25 ИИ-агентов торгуют на бирже: как autoresearch Карпати применили к финансовым рынкам

Наткнулся на интересный эксперимент: один разработчик взял autoresearch — фреймворк Андрея Карпати для автономных ML-экспериментов — и направил его на финансовые рынки.

Идея элегантная. 25 ИИ-агентов каждый день анализируют макроэкономику, процентные ставки, сырьевые рынки, секторы и отдельные акции. Каждый агент выдаёт рекомендации, которые затем сверяются с реальными результатами. Агент с худшим коэффициентом Шарпа (Sharpe ratio — метрика доходности с поправкой на риск) автоматически получает переписанный промпт. Система сама решает: оставить изменения или откатить.

По сути, это тот же цикл autoresearch, только вместо весов модели — промпты, а вместо loss-функции — коэффициент Шарпа. Дарвиновский отбор для ИИ-трейдеров.

Что получилось

Агенты натренированны на данных за 18 месяцев: 378 итераций, 54 модификации промптов, из которых выжило всего 16. Система сама научилась, каким агентам доверять — лучше всех показали себя геополитический и сырьевой аналитики.

Это не готовый торговый бот и не финансовый совет. Но сам подход — эволюционная оптимизация промптов через реальные метрики — можно применить далеко за пределами трейдинга.

Почему это интересно

Здесь сошлись две мощные идеи. Первая — autoresearch как универсальный движок: дай агенту задачу, метрику и возможность переписывать собственные инструкции — и пусть он сам найдёт лучшую стратегию. Вторая — мультиагентный подход, где каждый агент специализируется на своей нише, а «арбитр» оценивает их по реальным результатам.

Везде, где есть измеримый результат и возможность итерировать, такая схема работает. Продажи, поддержка, контент, аналитика — принцип один и тот же: запускаешь агентов, меряешь, слабых переписываешь, сильных оставляешь.

Мне нравится, как простая идея — «промпты = веса, метрика = loss» — превращает обычных ИИ-агентов в самонастраивающуюся систему. Это ровно тот подход, который я использую в своей работе: не пытаться угадать идеальный промпт с первого раза, а дать системе самой его найти.

• GitHub проекта: ATLAS — Self-Improving AI Trading Agents

По теме

• Статья: Когда ИИ делает всё сам: за что теперь платят людям
• Блог: Autoresearch от Karpathy: мини-репозиторий, чтобы «научить» агента улучшать обучение LLM
• База знаний: Paperclip — оркестрация команд AI-агентов как автономной компании

Если вы экспериментируете с ИИ-агентами и хотите разобраться, как выстроить мультиагентную систему под свои задачи — давайте обсудим.