Языковые модели в трейдинге: где помогают и где становятся обузой

Нас спрашивают: «может ли LLM торговать за меня». Ответ: может, плохо. И есть три места в торговой операции, где та же технология действительно полезна.

Почему не в пути принятия решения

Четыре свойства делают LLM плохим кандидатом на роль того, кто выпускает ордера:

• Недетерминированность. Один и тот же вход может дать разный выход. Бэктест недетерминированной функции решения не описывает то, что будет работать.
• Задержка в сотни миллисекунд. Нормально для отчёта, дисквалифицирующе для чего-либо, реагирующего на событие в стакане.
• Нет калиброванной уверенности. Модель выдаёт связный текст с одинаковой уверенностью, права она или нет. Расчёту объёма нужно число, которое что-то значит.
• Неограниченная поверхность входа. Если хоть часть входа приходит извне ваших систем — новостная лента, пост в соцсети — этот текст становится каналом инструкций в вашу торговую логику.

Где место действительно оправдано

1. Превращение текста в структуру. Вот настоящий сценарий. Дано объявление биржи — извлечь: инструмент, тип события, время вступления в силу, затронута ли торговля. На выходе типизированная запись, проверенная по схеме, которая дальше питает обычную детерминированную логику.

# Модель производит данные. Решают правила. Никогда не наоборот.
class VenueNotice(BaseModel):
    symbol: str
    kind: Literal["listing", "delisting", "maintenance", "param_change", "other"]
    effective_at: datetime
    halts_trading: bool

notice = extract(llm_output, VenueNotice)     # нарушение схемы -> отбросить, алерт
if notice.halts_trading and notice.symbol in universe:
    risk.blacklist(notice.symbol, until=notice.effective_at + timedelta(hours=2))

Обратите внимание, чего здесь нет: модели не разрешено решать торговать. Ей разрешено прочитать абзац и заполнить пять полей — задача, с которой она действительно справляется.

2. Инструменты исследования. Написать код признака, сгенерировать тестовые случаи, объяснить незнакомый API. Каждый вывод проверяет человек и валидируют тесты, так что цена ошибки — потерянное время, а не деньги.

3. Разбор эксплуатационных данных. Пересказ ночного лога, кластеризация паттернов ошибок, черновик записи об инциденте. Только чтение, вне горячего пути, и неверный ответ неловок, а не дорог.

Ловушка сентимента

«Оценивайте настроение криптотвиттера и торгуйте это» — самая запрашиваемая LLM-стратегия и одна из самых слабых. Проблемы накладываются:

1. Сентимент в значительной мере является функцией цены. Вы строите дорогой запаздывающий ценовой индикатор.
2. Текст состязателен. Люди пишут, чтобы двигать рынок, а стратегия, о которой известно, что она читает текст, — это стратегия, которую можно накормить.
3. Это скученно. Это пробовал каждый стол; какой сигнал был, тот в основном в цене.
4. Это плохо бэктестится в масштабе. Исторические социальные данные в нужном разрешении дороги и смещены выживаемостью.

Всё это не делает текст бесполезным. Это означает, что пригодная часть — структурированные проверяемые события: делистинг, остановка торгов, изменение параметров, — а не размытое настроение.

Если текст всё-таки нужен в цикле

Три ограничения делают это переносимым, и мы применяем все три:

• Вывод модели — типизированная запись, проверенная по схеме. Всё, что валидацию не прошло, отбрасывается, а не интерпретируется.
• Она может только снижать риск: занести монету в чёрный список, остановить торговлю, расширить стоп. Никогда — открывать позицию.
• Каждый вызов логируется вместе с входом, выходом и версией модели, чтобы плохое решение можно было восстановить.

При этих ограничениях LLM становится полезным датчиком. Без них это непроверяемый актор с доступом к вашим API-ключам, и никакое качество модели не делает такую архитектуру хорошей.