ИИ в трейдинге — инструмент, а не панацея

Искусственный интеллект кардинально изменил финансовые рынки, предлагая как беспрецедентные возможности, так и новые вызовы.

Для среднесрочных трейдеров (криптовалюты и акции), которые вручную анализируют графики и не очень глубоко разбираются в фундаментальном анализе, ИИ уже стал мощным помощником в принятии торговых решений. При этом многие трейдеры забывают, что ИИ вроде ChatGPT или DeepSeek не может заменить человеческий опыт и интуицию. Особенно опасно об этом забывать трейдерам, торгующим сверхкраткосрочно (скальпинг или свинг-трейдинг).

Как бы там ни было, ИИ в трейдинге применяют как признанные гиганты рынка, так и простые screen-трейдеры, т.е. мы с вами. Конкуренция за разработку, внедрение и постоянную адаптацию ИИ-алгоритмов – колоссальная.

В этой статье мы расскажем о том, какую роль играет ИИ в трейдинге. После прочтения статьи станет понятно, насколько необходим ИИ-ассистент именно вам, а также какую реальную прибыль приносят ИИ-помощники.

В настоящее время OpenAI (разработчик ChatGPT) набирает бывших аналитиков из JPMorgan, Morgan Stanley и Goldman Sachs. У них одна задача – за 150$/час обучать ИИ-модели разбираться в финансах. Для этого специалисты пишут запросы для ИИ (готовят промпты) и учат алгоритмы оценивать инвестиции, работать с финансовыми показателями и считать реальную стоимость компаний.

150$/час = 1200$/8-часовой рабочий день = более 25000$/месяц = более 300 000$ в год. Это очень хорошая зарплата по любым меркам. Именно поэтому многие высококлассные специалисты с Уолл-стрит без колебаний переходят в ИИ-индустрию.

Этот тренд показывает, что ИИ начинает выполнять работу, которую раньше делали инвестиционные банкиры. И обходится это дешевле. Похоже, что OpenAI готовится как продавать своих финансовых ИИ-советников, так и проводить торговые операции на сотни миллионов и миллиарды долларов.

В то же время ведущие банки и инвестфонды обучают свои ИИ-модели тому же, привлекая лучших программистов. Вот несколько самых известных примеров.

BlackRock использует свою платформу Aladdin ("Asset, Liability, Debt and Derivative Investment Network") как центральный мозг для управления рисками, анализа данных и генерации идей. Ключевая особенность – акцент на управлении рисками и оптимизации гигантских, часто пассивных, портфелей, а не на спекулятивном трейдинге.

Vanguard применяет ИИ и большие массивы данных в основном для двух целей: улучшения пассивных стратегий (например, оптимизация ребалансировки портфелей) и создания более умных и персонализированных советников для клиентов.

Если говорить об ИИ для краткосрочных и сверхкраткосрочных спекуляций, то признанный лидер здесь Renaissance Technologies, владеющая фондом Medallion. Этот фонд один из самых известных и успешных в финансовом мире. В нем используются сложные математические модели, статистический арбитраж и машинное обучение для поиска краткосрочных неэффективностей на рынках.

В этом же контексте упомянем DE Shaw & Co., основанный Дэвидом Шоу – пионером в области вычислительных финансов. Фонд известен своими стратегиями статистического арбитража и высокочастотными системами.

Вот несколько примеров применения ИИ специально для screen-traders — то есть для трейдеров, которые анализируют графики вручную, но хотят использовать искусственный интеллект в качестве помощника, а не полностью автоматического трейдера. Такого рода ассистенты подходят в том числе и для сверхкраткосрочной торговли.

ИИ сканирует сотни инструментов и автоматически отмечает графические фигуры: флаги, треугольники, головы и плечи, двойные вершины. Также такой ИИ-помощник находит уровни поддержки/сопротивления, трендовые линии, зоны ликвидности.

В качестве примера можно привести модель типа CNN, которая обучена анализировать изображения графиков. Она выдает список активов с «чистыми» паттернами для ручного анализа. Трейдер открывает только эти графики, экономя часы рутинного поиска.

Модуль sentiment analysis показывает прямо на графике индикатор новостного фона и краткое резюме последних твитов или статей по активу. Например, при торговле NASDAQ экран показывает: Sentiment +0.72 → новостной фон позитивный (рост вероятен). Таким образом, трейдер видит контекст, не отвлекаясь на новости.

ИИ анализирует локальные экстремумы, объёмы и волатильность, чтобы подсветить потенциальные зоны для входа/выхода. В качестве примера можно привести модель на основе XGBoost и volume profile, которая оценивает вероятность отскока от уровня. Трейдер решает, что ему делать: открывать новую контртрендовую сделку или закрывать прибыльную позицию, открытую ранее.

Screen-trader может получать аналитику, основанную на потоках ордеров и поведении розничных трейдеров. Алгоритм показывает, где сосредоточены стоп-лоссы, а также предупреждает о возможных «short squeeze» или «stop hunt» сценариях, что позволяет трейдеру избежать ловушек толпы.

Трейдер говорит: “Покажи последние сигналы по EUR/USD” или “Отметь ближайший уровень объёма”. ИИ (через ChatGPT API или Copilot) мгновенно обновляет экран и делает разметку.

Модуль статистики анализирует сделки трейдера:

В обзоре исследовательской литературы выявлено, что ИИ-подходы показывают лучшие результаты, чем классические методы прогнозирования цен.

Например, платформа Tickeron сообщает, что её «AI Trading Agent» зафиксировал до ~90% выигрышных сделок и показал годовую доходность ~100% на определённой выборке активов. Другой кейс: аналитика платформы AlgosOne показывает, что средний коэффициент выигрыша (win-rate) ИИ-ботов составляет около 60-80% сделок, тогда как у screen-трейдеров ~40-55%.

Но в этих оптимистичных данных заложен скрытый конфликт интересов, т.к. платформы продвигают свои ИИ-модели среди трейдеров. Кроме того, независимые исследования показывают, что простейшая стратегия без применения сложного ИИ иногда превосходит плохо обученные ИИ-модели. Также реальные пользовательские данные для ИИ-ботов (особенно для ритейл-трейдеров) показывают винрейт ~55-65%, что меньше, чем обещают маркетинговые материалы.

Дополнительно в копилку: недавно ChatGPT5 потерял более 65% на бирже от доверенных ему 10 000 долларов, Gemini 2.5 PRO потерял 55%, Claude Sonnet 4.5 – «похудел» на скромные 16,5%, а Grok 4 болтался около нуля. В то же время DeepSeek 3.1 добавил 9,6%, а QWEN3 Max принес уверенные 7,3%.

Удивительным образом в этом эксперименте китайцы обошли американцев, что невольно наводит на мысль о некоторой предвзятости исследователей, хотя эти подозрения могут быть и беспочвенными.

ИИ — мощный инструмент в трейдинге. Он эффективен в руках опытных специалистов, которые разбираются как в финансах, так и в машинном обучении. И всегда получается так, что эти лучшие специалисты – разные люди, работающие в одной команде, которой платит зарплату крупный инвест-фонд или разработчик ИИ-модели. Первые переманивают к себе программистов, а вторые –финансистов.

Выигрыши в ~50-60%, на которые реально можно рассчитывать при применении ИИ, вполне устраивают крупные компании, при условии соблюдения жесткого риск-менеджмента.

Что касается screen-трейдеров, т.е. нас с вами, то мы всегда должны помнить, что ИИ – далеко не волшебная палочка. Если исходить из винрейта ~50-65%, то такой процент прибыльных сделок зачастую может не устроить нас по одной причине: высокая вероятность нарушения риск-менеджмента.

Именно поэтому одной из самых успешных практик для современного скрин-трейдера является не просто использование одного ИИ-ассистента, а создание собственного «виртуального совета директоров» из различных моделей, где каждая играет свою экспертную роль. Этот подход, который можно назвать «ансамблем ИИ-моделей», позволяет нивелировать слабые стороны одних систем сильными сторонами других.

Иван Русин
Tlap.io