Tantoryn AI

Представьте обычную ситуацию. Команда два года разрабатывала AI-проект и приходит к инвестору за финансированием. В презентации всё выглядит убедительно: вот ранняя версия продукта, вот результаты исследований, вот модель, которую обучили несколько месяцев назад, вот принятые тогда решения, вот результаты тестирования. Есть GitHub. Есть документы. Есть графики. Есть файлы с датами. Но инвестор задаёт простой вопрос: «Как я могу убедиться, что всё это действительно существовало тогда, а не было собрано вчера?» И внезапно оказывается, что ответить на него гораздо сложнее, чем кажется...

В разговорах об искусственном интеллекте для финансов внимание почти всегда достаётся модели. Transformer или LSTM? Foundation model или специализированная архитектура? Сколько параметров, признаков и слоёв? Но для исследовательской системы есть вопрос важнее: доказала ли сложная модель, что она вообще лучше простой альтернативы? Это кажется очевидным. На практике именно здесь проходит одна из границ между эффектной демонстрацией и исследованием, которому можно доверять. Финансовые временные ряды отличаются от многих классических задач машинного обучения...

Когда торговую AI-модель показывают публике, обычно демонстрируют её лучший результат: красивую кривую капитала, высокий Sharpe Ratio или сильную ML-метрику. Проблема в том, что современная модель — особенно нейросеть или reinforcement learning — не всегда выдаёт один и тот же результат даже при одинаковой архитектуре и одинаковых данных. Причина проста: само обучение содержит случайность. Начальная инициализация параметров, порядок обработки данных, стохастическая оптимизация и другие детали могут привести два формально одинаковых обучения к разным моделям...

Когда говорят об искусственном интеллекте в трейдинге, качество модели часто сводят к одной цифре: accuracy, ROC-AUC или другой привычной метрике. Кажется логичным: если модель лучше предсказывает рынок, значит она должна лучше торговать. Но на практике это не всегда так. Между хорошим прогнозом и полезным торговым решением находится несколько важных проверок. Если хотя бы одна из них нарушена, красивая статистика может оказаться обманчивой. Представим две модели. Первая чаще правильно угадывает направление движения цены...

Представьте, что мы хотим проверить, смог бы торговый ИИ принять правильное решение 15 марта 2023 года. Мы даём ему исторические цены, объёмы, экономические показатели и другие данные за тот период. На первый взгляд всё честно: будущее не показываем. Но есть скрытая проблема. Некоторые данные, которые сегодня относятся к марту 2023 года, в самом марте ещё не были известны рынку. Например, показатель мог относиться к марту, но быть опубликован только в апреле. Или его первоначальное значение позже могли пересмотреть и исправить...