(AI-агенты в трейдинге: инструмент или иллюзия интеллекта)
Это в голливудских фильмах биржевики находятся под психотропными препаратами. Суровые алгоритмисты поголовно находятся под NDA. Никакой тайны они не раскрыли, но даже сам факт их пугает. А над нами при написании этих статей возник информационный коллапс.
Поэтому каждому, кто сказал хотя бы пару слов, мы сильно благодарны. Большинство отвечавших на вопросы очень не хотят быть публичными. На своих LLM-вых крыльях ИИ принёс в нашу жизнь новую порцию ленивых мечтаний. Каждый второй стал мне рассказывать. Нет, я бы сказал даже продавать историю про своего друга, создавшего сверхприбыльную стратегию. Этот невидимый друг уже попивает прохладный коктейль из водки и горгонзолы с зонтиком из цельной ветви корельской березы, а ИИ продолжает зарабатывать миллионы.
Но как и где на самом деле применяют AI в трейдинге? Мнения и подходы разные даже у профи.
«Пробовал — полная хрень»
Кирилл, частный управляющий с 2011 года в HFT, не церемонится, когда его спрашивают про AI и ML в продакшене:
Это в голливудских фильмах биржевики находятся под психотропными препаратами. Суровые алгоритмисты поголовно находятся под NDA. Никакой тайны они не раскрыли, но даже сам факт их пугает. А над нами при написании этих статей возник информационный коллапс.
Поэтому каждому, кто сказал хотя бы пару слов, мы сильно благодарны. Большинство отвечавших на вопросы очень не хотят быть публичными. На своих LLM-вых крыльях ИИ принёс в нашу жизнь новую порцию ленивых мечтаний. Каждый второй стал мне рассказывать. Нет, я бы сказал даже продавать историю про своего друга, создавшего сверхприбыльную стратегию. Этот невидимый друг уже попивает прохладный коктейль из водки и горгонзолы с зонтиком из цельной ветви корельской березы, а ИИ продолжает зарабатывать миллионы.
Но как и где на самом деле применяют AI в трейдинге? Мнения и подходы разные даже у профи.
«Пробовал — полная хрень»
Кирилл, частный управляющий с 2011 года в HFT, не церемонится, когда его спрашивают про AI и ML в продакшене:
«Лично я не знаю, где AI или ML где-то реально работает сейчас. Несколько раз пробовал — полная хрень. Ошибки, много ошибок, очень много неправильной информации. Поэтому я не использую».
Его отказ от AI — это конкретный опыт, а не страх перед новым.
Тренд, который путают с самим собой
«Мистер Х», участник команды крупного алгофонда, описывает более тонкую картину — не «AI не работает», а «AI работает не там, где вы думаете»:
Тренд, который путают с самим собой
«Мистер Х», участник команды крупного алгофонда, описывает более тонкую картину — не «AI не работает», а «AI работает не там, где вы думаете»:
«AI и ML сейчас работают реально везде в продакшене. Запуск и автоматизация торговли. Сбор, хранение баз данных».
От «Биржевого Алгоритма»: на закрытых встречах мне в диалогах признались уже 5 управляющих, что активно используют AI в предиктах — это прогнозы или предсказания будущего движения цены актива. Но самое интересное при дополнительном вопросе: «На каком рынке вы используете?» — ответ однозначный: Polymarket — крупнейший в мире рынок прогнозов на любое событие. По оценкам разработки суммы звучали от 5 до 30 миллионов долларов. Но все как один отмечают, что технология работает.
Теорема Байеса (Bayes' theorem) — обновление априорных вероятностей
Что это и зачем нужна:
Фундаментальная формула теории вероятностей, на которой строится большинство статистических ML-моделей и наивных байесовских классификаторов. Она показывает, как нужно корректно обновлять свои убеждения (вероятность события) при получении новых данных. В контексте статьи она объясняет, почему AI в трейдинге — это не «магический шар», а просто калькулятор вероятностей, который жестко зависит от качества входящих данных.
Расшифровка переменных:
● P(A|B) — апостериорная вероятность (вероятность того, что сигнал истинен, при условии, что мы увидели данные).
● P(B|A) — правдоподобие (вероятность увидеть такие данные , если сигнал действительно есть).
● P(A) — априорная вероятность (ваше изначальное предположение о рынке до получения новых данных).
● P(B) — маргинальная вероятность (общая вероятность встретить эти данные в рынке).
Смысл:
Эта формула математически объясняет слова экспертов о том, что «AI просто уверенно тупит» или работает только в узких нишах (как Polymarket). Если ваша априорная вероятность (ваше понимание того, как устроен рынок) ошибочна, или если данные содержат шум, то на выходе вы получите красивую, но абсолютно ложную уверенность. AI не генерирует истину из ниоткуда — он лишь обновляет ваши заблуждения на основе новых тиков. Если фундаментальной идеи под моделью нет (как говорит Антон Ковалев), теорема Байеса лишь быстрее приведет вас к оверфиттингу.
Нейросеть, которая неплохо угадывает погоду, но не приносит зонт
Один из специалистов, попросивший не упоминать его имя вообще, но мы назовём его «Мистер Y», использует нейросети куда осторожнее большинства и честно называет границы их пользы:
Что это и зачем нужна:
Фундаментальная формула теории вероятностей, на которой строится большинство статистических ML-моделей и наивных байесовских классификаторов. Она показывает, как нужно корректно обновлять свои убеждения (вероятность события) при получении новых данных. В контексте статьи она объясняет, почему AI в трейдинге — это не «магический шар», а просто калькулятор вероятностей, который жестко зависит от качества входящих данных.
Расшифровка переменных:
● P(A|B) — апостериорная вероятность (вероятность того, что сигнал истинен, при условии, что мы увидели данные).
● P(B|A) — правдоподобие (вероятность увидеть такие данные , если сигнал действительно есть).
● P(A) — априорная вероятность (ваше изначальное предположение о рынке до получения новых данных).
● P(B) — маргинальная вероятность (общая вероятность встретить эти данные в рынке).
Смысл:
Эта формула математически объясняет слова экспертов о том, что «AI просто уверенно тупит» или работает только в узких нишах (как Polymarket). Если ваша априорная вероятность (ваше понимание того, как устроен рынок) ошибочна, или если данные содержат шум, то на выходе вы получите красивую, но абсолютно ложную уверенность. AI не генерирует истину из ниоткуда — он лишь обновляет ваши заблуждения на основе новых тиков. Если фундаментальной идеи под моделью нет (как говорит Антон Ковалев), теорема Байеса лишь быстрее приведет вас к оверфиттингу.
Нейросеть, которая неплохо угадывает погоду, но не приносит зонт
Один из специалистов, попросивший не упоминать его имя вообще, но мы назовём его «Мистер Y», использует нейросети куда осторожнее большинства и честно называет границы их пользы:
«Я использую нейросети для обучения, для понимания структуры рынка. Таким способом я понимаю режим рынка — они немного лучше работают, чем обычные эконометрические показатели, но это не панацея».
Разница принципиальная: не «нейросеть торгует за меня», а «нейросеть помогает мне точнее определить, в каком режиме сейчас рынок» — тонкая, но критичная грань между инструментом и иллюзией автопилота. Он же добавляет к вопросу про reinforcement learning отдельную деталь, которая редко всплывает в русскоязычных обсуждениях:
«RL не пробовал. Смотрел вебинар одного известного автора книг по количественным стратегиям — он тоже говорил, что в его опыте не видел работающих методов RL. Но вебинар был примерно в 2020 году, за это время могло что-то измениться».
Честная оговорка о дате — редкость. Обычно либо категорично хоронят технологию, либо категорично в неё верят.
Ближайшее мероприятие
9 октября 2026 года в Москве пройдёт конференция «Биржевой Алгоритм — 2026».
Подробности и регистрация: algoclub.pro/mainevent
Почему RL — это красивый тупик
Самая содержательная критика reinforcement learning в трейдинге пришла от Тихона Павлова, quantitative researcher ФК «Викинг» — и она куда серьёзнее простого «не пробовал, не верю». Причём это не разовая реплика: он сам напомнил, что озвучивал эту позицию не раз — «если ты помнишь, Серёг, я ещё и на сцене об этом рассказывал, про этот RL» — то есть на встречах «Биржевого Алгоритма» он публично защищал эту точку зрения задолго до этого разговора, и она у него не изменилась.
Ближайшее мероприятие
9 октября 2026 года в Москве пройдёт конференция «Биржевой Алгоритм — 2026».
- 2 зала
- 40 спикеров
- дегустация вин
Подробности и регистрация: algoclub.pro/mainevent
Почему RL — это красивый тупик
Самая содержательная критика reinforcement learning в трейдинге пришла от Тихона Павлова, quantitative researcher ФК «Викинг» — и она куда серьёзнее простого «не пробовал, не верю». Причём это не разовая реплика: он сам напомнил, что озвучивал эту позицию не раз — «если ты помнишь, Серёг, я ещё и на сцене об этом рассказывал, про этот RL» — то есть на встречах «Биржевого Алгоритма» он публично защищал эту точку зрения задолго до этого разговора, и она у него не изменилась.
«RL сейчас почему-то пользуется модой в некоторых фондах — я наблюдаю спрос на эти компетенции. На мой взгляд, это красивый тупик. Реализация в 99,9% случаев очень спорная. Проблема в том, что рынок сегодня не похож на рынок завтра, и наоборот. Мы учим модель на прошлом, но правила игры постоянно меняются. RL можно научить управлять автомобилем, потому что правила там стационарны. Но RL крайне трудно научить на рыночных данных, где правила постоянно плывут».
Дальше — техническая деталь, которая объясняет, почему обходной путь тоже не спасает:
«Можно сделать хитрость — постоянно переучивать Q-функцию. Но это, по сути, определённый трюк, можно назвать это динамическим оверфиттингом. Плюс есть проблема, когда переучиваешь модель прямо в ходе её работы — а торгуешь-то ты в этот момент живыми деньгами. Кто виноват за ошибки модели в это время? Стоимость подобного исследования становится непозволительно большой».
Поиск клада, который может не существовать
Прежде чем перейти к следующему эксперту, стоит остановиться на одной детали, которая объясняет, откуда вообще берётся такой скепсис у человека, который по долгу службы обязан пробовать новые модели. Тихон описывает саму природу research в квант-командах через метафору, которая говорит о его личном отношении к профессии больше, чем любой список технологий:
Прежде чем перейти к следующему эксперту, стоит остановиться на одной детали, которая объясняет, откуда вообще берётся такой скепсис у человека, который по долгу службы обязан пробовать новые модели. Тихон описывает саму природу research в квант-командах через метафору, которая говорит о его личном отношении к профессии больше, чем любой список технологий:
«Research сам по себе — рискованное мероприятие. Мы выделяем ресурсы, как минимум на зарплату персонала, и выбираем гипотезу для тестирования. Далеко не факт, что эта гипотеза окажется рабочей. Это можно сравнить с поиском клада — найдём мы этот клад или нет, далеко не факт. По сути, на человеке, который принимает решение, куда направить research, лежит огромная ответственность. Это микс определённой удачи и опыта».
Он же, отвечая на вопрос про сравнение алгоритмов исполнения, честно признаётся, что не всегда с ходу понимает, о чём его спрашивают, и не стесняется в этом сознаться вслух — редкая черта для эксперта, который явно разбирается в теме на голову выше среднего: «покритикую, наверное, ты эти вопросы генерировал при помощи ИИ, потому что вопрос, на мой взгляд, не совсем корректный». Именно эта смесь — глубокой технической строгости и готовности сказать «здесь я не уверен» или «вот тут вопрос сформулирован криво» — и отличает практика от человека, который просто пересказывает чужие статьи о больших языковых моделях.
От «Биржевого Алгоритма»: признаемся, это правда — при написании этих статей мы не просто использовали ИИ, мы крутили его как на пропеллере Карлсона.
Антон Ковалев, Managing Partner bdpb.trading, специалист по крипто-арбитражу, подтверждает картину коротко, но не менее жёстко:
«Пробовал, попытки коллег наблюдаем регулярно. Причина всё та же — полное непонимание большинством участников того, куда они вообще попали».
Он же, отвечая на вопрос про переобучение в принципе, формулирует наблюдение, которое одинаково применимо и к RL, и к любой другой модной модели: «Если на истории стратегия зарабатывает — неважно, "покупка при RSI меньше 20" или подставленная вместо RSI убер-современная, прорывная, передовая квантовая ML-модель, — это просто оверфиттинг, если фундаментальной идеи под ней нет».
Если это мнение кажется вам слишком категоричным — можно не гадать, а подойти и спросить у наших профи лично на следующей встрече «Биржевого Алгоритма». Вряд ли они поменяют позицию, судя по тому, как уверенно они сформулированы, — но вполне могут дополнить её деталями, которые не влезли в текстовые ответы на заданные нами вопросы.
Уравнение Беллмана (Bellman equation) — фундамент Reinforcement Learning
Что это и зачем нужна:
Это «библия» и одновременно «приговор» для Reinforcement Learning (RL) в трейдинге. Уравнение описывает, как агент должен выбирать действие в текущем состоянии, чтобы максимизировать долгосрочную награду. Именно эта формула лежит в основе всех попыток научить нейросеть «самостоятельно торговать», о которых говорит Тихон Павлов.
Расшифровка переменных:
● V(s) — ценность текущего состояния рынка (ожидаемая долгосрочная прибыль).
● max_a — выбор действия (покупка, продажа, удержание), которое максимизирует награду.
● R(s,a) — мгновенная награда (прибыль/убыток от сделки прямо сейчас).
● γ (гамма) — фактор дисконтирования (насколько будущее важнее настоящего).
● P(s'|s,a) — вероятность перехода рынка из текущего состояния в будущее состояние после вашего действия.
● V(s') — ценность будущего состояния.
Смысл:
Эта формула — математическое обоснование тезиса Тихона: «RL можно научить управлять автомобилем, потому что правила там стационарны. Но RL крайне трудно научить на рыночных данных, где правила постоянно плывут». Вся суть проблемы кроется в слагаемом P(s'|s,a). В игре (шахматы, вождение) правила перехода из состояния в состояние неизменны. В финансах матрица переходов нестационарна: то, что работало вчера, завтра может привести к маржин-коллу. Уравнение Беллмана требует стабильной среды, а рынок — это хаос. Именно поэтому RL в трейдинге чаще всего превращается в «динамический оверфиттинг» и красивый тупик, о котором предупреждают кванты.
Где AI всё-таки может сработать
Было бы нечестно оставить только критику — Тихон отдельно называет область, где идея RL концептуально корректна, даже если реализация пока хромает:
Что это и зачем нужна:
Это «библия» и одновременно «приговор» для Reinforcement Learning (RL) в трейдинге. Уравнение описывает, как агент должен выбирать действие в текущем состоянии, чтобы максимизировать долгосрочную награду. Именно эта формула лежит в основе всех попыток научить нейросеть «самостоятельно торговать», о которых говорит Тихон Павлов.
Расшифровка переменных:
● V(s) — ценность текущего состояния рынка (ожидаемая долгосрочная прибыль).
● max_a — выбор действия (покупка, продажа, удержание), которое максимизирует награду.
● R(s,a) — мгновенная награда (прибыль/убыток от сделки прямо сейчас).
● γ (гамма) — фактор дисконтирования (насколько будущее важнее настоящего).
● P(s'|s,a) — вероятность перехода рынка из текущего состояния в будущее состояние после вашего действия.
● V(s') — ценность будущего состояния.
Смысл:
Эта формула — математическое обоснование тезиса Тихона: «RL можно научить управлять автомобилем, потому что правила там стационарны. Но RL крайне трудно научить на рыночных данных, где правила постоянно плывут». Вся суть проблемы кроется в слагаемом P(s'|s,a). В игре (шахматы, вождение) правила перехода из состояния в состояние неизменны. В финансах матрица переходов нестационарна: то, что работало вчера, завтра может привести к маржин-коллу. Уравнение Беллмана требует стабильной среды, а рынок — это хаос. Именно поэтому RL в трейдинге чаще всего превращается в «динамический оверфиттинг» и красивый тупик, о котором предупреждают кванты.
Где AI всё-таки может сработать
Было бы нечестно оставить только критику — Тихон отдельно называет область, где идея RL концептуально корректна, даже если реализация пока хромает:
«Я говорил именно про RL в контексте торговли — чтобы модель самостоятельно принимала решения. Но я бы рассматривал RL скорее в плоскости execution. Например, задача: купить миллион акций. Вопрос — как разбить этот ордер на сто частей и в течение часа отправить их так, чтобы минимизировать market impact и максимизировать вероятность исполнения по хорошей цене».
Но даже здесь он честно признаёт границы: «Мои знакомые кванты крутили подобные задачи — по их словам, у них даже такую задачу не удалось нормально решить. Хотя, может, они просто что-то не докрутили. Это действительно похоже на корректно поставленную задачу — просто с оговоркой, что здесь отдельная сложность в том, как корректно построить обучение модели, не подвергая риску живые деньги».
Разница между «AI не работает» и «AI работает не так, как продают» — это разница между хайпом и инженерией. Задача выбора, куда направить сто частей крупного ордера, куда более узкая, решаемая, а главное — дешевле, чем задача «предскажи движение цены и заработай».
Ближайшее мероприятие
9 октября 2026 года в Москве пройдёт конференция «Биржевой Алгоритм — 2026».
Подробности и регистрация: algoclub.pro/mainevent
Ошибка, которая ломает модель ещё до запуска
Есть и более приземлённая проблема, которая топит AI-проекты задолго до вопроса о стационарности рынка. Тихон формулирует её как классическую болевую точку новичков в машинном обучении:
Ближайшее мероприятие
9 октября 2026 года в Москве пройдёт конференция «Биржевой Алгоритм — 2026».
- 2 зала
- 40 спикеров
- дегустация вин
Подробности и регистрация: algoclub.pro/mainevent
Ошибка, которая ломает модель ещё до запуска
Есть и более приземлённая проблема, которая топит AI-проекты задолго до вопроса о стационарности рынка. Тихон формулирует её как классическую болевую точку новичков в машинном обучении:
«Прямо классическая ошибка, которую я наблюдаю неоднократно у людей, только начинающих работать с машинным обучением. Они не понимают, например, как правильно делать нормализацию или стандартизацию данных. Нам нужно правильно разбить выборку на обучающую, валидационную и тестовую — и очень хотелось бы делать именно walk-forward тестирование».
Проблема конкретна: «Я вижу эту ошибку в коде мгновенно — когда нормализация или стандартизация идут перед разделением на выборки. Мы таким образом обучаем модель на данных, которые уже подготовлены, заглянув в будущее. Неочевидный момент, но ошибка очень характерная. Нормализацию нужно делать исключительно после разбивки на выборки — чтобы избежать даже таких косвенных утечек данных».
То есть даже если рынок был бы идеально стационарным и RL действительно можно было бы обучить без проблем — модель всё равно может провалиться в продакшене просто потому, что её кормили данными, которые уже содержали информацию из будущего на этапе подготовки. Это не концептуальный, а чисто инженерный провал — и он встречается чаще, чем хотелось бы думать.
Быстрый взгляд: как изменилось восприятие AI в трейдинге за 10 лет
Быстрый взгляд: как изменилось восприятие AI в трейдинге за 10 лет
Правила входа: как не купить «AI-трейдинг» и не потерять деньги
1. Сначала определите задачу, а потом инструмент. AI — это не магическая палочка. Он может помочь в сборе данных, автоматизации или определении режима рынка. Но если вы пытаетесь заставить нейросеть предсказывать цену — готовьтесь к разочарованию. Помощник и автопилот — это разные уровни риска.
2. Помните: RL учится на стационарных правилах. Рынок — не стационарен. Reinforcement Learning хорошо работает в играх (шахматы, го) и управлении автомобилем, потому что правила там не меняются. Рынок меняет правила каждый день. Именно поэтому 99,9% RL-реализаций в трейдинге — это «красивый тупик». Если вам продают RL-стратегию — спросите, как они решают проблему нестационарности.
3. Проверяйте нормализацию данных до запуска. Классическая ошибка новичков: нормализация или стандартизация делается до разделения выборки на train/validation/test. Это приводит к утечке данных из будущего. Модель на истории показывает невероятные результаты — а в продакшене сливает всё. Нормализация — только после разбивки.
4. Не верьте историям про «нейросеть, которая зарабатывает миллионы». Если кто-то рассказывает вам про друга, который создал сверхприбыльную стратегию на AI — уточните, на каком рынке. Чаще всего это работает на Polymarket (рынок прогнозов, где события дискретны), а не на биржевых инструментах. Это принципиально разные задачи.
5. Рассматривайте AI для execution, а не для предсказания цены. Задача «как разбить крупный ордер на 100 частей и минимизировать проскальзывание» — это корректная постановка для RL. Задача «предскажи, куда пойдёт цена через минуту» — некорректная. Разница между ними — как между инженерией и магией.
Часто задаваемые вопросы
1. Почему AI не работает в трейдинге? Работает, но не так, как вы думаете.
Большинство провалов происходит не из-за слабости моделей, а из-за того, что их пытаются применить к задаче, для которой они физически не подходят. Рынок — нестационарная среда. AI не генерирует истину из ниоткуда — он лишь обновляет ваши предположения на основе новых данных. Если фундаментальной идеи под моделью нет, вы получите красивый оверфиттинг.
2. Что такое Reinforcement Learning и почему это «красивый тупик»?
Это метод обучения агента на основе наград и штрафов. В стационарных средах (шахматы, вождение) он работает. В трейдинге — нет, потому что правила игры постоянно меняются. Можно попытаться переучивать модель прямо во время торговли, но тогда вы рискуете живыми деньгами, пока модель учится. Стоимость таких экспериментов становится непозволительной.
3. Где AI всё-таки может сработать в трейдинге?
В двух местах. Первое — execution: как разбить крупный ордер на части, чтобы минимизировать проскальзывание. Это корректная, узкая задача. Второе — определение режима рынка (тренд, флэт, высокая волатильность). Нейросети могут быть чуть лучше эконометрических моделей в этом. Но не ждите, что они будут торговать за вас.
4. Что такое ошибка нормализации и почему она убивает модели?
Это когда вы делаете нормализацию (масштабирование) данных до того, как разделили их на обучающую и тестовую выборки. В этом случае статистика для нормализации вычисляется с учётом будущих данных. Модель на истории показывает идеальные результаты, но в продакшене валится. Это самая частая техническая ошибка у новичков в ML.
5. Почему Reinforcement Learning не помогает даже в execution?
Потому что даже в этой задаче сложность в том, как построить обучение, не подвергая риску живые деньги. Некоторые кванты пробовали — и даже эту задачу не удалось решить нормально. Хотя концептуально она корректна, реализация упирается в те же проблемы: нестабильность рынка и риск переобучения.
6. А истории про «нейросеть, которая зарабатывает миллионы» — это правда?
Чаще всего это работает на рынках прогнозов (например, Polymarket), а не на бирже. Там события дискретны (например, «выиграет ли Трамп выборы»), и AI действительно может давать точные прогнозы. Но это совсем другая задача, чем предсказание движения цены на бирже. Не путайте и не дайте себя обмануть.
7. Есть ли перспективы у AI в трейдинге в ближайшие годы?
Да, но не в виде «автопилота». Перспектива — в улучшении инфраструктуры (сбор и очистка данных, мониторинг аномалий), в определении рыночных режимов и в задачах оптимального исполнения. А вот попытки заменить трейдера нейросетью будут продолжаться и дальше проваливаться. Это не вопрос «когда технология созреет» — это вопрос фундаментальной нестационарности рынка.
TOTAL
AI и ML в трейдинге — это не единая технология с единым вердиктом «работает» или «не работает». Это набор разных инструментов под разные задачи. Большинство провалов происходит не из-за слабости самих моделей, а из-за того, что их пытаются применить к задаче, для которой они физически не подходят.
Прежде чем вам продадут «AI-трейдинг» как чёрный ящик, задайте три вопроса.
Первый: для чего именно вы используете нейросеть? Для определения режима рынка — это одно. Для самостоятельного принятия решений о входе и выходе — совсем другое. Помощник и автопилот — это разные уровни риска.
Второй: стационарна ли задача? RL хорошо учится там, где правила игры не меняются. Рынок меняет правила постоянно. Именно поэтому большинство RL-реализаций не доживают до продакшена.
Третий: кто отвечает за ошибки модели, если она дообучается прямо во время торговли живыми деньгами? Если вы не ответили на этот вопрос до запуска — вы ответите на него после, когда счёт будет равен нулю.
Ваш AI-трейдер не глуп и не гениален. Он ровно настолько хорош, насколько корректно поставлена задача. А это, в отличие от самой нейросети, целиком зависит от человека.
Ближайшее мероприятие 9 октября 2026 года. Конференция "Биржевой алгоритм - 2026". Прикладные знания и авторитетные мнения. Мы соберем экспертов в управлении активами и алгоритмическом трейдинге. Подробности на странице мероприятия (http://algoclub.pro/mainevent)
Статья создана «Биржевым Алгоритмом». Копирование без ссылки на источник — нарушение авторских прав. Мы это отслеживаем и преследуем. Даже если вы думаете, что никто не заметит.
1. Сначала определите задачу, а потом инструмент. AI — это не магическая палочка. Он может помочь в сборе данных, автоматизации или определении режима рынка. Но если вы пытаетесь заставить нейросеть предсказывать цену — готовьтесь к разочарованию. Помощник и автопилот — это разные уровни риска.
2. Помните: RL учится на стационарных правилах. Рынок — не стационарен. Reinforcement Learning хорошо работает в играх (шахматы, го) и управлении автомобилем, потому что правила там не меняются. Рынок меняет правила каждый день. Именно поэтому 99,9% RL-реализаций в трейдинге — это «красивый тупик». Если вам продают RL-стратегию — спросите, как они решают проблему нестационарности.
3. Проверяйте нормализацию данных до запуска. Классическая ошибка новичков: нормализация или стандартизация делается до разделения выборки на train/validation/test. Это приводит к утечке данных из будущего. Модель на истории показывает невероятные результаты — а в продакшене сливает всё. Нормализация — только после разбивки.
4. Не верьте историям про «нейросеть, которая зарабатывает миллионы». Если кто-то рассказывает вам про друга, который создал сверхприбыльную стратегию на AI — уточните, на каком рынке. Чаще всего это работает на Polymarket (рынок прогнозов, где события дискретны), а не на биржевых инструментах. Это принципиально разные задачи.
5. Рассматривайте AI для execution, а не для предсказания цены. Задача «как разбить крупный ордер на 100 частей и минимизировать проскальзывание» — это корректная постановка для RL. Задача «предскажи, куда пойдёт цена через минуту» — некорректная. Разница между ними — как между инженерией и магией.
Часто задаваемые вопросы
1. Почему AI не работает в трейдинге? Работает, но не так, как вы думаете.
Большинство провалов происходит не из-за слабости моделей, а из-за того, что их пытаются применить к задаче, для которой они физически не подходят. Рынок — нестационарная среда. AI не генерирует истину из ниоткуда — он лишь обновляет ваши предположения на основе новых данных. Если фундаментальной идеи под моделью нет, вы получите красивый оверфиттинг.
2. Что такое Reinforcement Learning и почему это «красивый тупик»?
Это метод обучения агента на основе наград и штрафов. В стационарных средах (шахматы, вождение) он работает. В трейдинге — нет, потому что правила игры постоянно меняются. Можно попытаться переучивать модель прямо во время торговли, но тогда вы рискуете живыми деньгами, пока модель учится. Стоимость таких экспериментов становится непозволительной.
3. Где AI всё-таки может сработать в трейдинге?
В двух местах. Первое — execution: как разбить крупный ордер на части, чтобы минимизировать проскальзывание. Это корректная, узкая задача. Второе — определение режима рынка (тренд, флэт, высокая волатильность). Нейросети могут быть чуть лучше эконометрических моделей в этом. Но не ждите, что они будут торговать за вас.
4. Что такое ошибка нормализации и почему она убивает модели?
Это когда вы делаете нормализацию (масштабирование) данных до того, как разделили их на обучающую и тестовую выборки. В этом случае статистика для нормализации вычисляется с учётом будущих данных. Модель на истории показывает идеальные результаты, но в продакшене валится. Это самая частая техническая ошибка у новичков в ML.
5. Почему Reinforcement Learning не помогает даже в execution?
Потому что даже в этой задаче сложность в том, как построить обучение, не подвергая риску живые деньги. Некоторые кванты пробовали — и даже эту задачу не удалось решить нормально. Хотя концептуально она корректна, реализация упирается в те же проблемы: нестабильность рынка и риск переобучения.
6. А истории про «нейросеть, которая зарабатывает миллионы» — это правда?
Чаще всего это работает на рынках прогнозов (например, Polymarket), а не на бирже. Там события дискретны (например, «выиграет ли Трамп выборы»), и AI действительно может давать точные прогнозы. Но это совсем другая задача, чем предсказание движения цены на бирже. Не путайте и не дайте себя обмануть.
7. Есть ли перспективы у AI в трейдинге в ближайшие годы?
Да, но не в виде «автопилота». Перспектива — в улучшении инфраструктуры (сбор и очистка данных, мониторинг аномалий), в определении рыночных режимов и в задачах оптимального исполнения. А вот попытки заменить трейдера нейросетью будут продолжаться и дальше проваливаться. Это не вопрос «когда технология созреет» — это вопрос фундаментальной нестационарности рынка.
TOTAL
AI и ML в трейдинге — это не единая технология с единым вердиктом «работает» или «не работает». Это набор разных инструментов под разные задачи. Большинство провалов происходит не из-за слабости самих моделей, а из-за того, что их пытаются применить к задаче, для которой они физически не подходят.
Прежде чем вам продадут «AI-трейдинг» как чёрный ящик, задайте три вопроса.
Первый: для чего именно вы используете нейросеть? Для определения режима рынка — это одно. Для самостоятельного принятия решений о входе и выходе — совсем другое. Помощник и автопилот — это разные уровни риска.
Второй: стационарна ли задача? RL хорошо учится там, где правила игры не меняются. Рынок меняет правила постоянно. Именно поэтому большинство RL-реализаций не доживают до продакшена.
Третий: кто отвечает за ошибки модели, если она дообучается прямо во время торговли живыми деньгами? Если вы не ответили на этот вопрос до запуска — вы ответите на него после, когда счёт будет равен нулю.
Ваш AI-трейдер не глуп и не гениален. Он ровно настолько хорош, насколько корректно поставлена задача. А это, в отличие от самой нейросети, целиком зависит от человека.
Ближайшее мероприятие 9 октября 2026 года. Конференция "Биржевой алгоритм - 2026". Прикладные знания и авторитетные мнения. Мы соберем экспертов в управлении активами и алгоритмическом трейдинге. Подробности на странице мероприятия (http://algoclub.pro/mainevent)
Статья создана «Биржевым Алгоритмом». Копирование без ссылки на источник — нарушение авторских прав. Мы это отслеживаем и преследуем. Даже если вы думаете, что никто не заметит.