Делаем LLM-советника по акциям РФ как в Alfa Arena
Habr описывает шоу-эксперимент Alfa Arena: шесть LLM (Claude, GPT, Gemini и др.) торгуют на реальные $10 тыс. каждая, но автор призывает смотреть не на доходность, а на методику. Главный урок — LLM полезна как объясняющий советник, а не «тупой бот»: она обосновывает решение человеческим языком и работает лучше при строгой постановке задачи и полном контексте.
Практика: формировать промпт как «карту местности» — задать временной контекст, текущее состояние портфеля, цены и индикаторы (MACD, RSI, EMA, ATR, объёмы) на разных ТФ. Для РФ-рынка предлагается собирать данные через Algopack/МОЕХ (пример — moexalgo) и автоматически подставлять в шаблон промпта, чтобы получить объяснимую рекомендацию.
Ключевые принципы: 1) прозрачность рассуждений (chain-of-thought вывода модели), 2) отказ от импульсивных сделок — LLM как «второй фактор» перед покупкой/продажей, 3) встроенный риск-менеджер (правила объёма позиции, торговли по тренду и т.д.), 4) экспериментальный режим без реальных денег до выработки процедур. Итог — LLM-подход переносит фокус с угадывания рынка на дисциплину данных, формализацию решений и контроль рисков.
Читайте также
Как проверить бизнес-идею и сравнить варианты в NotebookLM: пошаговый гайд для предпринимателей- Что такое качественный антидетект-браузер и почему мы написали свой, когда рынок уже перегрет
- Как автор снизил стоимость обработки данных с помощью ИИ в 12 раз
Потребители стали реже искать конкретные бренды в интернете- Публичность или небытие: как ИИ меняет цену знания
- LLM-советник: роль и границы: LLM полезнее как объясняющий советник, а не автоторговый бот: она интерпретирует данные и аргументирует гипотезу, снижая импульсивные решения. Ключ — не «угадать рынок», а дисциплинировать процесс принятия решений через структурированный ввод и объяснимый вывод.
[продуктовый подход]
Зарегистрированные пользователи видят только два тезиса.
Зарегистрироваться