В этой статье я решил сравнить два популярных сервиса ChatGPT и Claude.ai и посмотреть, как они справляются с задачей поиска торговых неэффективностей на ноябрь 2024 года. Я оценил их функционал и удобство использования, чтобы выяснить, какой из них лучше подходит для анализа данных и разработки прибыльной торговой стратегии.

Чтобы упростить сбор данных, я воспользовался Гидрой — это, пожалуй, лучший бесплатный инструмент для загрузки рыночных данных.

Я скачал минутные данные по BTCUSDT за 2024 год, которые составили примерно 25 МБ, и выгрузил их в CSV-файл.

В последние годы использование искусственного интеллекта (ИИ) стало популярной темой в трейдинге. Многие платформы обещают невероятные результаты благодаря ИИ, но насколько это соответствует действительности?

Недавняя новость от StockSharp, где команда рассказала о применении ИИ для создания коннекторов к криптобиржам, заставила меня задуматься: насколько искусственный интеллект действительно уместен и применим в трейдинге на текущий момент? С этой мыслью я решил изучить рынок и выяснить, что же на самом деле предлагают платформы, которые рекламируют использование ИИ.

Реальность: роботы, а не платформы

Большинство решений, которые я обнаружил в процессе исследования, оказались не полноценными платформами для анализа и разработки собственных стратегий, а готовыми продуктами — роботами. Примером таких решений являются продукты, описанные в статье на Techopedia. Эти роботы представляют собой закрытые системы, «черные ящики», где пользователю остается лишь верить, что в их основе лежит ИИ. Однако пользователю не предоставляется возможность исследовать, тестировать или как-то модифицировать эти стратегии.

С развитием искусственного интеллекта (ИИ) и машинного обучения меняются не только технологии, но и способы их изучения. Особенно это заметно в области финансовых технологий, где программирование торговых роботов играло ключевую роль в автоматизации торговли и принятии инвестиционных решений. Однако с появлением новых ИИ-инструментов, многие считают, что традиционные курсы по программированию торговых роботов могут стать менее актуальными. В этом лонгриде мы рассмотрим, почему это происходит и какие изменения стоит ожидать в ближайшем будущем.

1. Автоматизация разработки торговых алгоритмов

Одним из главных факторов, влияющих на снижение необходимости традиционного обучения программированию торговых роботов, является автоматизация самой разработки торговых стратегий. Ранее, для создания успешного торгового робота требовались глубокие знания в области программирования и алгоритмов. Разработка сложных торговых стратегий включала анализ данных, написание и тестирование кода, а также оптимизацию алгоритмов. Это подразумевало длительное и дорогостоящее обучение на специализированных курсах.

-- Настройки
SEC_CODE = "SBER" -- Код инструмента
CLASS_CODE = "TQBR" -- Код класса инструмента
SHORT_MA_PERIOD = 10 -- Период короткой скользящей средней
LONG_MA_PERIOD = 50 -- Период длинной скользящей средней
QTY = 1 -- Количество лотов

-- Переменные
short_ma = {}
long_ma = {}
prices = {}
position = 0 -- Текущая позиция: 0 - нет позиции, 1 - лонг, -1 - шорт

-- Функция для расчета скользящей средней
function calculate_ma(prices, period)
    local sum = 0
    for i = #prices-period+1, #prices do
        sum = sum + prices[i]
    end
    return sum / period
end

-- Функция для обработки новых тиков
function OnAllTrade(alltrade)
    if alltrade.sec_code == SEC_CODE and alltrade.class_code == CLASS_CODE then
        table.insert(prices, alltrade.price)
        if #prices >= LONG_MA_PERIOD then
            table.