Это заняло буквально одну попытку. Я был потрясен.
Когда я в первый раз попробовал новую модель OpenAI o1 (“клубника”), я изначально не был впечатлён. В отличие от традиционных больших языковых моделей, где мы можем ожидать мгновенный ответ, новые модели OpenAI требуют больше времени для обработки и генерации ответов — процесс, который мы могли бы метафорически назвать “мышлением”. И это занимает вечность.
На самом деле, это заняло так много времени, что мне пришлось обновить код своего приложения, потому что я постоянно сталкивался с тайм-аутами во всём своём приложении. Я не знал, что новой нормой станет ожидание 5 минут перед получением ответа.
Но это “мышление” того стоит. Потому что я создал алгоритмическую торговую стратегию, которая значительно превосходит рынок.
И я сделал это случайно… с первой попытки. Я шокирован.
Как я создал алгоритмическую торговую стратегию с помощью LLM
Сначала давайте поговорим о том, как я создал алгоритмическую торговую стратегию с использованием Strawberry.
Я разработал свою платформу алгоритмической торговли NexusTrade, чтобы она работала с любыми крупными языковыми моделями. Хотя бэкенд позволяет работать с Gemini, открытыми моделями, такими как Llama, и другими LLM, в настоящее время фронтенд поддерживает только модели OpenAI и Anthropic.
Работа системы представляет собой многоступенчатый процесс.
- Отправить запрос: Сообщение от пользователя отправляется на сервер
- Классифицировать запрос: Из списка подсказок, таких как “Подсказка для скрининга акций”, “Подсказка для создания портфолио” и “Подсказка для анализа фондов”, модель определяет наиболее подходящую подсказку для обработки запроса.
- Постобработка ответа: В зависимости от запроса мы будем выполнять дополнительные действия. Например, с запросом “AI Stock Screener Prompt” мы сгенерируем SQL-запрос, а затем на этапе постобработки выполним его в базе данных.
Когда модель интерпретирует намерение пользователя создать торговые стратегии, она создает “цепочку запросов”.
Сначала мы создаем структуру портфолио, включая его название, начальную стоимость и описание стратегий.
Затем, исходя из описания стратегий, мы создаем план стратегии. Это включает в себя название стратегии, действие («купить» или «продать»), актив, который мы хотим купить, сумму (например, 10% от вашей покупательной способности или 100 акций) и описание того, когда мы хотим выполнить действие.
Наконец, мы повторяем этот процесс для условий и преобразуем описание в условие, которое может быть интерпретировано функциями бэктестирования и торговли в реальном времени платформы NexusTrade.
Этот процесс позволяет нам создавать портфели с использованием ИИ.
Теперь, до появления моделей OpenAI, ИИ был весьма буквальным. Он создавал то, что вы просили, но не очень хорошо генерировал собственные идеи. Полная ответственность за формулирование желаемого и итерацию своей идеи лежала на пользователе.
Вот почему я был шокирован, когда увидел, как эта новая модель создала ОЧЕНЬ прибыльную торговую стратегию с первого раза.
Разница в “мышлении” при разработке алгоритмических торговых стратегий
Чтобы показать, насколько это безумно, я воспользуюсь абсолютно одинаковыми подсказками для создания двух портфелей. Первый портфель будет создан с помощью GPT-4. Второй портфель будет создан с помощью GPT-o1-mini. Между подсказками, которые я использую для создания этих портфелей, нет никакой разницы.
Чтобы создать портфель, я зашел в AI Chat и сказал следующее:
- Я: Создайте портфель под названием Omni с начальной стоимостью $10,000.
- Аврора: Какую стратегию вы бы хотели реализовать в своем портфеле под названием “Omni”? Например, вы можете указать условия для покупки или продажи конкретной акции или криптовалюты.
- Я: Я хочу стратегию пересечения скользящих средних (SMA) по TQQQ. Я хочу стратегию фиксации прибыли, но без стоп-лоссов — я оптимистично настроен по поводу технологий на длительный срок и не хочу, чтобы меня выбивало по стоп-лоссу. Я также хочу распределить свои покупки и не заходить в полную позицию сразу
Вот мое первое портфолио, которое я создал с помощью GPT-4.
Как мы видим, это… не очень хорошо. Процентная доходность гораздо хуже, чем у SPY, скорректированная по риску доходность также намного хуже, и было совершено огромное количество сделок (что в реальной жизни имеет налоговые последствия, что дополнительно снижает ваши фактические реализованные прибыли).
В отличие от этого, вот портфель, который я создал с помощью новой модели “клубника”.
Выдающееся портфолио, созданное с помощью GPT-o1
Процесс создания этого портфолио абсолютно такой же. Единственное отличие между этими двумя запросами заключается в том, что я использовал более сильную модель.
Результаты, однако, просто выдающиеся.
Этот портфель настолько лучше, что в это почти невозможно поверить. Эта стратегия превосходит рынок практически во всех вообразимых аспектах.
- Процентное изменение в 3 раза превышает результат вложений в SPY, составив 268%
- Коэффициент Шарпа значительно выше и составляет 0,71 по сравнению с 0,51
- Максимальная просадка составляет 37%, по сравнению с 34% при вложении в SPY
- Но, средняя просадка почему-то меньше — 4,35%, по сравнению со средней просадкой при вложении в SPY, которая составляет почти 7%
Это… просто вау. Это не только значительно более прибыльно, но и почему-то менее рискованно? Это удивительно.
Более глубокое обсуждение этих результатов
После того, как я впервые увидел эти результаты, я был поражен и решил немного углубиться в исследование – что именно делала эта модель, чего не делал GPT-4?
Я нашел одну важную деталь: при генерации условия продажи для этой стратегии GPT-4 продавал, если позиции поднимались даже немного, на 0.15%.
Напротив, портфель, созданный по модели OpenAI strawberry, продавался бы, если бы средняя цена акций за 14 дней выросла на 15% или более.
Я предполагаю, что модель, созданная GPT-4, просто продавала слишком рано. Я сделал небольшое изменение в портфеле, созданном с помощью GPT-4.
В конечном счете, этот портфель также принес выдающуюся доходность, превосходящую рыночную.
Ясно, что модель o1-mini лучше справилась с задачей создания реального портфеля для моего приложения без необходимости итераций. В противовес этому, модели GPT-4 потребовалась небольшая помощь со стороны опытного пользователя. В конечном итоге оба портфеля показали отличные результаты, превышающие рыночные.
Следующие шаги в этом эксперименте
На данный момент эти результаты являются чисто бэктестингом – они показывают, что могло бы произойти, если бы мы развернули этот портфель в прошлом. Это полезно, но недостаточно. Мы должны увидеть, что произойдет, если мы развернем эти портфели прямо сейчас.
Таким образом, я собираюсь внедрить эти стратегии в рынок и отслеживать, как они будут работать в будущем.
Заключительные мысли
Искусственный интеллект революционизирует каждую отрасль, и финансы не являются исключением. Этот эксперимент доказывает, что, по крайней мере, ИИ может помочь в улучшении ваших торговых решений. Слишком рано делать вывод, что портфели, созданные исключительно с помощью ИИ, по своей сути превосходят остальные, но поразительное в этом эксперименте то, что эти портфели были созданы всего за несколько минут.
Эта статья показывает, что обе языковые модели от OpenAI могут создавать высокоприбыльные алгоритмические торговые стратегии. Модель o1 сделала это без необходимости в каком-либо ручном вмешательстве, в то время как модели GPT-4 понадобилась помощь человеческого эксперта. В конечном итоге обе модели показали результаты бэктестирования, которые оставили индекс S&P 500 позади.
Но этих результатов бэктестирования недостаточно. В течение следующих нескольких недель мы увидим фактическую эффективность портфелей, созданных ИИ. Я с нетерпением жду, куда эта технология приведет.
Следите за результатами — это может стать поворотным моментом для алгоритмической торговли.
Источник статьи medium.com
Ваш комментарий будет первым