AI-трейдинг в Man Group: управление $200 млрд через

Контекст: высокие ставки

Man Group — управляющий альтернативными инвестициями с активами >$200 млрд. Клиентов — пенсионные фонды, суверенные фонды. Ошибки в AI могут привести к потере реальных денег. Систематический трейдинг (алгоритмическая торговля на тысячах рынков) — ключевая область для применения AI.

Что такое торговый сигнал?

Торговый сигнал — это стратегия ранжирования акций, похожая на сбор фэнтези-футбольной команды. Цель: выбрать акции, которые принесут прибыль (лонг), и избежать убыточных (шорт). Сигналы тестируются на исторических данных (бэктест за 15+ лет), чтобы оценить их эффективность по метрикам:

• Доходность
• Просадка (drawdown)
• Коэффициент Шарпа

Айсберг рабочих процессов

Сам сигнал — лишь верхушка айсберга. Под ним — сложные рабочие процессы:

• Очистка и подготовка данных
• Запуск бэктестов
• Инфраструктура

Без общих стандартизированных рабочих процессов разные команды получают несопоставимые результаты.

Как AI создаёт сигналы в Man Group

AI проходит полный цикл:

1. Генерирует идею для торгового сигнала
2. Получает данные
3. Проводит бэктест
4. Пишет предложение по стратегии
5. Запускает сигнал в продакшн

Роль человека: проверка и контроль вывода AI. IP созданных сигналов закрыто.

Первая ошибка: фокус на внедрении, а не на управлении

Изначальный подход: массовые воркшопы, хакатоны, блог. Проблемы:

• Навыки писали продвинутые пользователи, а не владельцы процессов
• Это приводило к локальным оптимизациям (например, навык для расходов с жёстко прописанным кодом центра затрат, который создал проблемы для утверждающего)
• Не было организационной согласованности, что блокировало масштабирование и использование агентами

Решение: Governance и общий маркетплейс навыков

Был создан управляемый маркетплейс навыков, похожий на библиотеку:

• Все навыки видны, помечены тегами и протестированы
• Владелец навыка — ответственный за рабочий процесс
• Навыки имеют жизненный цикл: создание, тестирование, обзор, отслеживание использования, вывод из эксплуатации
• Навыки организованы по отделам (финансы, HR, исследования)

Пример в действии: создание сигнала с помощью навыков

Демо-сценарий:

1. Используется навык «Альтернативные наборы данных» для поиска данных по кредитным картам
2. AI анализирует траты по кредитным картам Amazon и сравнивает с динамикой акций
3. Запускается бэктест через навык распределённых вычислений, чтобы проверить, предсказывают ли траты доходность акций
4. Анализ расширяется на всю розничную отрасль

Итог: для создания сигнала было использовано 4 управляемых навыка, обеспечивающих согласованность данных и процессов.

Ключевые выводы и уроки

1. Организационный контекст — это ваша крепость. Его нет в интернете, и его не воссоздадут крупные AI-лаборатории. Ваша задача — сделать его доступным для AI.
2. Относитесь к навыкам как к production-коду. Продумайте управление (владение, тестирование, вывод из эксплуатации) до запуска первого навыка.
3. Внедрение — это проблема людей, а не лицензий. Нужно переосмысливать рабочие процессы, а не просто их дополнять. Требуются обучение и вовлечение.
4. Создайте «золотой путь» от вашей AI-платформы к вашим данным и возможностям.

Результаты в Man Group

• Из ~1700 сотрудников 750 используют Claude Code
• Создано >100 управляемых навыков и как минимум столько же общедоступных
• Появилась основа для использования роев агентов (swarms of agents), которые будут искать новые инвестиционные возможности, используя эти навыки