«Момент iPhone» машинного обучения в криптовалютах приближается по мере того, как ИИ-агенты начинают торговать на рынке

Торговля с использованием искусственного интеллекта еще не достигла «момента iPhone», когда у каждого в кармане будет алгоритмический портфельный менеджер с усиленным обучением, но эксперты утверждают, что нечто подобное уже близко.

На самом деле, мощь искусственного интеллекта сталкивается с серьезным вызовом в динамической, конкурентной среде торговых рынков. В отличие от агента ИИ, обученного на бесконечных циклах данных автономных автомобилей для точного распознавания дорожных сигналов, никакое количество данных и моделей никогда не сможет предсказать будущее.

Это делает процесс совершенствования моделей ИИ для торговли сложным и требовательным. Традиционно мерой успеха служило оценивание прибыли и убытков (P&L). Однако достижения в области настройки алгоритмов приводят к созданию агентов, которые постоянно учатся балансировать между риском и вознаграждением при столкновении с множеством рыночных условий.

Позволяя использовать показатели с учетом рисков, такие как Коэффициент Шарпа для информирования процесса обучения увеличивает сложность теста, сообщил Майкл Сена, директор по маркетингу в Recall Labs, компания, которая провела около 20 арен для торговли с использованием искусственного интеллекта, где сообщество представляет торговых агентов на базе ИИ, и эти агенты соревнуются в течение четырёх-пяти дней.

«Когда речь заходит о поиске альфы на рынке, следующее поколение разработчиков исследует настройку и специализацию алгоритмов, учитывая предпочтения пользователей», — сказал Сена в интервью. «Оптимизация под определенное соотношение, а не просто сырой P&L, более характерна для работы ведущих финансовых институтов на традиционных рынках. Поэтому важно рассматривать такие показатели, как максимальная просадка и насколько велик был ваш риск, чтобы получить этот P&L?»

Делая шаг назад, недавнее торговое соревнование на децентрализованной бирже Hyperliquid, включающее несколько крупных языковых моделей (LLM), таких как GPT-5, DeepSeek и Gemini Pro, фактически установило ориентир для понимания текущего состояния ИИ в торговом мире. Всем этим LLM был предоставлен один и тот же запрос, и они выполняли его автономно, принимая решения. Однако, по словам Сены, их эффективность была невысока — их результат едва превышал доходность рынка.

«Мы использовали модели искусственного интеллекта, применённые в конкурсе Hyperliquid, и предоставили участникам возможность представить собственных торговых агентов для соревнования с этими моделями. Мы хотели проверить, превосходят ли торговые агенты базовые модели благодаря дополнительной специализации», — отметил Сена.

Три первых места в конкурсе Recall заняли кастомизированные модели. «Некоторые модели были убыточными и показывали низкую эффективность, но стало очевидно, что специализированные торговые агенты, которые берут эти модели и применяют дополнительную логику, выводы, источники данных и прочие элементы поверх них, превосходят базовый ИИ», — сказал он.

Демократизация торговли на основе искусственного интеллекта вызывает интересные вопросы о том, останется ли вообще альфа, которую можно покрыть, если все будут использовать одинаковый уровень сложных технологий машинного обучения.

«Если все используют одного и того же агента, и этот агент выполняет одну и ту же стратегию для всех, не приведёт ли это к её саморазрушению?» — сказал Сена. «Не исчезает ли альфа, которую он выявляет, потому что пытается реализовать её в масштабах для всех остальных?»

Вот почему, по словам Сены, наилучшим образом воспользоваться преимуществами, которые в конечном итоге принесет торговля с помощью искусственного интеллекта, смогут те, кто располагает ресурсами для инвестиций в разработку специализированных инструментов. Как и в традиционных финансах, инструменты высочайшего качества, генерирующие наибольший альфу, как правило, не являются общедоступными, добавил он.

«Люди хотят сохранить эти инструменты как можно более приватными, потому что они стремятся защитить этот альфа-потенциал», — сказал Сена. «Они заплатили за это немало. Вы видели это на примере хедж-фондов, покупающих наборы данных. Вы можете наблюдать это и в случае с проприетарными алгоритмами, разработанными семейными офисами.»

«Я считаю, что идеальная золотая середина будет там, где существует продукт, являющийся менеджером портфеля, но при этом пользователь сохраняет определённое влияние на свою стратегию. Он может сказать: «Вот как я предпочитаю торговать и вот мои параметры, давайте реализуем нечто подобное, но сделаем это лучше.»»