ИИ-агенты для трейдинга: что умеют и где ломаются

За последний год связка «языковая модель плюс инструменты» дошла до финансовых рынков: появились фреймворки, где ИИ-агент¹ сам читает новости, запрашивает котировки через API брокера, считает индикаторы и формулирует сделку. Среди публичных проектов — открытый мультиагентный фреймворк TradingAgents (выложен на GitHub в 2024 году), библиотеки на базе LangChain и AutoGen, а также закрытые продукты вроде аналитических ассистентов внутри терминалов. Общий принцип один: модель не просто отвечает на вопрос, а выполняет цепочку действий с реальными данными. Проблема в том, что рынок наказывает за ошибку деньгами, а галлюцинация в цифре стоит дороже, чем в реферате.

Что именно делает торговый агент

Разберём на уровне действий, а не маркетинга. Типичный агентный пайплайн для анализа рынка состоит из нескольких ролей, каждая из которых — отдельный вызов модели с доступом к своим инструментам:

• Сбор данных. Агент дергает API котировок, ленты новостей, отчётности эмитентов, иногда — соцсети и форумы.
• Технический анализ. Считает индикаторы (RSI, скользящие средние, объёмы) — как правило, не сама модель в уме, а вызванный ею код на Python.
• Фундаментальный и новостной анализ. Модель суммирует отчётность и оценивает тональность новостей.
• Синтез решения. Отдельный агент-«трейдер» сводит сигналы в рекомендацию: покупать, продавать, держать.
• Риск-контроль. Роль-«менеджер риска» проверяет размер позиции, стоп-лоссы, лимиты.

Ключевое отличие от классического алготрейдинга: раньше логику сделки писал человек в виде жёсткого кода, теперь часть решений принимает вероятностная модель на естественном языке. Это гибче — и одновременно менее предсказуемо.

Языковая модель не знает цену акции. Она знает, как выглядит текст про цену акции. Всё, что похоже на аналитику, на деле — пересказ обучающих данных, если агенту не подать свежие цифры через инструмент.

Три подхода: чем они отличаются

На практике сегодня конкурируют три способа применить ИИ к рынку. Сводим их различия в таблицу — по тому, кто принимает решение и где границы автономности.

Важный нюанс: LLM-агент чаще всего не заменяет два первых подхода, а надстраивается над ними. Модель формулирует гипотезу и объясняет её человеку, а исполнение и жёсткий риск-контроль по-прежнему остаются на детерминированном коде. Полностью автономная торговля на деньги, где решение до конца принимает языковая модель, — это пока эксперимент, а не индустриальный стандарт.

Почему бэктест агента — отдельная головная боль

Классическую стратегию можно прогнать по десяти годам истории и увидеть доходность. С LLM-агентом сложнее сразу по нескольким причинам. Во-первых, модели обучены на данных до определённой даты — прогоняя агента по «истории», вы рискуете, что он уже знает исход событий (эффект утечки будущего). Во-вторых, ответы модели недетерминированы: один и тот же промпт при ненулевой температуре даёт разные сделки. В-третьих, вызовы API стоят денег, и полноценный бэктест на тысячах дней превращается в ощутимый счёт за токены.

Кому это пригодится, а кому нет

Здесь важна честность по сценариям, а не обещание «пассивного дохода».

Скорее пригодится

• Аналитику, который хочет ускорить рутину. Агент за минуты собирает отчётность и суммирует новостной фон по десятку эмитентов — а решение вы принимаете сами.
• Разработчику финтех-продукта. Как слой объяснения: показать пользователю, почему сработал сигнал, человеческим языком.
• Исследователю и студенту. Учебный полигон, чтобы понять, как связываются данные, индикаторы и решение — на бумажном счёте, без реальных денег.

Скорее навредит

• Новичку, который хочет отдать деньги «умному боту». Автономный агент на реальном депозите без риск-лимитов — быстрый способ потерять капитал на первой же галлюцинации в цифре.
• Высокочастотной торговле. Ответ LLM занимает секунды, а иногда десятки секунд — там, где решает миллисекунда, языковая модель проигрывает по определению.
• Тем, кто доверяет громким цифрам доходности из демо. Многие впечатляющие результаты получены на исторических данных, которые модель могла видеть при обучении.

Сколько это стоит и что учесть

Прямой ценник у агентных систем складывается из двух частей: подписки на модель (или оплаты по токенам через API) и доступа к рыночным данным. Тарифы у провайдеров моделей меняются каждые несколько месяцев, поэтому актуальную цену за миллион токенов сверяйте на официальных страницах OpenAI, Anthropic или Google — фиксировать её здесь как вечную истину смысла нет. Отдельно платными могут быть качественные исторические данные и котировки в реальном времени: биржевые фиды часто дороже самой модели.

Практический совет: любую агентную стратегию начинают на бумажном счёте (paper trading) и держат там достаточно долго, чтобы увидеть поведение в разных режимах рынка, а не только на растущем тренде. Жёсткие лимиты на размер позиции и стоп-лоссы должны жить в коде, а не в промпте — модель можно уговорить их нарушить, детерминированную проверку нельзя.

¹ ИИ-агент — языковая модель, которой дан доступ к внешним инструментам (API, поиск, запуск кода) и цель. В отличие от чат-бота, агент не просто отвечает, а выполняет последовательность действий для достижения цели, сам решая, какой инструмент вызвать на каждом шаге.