Избранное трейдера master1
☝️Почему я ни разу не давал брокерам поручений на сделки по телефону.
Вообще не факт что это тот случай. Но поскольку есть повод расскажу то, что уже рассказывал в блогах.
Просто общаясь внутри индустрии, знаю как часто порой делают брокеры:
Получая крупную заявку на продажу, сначала продают своё продавливая цену. Потом исполняют заявку клиента на лоях сливая цену ещё больше, а там уже прикупают продаваемое по интересной «продавленной» цене. В итоге клиент теряет овердохрена денег, а кто-то ложит их себе в карман или акции по очень хорошей цене.
Другая версия — это если какой то крупный фонд решил продать свой пакет. Сначала они продают бумажки на своих счетах, или вообще шорт под это открывают и откупают уже на проливе по более интересной цене.
Так же вариант — когда известен крупный стоп по НПР2 туда могут свозить. (Если у человека были другие бумаги и они упали на падающем рынке) то спокойно мог по депозиту в целом до него дойти. А там и принудительно закрыть могут.
☝️По сути это ровно то, за что взяли мелких инфоцыган с телеграм каналов фсбешники на днях. Но в финансовом мире таким занимаются люди из крупных банков и брокеров и им ни разу за это ничего не было.
Любой специалист по закупкам или тендерам знает эту боль: открываешь техническое задание (ТЗ) заказчика, а там спецификация на 100 позиций. Причем каждая позиция описана не четким артикулом, а целым абзацем сплошного текста: смесь габаритов, материалов, ссылок на ГОСТы и допусков.
Задача специалиста — найти под эти пространные требования подходящие товары в своей базе или в прайс-листах дистрибьюторов (где могут быть десятки тысяч строк), сопоставить их и просчитать экономику. А если человек новый в нише? А если специфика сложная? Обычно это решается вычленением ключевых слов и бесконечным нажатием Ctrl+F по вкладкам Excel. Это долго, дорого и ведет к ошибкам из-за банальной усталости.
Я решил автоматизировать этот процесс и собрал B2B-инструмент на стыке локальных баз данных, алгоритмов обработки естественного языка (NLP) и больших языковых моделей (LLM).
В этой статье я расскажу, как устроен продукт «под капотом», с какими проблемами я столкнулся при сопоставлении неструктурированных данных и как выстроил архитектуру, которая заменяет рутину машинным интеллектом.