Feedback loop — это цикл, в котором инвестор анализирует результат своего решения, выявляет ошибку или удачу, и передаёт этот опыт нейросети для улучшения следующих рекомендаций. Правильно организованный цикл превращает убытки в данные для обучения и помогает ИИ становиться точнее с каждой итерацией.
Feedback loop — это повторяющийся цикл: вы принимаете решение, видите результат, анализируете ошибку и передаёте эту информацию нейросети. Без обратной связи модель остаётся статичной и неадаптивной к вашему стилю торговли. Риск: неверная разметка данных приводит к усвоению ложных закономерностей.
Ошибку нужно передавать с контекстом: какое решение вы приняли, какие входные данные были, почему оно оказалось неудачным. Например, вместо «потеря по SBER» — описать: дата, VIX, объём торговли, причину отката (макро/эмиссия/слухи). ИИ должен видеть паттерны в входах, а не только метку потери.
Большинство LLM-сервисов требуют минимум 10–100 примеров для fine-tuning, а для надёжной адаптации — 500+. При 10–50 сделках риск переобучения (модель запомнит вас вместо закономерностей). Начните с 50–100 проанализированных ошибок и результатов.
Да. Если все данные уходят на обучение, вы не узнаете, переобучена ли модель. Стандартно: 70–80% на обучение, 20–30% на проверку. Проверяйте, что модель работает не хуже на неиспользованных примерах.
Зависит от ваших целей и объёма торговли. Если вы активны (20+ сделок в неделю), обновляйте раз в 2–4 недели. Если редко торгуете, обновление раз в месяц достаточно. Слишком частые обновления (каждый день) вносят шум из-за малого числа новых примеров.
Сравнивайте статистику на валидационной выборке: средняя ошибка (MAE), процент верных прогнозов, Sharpe ratio на тестовых данных. Один-два успешных хода могут быть везением. Оценивайте тренд на 10+ сделках минимум.
Google Sheets с 2FA или приватный GitHub репозиторий. Для чувствительных данных — зашифрованный локальный JSON. Не отправляйте полные суммы в облако без согласия; используйте индексы или проценты доходности.
| Этап | Что делать | Сроки |
|---|---|---|
| Торговля и анализ | Совершите сделку, затем запишите: решение, основание, результат | На дне сделки |
| Разметка данных | Оцените ошибку или успех, добавьте контекст (VIX, новости, объёмы) | В течение недели |
| Накопление выборки | Соберите 50–100 примеров с разметкой | 1–3 месяца |
| Fine-tuning модели | Отправьте данные в OpenAI/Anthropic API для обучения или используйте локальный LLaMA | Раз в 1–4 недели |
| Параметр | Feedback loop | Case Study |
|---|---|---|
| Цель | Улучшение модели на опыте инвестора | Документирование единичного успеха |
| Периодичность | Повторяющийся цикл (каждую неделю или месяц) | Один-два примера в год |
| Кому нужен | Тем, кто активно торгует и хочет адаптировать ИИ | Разработчикам и маркетологам для примеров |
| Данные | Частные, учитесь на собственных ошибках | Публичные, иллюстрируют концепцию |
| Результат | Персональная модель, заточенная под ваш стиль | Шаблон или демо-кейс для других |
Записывайте каждую сделку: дата, тикер, причина входа, стоп, цель выхода, результат. Используйте таблицу (Google Sheets, Excel, Notion). Без записей нет данных для обучения.
Спросите себя: какой был план, что изменилось, какой сигнал я пропустил? Запишите 3–5 фактов о среде в момент сделки: уровень VIX, ЦБ ставку, новости по сектору.
Соберите примеры в едином формате: [Дата] | [Решение] | [Контекст] | [Результат]. Каждая строка — одна сделка. Это CSV или JSON, готовый к загрузке в API.
Загрузите файл в OpenAI API (gpt-4-turbo-2024-04-09), Claude API (claude-3-5-sonnet-20241022) или используйте open-source LLaMA через llama-cpp-python. Укажите в промпте: «Ты инвест-советник этого инвестора. Вот его 50 сделок и результаты...»
Запросите рекомендацию у обновленной модели для старых, но не использованных в обучении примеров. Если точность растет (ошибка уменьшается), цикл работает. Повторяйте раз в месяц.
Google Sheets с 2FA или приватный GitHub репозиторий. Для чувствительных данных — зашифрованный локальный JSON. Не отправляйте полные суммы в облако без согласия; используйте индексы или проценты доходности.
Если модель (Claude, GPT) обучалась на русском — используйте русский. Это работает быстрее и естественнее. Проверьте в документации: Claude поддерживает русский на уровне английского.
Отчастично. Публичные сделки содержат шум и маркетинг. Лучше начать с собственных 50–100 примеров, потом добавить проверенные (из закрытых каналов экспертов). Не перемешивайте чужой опыт с личным на ранних этапах.
OpenAI: ~$0,003–$0,06 за 1К токенов на обучение, зависит от размера модели. Для 100 примеров (5–10К токенов) — примерно 15–50 ₽. Затем каждый запрос дороже обычного (x1,5–x2). Claude и Anthropic предлагают похожие цены. Локальное обучение (LLaMA) — бесплатно, но требует GPU.
Это признак переобучения или некорректной разметки. Вернитесь к валидационной выборке, найдите примеры, на которых модель ошибается. Удалите противоречивые данные (например, две идентичные сделки с разными итогами) или сократите размер обновления.
Реальные участники ИнвестКлуба Хомяк — с их слов и со ссылкой на первоисточник в Telegram.
Точка входазашла пробно на 1 месяц после рекламы
Что изменилосьосталась на 1,5 года — структурированные знания, прямые эфиры с экспертами, освоила ИИ-инструменты
«Когда-то я зашла пробно, на 1 месяц. Прошло 1,5 года, а я по-прежнему там. Один только искусственный интеллект чего стоит.»история в Telegram →
Точка входавозрастной скепсис, долго не решался зайти в закрытый клуб
Что изменилосьгора структурированных материалов, отзывчивое сообщество, которое помогает и подсказывает
«Возрастной скепсис мешал зайти — думал, всё как обычно. Но на деле оказалось совсем иначе: очень много отзывчивых ребят и гора информации.»история в Telegram →
«В Хомяке уже полтора года… кайфовое, живое сообщество. Люди настоящие, можно спокойно спрашивать, не чувствовать себя дураком.»
«Зашла пробно на 1 месяц. Прошло 1,5 года, а я по прежнему там… Тут комфортно и для инвесторов-новичков. Вся информация отлично структурирована.»
Ещё реальные отзывы участников — t.me/traderreviews
