ИИ. Анализируем рынок и торгуем автоматически. Концепция. Алго по новостям #2

Интеграция LLM (GPT, Claude, DeepSeek) в OsEngine позволяет создать полностью автоматизированную систему, которая торгует на основе данных из новостей. Продолжаем разбираться с тем, как это работает.

Сегодня поговорим про концепцию взаимодействия ИИ и Вашего робота. Примеры роботов будем рассматривать чуть позже в этой серии статей.

Некоторое время назад в OsEngine был добавлен источник, позволяющий подключаться к новостному потоку. RSS, Телеграмм, Смарт-Лаб. Вводная статья здесь: https://smart-lab.ru/company/os_engine/blog/1118776.php

Сделано это было не в праздных интересах, «чтобы было». Сделано это для вполне конкретных вещей автоматизации торговли, чтобы можно было наладить автоматическое исполнение приказов, исходя из новостных лент. Как по явным сигналам, так и при помощи их анализа искусственным интеллектом.

Возвращаемся к теме после небольшого перерыва. Сегодня рассмотрим концептуальные вопросы работы с ИИ.

1. Схема взаимодействия с LLM.

Компании разработчики LLM предоставляют различные способы взаимодействия с ними.

Можно использовать веб приложение или мобильное приложение и вручную вводить текст новости и задавать вопрос. К этому мы все давно привыкли.

А можно взаимодействовать с LLMчерез API, то есть разработать свое приложение, которое в автоматическом режиме будет передавать тексты новостей в LLM, получать и обрабатывать ответы.

Именно такой способ (через API) будет рассматриваться в качестве основного в нашем случае. Мы здесь ведём разговор про полную автоматизацию.

В следующих статьях мы будем рассматривать скрипты, которые обращаются к LLM через API и сами торгуют на основе данного анализа.

2. Как ИИ может помочь в трейдинге?

Большие языковые модели обучены на огромных массивах данных, включая финансовые отчёты, новости и аналитику. Они могут: 

— Определять тональность текста (позитивная/негативная/нейтральная);

— Выделять ключевые события (например, слияния компаний, изменения процентных ставок);

— Прогнозировать влияние новости на рынок (рост/падение актива, волатильность).

Например, «Компания Apple сообщает о рекордной выручке в IV квартале» – это позитивный сигнал для акций Apple. Или «Ракеты с ядерным зарядом летят на Нью-Йорк. Пуск 1400 Ярсов зафиксирован с территории РФ. Пентагон обещает сбить до 25%.» – это сигнал скорее негативный для индекса S&P 500.

LLM могут не только классифицировать новость, но и давать конкретные рекомендации: 

— Купить / Продать / Держать;

— Целевые уровни (Take Profit, Stop Loss);

— Ожидаемая волатильность.

Таким образом, ИИ и LLM открывают новые возможности для новостного трейдинга: 

— Автоматический анализ новостей;

— Мгновенная реакция на рыночные события; 

— Снижение эмоциональных решений за счёт алгоритмического подхода; 

3. Ограничения и качество анализа новости от ИИ.

Существует множество ограничений, про которые Вы должны знать до начала экспериментов. Поэтому нужно про это отдельно написать. Магия может случиться, только если Вы подойдёте к вопросу серьёзно.

3.1 Грамотные промты.

Первое, что понадобится научиться делать – это грамотные запросы. Или «Промты».

Промт (Prompt) – это текстовый запрос, который пользователь отправляет языковой модели (LLM) для получения нужного ответа. В контексте трейдинга качество промта напрямую влияет на точность сигналов. Неправильно составленный запрос может привести к ошибкам, «галлюцинациям» или бесполезным ответам.

Вариант плохого промта: «Расскажи про эту новость» — Слишком широко, ответ бесполезен для трейдинга.

Хороший вариант:

«Новость: {текст}. Дай ответ в формате: 

ТИКЕР: [AAPL] 

СИГНАЛ: [BUY/SELL/HOLD] 

УВЕРЕННОСТЬ: [0-1]»

3.2 Ограничения при использовании.

a)  Длина контекста (Context Window);

Современные LLM (например, GPT-4, Claude, Mistral) имеют ограниченный размер контекста – обычно от 4K до 128K токенов.

Если новость слишком длинная (например, отчёт компании на 20 страниц), модель может «забыть» начало текста.

При потоковой обработке множества новостей буфер может переполняться, и качество анализа снизится.

b) Стоимость токенов;

LLM работают на платных API (OpenAI, Anthropic и др.), где цена зависит от количества токенов.

Например, GPT-4 Turbo: примерно, $10 за 1M входных токенов.

Для снижения расходов можно фильтровать только важные новости (не отправлять спам или дубли) либо использовать более дешёвые модели (например, GPT-3.5 вместо GPT-4 для первичной фильтрации).

c) Задержки (Latency);

GPT-4 через API может отвечать 1-3 секунды, что критично для HFT.

Сложные запросы (анализ нескольких новостей) увеличивают время обработки.

d) Неточность и «Галлюцинации»;

LLM иногда ошибаются или выдают ложные выводы:

Могут переоценить влияние новости.

Путают тикеры (например, «TSLA» и «TLSA»).

Дают противоположные сигналы на почти идентичные новости.

В этом случае можно снизить риски добавив человеческую верификацию для сложных случаев, использовать ансамбли моделей (например, GPT-4 + Claude + локальная модель), обучать модель на исторических данных (как рынок реагировал на подобные новости).

e) Ограничения API (RPM, TPM);

Публичные API имеют лимиты запросов:

OpenAI: до 10 000 токенов в минуту (TPM) для GPT-4.

Anthropic: ограничения по RPM (запросы в минуту).

4. Интеграция LLM в торговый терминал OsEngine.

OsEngine (https://github.com/AlexWan/OsEngine) – это открытая платформа для алготрейдинга, которая поддерживает подключение внешних API, включая LLM. 

Как это работает? 

4.1 Сбор новостей 

   — OsEngine может получать новости из RSS-лент, сайта Smart-Lab.ru или Telegram-каналов. 

4.2 Отправка текста в LLM 

   — Новости передаются через API (OpenAI, Anthropic, ИИ туннели/агрегаторы, локальный LLM) примерно в таком формате: 

  «Проанализируй новость и дай торговый сигнал: {текст новости}»

4.3 Парсинг ответа ИИ

   — Ответ может быть в свободной форме: 

     «Рост выручки Apple на 15% – позитивный сигнал. Рекомендую купить AAPL с TP $200.»

   — Или структурированным, например, JSON:

     {

       «signal»: «BUY»,

       «ticker»: «AAPL»,

       «target_price»: 200,

       «stop_loss»: 180,

       «confidence»: 0.85

     }

4.4 Исполнение сделки

   OsEngine парсит ответ и отправляет ордер на биржу (Московская биржа, NYSE, криптобиржи).

Данный пример уже написан и работает. Будем его рассматривать в следующих статьях серии.

Удачных алгоритмов!

Комментарии открыты для друзей!

https://smart-lab.ru/company/os_engine/blog/1024149.php

OsEngine: https://github.com/AlexWan/OsEngine
Поддержка OsEngine: https://t.me/osengine_official_support
Канал научный трейдинг: https://t.me/bad_quant