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».

Конференцию проводят на базе двух университетов: ПГНИУ и ПНИПУ

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

Игорь Чечет

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

Мой доклад

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.

227 бумаг с Московской биржи в экперименте

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.

Удачная эпоха обучения

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.

Один из промежуточных этапов Alpha Arena / Nof1.ai

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.

Слева направо: Вячеслав Арбузов, Михаил Шардин, Игорь Чечет, Тимур Реджепов, Эмиль Казакбаев

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.