ИИ-агент для скоринга торговых рекомендаций
Коротко
- Высокий win rate не доказывает качество сигналов: для проверки нужна лента, сохранённая в момент публикации, до возможного удаления постов.
- ИИ извлекает торговое намерение даже из свободного текста, а MCP передаёт агенту не только сообщения, но и изображения из источника.
- Доходность, просадки, Sharpe ratio и Calmar ratio считает внешний движок, тогда как агенту оставляют только решения купить или продать.
- В сравнении автора Sonnet 5 при проверке чата каждые 15 минут работает около 20 дней, а Haiku 4.5 — около 40 дней.
- Риск-менеджмент вынесен в код: TP, SL и trailing take рассчитываются скриптом, поэтому слабая модель не управляет точным размером позиции.
Источник подключается через Model Context Protocol (MCP), который передаёт агенту текст и изображения, а команда /loop запускает повторную проверку по заданному интервалу. Агент знает состояние открытых позиций, текущий PnL, максимальную просадку и peak profit; ограничения вроде торговли только альткоинами и максимум трёх одновременных позиций задаются текстом. При этом исходную ленту нужно сохранять в момент публикации: по отредактированной истории нельзя понять, удалял ли автор неудачные сигналы задним числом.
Сам агент принимает по сути бинарное решение купить или продать, а расчёты выполняет backtest-kit. Движок отдельно считает просадки, Sharpe ratio и Calmar ratio, ведёт журнал по каждому тикеру, пересчитывает среднюю цену при докупке и выставляет TP/SL и trailing take по правилам скрипта с учётом текущей волатильности. Историю рекомендаций можно сохранить на диск и прогнать изолированно, без ожидания очередной итерации чата.
Для снижения расхода токенов автор предлагает выносить сводку по каналу в сабагента, чтобы изображения не попадали в общий контекст. В приведённом сравнении при опросе раз в 15 минут без такой оптимизации Fable 5 расходует доступный лимит примерно за 2 дня, Opus 5 работает около 8 дней, Sonnet 5 — около 20, Haiku 4.5 — около 40; архитектуру также можно запускать на локальных LLM через Ollama, подключая Claude Code через Anthropic-совместимый прокси.
FAQ
Зачем отделять решения ИИ-агента от расчёта доходности и риск-метрик, если модель сама способна провести бектест стратегии?
Чтобы снизить риск подгонки результата моделью. Агент решает, покупать или продавать, а PnL, просадки и коэффициенты эффективности считает независимый движок.
Как система проверяет автора сигналов, если рекомендации публикуются в свободной форме и могут быть удалены задним числом?
Лента сохраняется в момент публикации, а агент извлекает торговое намерение из исходного текста и изображений. Поэтому расчёт строится по зафиксированной истории, а не по её поздней версии.
Можно ли запустить такую схему без облачных моделей Anthropic и не передавать точные параметры риск-менеджмента самой LLM?
Да. Автор описывает запуск локальных моделей через Ollama, а вся арифметика позиций, TP/SL и trailing take остаётся в скрипте.
Читайте также
Универсальный AI-агент с поддержкой skills и практические сценарии- Двенадцать граблей Gmail API, которые я собрал, пока учил Claude отправлять почту
- Несколько LLM-агентов в одном Chrome: как изолировать вкладки и сохранить логины
- Когда, зачем и как правильно начинать новую сессию в Claude Code
- Gemini Spark теперь работает с вашими логинами в Chrome
- Фиксация исходных данных до их возможного изменения: Если нужно объективно оценивать публикации, рекомендации или другие изменяемые внешние данные, источник следует сохранять в момент обнаружения, а не анализировать только его текущее состояние. Такой снимок защищает аналитику от последующих удалений и редактирования и позволяет воспроизводимо проверять результаты.
[Сбор и хранение данных]
Зарегистрированные пользователи видят только два тезиса.
Зарегистрироваться
#Хабр
#Anthropic#AI-агенты#MCP#Agentic AI#LLM#local-llm#ollama#algorithmic-trading#claude-code#backtesting
Практический кейс автоматической проверки торговых рекомендаций: ИИ-агент фиксирует публикации, извлекает из свободного текста торговое намерение, а доходность и риск считает внешний движок. Так оценка не зависит ни от статистики самого автора сигналов, ни от способности LLM подгонять результат бектеста.