Как на самом деле используют ИИ в алготрейдинге
Если первая часть моего репортажа по конференции алготрейдеров в Москве была об инфраструктуре, то вторая часть будет про искусственный интеллект.
ИИ в 2026 году это неполноценная замена трейдера — всего лишь промежуточная стадия. Кто‑то видит в нём помощника в предсказаниях движения рынка, кто‑то маркетинговый баннер для привлечения новых клиентов частных лиц, а кто‑то просто удобный инструмент автоматизации.
Дальше покажу каждую из этих стратегий:
ИИ как исследователь.
ИИ как маркетинговый интерфейс.
ИИ как торговый помощник.
Презентация Юрия Кондратенко
И нигде в докладах ИИ не выступал как гарантированный источник альфы.
Небольшое пояснение — альфа — это доходность сверх рыночной (беты), которую стратегия получает благодаря своему преимуществу: лучшей модели, данным, скорости. Это не «просто прибыль», а прибыль после компенсации за риск. Например: если рынок вырос на 10%, а ваша стратегия — на 15% при том же уровне риска, то ваши +5% — это и есть альфа.
Я очень извиняюсь перед докладчиками, но упоминаний компаний в тексте не будет — у меня из‑за этого аккаунт заблокировали на другом ресурсе.
Юрий Кондратенко — «ИИ-стратегии на базе портфельного бэктестера»
Юрий КондратенкоС первых минут Юрий обозначил что не считает себя большим специалистом в ИИ, но игнорировать эту волну уже невозможно. Поэтому его подход — не философствовать о будущем нейросетей, а встроить их в практический контур разработки стратегий.
Этот доклад запомнился мне больше всего на конференции.
Самое важное о чём говорил Юрий — переход от модели «один инструмент — один алгоритм» к портфельному подходу.
Классическая схема знакома большинству: берётся один актив, к нему применяется набор индикаторов теханализа, затем строится кривая доходности. Юрий же работает с универсумом — например, топ-30 или топ-100 ликвидных акций. Стратегия оценивает не просто динамику каждой бумаги, а их относительную силу друг к другу.
Такой кросс‑секционный подход стал фундаментом той стратегии, которую он продемонстрировал. Стратегия проста в формулировке — и хорошо ложится в текстовый промпт для ИИ:
Каждый торговый день в 16:00 выполняется расчёт:
Для каждой акции определяется минимум с начала текущей недели.
Если цена обновляет минимум — он перезаписывается.
Затем измеряется, насколько текущая цена отскочила от этого недельного минимума.
Все бумаги ранжируются по величине этого отскока.
Выбираются топ-5 с наибольшим значением.
В 16:00 они покупаются равными долями.
На следующий день в 10:00 все позиции полностью закрываются.
Здесь нет технического анализа. Нет нейросети, пытающейся предсказать рынок. Это модифицированный краткосрочный momentum — ставка на продолжение внутри дня и перенос импульса на утреннюю ликвидность. Выход фиксированный по времени.
На вопрос из зала «где стоп‑лоссы?» Юрий ответил что в базовой версии их нет, потому что они ухудшали статистику. В стратегии уже встроен временной выход. Однако в реальной торговле он добавляет широкий аварийный стоп — как страховку от экстремальных событий.
В презентации были показаны цифры доходности: около 58% годовых при просадке порядка 21% и Sharpe выше 2.
Ещё Юрий сделал важную оговорку: если вы видите идеально растущую equity‑кривую — тестер врёт.
Он подробно рассказал о проблеме look‑ahead bias (когда используешь информацию, которой не было в момент принятия решения). В одном из первых вариантов расчёта минимум недели агрегировался некорректно — с захватом данных разных лет. Векторный тестер, который оперирует всей матрицей данных сразу, может незаметно «подглядывать в будущее». И тогда вы получаете гениальную стратегию, но только до момента запуска в реале.
Юрий подчеркнул, что при работе с ИИ недостаточно просто получить код.
Он использует:
вывод всех сделок,
проверку времени входа и выхода,
визуализацию сделок на минутном графике,
анализ вклада каждого тикера в общую прибыль.
Интересное наблюдение: в портфельных стратегиях основную прибыль часто приносят 5–10 бумаг, а остальной универсум — просто «плата за участие». Убери несколько ключевых бумаг — и доходность резко падает. Это противоречит популярной вере в «магический алгоритм» грааля.
Важный момент: ИИ здесь не предсказывает рынок.
Он используется для:
быстрого прототипирования,
генерации кода по текстовому описанию,
перебора вариаций параметров.
Но контроль логики, проверка на утечку данных, интерпретация результатов — остаются за человеком.
Юрий отдельно рассказал о «боли общения» с моделью: выдуманные конструкции, нестабильность кода при повторных запросах, склонность усложнять логику. В какой-то момент проще вручную править кусок кода, чем заново формулировать промпт.
Особое внимание он уделил тому, что между бэктестом и реальной торговлей лежит пропасть.
В его архитектуре:
Linux-сервер,
база Postgres с минутными данными,
кэширование датасетов,
REST-сервис для запуска тестов,
шлюз к торговым терминалам,
функция «установи позицию», которая автоматически выравнивает веса в портфеле.
Система регулярно пересчитывает целевые веса и доводит портфель до нужной структуры.
Юрий тестирует стратегию на горизонте около пяти лет. Больше — замедляет расчёты и не всегда даёт добавочную ценность, потому что структура рынка меняется. Интересно, что он сначала проверяет стратегию на более свежем периоде, а затем смотрит, как она ведёт себя в прошлом.
На мой взгляд сила доклада была не в формуле, а в связности процесса: идея → ИИ → код → проверка → инфраструктура → исполнение → контроль риска.
Векторная стратегия VectorBTЭмиль Казакбаев — «Суперзвёздные инвесторы: магия или наука»
Эмиль КазакбаевВыступление Эмиля было построено вокруг нескольких практических экспериментов, которые его команда проводит прямо сейчас. Первый из них — попытка создать полностью автономный ИИ‑фонд. Они взяли шесть различных нейросетевых моделей, скормили им потоки котировок, фундаментальную отчетность компаний и новостной фон, после чего отправили торговать на американский рынок. Старт был дан в феврале.
Результаты, как честно признался Эмиль, оказались «странными». Только модель от Google смогла немного обогнать индекс S&P 500, остальные торговали хуже бенчмарка и показывали скорее случайные отклонения, чем системную альфу. Спикер связывает это с низким качеством англоязычного новостного датасета, который они использовали. Сейчас в планах перевести эксперимент на российский рынок, где у брокера есть собственный качественный новостной поток. При этом Эмиль честно подсветил главную проблему такого подхода: это абсолютный «черный ящик». Разработчики задают промпт, дают данные, но понятия не имеют, на основе какой логики нейросеть принимает итоговое решение о сделке.
Второй эксперимент оказался куда более прикладным и вызвал интерес зала. Эмиль рассказал о создании полуавтономного торгового Telegram‑бота. Технологический стек оказался любопытным: для логики взяли бесплатную китайскую модель Minimax (которую спикер очень рекомендовал попробовать), бэкенд развернули с помощью популярный OpenClaw, а интерфейсом стал обычный мессенджер.
Эмиль поделился утренним кейсом прямо в день конференции: он зашел в диалог с ботом и обычным человеческим языком написал «Найди мне российские акции, которые сегодня выросли». Бот, используя API брокера, проанализировал рынок и выдал тикер. Эмиль ответил «Купи», и сделка моментально исполнилась на его реальном брокерском счете.
В блоке вопросов и ответов эта тема получила развитие. Из зала с иронией спросили: «А что будете делать, если Telegram заблокируют?»». Эмиль пояснил, что Telegram‑бот — это не коммерческий продукт для клиентов, а лишь внутренний стенд для проверки гипотез. Интерфейс абсолютно не важен. Главный прорыв состоит в том, что абстрактная языковая модель (которая вообще не является финансовой) через обычный текстовый промпт способна безошибочно управлять реальным счетом. И эту связку можно натянуть на API абсолютно любого брокера.
ИИ соревнованиеСергей Елисеев — «Криптоопционы и ИИ»
Сергей ЕлисеевВ последние годы фокус Сергея сместился на международные криптовалютные рынки. Сейчас он является основателем биржи крипто‑деривативов и выступает маркет‑мейкером опционов на ведущих площадках вроде Deribit, Bybit и OKX.
Сергей начал с того что для опционного трейдера непрерывный режим торгов 24/7 — это вопрос выживания и управления рисками. На традиционных площадках (например, на Московской бирже) выходные и остановки торгов часто приводят к неконтролируемым утренним гэпам. Если вы продали волатильность, а рынок открылся с разрывом в 20%, фьючерсы «ложатся на планку» и вы физически не можете захеджировать позицию — это прямой путь к потере депозита. Крипторынок эту проблему решает: трейдер может управлять дельтой в любую секунду. Сергей подчеркнул, что этот тренд уже влияет на классические финансы — Чикагская биржа (CME) анонсировала переход на круглосуточные торги криптовалютными деривативами.
Далее Сергей разобрал механику криптоопционов. Из явных плюсов: возможность изолировать обеспечение в стейблкоинах или конкретных монетах, микроскопический шаг цены (до одной десятитысячной биткоина) и уникальный инструмент — опционы на бессрочные фьючерсы. Последнее избавляет трейдера от необходимости ежеквартально роллироваться (перекладываться) в следующие контракты, что кардинально снижает издержки. Помимо классических BTC и ETH, Сергей подсветил торговлю опционами на альткоины и токенизированное золото (PaxG), волатильность которого на недавнем ралли взлетала до 50%.
Сергей прошелся с критикой по криптобиржам. Во‑первых, их терминалы абсолютно не заточены под сложные опционные стратегии — там нет нормальных конструкторов для календарных спредов. Во‑вторых, все криптоопционы являются расчетными, а не поставочиными — вы не можете выйти в реальную монету при экспирации. В‑третьих, методики расчета форвардных цен абсолютно непрозрачны и плавают из‑за привязки к ставкам фондирования, что ломает классическую математику ценообразования. И, наконец, никуда не делись санкционные риски: топовые платформы продолжают блокировать счета россиян.
Вторая часть выступления была посвящена интеграции ИИ. Сергей видит два пути. Первый — бытовой, когда трейдеры‑новички просто описывают рыночный сценарий в ChatGPT, чтобы модель помогла выбрать оптимальный страйк.
Второй путь — алгоритмический пайплайн, который реализует команда Сергея. Они агрегируют массивы данных по API: историческую и подразумеваемую волатильность, ставки фондирования и крупные переводы на кошельки крипто‑китов. Чтобы ИИ не придумывал несуществующие сделки (не галлюцинировал), они используют архитектуру RAG (генерация, дополненная поиском) на базе векторного хранилища проверенных опционных конструкций. Модель анализирует метрики, предлагает сценарий (например, дельта‑нейтральную продажу волатильности), а реальный исход сделки затем возвращается в базу для дообучения. Это превращает ИИ из умного собеседника в системного аналитика рисков.
AI в трейдинге опционами на крипобиржахВместо заключенияПожалуй самый главный вывод с которым я согласен — чем глубже спикеры погружались в практику применения языковых моделей, тем меньше оставалось иллюзий о каком‑то волшебном самообучающемся ИИ, который обыгрывает рынок.
Полностью автономные модели пока нестабильны и непрозрачны.
Но зато в прикладных задачах таких как генерация кода, работа с API, парсинг и агрегация данных, тестирование гипотез — они дают реальное ускорение.
Впереди ещё третья часть, где подробно разберу другие выступления — от портфельного бэкстера до криптоопционов.
Автор: Михаил Шардин
🔗 Моя онлайн‑визитка
📢 Telegram «Умный Дом Инвестора»
27 февраля 2026 г.
Делаются технические расчеты — вычисляется некий индикатор
и нет ТА? А что такое тогда ТА?
Испугались, что правильно ответите и оцените то, что написали?
Следите за руками:
Вычисляется средняя цена — получаем МА, это ТА?
А когда танцы с бубном гораздо более сложные — это не ТА?
Логичный вы наш! Но непривычный )))
И зачем экспериментировать с этим?
Так что интересны только те, кто создаёт торговые ИИ, либо сильно преобразуя цены до подачи на вход, либо вообще на вход ИИ подают совсем другие данные.
вот с ценами так же...
Да и в прогнозных алгоритмах погоды нет градусов и осадков вчера на входе.
ИИ может анализировать автоматически большие массивы данных и искать, скажем базовые арбитражные возможности, но действительно глубокий анализ провести — особенности рынков, нюансы спецификаций, правила бирж, особенности регулирования, особенности работы биржевой инфраструктуры и пр пр, что необходимо учитывать дабы слепить стратегию, это ведь нужно вскармливать ИИ. Кто же это вскормит, когда эта инфа зачастую уникальная? Никто.
В общем, мы имеем уровень ИИ средневскормленного материала, довольно посредственного, базового уровня, который еще и имеет тенденцию к ухудшению ввиду заполонения исходных данных мусором от ИИ.
В эпоху тотального падения образовательных стандартов этот средний, базовый уровень может показаться Интеллектом. Однако, действительно ценная информация и аналитика ему недоступна, потому здесь конкуренции не вижу. Инструмент аутсорсинга рутинных задач, но хороший инструмент, если не возлагать на него то, что он не способен выполнить.
А кто сказал, что смена — это на «долгий» срок? Но это мелочь. Вы хоть бы прочли, что подают авторы на вход нейросетей в приведенной Вами ссылке. Где там мое утверждение: "современные ИИ, на вход которых подаются либо прошлые цены, либо какие-то их приращения (обычные, процентные или логарифмов) — это «путь в никуда».?
Вы что ли не прочли то, что я тоже написал: «Так что интересны только те, кто создаёт торговые ИИ, либо сильно преобразуя цены до подачи на вход, либо вообще на вход ИИ подают совсем другие данные.» ?
В Вашей же ссылке пишется о таких преобразованиях ДО подачи на машинное обучение.
4.1.1 Input layers
Drawing inspiration from multi-channel representations in image processing (e.g., RGB channels), the grid-like structure of limit order book data is represented using two input channels: one for price and one for volume information. This results in a three-dimensional input x∈ℝH×W×C (Figure 2), where H denotes the depth of the LOB (i.e., the number of price levels), W is the window size representing the number of time steps used to construct each training example, and C is the number of channels which in this case is 2 for price and volume channels.
Перевод:
4.1.1 Входные слои
По аналогии с многоканальными представлениями в обработке изображений (например, с каналами RGB), сеточная структура данных книги лимитных ордеров представлена с помощью двух входных каналов: один для цены, другой для объема. В результате получается трехмерный входной сигнал x∈ℝH×W×C (рис. 2), где H обозначает глубину LOB (то есть количество ценовых уровней), W — размер окна, представляющий собой количество временных шагов, используемых для построения каждого обучающего примера, а C — количество каналов, в данном случае равное 2 для каналов цены и объема.
Добавлю рисунок 2
Вы что ли не видите linear projection, positional embeddings и transformer ДО подачи на нейросеть?
Что собственно и демонстрируется авторами из приведенной Вами статьи.
Это в торговле целевой вектор Эндрюса (вилы). Книга Патрик Микула -..5 новых техник Эндрюса.
давай рассмотрим простейшие случаи...
ветер есть? погода сменится: погода останется неизменной
Что-то мне кажется, что уж слишком крутое какое-то предсказание. Как они в 80-х годах прошлого века знали про современные ИИ???
Одна из глав — как Джесси Ливермор торговал на обвале и за пару дней заработал 100 млн. Да, никто не знает. Но он делал пробные сделки и оценивал рынок. На бирже были бегунки, которые внимательно следили за обстановкой. Когда оценил движение — пристроился и поехал вместе с ним, увеличивая ставки.
Когда он приехал домой — там было пусто. Нет жены с детьми, нет картин, нет драгоценностей. Слуги объяснили, что жена услышала в новостях про крах и испугалась, что он тоже слился. Тогда она собрала ценности и переехала в другое место, чтобы спасти хоть что-то от кредиторов.
Не существует автомата, который может создать статистический прогноз непостоянной функции от случайной нестационарной последовательности на алгоритме обучения на прошлой истории этой случайной последовательности.
А определение нестационарных случайных последовательностей в теории вероятностей появилось в 1932-м году.
А у моего утверждения о бессмысленности ИИ четкое и обязательное продолжение: «на вход которых подаются либо прошлые цены, либо какие-то их приращения (обычные, процентные или логарифмов)»
www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2025.1616485/full
И вообще, биржи создавались в прошлые века как инструмент стихийного формирования цены на товары в условиях, когда рассчитать спрос и предложение было невозможно в принципе.
С развитием ИИ планирование в экономике будет всё более совершенствоваться, а биржи, как инструмент стихийного формирования цены, свою роль полностью потеряют.
В нашей стране, например, биржа уже вообще ничего не определяет, поскольку экономика у нас построена на директивных принципах.
Но проблема в том, что текущий ИИ сможет найти подходящие сэмплы, но врятли он сможет оттуда вытянуть понимание и логику. Просто поиск похожих паттернов в прошлом и поиск таких же сейчас не дадут результат, рынок сложнее.
Хотя машину ИИ водить умеет, но его там научают логике, а не паттернами и учат те кто сам знает как ездить. Если его будут учить те кто сами не знают как водить, то я хз сможет ли он сам научиться по примерам?
Я пробовал года 3-4 назад.
Набросал нейросетку на питоне, давал ей на вход последние 50 свечей, и обучал на том, что что будет в следующие 50 свечей, то есть паттернам на то, с какой вероятностью что будет дальше.
Но потом забросил, других дел хватает.
Хотя идея прикольная, всё хочу к ней вернуться.
Есть тема:
Что подать на вход нейросети? Ваши идеи… — Общее обсуждение — Форум алго-трейдеров MQL5 — Страница 85
Есть автор множества статей и книги по теме Дмитрий Гицлюк.
Нейросети в трейдинге: Адаптивная факторная токенизация (MTmixAtt) — Статьи по MQL5
Но из обсуждения становится понятно, что реально из этого ничего так и не получилось. А автор реально зарабатывает на статьях и на книге, но не на торговле.
Реальные заработки на форексе были лишь на импульсных тиковых советниках и на арбитраже двух брокеров с разной скоростью изменения цены. Но теперь там это всё прикрыто и уже много лет не работает.
Мне кажется всё же возможно, но постоянно надо «подкручивать» систему
Нейросети в алготрейдинге — практическое пособие по использованию машинного обучения в алгоритмическом трейдинге
А платит ему и вообще за статьи на их сайте mql5.com.
А язык MQL5 постоянно совершенствуется и усложняется. Причём разработчики прямо заявляли, что их цель — использование ИИ и написание нейросетей на этом языке.
Как человек построивший бота для торговли BTC, ETH, BNB, SOL, LTC — мне есть, что сказать. LLM — на текущем этапе не способна решать задачи управления капиталом и принятия адекватных решений, но способна создавать многослойные алгоритмы для принятия решений, DevOps контроля, стресс-теста, бек-теста, проверки гипотез, поведенческого анализа. Нет никакого грааля, есть простая математика и управление рисками.
Пример стресс-теста алгоритма SOL по методу Монте-Карло 10 тыс. прогонов.
Жаль, что я пропустил эту конференцию.
Всем доброго дня!
Кaк приятно общaться с умными, обрaзовaнными людьми!
I. Анализ шума в трейдинге, включает следующие ключевые аспекты:
1. Понимание природы шума
Шум — это случайные колебания цен, не обусловленные фундаментальными факторами или долгосрочной тенденцией.
В трейдинге шум проявляется как краткосрочные, случайные движения рынка, которые трудно отличить от сигналов и могут искажать восприятие трендов и моделей.
2. Влияние шума на стратегии
Шум мешает точному прогнозированию и тестированию стратегий, особенно при использовании исторических данных.
В стратегиях важна устойчивость к шуму: чтобы не реагировать на случайные колебания, необходимо внедрять механизмы фильтрации и контроля риска.
В докладе подчеркнута важность использования широких временных горизонтов и регулярных пересмотров стратегии для уменьшения влияния шума.
3. Методы анализа шума
Статистические оценки: расчет просадок, волатильности, коэффициентов Шарпа и других метрик помогает понять уровень шума.
Моделирование сценариев: симуляции с помощью моделирования Монте-Карло позволяют оценить, как случайные колебания влияют на итоговые результаты.
Анализ распределения доходностей: выявление «выбросов» и оценка степени искажения данных шумом.
4. Работа с шумом в практике
В стратегии Юрия Кондратенко отмечается, что шум в данных и результатах тестирования требует аккуратности — неправильное восприятие шума как сигнала может привести к переобучению или ошибкам в управлении.
Важно использовать механизмы исключения ложных сигналов, например, фильтры, проверки на утечки данных, контроль за look-ahead bias.
Контроль риска и ограничение просадок помогают защититься от влияния больших шумовых колебаний.
5. Вывод
В трейдинге шум — это неизбежная часть рынка, которая может сильно искажать аналитические выводы.
Эффективный анализ шума включает статистические методы, моделирование и внедрение риск-менеджмента.
Важно помнить, что чистых данных без шума не существует, и стратегия должна быть устойчивой к его воздействию, чтобы избегать ложных сигналов и переобучения.
II. Данное изображение представляет собой график, который показывает связь между двумя переменными: «Final return %» (финальная доходность) и «Max DD %» (максимальная просадка) на основе 10 000 моделируемых сценариев (симуляций).
Анализ изображения:
Ось X («Max DD %»)
Показывает максимальную просадку, то есть самый большой процент снижения стоимости портфеля во время симуляции.
Значения варьируются примерно от -22.5% до -5%.
Большинство точек расположены в диапазоне от -15% до -5%, что говорит о том, что большинство сценариев характеризуются умеренной просадкой.
Ось Y («Final return %»)
Показывает итоговую доходность за период, выраженную в процентах.
Значения варьируются от около 50% до 800%, что указывает на широкий диапазон возможных результатов, от очень низких до чрезвычайно высоких доходностей.
Распределение точек
Точки плотнее сосредоточены в области с просадкой около -10% до -5%, и доходностью примерно 100–400%.
В верхней части графика (например, доходность > 600%) точки становятся разреженными, что указывает на редкие, но очень прибыльные сценарии.
Общая тенденция
В большинстве случаев, чем глубже просадка (больше по абсолютной величине), тем выше потенциальная итоговая доходность.
Это классическая зависимость: риск и доходность связаны — более рискованные сценарии могут привести к более высоким доходам, но и к более высоким потерям.
Выводы
График демонстрирует, что существует широкий спектр возможных исходов при использовании стратегии или модели, и что значительная часть сценариев показывает умеренный риск и доходность.
Наличие точек с очень высокой доходностью при умеренной просадке говорит о потенциальных «выбросах» или экстремальных сценариях, что важно учитывать при управлении рисками.
Итог:
Этот график иллюстрирует характер распределения результатов моделирования: риск и доходность связаны, но возможны экстремальные сценарии с очень высокой прибылью. Такой анализ помогает понять вероятность и диапазон возможных исходов, а также оценить соотношение риска и доходности стратегии или модели.
Имеем простые вопросы. Сила свечи? Сила тайма времени? Работа объема в тайме времени? Сила фрактала 3-2? У 2-2 нет силы, тк это боковик.И банально — участие в сделке в % от счета? стоп лосс? Защита прибыли ?
Мораль — ИИ учится как ребенок, но чему его учить? Читать график по каждой свече?
Спасибо за историю. Видно, что индустрия поддержки трейдеров работает хорошо.
А что в их представлении рынок?
Датасеты прошлых данных?
Кривая некой функции?
Или набор разнокалиберных экономических агентов (человеческих и не очень)
моментально и по-разному реагирующих на поступающую информацию.
Потому что либо есть позиции, либо готовятся к открытию.
И как они собираются предсказывать совокупный результат их реакций,
если они не знают ни их задач, ни их позиций?
тут все ржали, аж кушать не могли ))
Однако, автор подчеркивает, что в 2026 году ИИ не выступает как гарантированный источник альфы и не способен полностью предсказывать рынок с высокой точностью.
Ключевые идеи предиктивной аналитики в трейдинге из документа:
Ограниченность ИИ в прогнозировании рынка:
ИИ чаще используют для быстрого прототипирования, генерации кода, перебора параметров, а не для абсолютных предсказаний.
Главная роль ИИ — создавать сценарии и варианты развития событий, а не точно предсказывать цену или движение на рынке.
Практическое применение:
В стратегиях Юрия Кондратенко акцент делается на относительной силе активов, а не на техническом или фундаментальном прогнозе.
Использование ИИ для оценки текущей ситуации и формирования портфеля, а не для точных ценовых предсказаний.
Роль предиктивной аналитики:
ИИ помогает выявлять вероятные сценарии, анализировать параметры рынка, тестировать гипотезы.
Важна интерпретация результатов, а не только сам прогноз: например, определение, какие активы и сценарии являются наиболее вероятными, а не конкретные уровни цен.
Проблемы предиктивной аналитики:
Невозможность точно предсказать рынок из-за высокой волатильности и шума.
Использование ИИ для генерации гипотез, а не для абсолютных предсказаний, помогает снизить риски ошибок.
Вывод из доклада:
Чем глубже погружение в практическое применение языковых моделей и ИИ, тем меньше иллюзий о полном предсказании рынка.
Важнее — использовать предиктивную аналитику для моделирования сценариев и оценки вероятностей, а не для прямых ценовых прогнозов.
Итог:
Предиктивная аналитика в трейдинге — это мощный инструмент для моделирования сценариев, оценки рисков и формирования стратегий, но она не заменяет полностью рыночную реальность и не дает 100% точных прогнозов.
Ее ценность — в помощи трейдерам при принятии решений на основе вероятностных сценариев и анализа возможных вариантов развития событий.
В широком понимании любая торговая стратегия которая может быть описана алгоритмом является алгоритмической.
Алгоритм может быть на основе:
— техники — динамики изменения стоимости актива (МАшки, паттерны, объёмы, индикаторы, и т.д.),
— «фундамента» — относительной оценки стоимости (ДД%, P/E, EV/EBITDA и т.д.),
Традиционный алготрейдинг, торговля по новостям, скальпинг, вольны, арбитраж, различные варианты дисконтирования финансовых метрик — всё это можно алгоритмизировать.
Всё что можно алгоритмизировать можно реализовать на стеке с БЯМ, поэтому в широком понимании ИИ может быть как абсолютно бесполезен, так и помочь многократно увеличить капитал.
БЯМ (ИИ) лишь инструмент эффект от владения которым зависит от умения им пользоваться и торговой стратегии к которой вы его пытаетесь применить.