Несколько месяцев назад я писал об эксперименте, в котором исследователи из ФРБ Сан-Франциско попросили ChatGPT спрогнозировать инфляцию, и результаты у них оказались плачевными. Как только исследователи попытались спрогнозировать инфляцию за пределами обучающего окна, модель дала сбой, что указывает на то, что даже если вы изолируете свою модель, обучающие данные, использованные для модели изначально, просачиваются наружу и дают прогнозы, которые выглядят намного лучше при тестировании на исторических данных, чем при применении к реальным рынкам.
Теперь группа китайских исследователей использовала передовые торговые агенты на основе ИИ, чтобы оценить, существует ли аналогичная проблема при разработке торговых стратегий. Они запросили 5 методов на основе LLM и ограничили их работу на платформе GTP-4o таким образом, чтобы крайний срок обучения был известен как октябрь 2023 г. Затем они попросили эти 5 торговых LLM торговать акциями компаний, входящих в индекс Nasdaq 100, в течение второго и третьего кварталов 2021 г (т.е. бэктест, который находится в пределах обучающего окна GPT-4o) и третьего и четвёртого кварталов 2024 г (тест после закрытия обучающего окна).
В оба периода доходность индекса Nasdaq 100 была очень схожей и составляла около 13,5%, однако общая доходность торговых моделей LLM резко изменилась. В ходе тестирования на исторических данных модели показали общую доходность от 30% до 44%, значительно превзойдя индекс. Однако если бы тем же моделям было предложено торговать в конце 2024 г, когда обучающие данные уже не могли бы помочь, даже если бы они случайно попали в задачу, общая доходность упала бы до 9-22%.
Торговые агенты, применяемые в периоды до и после обучения.
Источник: Ли и др. (2025)
Затем исследователи предлагали способ решения проблемы, который требует от участников программы LLM разработать собственную торговую стратегию, но не только протестировать её на исторических данных, но и применить к фактическим сценариям. По сути, насколько я понимаю, это сводится к старому доброму моделированию Монте-Карло (с несколькими дополнительными функциями) для тестирования торговой стратегии в искусственной среде, которая не входила в обучающие данные для участников программы LLM.
Если стратегия работает на исторических данных и в актуальной среде, у неё больше шансов быть прибыльной в реальных условиях. Согласно результатам этого исследования (которые ограничены пятью акциями и биткоином, а не полным индексом Nasdaq 100), это очень помогает. Удачи!!!
На рынке всегда много интересного, а лучшие мои посты, рецензии на книги, актуальные графики и сделки всегда найдёте в телеграм-канале: "Тихий Трейдер" Разберём всё по полочкам. Welcome!!!
%2B%2B05_12_2014.jpg)
Комментариев нет:
Отправить комментарий