На конференции Perm Winter School '26, организованной классическим и техническим университетами Перми, собрались эксперты из финансовой, IT и экологической сфер. Мероприятие носило некоммерческий характер и стало площадкой для честного разговора о реальных возможностях искусственного интеллекта в трейдинге.
Ожидания: скормим график — получим прибыль
Многие верят, что ИИ может предсказывать рынок: достаточно подать на вход исторические данные, и модель начнёт генерировать прибыльные сигналы. Такой сценарий кажется логичным — ведь ИИ успешно справляется с распознаванием изображений, генерацией текста и обработкой речи.
Почему бы не применить те же технологии к фондовому рынку?
Реальность: рынок — это не задача распознавания
Один из докладчиков, Игорь Чечет, подчеркнул ключевое различие: в задачах компьютерного зрения или NLP у данных есть эталон. Буква «А» всегда выглядит одинаково, кошка остаётся кошкой. Но у будущей цены актива эталона нет.
Рынок — это:
- случайность;
- поведение людей;
- распределение капитала во времени.
Кроме того, он нестационарен: закономерности, работающие сегодня, завтра перестают действовать. Это делает классические подходы машинного обучения неэффективными.
Ключевая проблема — переобучение неизбежно
Когда модель находит паттерны на графике, чаще всего она просто подстраивается под шум или улавливает временный эффект. По словам спикеров, рынок — не белый шум, а процесс с тяжёлыми хвостами.
Это означает:
- редкие, но сильные движения;
- длительные тренды;
- асимметрию между прибылью и убытками.
Такие особенности мешают даже продвинутым ML-моделям давать устойчивый результат.
Проверка на практике: эксперимент с LLM
Один из докладчиков, Михаил Шардин, рассказал о своих экспериментах с использованием ИИ в трейдинге. В первом подходе он переводил котировки в текст — например, «рост с увеличением объёма» или «слабый импульс» — и подавал эти описания в модель DistilBERT.
Идея была в том, чтобы имитировать мышление аналитика. Результаты оказались чуть выше случайных: AUC около 0,53, в отдельных акциях — выше.
AUC (Area Under the Curve) — метрика, показывающая, насколько хорошо модель различает классы.
Но с практической точки зрения это не работает: комиссии и рыночный шум полностью съедают маленькое преимущество.
А что если использовать классический ML?
Во втором эксперименте была построена полноценная ML-система на основе CatBoost. В ней использовались:
- нормализация данных;
- лог-доходности;
- разметка по методу тройного барьера;
- walk-forward тестирование.
Результат: AUC 0,54–0,55 — формально лучше монетки, но недостаточно для покрытия издержек. На одних участках стратегия приносит прибыль, на других — теряет всё из-за смены рыночного режима.
Вывод: проблема не в модели. Ни LLM, ни классический ML не «ломаются» — они упираются в природу рынка, где сигнал слаб и теряется в шуме.
Самое неприятное: реальные деньги
На конференции обсуждались публичные платформы вроде Alpha Arena или Nof1.ai, где ИИ-модели торгуют на реальных деньгах. Там, где есть комиссии, проскальзывание и изменяющиеся условия, большинство стратегий быстро сходят к нулю или уходят в минус.
Виртуальная доходность не переходит в реальную прибыль.
Главный вывод: почему интуиция нас обманывает
Мы привыкли: много данных — значит, можно предсказать результат. Но рынок не подчиняется этой логике. Данные ≠ предсказуемость.
ИИ не справляется не потому, что технологии плохи, а потому что рынок по своей природе непредсказуем. Это не временная проблема — это фундаментальное ограничение.
Заменит ли ИИ трейдера? Эксперты на панельной дискуссии ответили трезво: нейросети возьмут на себя рутину и аналитику, но не принятие решений.
- Поддержка моделей требует ресурсов — автоматизация не всегда выгодна.
- Финансовую ответственность несёт человек, а не ИИ.
Так где же взять деньги частному трейдеру, если «кнопки бабло» не существует? Об этом — в следующей части.