Торговые агенты на базе ИИ: проверка на реальном рынке

Автор: Денис Аветисян

Новая платформа для оценки эффективности искусственного интеллекта в управлении портфелем в условиях динамичного финансового рынка.

"Покупай на слухах, продавай на новостях". А потом сиди с акциями никому не известной биотех-компании. Здесь мы про скучный, но рабочий фундаментал.

Бесплатный Телеграм канал

Рынки, такие как фондовый рынок США (на примере AAPL) и Polymarket (с контрактом на лидерство OpenAI в области ИИ к 2025 году), демонстрируют общую реакцию на новостной фон и исторические тенденции, однако Polymarket характеризуется более резкими колебаниями, высокой скоростью отклика и повышенной чувствительностью к внешним сигналам, что отражает его динамичную природу и охват различных доменов – от технологий и финансов до криптовалют, производства и политики.

Исследование представляет LiveTradeBench – среду для тестирования агентов, основанных на больших языковых моделях, в реальных торговых операциях, выявляя их ограничения и необходимость разработки более адаптивных стратегий.

Несмотря на впечатляющие результаты больших языковых моделей (LLM) в различных бенчмарках, их способность к принятию решений в условиях реальной неопределенности остается недостаточно изученной. В данной работе, ‘LiveTradeBench: Seeking Real-World Alpha with Large Language Models’, представлена среда LiveTradeBench – динамичная платформа для оценки LLM-агентов в задачах управления портфелем на многоагентных финансовых рынках. Результаты исследований показали, что высокие показатели в стандартных бенчмарках не гарантируют успешной торговли в реальном времени, выявляя разрыв между статичной оценкой и динамической компетентностью. Сможем ли мы создать более адекватные бенчмарки, способные выявить истинный потенциал LLM в условиях постоянно меняющейся рыночной среды?

Традиционные подходы против реальности рынка

Традиционное управление активами, основанное на исторических данных и экспертных оценках, часто не успевает за динамичными рыночными условиями. Этот подход демонстрирует ограниченную эффективность в периоды волатильности. Растущая сложность требует адаптивных и интеллектуальных стратегий, автоматизации и оптимизации для повышения доходности.

Агенты в LiveTradeBench оперируют в пространстве наблюдений, включающем их позицию, рыночные цены и новостной контекст, и принимают решения об изменении портфеля, которые могут быть немедленно реализованы в виде торговых операций.

Современные бенчмарки LLM слабо коррелируют с торговой производительностью (0.054 на фондовом рынке, -0.38 на Polymarket), что говорит о том, что общие языковые способности не гарантируют успеха в торговле. Все эти «прорывные» алгоритмы рано или поздно превратятся в технический долг.

LLM-агенты: новый взгляд на автоматизированную торговлю

Агенты на основе больших языковых моделей (LLM) – это новый подход к автоматизированной торговле, использующий возможности рассуждения для принятия инвестиционных решений. В отличие от традиционных систем, LLM-агенты способны обрабатывать неструктурированные данные и адаптироваться к меняющимся условиям.

Эффективность этих агентов зависит от использования фреймворков, таких как ReAct, позволяющих генерировать последовательные цепочки рассуждений и преобразовывать их в торговые операции. ReAct позволяет агентам анализировать результаты действий и улучшать свою стратегию.

Агентам необходим доступ к данным, включая исторические данные о ценах и сигналы из новостных источников, для выявления закономерностей, предсказания цен и оптимизации стратегий.

Рейтинг моделей больших языковых моделей (LLM) определяется прибыльностью, отраженной на странице Leaderboard.

LiveTradeBench: реалистичная оценка в динамичной среде

LiveTradeBench – это живая, многорыночная среда, включающая симуляции фондового рынка и рынка предсказаний, предназначенная для строгой оценки агентов. Среда выходит за рамки простых симуляций за счет включения реальных рыночных сложностей, таких как транзакционные издержки, обеспечивая более реалистичную оценку.

Агенты используют денежные активы для совершения сделок. Оценка проводится по ключевым показателям: кумулятивная доходность, коэффициент Шарпа и максимальная просадка. В ходе экспериментов наблюдался широкий диапазон производительности: кумулятивная доходность варьировалась от отрицательных значений до 50% за 50 дней, а коэффициент Шарпа составлял 0.5-0.8 на фондовом рынке и 0.3-0.6 на Polymarket.

Анализ поведения моделей на рынке ценных бумаг США выявил, что большинство моделей увеличили долю денежных средств в портфеле во время резкого падения рынка 10 октября, при этом лучшие модели, такие как Gemini-2.5-Pro, демонстрировали более адекватную реакцию по сравнению с худшими, такими как DeepSeek-V3.1.

Перспективы и неизбежность технического долга

Оценка LLM-агентов в реалистичной среде, такой как LiveTradeBench, открывает потенциал для полностью автоматизированных и адаптивных торговых стратегий. Этот подход позволяет протестировать агентов в условиях, приближенных к реальным колебаниям рынка.

Понимание того, как агенты реагируют на волатильность и управляют рисками (измеряемое коэффициентом Шарпа), имеет решающее значение для создания надежных систем. Оценка устойчивости к непредсказуемым событиям и способности к восстановлению после убытков – ключевой фактор.

Карточка модели Polymarket предоставляет детальную информацию о текущем и историческом распределении активов, прибыли, а также входных и выходных данных большой языковой модели.

Будущие исследования будут сосредоточены на совершенствовании архитектур агентов и изучении новых источников данных для повышения производительности. Особое внимание будет уделено интеграции данных из неструктурированных источников, таких как новостные ленты, для улучшения способности к прогнозированию рыночных тенденций. В конечном счете, все эти инновации – лишь временное облегчение симптомов, ведь рано или поздно любой алгоритм столкнется с непредвиденным сценарием.

Исследование LiveTradeBench демонстрирует, что современные LLM-агенты, несмотря на кажущуюся сложность, испытывают трудности в адаптации к динамичным финансовым рынкам. Подобные системы быстро деградируют, сталкиваясь с реальным, а не симулированным давлением. Как верно подметил Томас Гоббс: “Оптимизм — это путь к разочарованию”. Эта фраза находит отклик в контексте данной работы: попытки создания идеального торгового агента неизбежно сталкиваются с непредсказуемостью рынка, превращая первоначальный энтузиазм в осознание технических ограничений. Бесконечная гонка за “альфой” часто оборачивается созданием сложных систем, которые в итоге лишь увеличивают операционные издержки и риски.

Что дальше?

Представленная работа, как и большинство, выявляет не столько достижения, сколько границы применимости. LiveTradeBench, безусловно, полезный инструмент для выявления недостатков, но не стоит обольщаться: каждая «самовосстанавливающаяся» система просто ещё не столкнулась с достаточно изощрённым сценарием. Очевидно, что текущие LLM-агенты в динамичной среде финансовых рынков демонстрируют ограниченность, что неудивительно. Рынок всегда найдёт способ сломать элегантную теорию, и в этом его незыблемая красота.

В перспективе, вероятно, потребуется отказ от идеи создания универсального агента. Вместо этого, фокус сместится на разработку узкоспециализированных модулей, способных адаптироваться к конкретным микро-рынкам и типам активов. Документация к этим модулям, конечно, будет представлять собой форму коллективного самообмана, но это неизбежно.

И, напоследок, стоит помнить: если ошибка воспроизводится – значит, у нас стабильная система. А стабильность на финансовых рынках – это, пожалуй, самое ценное, чего можно добиться. Остальное – лишь иллюзия контроля.

Оригинал статьи: https://arxiv.org/pdf/2511.03628.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2025-11-06 12:03