Торгівля з підтримкою ШІ ще не досягла "моменту iPhone", коли кожен носить у кишені алгоритмічного менеджера портфоліо з підкріпленим навчанням, але щось подібне наближається, кажуть експерти.

Насправді, сила ШІ зустрічає свою рівню, коли стикається з динамічною, конкурентною ареною торгових ринків. На відміну від ШІ-агента, інформованого нескінченними циклами самокерованих автомобілів, які вчаться точно розпізнавати дорожні сигнали, жодна кількість даних і моделювання ніколи не зможе передбачити майбутнє.

Це робить удосконалення моделей торгівлі зі ШІ складним, вимогливим процесом. Мірою успіху зазвичай було оцінювання прибутку і збитку (PNL). Але досягнення в тому, як налаштовувати алгоритми, породжують агентів, які постійно вчаться балансувати ризик і винагороду при зіткненні з безліччю ринкових умов.

Дозвіл метрикам з коригуванням ризику, таким як коефіцієнт Шарпа, інформувати процес навчання збільшує складність тесту, сказав Майкл Сена, директор з маркетингу в Recall Labs, компанії, яка провела близько 20 арен торгівлі зі ШІ, де спільнота подає торгових агентів зі ШІ, і ці агенти змагаються протягом чотирьох-п'яти днів.

"Коли йдеться про сканування ринку для пошуку альфи, наступне покоління розробників досліджує налаштування та спеціалізацію алгоритмів, враховуючи уподобання користувачів", - сказав Сена в інтерв'ю. "Оптимізація для конкретного коефіцієнта, а не лише для чистого PNL, більше схожа на те, як працюють провідні фінансові установи на традиційних ринках. Тож, розглядаючи такі речі, як ваша максимальна просадка, наскільки був ваш ризик для отримання цього PNL?"

Озираючись назад, нещодавнє торгове змагання на децентралізованій біржі Hyperliquid, за участю кількох великих мовних моделей (LLM), таких як GPT-5, DeepSeek та Gemini Pro, певним чином встановило базовий рівень для ШІ у світі торгівлі. Усі ці LLM отримали однакову підказку і виконували дії автономно, приймаючи рішення. Але вони не були такими хорошими, за словами Сени, ледве перевершуючи ринок.

"Ми взяли моделі ШІ, використані в конкурсі Hyperliquid, і дозволили людям подавати своїх торгових агентів, яких вони створили, щоб змагатися з цими моделями. Ми хотіли побачити, чи торгові агенти кращі за базові моделі, з цією додатковою спеціалізацією", - сказав Сена.

Перші три місця в змаганні Recall зайняли налаштовані моделі. "Деякі моделі були збитковими і показали низькі результати, але стало очевидним, що спеціалізовані торгові агенти, які беруть ці моделі і застосовують додаткову логіку, висновки, джерела даних та інші речі зверху, перевершують базовий ШІ", - сказав він.

Демократизація торгівлі на основі ШІ піднімає цікаві питання про те, чи залишиться якась альфа для покриття, якщо всі використовуватимуть однаковий рівень складної технології машинного навчання.

"Якщо всі використовують одного і того ж агента, і цей агент виконує ту саму стратегію для всіх, чи не призведе це до колапсу?" - сказав Сена. "Чи не зникне альфа, яку він виявляє, тому що він намагається виконати її в масштабі для всіх інших?"

Ось чому ті, хто найкраще позиціонований для отримання переваги, яку врешті-решт принесе торгівля зі ШІ, - це ті, хто має ресурси для інвестування в розробку власних інструментів, сказав Сена. Як і в традиційних фінансах, інструменти найвищої якості, які генерують найбільшу альфу, зазвичай не є публічними, додав він.

"Люди хочуть тримати ці інструменти якомога приватнішими, тому що вони хочуть захистити цю альфу", - сказав Сена. "Вони багато за неї заплатили. Ви бачили це з хедж-фондами, які купують набори даних. Ви можете бачити це з власними алгоритмами, розробленими сімейними офісами.

"Я думаю, що магічна солодка точка буде там, де є продукт, який є менеджером портфоліо, але користувач все ще має певний вплив на свою стратегію. Вони можуть сказати: 'Ось як я люблю торгувати, і ось мої параметри, давайте реалізуємо щось подібне, але зробимо це краще'."