Deep WaterКабінет
← Наші напрямкиDippy-фінансист

Фінансова грамотність

AI та пошук фінансових сигналів

Урок 1 · Історія фінансівУрок 2 · AI та сигнали
📊
Що таке кількісні фінанси
Як алгоритми та математика замінюють інтуїцію трейдерів, хто такі «кванти» та чому Wall Street наймає фізиків і програмістів.
▸ Детальніше
Основи
  1. Кількісні фінанси (Quantitative Finance) — дисципліна, де дослідники будують алгоритми для торгівлі активами, деривативами та іншими фінансовими інструментами. Замість «відчуттів» — формули, статистика і код.
  2. Хто такі «кванти» — це математики, фізики, програмісти, які працюють у хедж-фондах та інвестиційних банках. Вони шукають закономірності у даних, які інші не бачать. Ренесанс Текнолоджіз, Two Sigma, Citadel — найвідоміші кількісні фонди.
  3. Традиційний процес — кванти вручну формулюють гіпотези, пишуть код, тестують на історичних даних (бектестинг), аналізують результати і вдосконалюють стратегії. Цей цикл може тривати тижні.
  4. Ключова проблема — процес фрагментований: між аналітиками, розробниками та data scientists виникають затримки, а ринок рухається за мілісекунди.
  5. Рішення — штучний інтелект може автоматизувати частини цього процесу, скорочуючи дослідницький цикл з тижнів до годин.
📡
Фінансові сигнали та альфа
Що таке сигнал у трейдингу, звідки беруться сигнали, що означає «альфа» та чому хороший сигнал — це скарб.
▸ Детальніше
Основи
  1. Сигнал — це патерн у ринкових даних, який може допомогти передбачити майбутню дохідність. Сигнали бувають різних типів: цінові, об'ємні, фундаментальні або альтернативні (новинні настрої, супутникові дані тощо).
  2. Альфа (α) — дохідність стратегії, що перевищує ринковий бенчмарк. Якщо S&P 500 зріс на 10%, а ваш портфель на 14%, ваша альфа = 4%. Пошук альфи — головна мета кількісного дослідника.
  3. Категорії сигналів: momentum (імпульс — актив продовжує рухатись у тому ж напрямку), volatility (волатильність), volume (об'єм торгів), reversal (розворот), quality (якість фундаментальних показників).
  4. Приклади простих сигналів: 10-денна дохідність ціни закриття (momentum), співвідношення ціни до об'єму (volume-adjusted), рангове зважування ціни та повернення (rank momentum).
  5. Парадокс сигналів: щойно сигнал стає публічним, він швидко втрачає силу — інші трейдери починають його експлуатувати. Тому пошук нових сигналів — безперервний процес.
🤖
Мультиагентні AI-системи
Як кілька спеціалізованих AI-агентів працюють разом для автоматизації складних задач, і чому один агент — недостатньо.
▸ Детальніше
AI-агенти
  1. Що таке AI-агент — це програма на основі великої мовної моделі (LLM), яка не просто генерує текст, а планує дії, використовує інструменти, виконує код та рефлексує над результатами.
  2. Мультиагентна архітектура — замість одного «розумного» агента створюється система з кількох спеціалізованих. Кожен робить те, що вміє найкраще, а оркестратор координує їхню роботу.
  3. Три агенти NVIDIA — система пошуку сигналів використовує: Signal Agent (генерує гіпотези), Code Agent (пише виконуваний Python-код), Evaluation Agent (тестує та оцінює результати).
  4. Цикл самовдосконалення — якщо сигнал не проходить перевірку, агент-оцінювач генерує рекомендації, які повертаються агенту-генератору. Кожна наступна ітерація точніша за попередню.
  5. Аналогія: уявіть команду дослідників — один вигадує ідеї, другий реалізує їх у коді, третій перевіряє результати і каже: «Спробуй інакше». Тільки замість людей — AI, що працює 24/7.
💡
Агент-генератор сигналів
Як AI формулює гіпотези нових сигналів, бібліотека математичних операторів та структуровані «блупринти».
▸ Детальніше
AI-агенти
  1. Роль — Signal Agent діє як «творчий мозок» системи. Він використовує модель Nemotron для генерації нових сигнальних виразів на основі запиту дослідника.
  2. Промпт-інженерія: агент отримує роль «старшого кількісного дослідника у провідному хедж-фонді» та набір структурованих операторів (66 різних математичних функцій).
  3. Бібліотека операторів — арифметика, ранжування, часові ряди (log return, momentum, delta), експоненціальне згладжування. Приклад: Rank_Add нормалізує два набори даних у спільну шкалу 0–1 та складає їх.
  4. Структурований вихід — для кожного сигналу агент генерує: назву, формулу, економічну інтуїцію, категорію, використані дані (Open, Close, High, Low, Volume) та оператори.
  5. Навіщо така структура: повна документація кожного сигналу забезпечує відтворюваність та інтерпретованість — ключові вимоги у кількісних фінансах.
⌨️
Агент-програміст
Як AI перетворює текстовий опис сигналу на працюючий Python-код та навіщо потрібна «автономна кодогенерація».
▸ Детальніше
AI-агенти
  1. Від ідеї до коду — Code Agent отримує «блупринт» від генератора та перетворює природну мову в виконуваний Python-код. Це окрема модель, спеціально налаштована на кодогенерацію.
  2. Самодостатній модуль — згенерований код автоматично включає реалізації всіх використаних операторів з бібліотеки, тому результат — повністю портативний файл без зовнішніх залежностей.
  3. Чому окремий агент? — генерація ідей та написання коду вимагають різних «навичок». Для ідей корисна висока «температура» (креативність = 0.8), для коду — нульова температура (точність = 0.0).
  4. Дані для тестування — код розраховує сигнал на історичних даних цін і об'ємів акцій S&P 500. Результат — числова серія, яку можна порівняти з реальними майбутніми дохідностями.
  5. Масштабованість: один запуск може згенерувати десятки сигналів одночасно — те, що у людини зайняло б тижні ручної роботи.
🔬
Бектестинг та оцінка сигналів
Що таке Information Coefficient, Rank IC, p-value — і як визначити, чи дійсно сигнал передбачає ринок.
▸ Детальніше
Аналітика
  1. Бектестинг — тестування стратегії на історичних даних. «Якби я торгував за цим сигналом останні 10 років, скільки б заробив?» — основне питання бектесту.
  2. Information Coefficient (IC) — кореляція між значеннями сигналу та подальшими дохідностями активів. Показує, наскільки добре сигнал передбачає рух ціни.
  3. Rank IC — кореляція між рангами сигналу та рангами дохідностей. Стійкіший до аномальних значень (outliers). Інституційний стандарт: хороший сигнал має Rank IC від 0.02 до 0.05. Вище 0.05 — дуже сильний сигнал.
  4. P-value — ймовірність отримати такий результат випадково. Якщо p-value менше 0.05, сигнал статистично значущий. У прикладі NVIDIA: p < 10⁻⁷ (практично нульова ймовірність випадковості).
  5. Поріг прийняття: Evaluation Agent автоматично порівнює метрики з заданими порогами (IC ≥ 0.02, p-value ≤ 0.05). Якщо сигнал не проходить — система генерує рекомендації та починає нову ітерацію.
🔄
Цикл оптимізації
Як три агенти утворюють замкнений цикл «генерація → код → оцінка → зворотний зв'язок», що покращує сигнали з кожною ітерацією.
▸ Детальніше
AI-агенти
  1. Ітерація 1 — Signal Agent генерує початкові гіпотези (наприклад, 2 momentum-сигнали). Code Agent перетворює їх на Python-код. Evaluation Agent запускає бектест і бачить: |IC| = 0.0103 та 0.0138 — нижче порогу 0.02.
  2. Зворотний зв'язок — оцінювач аналізує, чому сигнал слабкий, та формулює конкретні рекомендації: «Спробуй комбінувати ранжування ціни з momentum замість простого повернення».
  3. Ітерація 2 і далі — генератор враховує фідбек і створює вдосконалені сигнали. У прикладі за 3 ітерації система знайшла сигнал Rank-Adjusted Return Momentum з Mean IC = -0.0134 та t-статистикою -5.37.
  4. Конфігурація YAML — весь процес описується одним конфігураційним файлом: моделі для кожного агента, пороги IC, кількість ітерацій, період форвардних дохідностей. Жодного рядка коду змінювати не треба.
  5. Ключова ідея: це не одноразовий запуск, а саморефлексивний цикл, де кожне наступне покоління сигналів вдосконалюється на основі попередніх помилок.
📈
Приклад: momentum-сигнали
Покроковий розбір реального експерименту NVIDIA — від запиту «momentum signals» до готового результату з метриками.
▸ Детальніше
Практика
  1. Momentum-стратегія — одна з найвідоміших: активи, що зростали нещодавно, схильні продовжувати зростання, а ті, що падали — продовжувати падіння. Емпіричне спостереження, підтверджене десятиліттями досліджень.
  2. Сигнал 1: ExpVolume-Adjusted Momentum — 10-денна дохідність ціни, поділена на експоненціально зважений об'єм торгів. Інтуїція: momentum сильніший при низькій ліквідності. Формула: Div(TS_Return(Close, 10), Decay_Exp(Volume, 10)).
  3. Сигнал 2: Rank-Adjusted Return Momentum — множення рангу ціни на ранг 10-денного повернення. Виділяє акції, які одночасно високо ранжовані за ціною та мають сильний momentum. Формула: Rank_Mul(Rank(Close), Rank(TS_Return(Close, 10))).
  4. Результати бектесту: Mean IC = -0.0134, стандартне відхилення IC = 0.1483, t-stat = -5.37, p-value ≈ 0 (на 3504 торговельних днях). Від'ємний IC означає: акції з високим рангом та momentum систематично відстають — класичний патерн short-momentum / розвороту.
  5. Практичний висновок: навіть якщо |IC| трохи нижче порогу 0.02, надзвичайно значущий t-stat підтверджує — сигнал несе реальну передбачувальну інформацію. Його можна використати для побудови стратегії розвороту.
🛠️
Інструменти: NeMo та Nemotron
NVIDIA NeMo Agent Toolkit, моделі Nemotron, конфігурація через YAML, трейсинг та моніторинг агентів у реальному часі.
▸ Детальніше
Практика
  1. NeMo Agent Toolkit — open-source бібліотека NVIDIA для побудови мультиагентних систем. Забезпечує оркестрацію, передачу контексту між агентами та збереження стану на кожному етапі.
  2. Nemotron — сімейство відкритих моделей NVIDIA. nemotron-3-nano-30b-a3b — компактна модель для кодогенерації. nemotron-3-super-120b-a12b — потужніша модель для складних міркувань та генерації гіпотез.
  3. Config-driven підхід — замість жорсткого коду вся логіка описується у YAML: персони агентів, інструменти, обмеження, моделі. Зміна моделі для будь-якого агента — один рядок у конфігу.
  4. Arize Phoenix трейсинг — система спостережуваності, що візуалізує ланцюг міркувань LLM у реальному часі. Допомагає знайти «вузькі місця»: де агент витрачає час, де генерує математично правильні, але економічно безглузді сигнали.
  5. Масштабування: можна міняти категорії сигналів (volatility, mean reversion), додавати власні оператори, підключати інші дані (крипто, ETF, фундаментальні показники) — все через конфігурацію.
🚀
Майбутнє: AI-агенти у фінансах
Як мультиагентні системи змінюють кількісне дослідження, де межа між AI та людиною, і чому це важливо знати кожному.
▸ Детальніше
Практика
  1. Від тижнів до годин — те, що раніше займало тижні ручної роботи команди аналітиків, тепер виконується за кілька годин автономним AI-конвеєром. Це радикально змінює швидкість дослідження.
  2. Демократизація квантів — інструменти, що раніше були доступні лише елітним хедж-фондам з мільярдними бюджетами, стають відкритими. NeMo Agent Toolkit — open-source, моделі Nemotron — безкоштовні через NVIDIA NIM.
  3. Людина залишається головною: AI генерує та тестує гіпотези, але фінальне рішення про торгівлю приймає людина. Агенти — це інструмент дослідника, а не заміна. Критичне мислення — незамінне.
  4. Ризики AI-сигналів: модель може знайти «фантомні» патерни (overfitting), що працюють на історії, але не в реальності. Тому потрібна строга валідація: out-of-sample тести, крос-валідація, стрес-тестування.
  5. Головний урок: розуміння того, як AI шукає закономірності у фінансових даних — це нова фінансова грамотність. У світі, де алгоритми керують 60% обсягу торгів на біржах, знати «як працює машина» — так само важливо, як знати «що таке акція».
📄 Джерело: NVIDIA Developer Blog — Automating Financial Signal Discovery with Multi-Agent Systems