Для разработки стратегии поведения на рынке на ближайшее время мы провели комплексный анализ, используя вычислительное ядро SymFSM. В качестве входных данных загружались:

• Заголовки новостей за последние 6 дней (рыночные события, геополитика, корпоративные истории)

• Заголовки аналитических отчётов по ключевым секторам и инструментам

• Котировки и ценовые уровни по основным акциям, индексам и валютным парам

На основе этих данных SymFSM построила когнитивную карту задачи — граф взаимосвязей между событиями, ценами, макроэкономическими индикаторами и геополитическими факторами. Затем вычислительное ядро исследовало пространство возможных решений, проанализировало тысячи траекторий достижения целей, оценило их по вероятности успеха, влиянию и стоимости. В результате был сформирован структурированный вывод и стратегия действий.

Ниже — полный текст анализа и стратегии:

Анализ. Рынок сейчас не в фазе устойчивого разворота, а в фазе новостной волатильности. Доказательство: индекс Мосбиржи обновляет минимумы с марта 2023, часть акций — многолетние минимумы; одновременно CNYRUB вырос до ₽11,066, максимума с 6 мая, а спрос на наличную валюту вырос более чем на 30% с начала года. Это связка «слабый риск-аппетит + валютная защита».

Большинство современных ИИ-моделей анализируют рынок примерно одинаково: получают поток новостей, выделяют основные темы и формируют текстовый обзор. Такой подход хорошо работает для составления сводок, но гораздо хуже — для поиска причинно-следственных связей, оценки достижимости сценариев и выявления системных рисков.

Мы решили провести простой эксперимент.

Взяли заголовки новостей за последние три дня со Smart-Lab и других открытых источников по российскому рынку. Никаких финансовых отчетов, котировок, мультипликаторов или исторических данных не использовалось. Только поток новостных заголовков.

Затем поставили двум системам одинаковую задачу:

«Провести анализ текущего состояния рынка и сформировать выводы на основе полученных новостей».

В первом случае использовалась обычная LLM-модель (GPT5.5).

Во втором — та же модель, но работающая через приложение SymFSM.

Последние пару лет все обсуждают одни и те же вещи: новые модели, агенты, RAG, огромные контекстные окна. Но если посмотреть на проблему глазами человека, который постоянно работает с анализом сложных систем, возникает другой вопрос.

А что если проблема не в знаниях модели?

Что если проблема в том, что она не контролирует собственную структуру рассуждения?

Для трейдера это выглядит знакомо.

Представьте аналитика, который каждый раз пишет инвестиционный отчёт с нуля. Он знает много фактов, быстро ищет информацию, красиво объясняет свои выводы. Но нигде не проверяет, существует ли вообще логическая цепочка между предпосылками и заключением.

Иногда он попадает в цель.

Иногда нет.

LLM сегодня работают примерно так же.

Возьмём обычный инвестиционный вопрос:

Какие направления бизнеса дадут максимальный рост выручки брокеру в течение ближайших трёх лет?

Обычная модель начнёт генерировать рассуждение сразу.

Она будет писать про ИИ, автоматизацию, инвестиционные платформы, подписки, мобильные приложения, маркетинг и ещё десятки идей.