Новые ИИ в трейдинге: AI-Trader и его результаты
Энтузиасты продолжают изучать применение искусственного интеллекта в трейдинге, и на этот раз внимание привлек новый открытый бенчмарк AI-Trader, который стартовал 1 октября. Он ориентирован на торговлю акциями из индекса Nasdaq-100, и несколько известных ИИ начали с условных вложений в $10,000. Для повышения точности моделей был предоставлен доступ к актуальным новостям. На данный момент лидерство удерживает DeepSeek v3.1 с показателем +16,46%, за ним следуют MiniMax-M2 (+12,03%) и западные модели GPT-5 (+9,98%) и Claude 3.7 Sonnet (+9,8%). Средний результат Qwen3-max составил +7,96%, в то время как Gemini-2.5-flash, несмотря на наибольшее количество сделок, показала лишь +0,48%. Эталонный вариант копирования структуры фонда QQQ дал +5,39%. Однако стоит учитывать, что эксперимент проходит в учебной среде, и его результаты могут быть искажены. Если разработчики улучшат методику, это позволит создать более надежный бенчмарк для оценки поведения ИИ на фондовом рынке.
Вопрос-ответ
Какие основные цели и особенности нового бенчмарка AI-Trader?
AI-Trader нацелен на торговлю акциями из Nasdaq-100 и предоставляет доступ к актуальным новостям для повышения точности моделей. В рамках тестирования несколько ИИ стартовали с условных вложений в $10,000, чтобы сравнить их способность извлекать прибыль в учебной среде. Лидерами на данный момент являются DeepSeek v3.1 (+16,46%), MiniMax-M2 (+12,03%), а также модели GPT-5 (+9,98%) и Claude 3.7 Sonnet (+9,8%).
Какие результаты показывают участники и как их интерпретировать?
Результаты показывают разброс доходности среди разных моделей: наиболее успешны DeepSeek v3.1 и MiniMax-M2, тогда как Gemini-2.5-flash достигла наибольшего числа сделок, но с низкой доходностью (+0,48%). В качестве эталона используется копирование структуры фонда QQQ (+5,39%). Средний показатель Qwen3-max составляет +7,96%. Важно помнить, что эксперимент проходит в учебной среде, и результаты могут быть искажены методикой или данными.
Какие риски и ограничения существуют у такого бенчмарка?
Основные риски включают искусственное завышение эффективности из-за учебной среды, возможное переобучение на слабых сигналах, а также влияние качества и скорости обработки новостей на результаты. В силу открытого и условного характера теста, результаты не гарантируют аналогичной эффективности в реальных рыночных условиях. При улучшении методики можно получить более надежный инструмент для оценки поведения ИИ на фондовом рынке.
Каковы практические выводы для разработчиков и инвесторов?
Разработчикам следует сосредоточиться на устойчивой методологии, учете риска и надёжной валидации, а также на интеграции актуальных новостных потоков и задержек. Инвесторам полезно рассматривать результаты как ориентир для сравнительного анализа разных моделей и стилей торговли, но с осторожностью относиться к их применимости в реальных условиях и к необходимости дополнительной проверки на реальном капитале.
