ИИ-агенты в трейдинге: от автоматизации к автономному интеллекту

ИИ-агенты в трейдинге (или AI Agents) – это один из главных трендов 2025–2026 года.

Что же это такое – ИИ-агенты? Если совсем упростить, то это компьютерные программы, которые могут анализировать данные, учиться на своих ошибках и принимать решения. В отличие от старых торговых ботов, которые просто следуют заранее заданным инструкциям, ИИ-агенты могут «понимать» рынок и адаптироваться к изменениям.

Крупные централизованные биржи (OKX, Binance, Bybit, Coinbase, Kraken и др.) уже внедрили поддержку ИИ-агентов. Независимые стартапы и проекты (например, фреймворк TradingAgents, HKUDS AI-Trader, Spectral Labs Syntax и др.) предлагают открытые и коммерческие решения на основе алгоритмов глубокого обучения, RL и LLM для анализа рынка и генерации торговых сигналов.

На протяжении многих лет автоматизация торговли основывалась на принципе «если – то». Традиционные торговые боты подключались к биржам через API и следовали строго заданной логике: при достижении определенной цены или значения индикатора совершалось конкретное действие (например, «если RSI < 30 – покупай»). Однако такая архитектура обладает жестким пределом адаптивности – бот не может понять, почему движется рынок, и скорректировать стратегию без ручного вмешательства.

Современный этап развития знаменуется переходом от алгоритмической торговли (AT) к агентной торговле (AGT). Как отмечается в исследовании Open-Finance-Lab, если традиционный алгоритм собран из линейной последовательности модулей (данные → сигнал → портфель → исполнение), то агентный подход переосмысливает этот процесс как экосистему взаимодействующих автономных агентов.

Простыми словами, ИИ-агент «думает» как трейдер: анализирует новости, ончейн-данные, настроения в соцсетях, фундаментальные показатели, управляет рисками и учится на своих ошибках.

Если выразиться кратко, то ключевое различие между традиционными торговыми ботами и ИИ-агентами следующее:

Существует три основных класса ИИ-агентов в трейдинге: независимые (стартапы и open-source проекты, торгующие на разных платформах), биржевые/брокерские (интегрированные решения от торговых площадок и брокеров) и гибридные (например, системы, агрегирующие несколько агентов).

Технические архитектуры различаются от простых LLM-чатов до многоуровневых агентов: так, проект TradingAgents (Tauric Research) разворачивает цепочку специализированных агентов (технический аналитик, фундаментальный аналитик, аналитик новостей и настроений, трейдер и риск-менеджер).

Независимые ИИ-агенты. Это самостоятельные платформы и инструменты, разработанные стартапами, исследовательскими группами или сообществами разработчиков. Они могут работать на любых доступных рынках (акции, криптовалюта, фьючерсы, Forex и др.) через публичные API.

Примеры независимых ИИ-агентов: открытые фреймворки и боты на основе RL и LLM (например, TradingAgents от Tauric Research, AI-Traderv2/AI-Trader от HKUDS), коммерческие SaaS-платформы и приложения. Алгоритмы варьируются от классических алгоритмических стратегий до гибридных схем с LLM и обучением с подкреплением (RL). Независимые решения часто предоставляются как open-source (под лицензиями MIT, Apache и пр.) или по модели SaaS-лицензии.

Интегрированные биржевые/брокерские агенты. Крупные биржи и брокеры внедряют поддержку ИИ-агентов во внутреннюю инфраструктуру. Это позволяет трейдерам запускать ботов непосредственно на бирже с доступом к рыночным данным и ордерам. Такие инструменты обычно предоставляются бесплатно или по подписке для клиентов площадки.

Примеры: OKX Agent Trade Kit (открытый комплект API для запуска агентов на базе OKX, поддерживает спотовую и бессрочную торговлю, условные ордера, демо‑режим и локальное хранение ключей), Binance AI Agent Skills (набор «навыков» для получения котировок, выставления заявок на разных рынках Binance), Bybit AI Hub (интерфейс чат-бота для торговли по текстовым запросам), Coinbase AgentKit/Agentic Wallets (инструменты для автономных агентных кошельков и ончейн-операций) и Kraken CLI (консольный инструмент для разработчиков с поддержкой потоковых данных и локального paper-trading).

Все эти инициативы направлены на упрощение разработки ботов и повышение безопасности (например, локальное хранение API-ключей, автоматическое отключение системы, демо-среда).

Многоагентные системы. Отдельную категорию составляют архитектуры, в которых множество специализированных агентов действуют совместно.

Пример – фреймворк TradingAgents (Tauric Research). Он разбивает процесс торговли на этапы: несколько аналитических агентов анализируют фундаментальные данные, новости, социальный сентимент и технические индикаторы; затем группа «исследователей» (быки/медведи) обсуждает альтернативные сценарии; далее трейдер-агент принимает решение о сделках, а команды риск-менеджмента и портфельных менеджеров оценивают риск и одобряют заявки.

В таком подходе LLM-агенты выполняют роль разных «специалистов», а их взаимодействие (переговоры, дебаты) приближает систему к процессам реального торгового отдела.

На сегодняшний день многоагентные системы по большей части исследовательские.

Технические решения для ИИ-агентов достаточно разнообразны.

Популярный подход – обучение с подкреплением (reinforcement learning, RL). ИИ-агент обучается трейдингу на исторических данных, максимизируя награду (например, прибыль или коэффициент Шарпа).

В одном исследовании гибридная модель RL показала более высокий коэффициент Шарпа (показатель эффективности инвестиций с учетом риска) по сравнению с одиночными алгоритмами.

Большие языковые модели (LLM) применяются для анализа новостей и рыночных сигналов, генерации торговых идей и адаптации стратегий на естественном языке. При этом текущий тренд – использовать LLM как компонент аналитики или UI, а не как полностью автономного трейдера.

Другими словами, LLM чаще выступают аналитическими модулями в гибридных моделях, совмещающих ИИ, алготрейдинг и человеческий контроль. Полностью автономные LLM-агенты пока редкость из-за проблем с интерпретируемостью и надежностью.

Смешанные модели (LLM + RL – обучение с подкреплением и ручной корректировкой результатов) исследуются в работах типа Trading-R1 (Tauric Research), где добавление LLM-мышления в стратегию на основе RL улучшило скорректированную на риск доходность и снизило просадку.

Классические алгоритмические стратегии (стратегии с использованием технических индикаторов, стратегии скальпинга, market-making и пр.) по-прежнему широко применяются и нередко интегрируются с ИИ-компонентами для адаптации или генерации параметров.

Мнения трейдеров об ИИ-агентах различны.

В профессиональных кругах часто звучит скепсис: многие считают текущие решения больше маркетинговым хайпом, нежели полной заменой трейдера. Как писал один эксперт на Хабре: «90% кейсов для ИИ-агентов можно реализовать обычными алгоритмами… А «внедрить ИИ-агента» – это способ навесить модный ярлык на существующий хаос».

Другой типичный комментарий «Красивые слова, но нет никаких доказательств. Это банальный системный промпт внутри ChatGPT» отражает сомнения сообщества в эффективности сложных систем без прозрачных результатов.

Большинство ИТ-специалистов пока используют LLM как вспомогательный инструмент для анализа новостей и данных (генерации идей, скриптов), но не доверяют ему полностью автономное принятие решений.

К слову, то, что предлагают российские банки и брокеры, по большому счету является ИИ-агентом, который собирает новости, проводит анализ отчетности компаний и делает бэктест самых простых торговых стратегий.

На рынке ИИ-агентов для трейдинга попадаются и мошеннические схемы. Наш анализ отзывов трейдеров выявил распространённые шаблоны обмана.

Так, одна пользовательница описала схемы «быстрой прибыли» через Telegram-канал: после небольшой инвестиции ей обещали удвоение за 15 минут, а затем потребовали оплатить «комиссию сети» (причём в рублях, что невозможно в системе Bybit).

В реальности это классическая схема выманивания денег: никакого вывода средств не происходит. Анализ проверочных сайтов показал, что у подобных «ботов» более 99% внешних отзывов – отрицательные. Формально положительные отзывы часто публикуются в закрытых каналах самими создателями, выглядят фальшиво и не имеют никаких подтверждений.

Типичные признаки мошенничества: анонимность создателей, обещание сверхдоходности, требование предоплаты за «вывод средств», отсутствие публичной статистики.

Стоит отметить наличие положительных откликов на биржевые системы.

Так, пользователи отмечают удобство облачных платформ, которые не требуют настройки собственного сервера. Например, клиенты OKX хвалят открытость Agent Trade Kit и возможность создания своих ботов без лишних сложностей. В трейдерских чатах иногда встречаются истории об удачном применении простых ботов (например, на основе известных стратегий), но часто без упоминания конкретных ИИ-моделей.

Хороший ИИ-агент выполняет следующие действия как линейно, так и нелинейно, перепроверяя себя и оценивая ситуацию под разными углами:

Доверять или не доверять ИИ-агентам в трейдинге – личный выбор каждого. В следующих статьях мы расскажем об ИИ-агентах на популярных криптобиржах, а также познакомимся с некоторыми сервисами для создания ИИ-агентов.