Август на китайском рынке акций выглядел как яркий всплеск — индексы на многолетних максимумax, объёмы торгов рекордные, и многим показалось, что начался устойчивый бычий цикл.
Однако одна деталь заставила участников рынка призадуматься: те самые большие модели и «AI‑штуки», о которых говорили последние два‑три года, массово не увидели этот взлёт и в большинстве случаев дали неверные или пустые сигналы. Почему так произошло и что на самом деле могут (и чего не могут) дать модели — разберёмся.
Коротко о симптомах проблемы
- Популярные «модели для трейдинга» и K‑line предсказатели (например, локальные хайпы вроде Kronos) не сработали в реальном торге: хорошие бэктесты не подтвердились в live‑режиме.
- BloombergGPT и многие внутренние квант‑системы тоже не предсказали волну — часть профессиональных инструментов оказалась «молчунья».
- В результате массового разочарования тренд «AI‑заработок на акциях» из хайпа превратился в фрустрацию: пользователи потеряли деньги, разработчики получили шквал критики.
Корень проблемы: рынок — не детерминированная машина
Почему модели, которые успешно решают другие задачи, «падают» на рынке?
- Низкий сигнал‑to‑шум
Финансовые данные — это океан шума. Большая часть видимых паттернов — случайности. То, что выглядит закономерностью в истории, часто не выдерживает проверку в потоке реальных сделок. - Альфа устаревает (alpha decay)
Любая обнаруженная торговая «фишка» (альфа) быстро арбитражируется рынком: как только сигнал замечают, он перестаёт работать. Чем проще и прозрачнее паттерн — тем быстрее он умирает. - Данные — это история, а рынок живёт будущим
Модели учатся на прошлом; рынок реагирует на ожидания и новые, неожиданные события. Историческая корреляция не равна причинно‑следственной связи для завтрашних цен. - Самореференция рынка
Торговые стратегии изменяют рынок, на котором они оперируют. Массовое использование одной и той же модели или сигнала меняет поведение цены и разрушает исходную условность. - Переобучение и overfitting
Хорошие бэктесты часто — результат подбора параметров под исторические данные. В реале эти «подстроенные» правила оказываются неустойчивы.
Что AI делает хорошо в финансах
Отказ от иллюзий не означает отказ от технологий. Большие модели остаются полезными в практических, менее «пророческих» задачах:
- Автоматизация рутинного анализа: структурирование финансовых отчётов, выделение ключевых моментов в обзорах и новостях.
- Ускорение исследований: генерация кода для бэктестов, очистка данных, построение пайплайнов (примерно то, что делают LangChain, AutoGPT, n8n‑фреймворки).
- Сканирование и ранжирование информации: мониторинг новостей, тональности, регуляторных публикаций и соцмедиасигналов.
- Помощь в прототипировании стратегий: быстрое создание и тестирование идей, чтобы человеческий аналитик сосредоточился на концептуальной части.
- «Внешний мозг» для аналитика: формирование гипотез, верификация, подготовка материалов для принятия решений.
Именно на этих ролях BloombergGPT и подобные инструменты показывают свою реальную ценность — не как магический генератор прибыли, а как ускоритель и ассистент исследовательской работы.
Практический вывод: как использовать AI в финансах сейчас
- Не ставьте модель в роль «черного ящика», дающего торговые сигналы без объяснений. Рассматривайте её как инструмент для подготовки и проверки гипотез.
- Фокусируйтесь на тех задачах, где AI повышает скорость и качество человеческого труда: сбор данных, написание и проверка кода, автоматизация рутинных операций.
- Оценивайте стратегии не только по бэктестам, но и по устойчивости сигнала к изменению рынка и реакции других участников (stress‑testing, walk‑forward, честные out‑of‑sample проверки).
- Сохраняйте дисциплину управления капиталом: даже лучшие идеи требуют риск‑менеджмента и человеческой проверки.
- Учитесь понимать, когда рынок действует по логике людей (поведенческие эффекты) — это то, где человеческое чутьё и понимание психологии участников часто важнее чистой вычислительной силы.
Итог
Большие модели показали впечатляющие способности в решениях с чёткой статистикой и высокой плотностью сигналов — переводах, генерации текста, кодировании. Рынок — иная стихия: он любезно предоставляет термины и данные, но не щедро делится предсказуемыми закономерностями. AI в финансах полезен, но это инструмент исследования и автоматизации, а не «волшебный тройник» для легкой прибыли. Те, кто понимают ограничения моделей и умеют сочетать их с человеческим суждением, риск‑менеджментом и тактическим мышлением, сохранят преимущество.