Сегодня у айтишников появилось новое хобби — делать свой SaaS или писать торговых ботов с помощью LLM.
Порог входа резко снизился: достаточно хорошей идеи, немного свободного времени и подписки на одну из современных LLM.
Модель, которая набирает 90%+ в бенчмарке, совсем не обязательно поможет вам заработать деньги.
Потому что между «написать хороший код» и создать работающий продукт есть огромная разница.
Я дал шести LLM одну задачу — написать торгового бота и проверил, что из этого можно использовать на практике.
GPT, Claude Opus, DeepSeek, Qwen, GigaChat, YandexGPT Pro
Участники эксперимента
Чтобы сравнение было воспроизводимым, я зафиксировал версии моделей на момент проведения эксперимента — 14 августа 2026 года:
Модель |
Версия |
|---|---|
Claude Opus |
5.0 |
GPT |
5.6 Sol |
DeepSeek |
V4-Pro-0813 |
YandexGPT |
5.1 Pro |
Qwen |
3.6 |
GigaChat |
3.1 Ultra |
Все промты выполнялись через UI (web) соответствующих моделей в идентичных условиях, чтобы минимизировать влияние различий в API и программном окружении на результаты.
Промт будет у нас таким:
Собери полностью готового к запуску торгового бота на Python. Цель эксперимента: получить максимально возможный финансовый результат за первые 60 минут работы бота. Ограничения: 1. Весь код должен находиться в одном Python-файле. 2. Максимальный размер - 1000 строк кода. 3. После установки зависимостей пользователь должен только передать API-ключи и запустить файл. 4. Используй только публичные API биржи. 5. Не используй заранее подготовленные торговые сигналы, датасеты или результаты backtest. 6. Бот должен самостоятельно получать рыночные данные и принимать торговые решения. 7. Стратегия должна работать в реальном времени. 8. Не используй ручное вмешательство после запуска. 9. Предусмотри базовую обработку ошибок, reconnect WebSocket и контроль открытой позиции. 10. Начальный капитал считай равным $1000 11. Максимальное кредитное плечо - 5x. 12. Не используй больше 10% капитала в одной позиции. 13. Бот должен иметь возможность работать в paper-trading режиме без реальных ордеров. 14. Добавь логирование всех решений: сигнал → ордер → исполнение → PnL.
Все полученные алгоритмы/боты я разместил тут: https://github.com/Shldm/llm_compare
Да, один кейс не репрезентативен. Но бенчмарки отвечают прежде всего на вопрос «насколько хорошо модель решает задачу». В реальной разработке мне интереснее другое: насколько близко сгенерированный код находится к решению, которое можно реально использовать.
Результат будем оценивать от 1 до 10 по:
Не оцениваю качество кода потому что это делают бенчмарки (там это уместно), архитектуру (так как она упрощена).
Хотелось оценить именно более близкие к бизнес‑метрикам моменты:
Метрика |
Что оцениваем |
|---|---|
Соответствие ТЗ |
Насколько бот действительно выполняет исходные требования промпта: лимиты, режимы, API, 60-минутный горизонт, отсутствие ручного вмешательства и так далее. |
Production readiness |
Насколько бот в текущем виде пригоден для запуска с реальными деньгами: обработка исключений, контроль состояния, безопасность, отказоустойчивость. |
Надёжность |
Поведение при ошибках, разрывах соединения, некорректных данных и других нештатных ситуациях. |
Risk management |
Stop‑loss / Take‑profit, ограничение позиции и плеча, контроль экспозиции, защита позиции при сбое процесса. |
Реалистичность исполнения |
Насколько paper‑trading приближен к реальной торговле: комиссии, проскальзывание, bid/ask, исполнение ордеров и корректный PnL. |
Качество стратегии |
Логика входов и выходов, выбор данных и таймфрейма, адаптация к горизонту 60 минут, потенциальная пригодность стратегии. |
Результат
Сначала посмотрим у кого вообще получилось собрать рабочий модуль:
Базовая работоспособность |
Что показал тест |
|---|---|
? Claude |
Фатальных дефектов не обнаружено |
? GPT |
Фатальных дефектов не обнаружено |
? DeepSeek |
Торговый код запускается, но логирование фактически не работает из‑за ошибки в формате логов |
? Qwen |
Упал на несоответствии типов данных |
? YandexGPT |
Невозможно корректно закрыть позицию |
? GigaChat |
Бот фактически не торгует |
В целом результат оказался ожидаемым: лидеры coding‑бенчмарков и здесь оказались среди наиболее сильных участников.
Чтобы продолжить и оставить всех в гонке, подправил код у отстающих, правки были минимальные и делались вручную — только то, что мешает запуску.
Соответствие ТЗ
В первой строке промпта была сформулирована цель: получить максимальный финансовый результат за первые 60 минут работы бота.
Учитывает 60-минутный горизонт |
Как реализовано |
|---|---|
✅ Claude |
Сессия ограничена 60 минутами, максимальное удержание позиции — 3 минуты |
✅ Qwen |
SESSION_MINUTES = 60 + принудительное закрытие позиции в конце сессии |
✅ GPT |
Сессия ограничена 60 минутами, максимальное удержание позиции — 12 минут |
✅ ❌DeepSeek |
Единственное нарушение ТЗ у DeepSeekUSE_TESTNET = True по умолчанию |
✅ GigaChat |
Есть окно в коде |
❌ YandexGPT |
Ограничение в 60 минут отсутствует |
Комментировать тут особо нечего: YandexGPT не справился с ограничением по времени, а единственное нарушение ТЗ у DeepSeek - запуск с USE_TESTNET = True по умолчанию.
Дальше смотрим на то, как бот подошел к расчету PnL
Выделил этот пункт, так как без него боты не имеют смысла, а задача схождения PnL локального и биржевого одна из самых сложных:
Проскальзывание - имитирует реальную работу на рынке, что цену мы не всегда можем получить по сделке именно ту по которой отправляли ордера, в лимитных ордерах оред не исполнится, в рыночных получим худшую.
Бот |
Комиссия |
Проскальзывание |
Цена исполнения |
Учёт плеча в PnL |
Реалистичность |
|---|---|---|---|---|---|
Qwen |
✅ 0,04% обе стороны |
✅ 0,02% |
last + slippage |
✅ |
? Высокая |
Claude |
✅ 0,05% обе стороны |
❌ |
best ask / best bid |
✅ |
? Высокая |
GigaChat |
✅ 0,04% обе стороны |
❌ |
close свечи |
❌ |
? Средняя |
GPT |
❌ нет |
❌ |
close свечи |
✅ |
? Средняя |
DeepSeek |
❌ нет |
❌ |
REST ticker |
✅ |
? Средняя |
YandexGPT |
❌ нет |
❌ |
close свечи |
❌ |
? Низкая |
Похоже, Qwen в этом эксперименте уделил больше внимания именно моделированию исполнения и рыночных издержек.
Контроль открытой позиции
Модели реализовали совершенно по‑разному, на мой взгляд это один из ключевых пунктов риск‑менеджмента и вообще ключевой критерий, пускать модель в бой или нет.
Модель |
Где находится стоп |
Как работает |
Что произойдёт при падении процесса |
Оценка |
|---|---|---|---|---|
Claude |
? На бирже |
STOP_MARKET + TAKE_PROFIT_MARKET, closePosition=true; дополнительная сверка позиции каждые 5 сек. |
Позиция остаётся защищённой. |
? Надёжно |
GPT |
? В Python |
Стоп проверяется торговым циклом. |
Позиция останется без защиты. |
? Средне |
DeepSeek |
? В Python |
Стоп контролируется самим ботом. |
Позиция останется без защиты. |
? Средне |
Qwen |
? В Python |
Проверка только после закрытия свечи. |
Позиция останется без защиты. |
? Опасно |
GigaChat |
? В коде, но фактически не работает |
TP/SL рассчитываются и логируются, но не используются. |
Позиция может оставаться открытой до таймера. |
? Не работает |
YandexGPT |
❌ Нет |
Вместо стопа позиция переворачивается каждую свечу. |
Позиция не имеет отдельного стоп‑контроля. |
? Не реализовано |
После этого пункта Claude стал единственным кандидатом, которого я вообще рассматривал бы как основу для дальнейшей доводки перед продакшеном.
Большинство моделей реализовали риск‑менеджмент внутри Python‑процесса. Claude разместил защитные ордера непосредственно на бирже.
Это означает, что при падении самого процесса позиция всё ещё остаётся защищённой.Для торгового бота это принципиально разные уровни надёжности.
Стратегии торговли которые выбрали модели
Модели выбрали совершенно разные подходы — от простого следования за свечами до анализа микроструктуры рынка.
Модель |
Данные |
Торговая идея |
Частота сигналов |
Оценка подхода |
|---|---|---|---|---|
Claude |
|
Дисбаланс стакана ≥ 0,68 + перевес агрессивных сделок ≥ 0,62, подтверждение 3 тиками. |
Высокая, TP 0,25%, удержание до 3 мин |
? Наиболее подходящая для горизонта 60 мин |
Qwen |
1m свечи, динамический выбор монет |
EMA‑тренд + откат RSI + касание Bollinger Bands, уровни через ATR. |
Средняя |
? Хорошая адаптация под задачу |
GPT |
1m свечи, 3 монеты |
EMA‑кросс + RSI + объём, скоринг ≥ 4. |
Низкая |
? Корректная, но слишком консервативная |
DeepSeek |
1m / 5m / 15m, 5 монет |
8 условий, вход при confidence ≥ 0,75. |
Средняя |
? Сложная, но медленная |
GigaChat |
1m свечи, BTC |
Пробой максимума предыдущих свечей + ATR‑фильтр. |
Низкая |
? Простая стратегия, но под конкретный рынок |
YandexGPT |
1m свечи, BTC |
Зелёная свеча → buy, красная → sell. |
Очень высокая, до 30 сделок/час |
? Чрезмерно примитивная |
Тут опять, Qwen и Claude выбрали лучшие сценарии под заданные условия, в частном случае, попав в нужный рынок — GigaChat тоже ок, что в целом, учитывая условия промта, достаточно неплохо.
ИТОГИ:
После проверки работоспособности, paper‑трейдинга, риск‑менеджмента, надёжности и торговой стратегии результаты:
Метрика |
Claude |
Qwen |
GPT |
DeepSeek |
GigaChat |
YandexGPT |
|---|---|---|---|---|---|---|
Соответствие ТЗ |
9 |
9 |
8 |
5 |
8 |
4 |
Production readiness |
7 |
4 |
6 |
3 |
2 |
2 |
Надёжность |
8 |
3 |
7 |
4 |
3 |
4 |
Risk management |
8 |
6 |
5 |
4 |
1 |
1 |
Реалистичность исполнения |
6 |
8 |
3 |
2 |
4 |
2 |
Качество стратегии |
7 |
8 |
7 |
5 |
4 |
1 |
Итог |
45/60 |
38/60 |
36/60 |
23/60 |
22/60 |
14/60 |
Вывод: победителем стал Claude , он казался наиболее сбалансированной моделью: корректно выполнил ТЗ, показал высокую надёжность, реализовал полноценный risk management и единственный вынес защитные ордера на сторону биржи.
Qwen — главный конкурент Claude и одновременно самый неоднозначный участник. Получил лучшие оценки за реалистичность исполнения и качество стратегии. В исходной версии Qwen обнаружился более серьёзный дефект: бот не падал с ошибкой, а фактически молча переставал работать. При инициализации в массив попадали свечи разного формата, из‑за чего обработка данных завершалась исключением, которое затем подавлялось обработчиком ошибок. В результате за час произошло 360 таких исключений и бот не совершил ни одной сделки.
GPT занял третье место. Его сильная сторона — высокая надёжность и достаточно хорошее соответствие ТЗ.
И здесь возникает главный результат эксперимента: победила не модель с самой сложной стратегией и не модель с самым красивым кодом. Победила модель, которая лучше всего соединила стратегию, исполнение, надёжность и управление риском.
Ну и чтобы отдать должное названию статьи, результат прогона paper‑test, рандомные 60 мин по 5 отрезков:
Все модели прогонялись на одинаковых рыночных данных и в одинаковом paper‑trading окружении. Для каждой модели случайно выбирались 5 независимых часовых окон; результаты ниже — суммарный PnL этих пяти прогонов.
Модель |
Сделок |
PnL, $ |
Окон в + |
|---|---|---|---|
Claude |
200 |
−104.11 |
0/5 |
Qwen |
3 |
+0.83 |
1/5 |
GPT |
6 |
−1.92 |
2/5 |
DeepSeek |
22 |
−49.01 |
0/5 |
GigaChat |
3 |
−0.78 |
1/5 |
YandexGPT |
129 |
+0.00 |
4/5 |
Qwen — после минимального исправления, необходимого для запуска. В исходной версии — 0 сделок во всех 5 окнах.
YandexGPT использовал QUANTITY_MULTIPLIER = 0.001, поэтому фактический нотионал одной сделки составлял около $0.10. Положительный результат в 4/5 окон нельзя сравнивать с остальными моделями напрямую.
В этом тесте ни одна модель не показала устойчивой прибыльности. И это, пожалуй, самый показательный результат эксперимента.
Claude показал лучшую инженерную реализацию, но его стратегия совершала слишком много сделок: 200 сделок за пять часов привели почти к $100 комиссий. До учёта комиссий результат составлял −$4.15.
Qwen после минимального исправления дал +$0.83, но на пяти часовых окнах этого явно недостаточно, чтобы говорить о прибыльной стратегии.
А значит, главный вывод эксперимента простой: LLM уже умеют быстро собирать торговых ботов, но качество инженерной реализации ещё совсем не равно качеству торговой стратегии.
Лично я на данный момент выбираю Claude Opus 5 под разработку через Claude Code + через API “второе мнение” в Qwen (когда не можем найти решение)
Большие посты пишу на Хабре, короткие заметки тут
Комментарии (45)
house2008
29.08.2026 19:451m свечи, BTC, сессия ограничена 60 минутами
Можно даже не считать, на таких мтф и таких низковолатильные активах комиссии съедят всю прибыль, за исключением если у вас РР всегда больше 3 (наверное, нужно считать) и винрейт высокий, иначе на дистанции 100% будет минус из-за комиссий.
udattsk
29.08.2026 19:45Кроме PnL ещё надо считать DropDown. И да, результаты у вас ни о чем. Январь - Август 6500% с четной комиссией 10 bps реально.
Pruto Автор
29.08.2026 19:45Согласен, одного PnL недостаточно - drawdown обязательно нужно учитывать. В статье я как раз поэтому оценивал не только итоговую доходность, но и риск-менеджмент/реалистичность paper-trading
А вот 6500% за январь-август при комиссии 10 bps - звучит космически. Если есть публичный бэктест/история сделок с учётом комиссий, проскальзывания и drawdown - кидайте, с удовольствием посмотрю)
Zailox
29.08.2026 19:45Прикольно. То есть я с Клодом собирали неделю инфы, анализировали PnL разных мемкоинов, думали, по какой форме графика определять близкий rug pull. А оказывается можно сказать "у меня 'есть' тыша баксов, сделай торгового бота". Естественно ИИ давно не тупые, они ясно понимают, что твоя цель не реальный торговый бот (пусть даже с мнимым балансом) а игрушка, и "тестить возможность ИИ с первого раза написать рабочую программу" тут нечего
Pruto Автор
29.08.2026 19:45Согласен, если задача - реально искать закономерности на мемкоинах и строить стратегию под конкретный рынок, то неделя анализа вполне может быть только началом работы.
Но цель эксперимента была немного другая - проверить, насколько модели способны самостоятельно пройти путь от ТЗ до более-менее рабочего прототипа торгового бота, не получая от меня готовую стратегию и архитектуру.
И я специально не ставил задачу «сделай прибыльного бота». Наоборот, одинаковое ТЗ было дано всем моделям, а дальше я сравнивал, что каждая из них реально реализует: риск-менеджмент, исполнение ордеров, комиссии, slippage, ограничения по времени, paper trading и т.д.
Поэтому я бы не называл это тестом «написать прибыльного бота с первого раза». Это скорее тест того, насколько далеко сегодня можно продвинуться с LLM, начав практически с нуля
dyadyaSerezha
29.08.2026 19:45Это скорее тест того, насколько далеко сегодня можно продвинуться с LLM, начав практически с нуля
Начав с нуля и на нуле же остановиться.
Pruto Автор
29.08.2026 19:45Все с чего-то начинают, от чего-то отталкиваются, а дальше уже к-во итераций до успеха идет
Конечно, вы правы, в том, что люди и профессиональные курсы начинают, завершают не более 5%. Но говорить, что все останутся на нуле, так не считаюdyadyaSerezha
29.08.2026 19:45При чем тут люди, при чем тут курсы? Я про конкретный тест в статье - была одна итерация. Всё.
gotham_engineer
29.08.2026 19:45Довольно итересный тест) вынос защитных ордеров на сторону биржи у Claude - наверное ключевой маркер надежности в проде. Приложения в Python-процессе при любом падении или разрыве WebSocket-сессии мгновенно оставляют позицию голой. При работе с высоконагруженными потоками событий через API, при росте частоты сигналов на WebSocket (особенно на анализе микроструктуры стакана, как у Claude в тесте) обработчики часто упираются в Race Condition и коллизии при парсинге. Интересно, как в коде Claude решался этот вопрос: там была базовая асинхронная очередь для входящих тиков, или модель просто обрабатывала всё в один stateless-поток, надеясь на низкий TTM биржи?
Pruto Автор
29.08.2026 19:45Да, именно этот момент тоже считаю одним из самых показательных в тесте.
У Claude защитные ордера действительно сразу уходили на сторону биржи, поэтому при падении процесса или разрыве WebSocket позиция не оставалась полностью без защиты.
А вот с обработкой потока я бы не сказал, что там была какая-то сложная архитектура с полноценной очередью событий. Скорее, модель построила достаточно аккуратную async-логику вокруг WebSocket, но это всё-таки далеко не production-grade event-driven система.
И это, кстати, хорошо показывает разницу между «LLM написала работающий бот» и «LLM спроектировала торговую систему, которой я готов доверить реальные деньги».
В тесте я как раз больше смотрел на то, насколько модель самостоятельно закладывает такие вещи, а не пытался допиливать архитектуру за неё.
gotham_engineer
29.08.2026 19:45Соглашусь) между "код просто запустился" и "готовая к запуску event-driven система" = здесь грань видна идеально. Здорово, что тест подсветил именно самостоятельное архитектурное мышление моделей, а не слепое написание функций. Ваш эксперимент получился отличным ориентиром)
Dimmirslr
29.08.2026 19:45По факту ты протестировал только качество парсинга доков бинанса этими сетками. Кто лучше запомнил структуру эндпоинтов, тот и завелся без ошибок
Pruto Автор
29.08.2026 19:45Да, все так, но все же у всех была возможность поставить sl и tp, но воспользовались этим далеко не все сетки
dyadyaSerezha
29.08.2026 19:45Почему был выбран лимит в 1000 строк? Какой размер у реальных минимально-рабочих ботов? А не минимально? Изменилось ли бы что-то в тесте, если поднять размер до 5 или 10 тыс строк?
Pruto Автор
29.08.2026 19:451000 строк вполне достаточно чтобы отследить минимально необходимый набор критериев
Любительские 15-20к, про 50-100к, платформы по несколько млн
Думаю что не сильно бы изменились результаты, разве что багов было бы больше пропорционально
Egor-1988
29.08.2026 19:45Вот единый, связный комментарий, собранный из всех твоих мыслей. Сформулирован профессионально, без воды, поэтапно. Можешь копировать и ставить.
Комментарий (полная версия):
Статья поверхностная, как и сам подход. Это детские забавы — взять любую топовую модель, накидать шаблонный код из документации и назвать это «торговым ботом». Но рынок не шаблон. Он живёт своей жизнью, и то, что сработало на истории, не обязательно сработает на реальных деньгах.
В этом и есть главная ошибка большинства: все хотят сделать бота или сигнальщика, который будет торговать и зарабатывать вместо человека. Но никто не хочет построить связку «человек + помощник». Торговый помощник, который не заменяет тебя, а помогает принимать решения. Пока это не поймёшь, даже самый лучший код будет работать против тебя.
Большинство строят свои системы на стандартных индикаторах и платформах, а не на анализе плотности тиков, характера пары и рыночной микроструктуры. Рынок — это поток. И если ты не понимаешь, из чего состоит этот поток (плотность, направление, ускорение, связность), ты будешь писать шаблонные решения, которые работают только на истории.
Послойная фильтрация и понимание того, что происходит на каждом таймфрейме, — это основа. Каждый свитч, каждые 50 свечей играют роль. Особенно на младших уровнях, когда движение переходит с нижних слоёв на средние и старшие. Эти слои постоянно конфликтуют между собой. Точка входа — это момент, когда конфликт разрешается. Но чтобы его увидеть, нужно понимать структуру, а не просто ждать сигнала от индикатора.
Каждая пара имеет свой характер. Сегодня она живая, завтра мёртвая. Система должна это видеть и адаптироваться. А не просто ждать, когда сработает очередной шаблон. Тот, кто этого не понял, будет переписывать код бесконечно, но так и не выйдет в ноль.
Заключение автора размыто и непонятно. Неясно, что он сделал, зачем это делал и кому это адресовано. Любой может просто вбить в поисковик «напиши код торгового бота» и получить примерно ту же информацию. Никакая модель не даст тебе больше, чем ты сам заложишь в систему. Настоящая система строится внутри, а не копируется из статьи.
Pruto Автор
29.08.2026 19:45Егор, спасибо за развернутый ответ, я с тобой согласен во всем. Не было идеи в статье показать работающего и зарабатывающего бота. Это невозможно сделать одним промтом и сделать модель которая будет всегда прибыльна тоже.
Смысл статьи показать разницу в подходе моделей к упражнению
dyadyaSerezha
29.08.2026 19:45Коммент вроде бы и логичный, но на самом деле все рассуждения остаются абсолютно абстрактными и ни о чем без одного важного дополнения, которого в комменте нет: “я сам написал бота-советчика и с его помощью, с капиталом К баксов зарабатываю на таком-то рынке со средней прибылью Х% в месяц при росте индекса рынка A%, в течение Y лет, тратя в день Z часов своего времени - вот лог моих торгов”. (да и то, лог можно такой написать, такооой!)
Да, и второе важное: в комменте нет объяснения, почему знание человека о торгах, то есть, финальное решение о сделке, нельзя формализовать (или обучить ИИ) и отдать боту.
Pruto Автор
29.08.2026 19:45По первому вопросы очень развернуто выше отвечал
А по второму вопросу - я как раз не считаю, что финальное решение человека принципиально нельзя формализовать. Наоборот: если трейдер может объяснить, почему он входит в сделку, где выходит и какой риск принимает, значительную часть этого процесса вполне можно описать правилами и передать боту.Проблема начинается там, где «знание трейдера» звучит как: «ну тут рынок выглядит хорошо, поэтому я бы вошёл». Пока решение невозможно формализовать или проверить на данных, проверить его преимущество тоже невозможно.
Именно поэтому мне и интереснее двигаться в сторону систем, где логику можно явно описать → протестировать → посмотреть статистику → и только потом запускать.
А если окажется, что часть решения действительно лучше принимает человек или модель, то это тоже можно оставить отдельным слоем системы, а не считать, что бот обязан на 100% заменить человека.
dyadyaSerezha
29.08.2026 19:45Не нашёл ответа по первому вопросу. Но вы вообще не автор комментатрия, про который я спрашивал)
Рынок выглядит хорошо - неужели трейдер не может связно объяснить это? Странно.
Полностью автоматический бот хорош только одним, но важным аспектом - ты не тратишь своего времени.
psemilanceata
29.08.2026 19:45Либо же он хорош на тех задачах, которые шаблонны и массированы, не обременены требованием принятия решений исходя из… А исходя из чего они обычно? Любые совокупности факторов и математических совркупностей проще сделать машине, человеческий мозг не способен на такие скорости. А в торговле нередко к положительному результату приводят сделки, которые получились “случайно”(не закрылся, хотя должен был, но решил подождать и повезло). Исходя из того, какие суммы теряют периодически самые прибыльные трейлеры трейдеры несмотря на весь их опыт - в обратную сторону это работает не хуже.
tester37
Быстро собрать торгового бота по одному промпту. Очень полезный подход для экосистемы )
Pruto Автор
Статья не про то, как собрать работающего и зарабатывающего бота, а про то, насколько с первого касания каждая модель близка к результату)
mist56
Реальная польза от такой информации близка к нулю. Какая разница, будет результат с первой или третьей итерации? В реальной жизни начисто слёту ничего не происходит. Тем более с таким порехностным "тз" где почти любая строка требует более детализированной проработки.
Pruto Автор
Согласен, в реальной разработке результат почти никогда не получается идеально с первой итерации и я не пытался это доказать.
Смысл эксперимента скорее в сравнении стартовой точки: насколько рабочий фундамент каждая модель способна собрать при одинаковых вводных и сколько проблем приходится исправлять уже после первого ответа.
И да, ТЗ намеренно получилось достаточно общим. В реальном проекте его, конечно, пришлось бы декомпозировать значительно подробнее, а итоговый бот дорабатывать и тестировать гораздо дольше 60 минут.
Но именно при одинаково неполном ТЗ, на мой взгляд, и становится интересно сравнить, насколько хорошо модели справляются с неопределённостью и какие решения принимают самостоятельно.
InsiderCrush
Согласен. Как сферический конь в вакууме, статья интересна. Как гайд для написания кода - ок. В реальности такие боты не будут зарабатывать. Зарабатывают те, кто сидит рядом с биржей и понимает в высокочастотной торговле.
Pruto Автор
И я с вами полностью согласен)
Ни в коем случае не писал и не делал кликбейта что статья про то "как заработать"
Dimmirslr
Разница огромная при использовании генерации в CI/CD пайплайне или внутри агента, там просто некому руками делать третью итерацию
mist56
Ни фига не понял. Речь же про написание бота, а не ЛЛМ агента в рантайме.
Pruto Автор
Именно так, в ран тайме не оч верю в llm, 300 мс слишком много
mist56
Трейдинг - это не только про высокочастотку. Кроме интрадеев и свинги существуют и с анализом ЛЛМ очень даже помогает.
Pruto Автор
да, тут правильнее сказать, LLM не применима на уровне 10-100 bps в кратко-срок. Как аналитика, портфель, агент, конечно да
Dimmirslr
Биржи только рады такому наплыву кривых скриптов. Больше хаотичных сделок по рынку дают отличный профит на комиссиях)
Pruto Автор
Биржа рада любой ликвидности, это их хлеб)