ИИ в трейдинге: где на самом деле лежат деньги

Это моя вторая часть заметок с Perm Winter School '26, некоммерческой научно‑практической конференции.

В первой части я рассказал, что если просто взять котировки, скормить их нейросети попросив предсказать куда пойдёт рынок завтра, то скорее всего получится красивая иллюзия, которая может выглядеть убедительно, но в реальной жизни всё закончится убытками. Первая часть была довольно популярна и собрала 103 комментария, хотя многие написали что‑то вроде «Вы просто не ту модель пробовали», «Нужно больше данных», «Надо давать нейросети не график OHLCV, а что‑то другое».

И в целом я согласен с таким ходом рассуждений, потому что из конференции я вынес не то, что нельзя заработать на бирже, а то, что большинство частных трейдеров решают вообще не ту задачу.

Когда мы смотрим на график конечно же сразу возникает вопрос — вверх или вниз? И вся индустрия трейдинга построена на этой бинарной ловушке — что на рынке всего две кнопки:

• Покупай.

• Продавай.

Самый неожиданный для меня общий мотив нескольких докладов был таким: рынок не обязательно нужно предсказывать. И это резко контрастирует с тем, как большинство частных трейдеров вообще формулируют задачу.

Если обобщить услышанное, большинство практических подходов, о которых говорили на конференции, можно свести к трём классам задач:

1. Следование за трендом

Следование за трендом — это наверное самый скучный, но одновременно и самый используемый квантовый (от англ. Quantitative analysis) подход.

Я тестировал примитивную стратегию без индикаторов, прогнозов и вообще без попытки понять рынок о чём рассказал на конференции.

Что делал алгоритм: он просто открывал очень маленькую позицию и увеличивал её только тогда, когда движение уже подтверждалось ценой, а если движение шло не в ту сторону, то позиция просто закрывалась по стоп лоссу.

При этом, конечно же, большинство сделок были убыточны, но редкие сильные движения перекрывали десятки мелких убыточных сделок.

Я протестировал эту логику на всех акциях Московской биржи за 3 года с параметрами: вход на 1% капитала, пирамидинг позиции при росте цены, закрытие всей позиции при просадке 20% от максимума (параметры обосновывал в статье).

Результаты: MDMG: +142%, HEAD: +94%, PLZL: +56%, SBER: +48%

Худшие: MVID: -42%, ABIO: -40%, SGZH: -35%

Это иллюстративный бэктест. То есть система не гарантирует победу на каждой бумаге, но системно эксплуатирует толстые хвосты редких движений на 50–100%.

Психологически это может быть очень тяжело, потому что большую часть времени система выглядит так, как будто она сломана.

Но именно на этой готовности терпеть серии небольших убытков ради редких больших выигрышей и построены многие серьёзные системные стратегии.

2. Работа с рыночной микроструктурой

Это чуть более сложный уровень куда обычно частные трейдеры не смотрят.

На конференции был доклад Тимура Реджепова про данные, которых нет на обычном графике цены. Потому что внутри Московской биржи есть дополнительный слой информации о том, кто именно покупает, насколько сконцентрированы сделки и заходит ли в бумагу один крупный игрок или это движение создаётся толпой мелких.

И один из таких примеров — это индекс концентрации. Например, когда в бумаге внезапно появляется крупный покупатель который агрессивно собирает чужие позиции и это видно по всплеску специальных метрик.

Тимур отдавал данные для нейросети в двух вариантах: в виде картинки и в виде числовых данных и наблюдал за рассуждениями ИИ. Когда LLM получала картинку с графиком индекса концентрации, то модель лишь подтверждала свои предыдущие убеждения. Например одна, которая ранее советовала продавать, увидев новый график, повысила уверенность до 70% на продажу. А другая, настроенная изначально на покупку, так же уверенно рекомендовала купить. То есть на одних и тех же данных два противоположных вывода.

Но когда эти же данные подали в виде чисел — не просто 150, а 150 при медиане 45 и максимуме за год 180 — обе модели синхронно меняли мнение. Уверенность в сигнале вырастала до 75% у обеих.

Если вы хотите протестировать эту идею с микроструктурой, то не нужно ждать доступа к закрытым данным. Начните с простого: возьмите любую ликвидную бумагу (например, из крупнейших 10 бумаг индекса Мосбиржи) и посчитайте отношение объема крупных сделок к общему объему за день. И отслеживайте дни, когда этот показатель превышает медиану за месяц на порог стандартного отклонения. Проверьте, как часто в течение следующих 1–3 дней цена двигалась в сторону крупняка. Подберите нормировку и порог на обучающем периоде, затем проверьте устойчивость на независимом интервале.

Это примитивный аналог индекса концентрации. Он не даст вам грааль, но научит главному: смотреть не только на цену, но и на то, кто и как торгует.

Даже такая простая метрика может стать фильтром для ваших стратегий — или хотя бы поводом не входить в сделку против явного дисбаланса.

3. Управление структурой портфеля

А дальше пойдёт неочевидный источник доходности, но который я думаю нужен каждому частному инвестору.

Вообще большинство частников думает что прибыль рождается в точке входа: то есть находишь идеальный сигнал в самом низу и покупаешь дёшево, а затем продаешь дорого.

Но чем я сам глубже погружаюсь в количественные методы тем сильнее убеждаюсь что часто важен вообще не момент входа, а то как распределён капитал между позициями.

Недавно мы с математиком Дмитрием Шалаевым разбирали парадоксальную идею: можно зарабатывать даже на активе, который сам по себе математически убыточен.

Если цена хаотично прыгает вверх и вниз то простое удержание позиции Buy and Hold (купили и держим) постепенно вымывает капитал.

Но если системе дать регулярно перераспределять веса, продавая часть выросшего и покупая просевшие, то волатильность начинает работать на инвестора. Хотя конечно это очень скучно, потому что в этом подходе даже нет ИИ.

Если попытаться свести все доклады к единой мысли, она звучит так:

Частный трейдер спрашивает: «Куда пойдет цена завтра?»

Квант спрашивает: «При каких сценариях мой капитал вырастет, а при каких — я ограничу убыток?»

И разница не в доступе к данным или мощности ИИ. Разница — в постановке задачи.

Проблема в том, что большинство частных трейдеров начинают не с того конца, потому что они ищут волшебный алгоритм, новую архитектуру, секретный индикатор.

Знаете это похоже на спор о том, какой микроскоп лучше, хотя там под стеклом вообще пусто. Если на входе шум, никакая архитектура не создаст сигнал из воздуха. Зато даже относительно простая модель может дать пользу, если ей подать осмысленные признаки.

А вот если есть качественные признаки — микроструктура рынка, статистические закономерности, корректная работа с риском и капиталом — тогда даже относительно простые методы могут давать устойчивый результат.

Просто конкурентное преимущество частника почти никогда не лежит в попытке переиграть крупные фонды в гонке за «идеальным прогнозом».

Оно лежит в дисциплине:

• в качестве данных,

• в тестировании,

• в управлении риском,

• в способности проверять гипотезы вместо поиска кнопки «бабло».

Если рабочие идеи уже известны, данные доступны, а нейросети умеют писать код стратегий — почему тогда большинство частных лиц и даже алготрейдеров всё равно сливают?

Об этом — в третьей, последней, части.

Потому что между хорошей идеей и реальной торговлей лежит самая дорогая часть всей системы: инфраструктура.

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

5 мая 2026 г.