Три нашлёпки на сигнал: как AI-агенты не поняли свою роль

Срез на 27.10.2026.
Один сигнал, три LLM-агента, три разных аллокации.
Все трое попытались апдейтнуть сигнал, положив ху… приблуду на первичную задачу.
Проблема — агенты не организованы (и по ходу проблема моя).

Исходный сигнал
По 6 с хреном процентов на каждый макро в количестве 10 штук.
Плюс IMOEXF на 15%. Всего 78,84% в риске.
Отличие от предыдущего дня: фильтр не дал множитель ×2 ни одному инструменту.
Вчера TTF был единственным лидером с ×2, сегодня — обычный тикер. Фильтр развернулся за день
TTF с положительным наклоном линейной регрессии за 20 дней (+1,21), но отрицательной динамикой разницы MACD (−0,07).
У остальных инструментов наклон за 20 дней отрицательный, а динамика MACD положительная.
Исключение по наклону — BRENT (+0,72), но динамика MACD отрицательная (−0,42).
Емашки на IMOEXF подтверждают risk-on: обе средние растут, индекс выше обеих.
Дальше три агента получают возможность анализировать ситуацию и предлагать собственные решения.

Как надо
DeepSeek — первый слой.
Задача — изучить сигнал и состояние рынка, найти возможные объяснения, сформулировать проверяемые гипотезы и провести исследование.
Не просто предложить, какие инструменты убрать из портфеля, а разобраться, какие закономерности могут стоять за наблюдаемым поведением активов.
Если TTF выглядит лучше остальных, недостаточно сказать, что его надо оставить.
Надо понять почему, можно ли сформулировать торговое правило и сохраняется ли эффект на других периодах.

ChatGPT — второй слой.
Получает исходный сигнал и результаты DeepSeek.
Задача — не повторить исследование другими словами, а найти слабые места, проверить предположения и сформулировать собственные гипотезы, которые дополняют или оспаривают выводы первого агента.
Если DeepSeek считает, что какой-то актив нужно исключить, ChatGPT должен разобраться, на чём основано это решение и какие альтернативные объяснения возможны.
Короче — главный душнила.

Мета-аллокатор — третий слой.
Он видит исходный сигнал, результаты обоих агентов, их аргументы и противоречия.
Его задача — не усреднить мнения и не выбрать наиболее осторожный портфель, но определить, какие расхождения существенны, какие объяснения заслуживают проверки и какие результаты позволяют принять итоговое решение.
Может согласиться с одним агентом, с обоими или отвергнуть оба решения.
Может предложить собственную аллокацию.

Реальность.
Все трое в основном пошли по одному пути: взяли сигнал и попытались улучшить его привычными методами — моментумом, скользящими средними, правилами отбора инструментов и снижением экспозиции.
Это не бесполезная работа.
Но сами результаты не сложились в устойчивое объяснение исходного сигнала, а роли агентов практически не разделили исследовательскую работу.
Получились три разных варианта изменения портфеля — и недостаточно глубокое исследование того, почему исходная модель формирует именно такой сигнал.

DeepSeek
И по ходу работы допустил больше всего концептуальных и методологических ошибок.
Сформулировал гипотезы в духе «убрать макро», «вырезать BTC и SOL», «оставить TTF и BRENT».
НО состав инструментов и торговое правило — разные вещи.
Надо сформулировать проверяемое условие на характеристиках рынка, а не принимать решение на основании списка неудачных тикеров.
На 60-дневном отрезке DeepSeek получил для TTF Calmar 31,96.
Еба… то есть пи… то есть ругануться.
И он это торговать собирался.
Пришлось остановить.
Вместо вопроса «какое условие объясняет преимущество TTF и BRENT?» агент снова двигался к исключению или сохранению отдельных инструментов.
Вопрос был сформулирован как «полезен ли индекс», хотя требовалось выяснить, добавляет ли каскад машек результат относительно пассивного удержания.
Проверка отдельных инструментов вместо корзины.
Часть порогов была выбрана эвристически.
Скрипт падал при JSON-сериализации типов NumPy.

Что DeepSeek сделал правильно
После шести остановок по ходу работы агент перестроил исследование: сначала изолированная проверка правил, затем проверка на корзинах с разделением IS и VAL, затем комбинация слоёв.
В результате появилась содержательная информация о различиях между группами активов.
Фильтр ядра в комбинации помогал на акциях, но вредил макрослою.
Добавление IMOEXF в комбинации не дало дополнительного эффекта: корреляция с акциями составляла 0,401, то есть инструмент частично дублировал уже имеющуюся экспозицию.
Что логично и без вычислительных затрат.
Это полезные результаты.
Но они отвечают на вопрос, какие фильтры могут менять поведение портфеля, а не на более фундаментальный вопрос: почему исходный сигнал выглядит именно так и что его формирование говорит о рынке?
DeepSeek начал улучшать сигнал раньше, чем построил достаточно убедительное объяснение того, что именно он улучшает.
Отсюда значительная часть ошибок и остановок.

ChatGPT
Этот аккуратнее.
Но он не остановился на красивых показателях и сам показал, почему их недостаточно.
Агент проверил два варианта изменения портфеля.
В первом исключалась группа из SILVER, COPPER и HH_GAS.
Во втором к этому добавлялось сокращение криптовалютной экспозиции.
Использовались семь исторических периодов и блочный bootstrap с блоками по 20 дней и 2000 итерациями.
Для первого варианта показатели выглядели убедительно:
— CAGR вырос с 9,57% до 10,56%.
— Sharpe — с 0,649 до 0,787.
— Calmar — с 0,249 до 0,369.
— Максимальная просадка сократилась с −38,40% до −28,59%.
На первый взгляд — очевидное улучшение.
Но затем ChatGPT разобрал устойчивость результата.
Почти весь прирост Calmar — 99,3% — приходился на один из семи периодов.
Значит, результат в значительной степени зависел от конкретного рыночного режима.
Bootstrap-интервал разницы доходностей включал ноль: от −0,000064 до +0,000134.
Убедительных статистических оснований утверждать превосходство варианта не получилось.
Итоговая формулировка ChatGPT была корректной по смыслу: выбранный вариант — лучший доступный компромисс по наблюдаемым показателям, но его превосходство не доказано.
Это важный результат.
Агент не просто показал красивый бэктест, а обнаружил ограничения собственного вывода.
Ну и пошел по тому же пути.
Выкину инструменты вместо того, чтобы тратить ресурсы на реальный ресерч.
В отличие от ДипСика — этот кстати не исправился.
Он не стал системно разбирать, почему DeepSeek пришёл к другой аллокации, какие предположения лежали за этим решением и какой независимый тест мог бы различить конкурирующие объяснения.

Мета-аллокатор должен был подняться на уровень выше: сопоставить выводы двух агентов, разобраться в причинах расхождений и на этой основе принять решение.
Сначала он уклонился от выбора между DeepSeek и ChatGPT и предложил вернуться к базовому сигналу.
Позже сам признал, что фактически подменил принятие решения требованием дополнительной информации и вернул ответственность пользователю.
После этого мета-аллокатор сформулировал и проверил пять гипотез об изменении портфеля.
Исключение IMOEXF. Отклонено. На VAL Calmar ухудшился на 0,076, CAGR — на 1,39 процентного пункта.
Исключение BTC и SOL. Отклонено. На VAL Calmar ухудшился на 0,619, CAGR — на 10,29 процентного пункта. Удаление криптовалют уничтожало значительную часть наблюдаемой доходности. Ну а хрен-ли — криптофрендли мать его (базовый сигнал не устойчив, если говорить откровенно, его надо ресерчить по новой, без битка все развалится нахер — но это гипотеза, а не утверждение).
Исключение SILVER, COPPER и HH_GAS.
Групповой результат оказался противоречивым: на полном историческом периоде и IS показатели улучшались, но на VAL Calmar ухудшился на 0,212.
Полезное наблюдение (и кстати снова не по ТЗ, но у этого хотя бы выбора не было, а че ему делать, если на вводных нашлепки и удаления инструментов): групповой результат скрывал различия между отдельными инструментами.
При отдельной проверке исключения каждого актива изменения Calmar выглядели так:
— SILVER: +0,040 на полном периоде, +0,061 на IS, −0,180 на VAL.
— COPPER: +0,045 на полном периоде, +0,045 на IS, −0,084 на VAL.
— HH_GAS: +0,052 на полном периоде, +0,042 на IS, +0,023 на VAL.
У HH_GAS направление изменения совпало на всех трёх срезах.
У двух других инструментов результат на VAL расходился с историческими срезами.
Это не доказывает, что HH_GAS нужно исключать навсегда — мы же все так любим полудоманить генри-хабом, да?
Но среди проверенных вариантов именно его исключение показало наиболее согласованную картину на использованных срезах.
Фильтр на макрослое. Отклонён: Calmar на VAL ухудшился на 0,253.
Кроме того, этот фильтр уже участвовал в разработке исследуемого решения, поэтому результат требует осторожной интерпретации.
Снижение экспозиции до 60%. Не принято: Calmar на VAL ухудшился на 0,013.

Решение
Исключен Генри-Хаб, сохранены остальные позиции.
Итоговая экспозиция составила 72,45%, кэш — 27,55%.
Это не простое усреднение мнений.
Мета обнаружил различия внутри группы инструментов и принял конкретное решение на основе полученных результатов.
Но арбитраж остался неполным.
Он проверял преимущественно то, какие изменения улучшают исходный сигнал, а не то, почему DeepSeek и ChatGPT пришли к разным выводам.
Не было системного разбора исходных предположений каждого агента и единого теста, который помог бы различить конкурирующие объяснения.
Мета-аллокатор получил полезный результат, но не сделал то, что требовалось в полном объеме
Это более точная критика, чем утверждение, что он просто сделал третью нашлёпку.
Он сделал больше, чем предыдущие агенты, но не полностью выполнил свою роль.

DeepSeek:
— Общая экспозиция — 60%, кэш — 40%.
— TTF — 13,33%.
— BRENT — 13,33%.
— COPPER — 13,33%.
— IMOEXF, BTC, SOL, SILVER и HH_GAS — 0%.
— А где остальное? (вот так LLM пишут статьи — хер его знает где остальное! Но оно у ДипСика было в акциях — 6 стоков по 3,33% — не интересно короче).

ChatGPT:
— Общая экспозиция — 59,69%, кэш — 40,31%.
— IMOEXF — 15%.
— BTC и SOL — по 6,38%.
— TTF и BRENT — по 6,38%.
— SILVER, COPPER и HH_GAS — 0%.

Мета:
— Общая экспозиция — 72,45%, кэш — 27,55%.
— IMOEXF — 15%.
— BTC и SOL — по 6,38%.
— SILVER и COPPER — по 6,38%.
— TTF и BRENT — по 6,38%.
— HH_GAS — 0%.

Общее решение всех трёх — исключение HH_GAS.

Что этот эксперимент говорит об AI-торговле
Первое.
Качество отдельной модели — не вся система.
DeepSeek смог провести исследование, но несколько раз решал не ту задачу.
ChatGPT аккуратно оценил статистическую убедительность собственного результата, но не построил полноценную независимую проверку расхождений.
Мета-аллокатор получил полезный результат, но не полностью выполнил роль арбитра.
Все три агента способны делать полезную работу. Однако наличие трёх моделей само по себе не создаёт три независимых исследовательских уровня.

Второе.
Разные роли должны давать разную информацию.
Если всем агентам поручить «улучшить сигнал», они могут независимо прийти к разным вариантам исключения инструментов, фильтрации или снижения экспозиции.

Третье.
Красивый бэктест — не доказательство.
Рост Sharpe или Calmar не гарантирует устойчивого преимущества.
Результат может зависеть от одного периода, выбранного порога или конкретного рыночного режима.
ChatGPT показал, почему привлекательные цифры недостаточны.

Четвёртое.
Консенсус — не доказательство правильности.
Все три агента исключили HH_GAS.
Но убедительность решения связана не с количеством совпавших мнений, а с тем, насколько последовательно результат проявился на разных срезах.
Совпадение остаётся гипотезой, требующей проверки — так то просто случайно совпали.
Точнее не случайно.
А потому что газ ведет себя отлично от того, к чему привыкли модели в своих базовых настройках.
Поэтому их базовые тесты он пройти не способен.

Пятое. Человеческий контроль необходим
DeepSeek пришлось останавливать по ходу исследования.
Мета вообще уклонился от решения.
Без вмешательства часть результатов могла быть принята без достаточных оснований.
Короче — они абьюзят любые дыры в постановке задачи.
Они способны проводить исследования, обнаруживать слабые места и признавать собственные ошибки.
Просто если в процедуре не определено, что считать достаточным доказательством, когда остановиться и как проверить результат, модель вполне может выдать убедительный ответ на неправильно поставленный вопрос.

Итоговая аллокация по мета — 72,45% позиций, 27,55% кэша, без плеча.
Единственное изменение относительно исходного состава — исключение Генри Хаба.
Результат — мы увидели три разных типа работы и три разных типа ошибок.
DeepSeek слишком рано перешёл от объяснения к изменению сигнала.
ChatGPT обнаружил слабость собственного статистического результата, но не исследовал системно расхождения с первым агентом.
Мета нашёл полезное решение, но не превратил арбитраж в полноценную проверку конкурирующих объяснений.

Дальше — добиться, чтобы каждый из этих процедурных абьюзеров выполнял поставленную задачу.

Материал описывает результаты собственного исследования и не является инвестиционной рекомендацией. Исторические результаты не гарантируют будущую доходность.