ИИ в трейдинге: почему нейросети не зарабатывают

Я побывал на Perm Winter School '26, это такая ежегодная научно‑практическая конференция, объединяющая студентов, ученых и экспертов из финансовой, ИТ и экологической сфер. Она некоммерческая.

И если честно на ней я надеялся услышать что‑то вроде того что «ИИ уже почти научился зарабатывать на рынке, осталось чуть‑чуть шлифануть».

Но получилось наоборот — если обобщить опыт всех спикеров и дискуссии, которые я услышал, то картина будет довольно неприятной для тех кто до сих пор ищет «кнопку бабло» в теме больших языковых моделей (LLM).

На конференции было порядка десяти докладов и в один текст статьи это не оформить — он получится слишком длинный, поэтому в этой первой части статьи о Perm Wesna School '26 я разберу популярный миф о том, что ИИ хорошо предсказывает финансовый рынок.

Конференцию организовали классический и технический университеты города Перми.
Меня пригласил участвовать Вячеслав Арбузов.

В тексте речь пойдет о частных трейдерах и типовых подходах.

Ожидания: скормим график — получим прибыль

Вообще я уже не раз видел, что существует определенный сценарий который похоже живёт в голове большинства обывателей: берутся исторические данные акций или фьючерсов, обучается модель, модель выдаёт сигналы и на этих сигналах мы зарабатываем.

Этот сценарий кажется вполне логичным, ведь в других задачах это хорошо работает:

• картинки → распознаются

• текст → генерируется

• голос → понимается

Почему бы фондовому рынку не стать просто ещё одной задачей которую можно решить?

Реальность: рынок это не задача распознавания

Один из докладчиков Игорь Чечет — в своём выступлении очень чётко дал разделение: ИИ хорошо работает там, где есть эталон:

• буква «А» всегда выглядит примерно одинаково;

• кошка остаётся кошкой;

• даже голос можно формализовать.

А вот у будущей цены нет эталона, потому что рынок — это:

• случайность;

• поведение людей;

• распределение денег во времени.

И главное — он не стационарен (стационарность это состояние, при котором статистические свойства рынка не меняются с течением времени). В реальности сегодня работает одно, завтра — другое.

Ключевая проблема переобучения — это не баг, а неизбежность

Когда модель находит закономерности в биржевых котировках, то чаще всего она либо подгоняется под шум, либо находит какой‑то временный эффект и при реальном использовании это не работает.

По словам одного из докладчиков рынок — это не белый шум, а процесс с тяжёлыми хвостами.

Это означает что на рынке присутствуют редкие сильные движения, а ещё длинные тренды и асимметрия прибыли и убытков.

И это усложняет классические ML‑подходы.

Проверка на практике: эксперимент с LLM

Я, Михаил Шардин тоже был докладчиком на конференции — и рассказал о некоторых своих как удачных так и неудачных опытах. Все свои опыты я провожу с позиции частного лица, я не представитель фонда или брокера.

Начал с неудачного — поскольку я часто работаю с текстами, то решил подойти с позиции условного аналитика в вакууме то есть подавать на вход модели не числа, а текст. Котировки переводились в текст: «рост с увеличением объёма», «у сопротивления», «слабый импульс» — и уже эти описания подавались в DistilBERT. BERT это архитектура глубокого обучения, разработанная Google в 2018 году для понимания естественного языка.

Идея выглядела логично: если аналитик мыслит такими категориями, возможно, языковая модель тоже сможет уловить структуру рынка. Все аналитики ведь всегда говорят чистую правду? Частично это даже получилось — модель давала результат чуть лучше случайного (AUC около 0,53), а в отдельных бумагах даже заметно выше.

AUC (Area Under the Curve) — это показатель того, насколько хорошо нейросеть или алгоритм умеет отличать объекты одного класса от другого.

Но с практической точки зрения это не торгуемо: комиссия и шум полностью съедают это преимущество. Подробнее о моём эксперименте можно прочитать в этой статье.

Хорошо, но BERT — это не то. А классический ML?

Как докладчик я рассказал и о другом моём эксперименте — как пробовал использовать машинное обучение (Machine Learning, ML).

В нём я построил ML‑конвейер с CatBoost (библиотека машинного обучения с открытым исходным кодом от компании «Яндекс»), нормализацией данных, лог‑доходностями, сложной разметкой через тройной барьер и walk‑forward тестированием.

Результат оказался почти тем же: AUC около 0,54–0,55.

Формально мои результаты лучше монетки, но этого недостаточно, чтобы перекрыть комиссии и проскальзывание. На одних участках стратегия зарабатывает, на других — всё отдаёт обратно, потому что рынок меняет режим. Подробнее о моём эксперименте можно прочитать в другой статье.

И это неприятный, но важный вывод: проблема не в конкретной модели. Ни LLM, ни классический ML не ломаются — они просто упираются в ограничения самого рынка, где слабый сигнал легко теряется в шуме и издержках.

Самое неприятное: реальные деньги

На конференции обсуждался и более приземленный кейс — когда LLM моделям дали реальные деньги. Речь про платформы вроде Alpha Arena / Nof1.ai, где разные модели и стратегии соревнуются уже не в метриках, а в доходности на реальном рынке.

И вот здесь вся магия ИИ в трейдинге точно рассеивается. Когда появляется реальный капитал, комиссии, проскальзывание и смена рыночных режимов, большинство моделей быстро «схлопывается» к нулю или уходит в минус.

Главный вывод: почему интуиция нас обманывает и заменит ли ИИ трейдера

Самое интересное во всей этой истории не то, что алгоритмы плохие, а то, что рынок не обязан быть предсказуемым. В обычной жизни мы привыкли: если есть много данных, значит, результат можно предсказать. Но фондовый рынок меняет эту логику — здесь данные не равны предсказуемости.

Именно поэтому LLM не справляются с задачей, ML дает слабые и нестабильные сигналы, а живая торговля на реальных деньгах в публичных экспериментах выглядит не очень привлекательно. И это не временный баг развития технологий, а ограничение самой природы рынка.

Так заменит ли ИИ трейдера? На панельной дискуссии эксперты ответили на этот вопрос довольно трезво. Нейросети точно заберут на себя рутину и базовые задачи, но не принятие решений. Во‑первых, запуск и поддержка моделей стоят денег — автоматизировать всё подряд банально невыгодно. А во‑вторых, на рынке всегда остается фактор ответственности. ИИ не несет финансовых рисков. Их несет человек.

И тогда возникает главный вопрос. Окей, если предсказывать рынок нельзя, нейросети не работают как оракул, а заветной «кнопки бабло» не существует...

Тогда где взять деньги частному трейдеру?

Об этом — во второй части моей статьи..

Автор: Михаил Шардин
🔗 Моя онлайн‑визитка
📢 Канал «Умный Дом Инвестора» в TG или MAX

28 апреля 2026 г.