала позволяют обслуживать больше источников. При этом арифметику можно оставить локальному движку и подключить локальные LLM через Ollama, не передавая данные в облако Anthropic.

Но это не готовая машина для заработка. Всё держится на том, что ленту рекомендаций действительно сохраняют в момент публикации: если начать с уже отредактированной истории, агент честно автоматизирует недостоверные данные. Свободный текст всё равно может быть разобран неправильно, а локальная модель не становится точнее только потому, что ей не доверили деньги. Наконец, статья показывает конструкцию и методику, но сама по себе не доказывает прибыльность конкретных торговых авторов или стратегий.

Полезный вывод здесь шире трейдинга: ИИ стоит оставлять ролью интерпретатора, а проверяемые расчёты и критические ограничения — выносить наружу. Если бы вы проверяли торгового автора таким способом, чему доверили бы больше: его скриншотам доходности или собственной зафиксированной ленте сигналов?

Источник: Все статьи подряд / Машинное обучение / Хабр