Будущее · 9 мин
Когда большая часть потока — боты: что реально меняется
Интересный вопрос не в том, захватят ли ИИ-боты крипторынок. Вопрос в том, что станет с вашим преимуществом, когда оно появится у всех остальных.
Блог
Куда движется автоматизированная торговля, что меняется, когда решения принимает модель, и какая часть этого уже реальность.
Интересный вопрос не в том, захватят ли ИИ-боты крипторынок. Вопрос в том, что станет с вашим преимуществом, когда оно появится у всех остальных.
Не «спросить у модели, что покупать». Работающая ML-стратегия — это конвейер данных, решение о разметке, честная валидация и фильтр по матожиданию. Модель здесь — наименьшая часть.
Когда большинство участников гоняет похожие модели на похожих данных, они перестают быть независимыми. Эта корреляция невидима в норме и решающа в плохих условиях.
LLM отлично превращает неструктурированный текст в структуру и ужасно справляется с ролью того, кто решает отправить ордер. Это разные работы.
У любого преимущества есть период полураспада. Изменилось то, что инструменты для поиска и копирования подешевели, — значит период стал короче, и планировать это надо заранее.
Глубокое обучение доминирует там, где огромные данные и высокое отношение сигнал/шум. Предсказание рынка противоположно и тому и другому — поэтому бустинг на ручных признаках продолжает выигрывать.
Стратегии редко ломаются громко. Они деградируют, и кривая эквити — последнее место, где это становится очевидным. Заметить раньше — задача мониторинга с известным решением.
RL — самый запрашиваемый и реже всего доводимый до конца подход в частном квантовом трейдинге. Затык не в алгоритме, а в том, что нужный ему симулятор построить нельзя.
Все хотят, чтобы ИИ решал, что покупать. Более ценное и менее рискованное применение — чтобы он решал, когда остановиться.
Объяснимость в трейдинге — не этическое требование. Это то, что определяет, сможет ли человек принять верное решение о системе в четыре часа ночи.
Больше истории не сгенерировать. Сгенерировать можно правдоподобную альтернативную историю — и она отлично находит хрупкость и ужасно находит преимущество.
Усреднение снижает дисперсию, если ошибки не скоррелированы. На рыночных данных они обычно скоррелированы — поэтому большинство торговых ансамблей это одна модель с лишней задержкой.
Мы пишем о том, что строим. Если нужно построить — напишите, разбор бесплатный.