Аркадия

За последние 3 месяца после первого касания с Claude code стало понятно как много пиздежа в твиттере. Каждый второй инфлюенсер выдает секретный промпт, который нагенерил ему сверхприбыльную стратегию на 200% годовых, 300к в наносек. На деле профит возможен только при понимании, что такое бэктесты и как правильно их писать, что такое рынок, какие игроки на нем присутствуют и тд и тп. Особенно это актуально в околофинансовой сфере, где люди выжимают каждый цент из инвестированного ими доллара. У меня в целом возникло ощущение, что если вы не будете валидировать нейронку и напихивать ей за каждую неверную строчку кода, то она напихает вашему депозиту, подгоняя желаемое под действительное уверяя вас, что стратегия с 4000% прибыли в месяц на тестовых данных это ок. Для себя я нашел 3 варианта использование ИИ: 1. Разбор статей по математике, крипте, финансах. 2. Сбор данных, их сортировка, написание тестов для стратегий + мониторинг возможностей на рынке 3. Написание различных программ, из недавнего я завайбкодил автомонтажер рилсов, сайт сантехники с парсером, арбитражного бота. Я с Клаудом поработал довольно много, придумав за это время несколько механизмов оптимизации его мозгов, например заставляю его правильно помнить инфу в каждом из проектах и делать компакт в нужное время. Если интересно, то пошумите, продолжу эту тему разгонять.

Защитил вчера курсовую 3-го курса на 10/10 Суть: строится процесс, который в каждый фиксированный момент времени неотличим от броуновского движения (распределение N(0, t)), но броуновским движением при этом не является - у него есть скачки. Что было сделано: взял сжатую статью Hamza–Klebaner (2006), структурировал весь текст вместе с реконструкцией большинства доказательств, для каждой используемой классической теоремы (Колмогоров, Леви–Хинчин, Ито, Келлерер) нашёл точную ссылку в учебнике и дал альтернативное доказательство существования такого процесса через теорему Келлерера. Где применяется: в финансах есть различные опционы. Один из видов - барьерные опционы. Их много подвидов, но ключевая особенность в том, что выплата происходит или не происходит в зависимости от того, пересекла ли цена заданный барьер али нет. В отличие от европейских опционов, их цену нельзя определить однозначно, так как она зависит не только от конечного распределения, но и от совместного. То есть два моделируемых процесса могут иметь одинаковые маргинальные распределения в любой фиксированный момент времени, однако сами процессы (как случайные функции) различаются - а значит, и цена барьерного опциона у них будет разной. Отдельное спасибо моему научному руководителю Колесникову Александру Викторовичу. Выше прикрепил файл самой курсовой + презу для защиты.

без подписи

без подписи

Мои недавние наработки для ускорения работы с ИИ: Древовидная структура Я держу файл, в котором кратко описан каждый из моих проектов, дабы Claude не терялся и сразу находил нужный при сбросе очередной сессии. Клод сам дописывает в этот файл новые проекты и удаляет старые. Внутри каждого проекта есть отдельный файл, в котором обычным списком хранятся последовательно все внесённые ключевые изменения и дата их принятия; также в данном файле лежат все важные ошибки, их исправления и возможные уязвимости, которые надо отдельно валидировать при внесении новых правок в код. Надзиратель агентов ЛЛМ-ки очень любят додумывать решения, особенно если это касается торговых алгоритмов. У них часто возникает проблема с округлениями, с расчётом цены, относительно которой надо ставить лонг/шорт, с пониманием, на каких данных надо обучаться, а какие игнорировать. Поэтому после каждого крупного изменения я люблю задавать такой промпт - "перечисли решения, принятые тобой лично, которых не было в исходном задании". Аудит ссылок Столкнулся с этим во время написания курсовой работы, когда нейросеть пересказывала статьи, которых на самом деле нет, при этом выдавая битые ссылки, которые никуда не вели. После этого у меня появился отдельный агент, который проверяет каждую ссылку на достоверность и уличает ложь. До создания папки с очередным проектом я беру лист бумаги и рисую для себя древовидную диаграмму, где схематично представляю тот результат, которого хочу добиться. На самом деле один только этот метод ускоряет работу на порядок - сильнее, чем любые секретные промпты или скрещивания субагентов. Поэтому в вайбкодинге, как и в трушном программировании руками, важно не то, с какой скоростью ты пишешь код, а то, представляешь ли ты само решение.

без подписи

Может ли ChatGPT торговать лучше человека? Нашёл свежий обзор исследований про LLM-агентов в трейдинге. Авторам конечно надо верить не на 100%, потому что косяки есть даже в тексте, но зерно правды в статье содержится. В paper разобраны системы, которые читают новости, отчётность и рыночные данные, а затем самостоятельно принимают торговые решения. Спойлер: идеи интересные, но отдавать GPT деньги пока рано. Все системы делятся на два типа. 1. LLM-трейдер Модель получает новости, цены и финансовые отчёты, после чего отвечает: купить, продать или держать. Более сложные агенты умеют: - запоминать предыдущие сделки; - анализировать собственные ошибки; - спорить с другими агентами; - корректировать стратегию через reinforcement learning. Например, один агент предлагает купить акцию, другой ищет причины этого не делать, а третий оценивает риски. 2. LLM как исследователь Более практичный вариант: модель не торгует напрямую, а ищет потенциальные источники альфы. Она может: - извлекать события из новостей; - анализировать отчёты компаний; - придумывать торговые факторы; - писать формулы сигналов; - объяснять неудачный бэктест; - предлагать следующую гипотезу. После этого идея проходит обычную количественную проверку и только потом попадает в торговую систему. На мой взгляд, именно здесь у LLM есть реальная ценность. Не «предскажи цену NVIDIA», а «преврати тысячу документов в структурированные признаки, которые можно проверить». На бэктестах некоторые LLM-агенты показывают годовую доходность на 15–30 процентных пунктов выше использованных базовых стратегий. Но есть несколько нюансов: - медианный период тестирования составляет всего 1,3 года; - даты бэктестов часто выбраны произвольно; - комиссии и проскальзывание обычно не учитываются; - тестируют в основном популярные акции вроде TSLA, MSFT и META; - полноценного forward- или live-тестирования почти нет; - результаты разных исследований нельзя напрямую сравнивать. И есть ещё одна фундаментальная проблема. Если современная GPT анализирует новость 2021 года, она потенциально уже знает, что произошло с компанией после этой новости. Будущее может находиться не в промпте, а в весах модели. Получается скрытый look-ahead bias: агент выглядит гениальным на исторических данных, потому что в некотором смысле уже видел ответы. Главный вывод LLM пока не выглядит доказанным автономным трейдером. Красивый бэктест ещё не означает наличия реальной альфы. Для себя я ИИ в финансах использую преимущественно для проверки своих гипотез и написания бэктестов, объединения несколько стратегий в одну, поиск новых статьей на примере заданных. Ознакомиться со статьей: https://arxiv.org/abs/2408.06361