Анатомия ИИ-трейдера: как создать своего автономного ИИ-агента и зарабатывать на бирже
В этом материале вместе с командой TradeAPI «Финама» разбираем автономную ИИ-торговлю, рассказываем, как создать своего ИИ-трейдера и представляем результаты экспериментов. В конце статьи – ссылка на полный код для создания автономного ИИ-агента для торговли.
Напомним, что «Финам» запускает конкурс алготрейдеров — «Финам Арена». Каждый участник получит под управление 3 000 000 ₽ на специальном счете для торговли на реальных рыночных котировках в течение двух месяцев с использованием «Финам Trade API». Авторы трех лучших стратегий получат по 100 000 ₽ на брокерский счет. Кроме того, стратегии победителей будут продвинуты на ресурсах сервиса «Финам Автоследование». Регистрация открыта до 1 июля, успейте подать заявку на странице конкурса.
Создать ИИ, который систематически обыгрывает рынок, пока никому не удалось. Исследователи из Гонконгского университета отдельно проверили способность передовых моделей торговать на бирже и пришли к выводу: общий интеллект не транслируется автоматически в торговую эффективность.
Однако это хороший повод для того, чтобы разобраться и ИИ-трейдинге и найти новые возможности. Фондовый рынок в теории идеально подходит для ИИ-агентов: почти вся информация оцифрована, есть готовые API, данные структурированы. Обучать нейросеть с нуля — не нужно. Знания о рынках, компаниях и макроэкономике уже сжаты в современных LLM и доступны каждому трейдеру, даже без глубокого понимания математики и статистики. К тому же большие языковые модели умеют делать то, что раньше могли только опытные аналитики: обрабатывать большой поток разнородной информации, выстраивать логические цепочки и формулировать обоснованные выводы. Вопрос не в том, умна ли модель, а в том, как правильно ее применить.
Торговая система
Прежде чем запускать ИИ-трейдера, нужно задать ему торговые рамки — что и как будет торговать. Допустим, агент торгует на российском фондовом рынке десятью бумагами: Сбербанк, «Газпром», «Яндекс», МТС, X5 Retail Group, «Аэрофлот», «Алроса», «Россети», «Самолет», ДВМП. Все голубые фишки — ликвидные, хорошо покрытые новостями, но при этом достаточно волатильные, чтобы было где зарабатывать и где ошибаться. Торги будут проходить раз в день, под конец вечерней сессии Московской биржи. Именно в это время концентрируется основной объем и движение цен, что дает агенту максимум информации для решения.
Задача агента — максимизировать доходность портфеля. Для этого ему доступны все ключевые источники: рыночные данные, новости, исторические цены и поиск в интернете. На их основе он должен рассуждать, строить гипотезы и принимать торговые решения — по сути, действовать как управляющий небольшим фондом.
Для реализации такого агента отлично подходит архитектура ReAct (Reasoning + Acting) — подход, в котором языковая модель чередует рассуждение и действие через внешние инструменты. Именно инструменты определяют реальные возможности агента: что он видит, как анализирует и какие решения может принимать.
Инструменты ИИ-трейдинга
Каждый инструмент — это функция с подробным описанием для модели: имя, назначение, входные параметры и формат возвращаемых данных. Именно из этих описаний LLM понимает, когда и как вызывать тот или иной инструмент. Чем точнее описание — тем более предсказуемо поведение агента.
1. Рыночные данные
Агент может запрашивать исторические данные за любой промежуток времени с нужной гранулярностью — от минутных свечей до дневных. На их основе он строит картину рынка: смотрит общий тренд, оценивает волатильность, ищет уровни. Обычно он запрашивает данные за последний месяц-полтора. Рыночные данные можно взять из «Финам TradeAPI».
2. Новости
Второй источник информации — новостной поток. Агент получает свежие заголовки и краткие описания статей, на основе которых может оценить настроение рынка и отреагировать на важные события по конкретным компаниям. Новости можно взять из RSS потока «Финам».
3. Поиск в интернете
Новости дают оперативную картину, но не всегда достаточно контекста для взвешенного решения. Поэтому агент также умеет делать точечные поисковые запросы: искать финансовую отчетность компании, разбираться в ее бизнес-модели или оценивать общую ситуацию в секторе.
4. Программирование
Предоставим LLM возможность писать и запускать Python-код. Это открывает широкие возможности: подсчет технических индикаторов, построение скользящих средних, расчет волатильности или любые другие вычисления, которые проще выразить кодом, чем описать в промпте.
5. Торговые операции
Финальный результат, который ожидается от агента — конкретные торговые решения, приносящие прибыль. Вариантов много: открытие длинных и коротких позиций, предсказание движения цены или даже модные ставки на будущие события через Polymarket. В этом случае все просто — покупка и продажа акций.
Системный промпт
Нужно задать максимально ясные, конкретные и структурированные системные инструкции агенту, а также роль («ты — управляющий портфелем»), цель («максимизировать доходность»), ограничения и важные примечания, контекст в виде текущего состояния портфеля и котировок.
Сборка и запуск
Теперь необходимо выбрать одну из передовых моделей (gpt5-5, Claude Opus 4.7, GigaChat 2 Max), присоединить ранее созданные инструменты и системный промпт. Дать задание «проанализируй и обнови сегодняшние (дата) позиции». После того, как все части собраны воедино, можно поставить агента запускаться по будним дням в 18:00.
Эксперимент «Финама»
«Финам» в рамках эксперимента дал шести ведущим моделям торговать на российском и американском рынках. У каждой было по 100 000 ₽ и $10 000. Соревнование ИИ-трейдеров проходило с 1 февраля по 1 апреля (39 торговых дней). Подробнее можно почитать здесь.
Результаты пока не выглядят серьезно: мало статистической значимости, период небольшой. Но положительные сигналы есть: агент умеет читать новостной фон, формировать портфель и в определенные моменты обыгрывать индекс.
Следующая задача — снять ограничения: расширить набор инструментов (короткие позиции, опционы, фьючерсы, деривативы), добавить риск-менеджмент и дать агенту возможность самостоятельно искать возможности на всем рынке.
Дальнейшие работы
- Коллективный разум. Что если решение принимает не одна модель, а несколько — с разными специализациями, разными промптами, разными взглядами на рынок?
- Гибридный подход. Сейчас ИИ-агент — медленная вдумчивая система: анализирует, рассуждает, принимает решения раз в день. Классические алгоритмы быстрее и точнее в узких задачах. Что если создать гибрид таких систем?
- Продвинутые инструменты. Анализ сентиментов новостей, технические индикаторы, стоп-лосс и тейк-профит ордера и другие инструменты трейдера применимы и здесь.
❗ Код для создания агента — здесь
✅ Подписывайтесь на телеграм-канал Финам Инвестиции и Торговые сигналы, а также на наш канал в MAX
