LLM-агент для генерации торговых сигналов: от анализа к позиции

LLM-агент — языковая модель (Claude, GPT-4o, локальная LLaMA), встроенная в автоматизированный пайплайн: она получает структурированный контекст (данные графика, новости, индикаторы), анализирует его и возвращает решение в машиночитаемом формате (JSON с направлением, размером позиции, уровнями стоп и тейка). Отличие от классического алго-трейдинга — агент работает с неструктурированным текстом и может учитывать нарратив рынка. Риск: модель не видит данных после даты обучения, поэтому новостной контекст нужно подавать явно через RAG или прямую инъекцию.

Три зоны эффективности: анализ новостного сентимента (быстрее и дешевле, чем ручной мониторинг), объяснение паттернов на графике в естественно-языковой форме и агрегация разнородных сигналов в единое решение. Мультиагентная архитектура, описанная в исследовании Gate Research, показывает, что разделение ролей (агент-аналитик, агент-риск-менеджер, агент-исполнитель) снижает количество ошибочных сигналов. Слабая сторона LLM — количественный анализ временных рядов: для этого лучше использовать классические модели (ARIMA, GARCH) параллельно.

Базовый пайплайн: биржевой API (Binance, Bybit, OKX) → скрипт на Python, собирающий OHLCV и новости → формирование промпта → вызов LLM API (Anthropic или OpenAI) → парсинг ответа → исполнение ордера через тот же биржевой API. Для Claude используется `anthropic` SDK, для GPT — `openai`. Критично: никогда не передавайте API-ключи биржи в промпт — храните их в переменных окружения. Задержка LLM-вызова (1–5 секунд) делает такой пайплайн непригодным для высокочастотной торговли, но вполне рабочим на таймфреймах от 15 минут.

Риск-контроль — набор жёстких правил, которые проверяются до исполнения сигнала от LLM. Минимальный набор: максимальный размер позиции (например, не более 2% депозита на сделку), обязательный стоп-лосс в каждом ордере, дневной лимит потерь (после которого пайплайн останавливается). Эти правила реализуются в коде, а не в промпте — модель может ошибиться, но жёсткий код не пропустит ордер без стопа. Согласно анализу Jenova AI, отсутствие автономного риск-модуля — главная причина убытков в LLM-трейдинговых системах.

Зависит от требований к конфиденциальности, задержке и стоимости. Claude и GPT-4o — облачные модели с высоким качеством рассуждений, но каждый вызов платный и данные уходят на серверы провайдера. Локальные модели (LLaMA 3, Mistral) работают на собственном железе: данные не покидают периметр, но качество анализа сложных ситуаций ниже. Исследование arxiv.org/abs/2501.00826 показывает, что для задач финансового анализа крупные облачные модели стабильно опережают локальные аналоги сопоставимого размера. Компромисс — гибридная схема: локальная модель для рутинного сентимента, облачная для сложных ситуаций.

Структура рабочего промпта: системный блок (роль агента, торговая стратегия, ограничения риска) → данные (последние N свечей в JSON, значения индикаторов, заголовки новостей) → инструкция по формату ответа (строго JSON: direction, size_pct, stop_loss, take_profit, reasoning). Ключевые правила: конкретный формат вывода обязателен, иначе парсинг сломается; «reasoning» поле помогает отлаживать логику агента; не просите модель «предсказать цену» — просите «оценить вероятность движения выше/ниже уровня». Тестируйте промпт на исторических данных перед запуском в реальном времени.

Технически — да, но это нецелесообразно без многомесячного тестирования. Модели галлюцинируют, рыночные режимы меняются, а баг в парсинге ответа LLM может привести к открытию позиции неправильного размера. Минимум — ежедневный просмотр логов и ручной аварийный стоп.