Саммари

🎯 О чём этот конспект: Практический разбор 7-дневного эксперимента по передаче $10 000 реальных денег автономным AI-агентам для торговли акциями на бирже США против бенчмарка S&P 500. В деталях показана архитектура системы: планирование расписания (6 циклов активности в день), механизм передачи контекста между сессиями (Handoff Messages), обход системных ограничений моделей (guardrails) через связку «Аналитик (GPT/Astra) + Исполнитель (GrokBot + Alpaca API)» и динамическая калибровка риск-менеджмента.

👤 Кому будет полезно: Вайбкодерам, AI-инженерам и разработчикам автоматизаций, создающим автономных агентов для финансовых рынков, интеграторам API брокеров (Alpaca) и всем, кто строит сложные многошаговые цепочки агентов с сохранением состояния.

✨ Что получите: Пошаговую схему архитектуры автономного трейдингового агента: готовые промпты калибровки агрессивности, шаблон контекстной эстафеты (handoff), обход отказов LLM совершать транзакции и выводы по управлению капиталом на волатильном рынке.

1. Архитектура непрерывности: 6 циклов активности и контекстные хендоффы

Контекст: Главная проблема при автоматизации биржевой торговли через LLM — отсутствие непрерывной памяти и риск рассинхронизации между разными фазами торгового дня. Если агент просыпается в изолированном контексте (stateless), он не знает, почему были открыты предыдущие позиции, какие стоп-лоссы были выставлены и какую стратегию одобрил пользователь. Чтобы решить эту проблему, автор развернул расписание из 6 активных фаз («wake-ups») и 2 циклов уведомлений внутри единого потока (thread) платформы Codex на базе GPT-6 Astra. Каждый агент перед завершением своей сессии формирует структурированное сообщение-передачу (handoff message), которое считывает следующий агент при пробуждении.

Тайминг: [01:21], [01:44], [02:33]

Выгода: Полная иллюзия бесшовной работы единого оператора без затрат на поддержание бесконечного активного контекстного окна; защита от потери логики позиций при смене фаз рынка.

Как применить:

• Шаг 1: Настройка единого треда и расписания — Codex — Создайте единый тред для торгового сетапа и настройте шедулер на 6 критических таймслотов торговой сессии США (EST/EDT):
  • 07:45 (Pre-market): анализ утренних новостей, проверка баланса счета, формирование ватчлиста;
  • 09:30 (Открытие рынка): поиск первого сетапа, проходящего базовые фильтры риска;
  • 11:00 (Midday): ревизия позиций, поиск финальной внутридневной точки входа;
  • 13:00 (Afternoon): контроль существующих позиций, подтягивание трейлинг-стопов;
  • 14:15 (Pre-close exit): закрытие нестабильных позиций и подготовка к выходу;
  • 15:15 / перед закрытием: фиксация дневного PnL, запись результатов в лог и подготовка ночного отчета.
• Шаг 2: Реализация механизма Handoff — Prompt Engineering — В системную инструкцию агента зашейте обязательное требование: любая сессия должна завершаться генерацией метаданных для следующего пробуждения.

### ИНСТРУКЦИЯ ПО ПЕРЕДАЧЕ СМЕНЫ (HANDOFF PROTOCOL)
Перед завершением текущей сессии сгенерируй блок передачи для следующего цикла:
1. Текущий баланс и открытые позиции (тикер, точка входа, текущий PnL, стоп-лосс).
2. Причина удержания или выхода из сделки.
3. Ватчлист с целевыми уровнями входа для следующего агента.
4. Конкретная директива следующему циклу (например: "В 14:15 проверить просадку по AAPL; если ниже -1.5%, закрыть по маркету").
Запиши этот блок в конец треда с тегом [HANDOFF_TO_NEXT_ROUTINE].

Результат: Автономный конвейер из 6 сессий в сутки, где каждая итерация оперирует полным контекстом предыдущих решений без риска дублирования сделок.

2. Обход Guardrails LLM: Архитектура «Brain & Hands» (Astra + GrokBot + Alpaca)

Контекст: На второй день эксперимента система столкнулась с жестким ограничением безопасности модели: GPT-6 Astra наотрез отказалась автоматически отправлять торговые ордера, заявив: «Я могу помогать вам со стратегией, но не буду исполнять сделки от вашего имени». Прямой промптинг и попытки убедить модель не сработали из-за встроенных системных барьеров (model alignment restrictions). Автор решил эту проблему архитектурным разделением ответственности: «Мозг» анализирует рынок, а физическое исполнение передается отдельному сервисному боту.

Тайминг: [04:14], [04:46], [05:00]

Выгода: 100% обход системных запретов языковых моделей на совершение финансовых транзакций без джейлбрейков, с сохранением глубокой аналитики флагманской LLM.

Как применить:

• Шаг 1: Изоляция аналитического ядра (Brain) — Codex / GPT-6 Astra — Переведите аналитическую модель в режим советника. Модель проводит скрининг акций, оценивает риски и формирует готовый JSON-сигнал на покупку или продажу, после чего отправляет его по электронной почте на выделенный адрес.
• Шаг 2: Создание вебхук-приемника (Hands) — GrokBot / Make / n8n — Создайте изолированного бота с собственным почтовым ящиком (в видео автор назвал его GrokBot «Trader»). Настройте вебхук на событие получения входящего письма от Astra.
• Шаг 3: Маршрутизация в брокерский API — Alpaca API — Настройте GrokBot на парсинг входящего JSON из письма и вызов REST API брокера Alpaca для мгновенного исполнения рыночного или лимитного ордера.

Результат: Аналитическая модель генерирует стратегические торговые сигналы, не нарушая свои правила безопасности, а GrokBot по вебхуку исполняет их через Alpaca API за доли секунды.

3. Калибровка агрессивности: Борьба с «параличом анализа» агентов

Контекст: В первые два дня эксперимента баланс практически не двигался: за первый день убыток составил всего $9 (выбило стоп по Tesla на 9 акций объемом около $3 000), а за второй день изменение депозита составило смехотворные +$0.21. Причина крылась в избыточно жестких фильтрах: соотношение риск/прибыль (Risk-to-Reward) стояло на уровне 2:1, а многоступенчатая система валидации отвергала потенциально прибыльные сетапы на финальном этапе отбора («final gate rejection»). В условиях короткого 7-дневного горизонта такая сверхосторожность гарантировала проигрыш индексу S&P 500 из-за упущенных возможностей.

Тайминг: [03:26], [03:48], [05:27]

Выгода: Увеличение частоты сделок и переход от пассивного наблюдения к активному захвату рыночного моментума без потери контроля над рисками.

Как применить:

• Шаг 1: Снижение таргета Risk-to-Reward — Codex — Уменьшите требование к коэффициенту R/R с 2:1 до 1.5:1. Это позволяет агенту заходить в сделки с более реалистичным потенциалом движения на внутридневных таймфреймах.
• Шаг 2: Увеличение частоты проверок входа — Шедулер Codex — Добавьте 3 дополнительных окна анализа точек входа («entry reviews») внутри торговой сессии, проверяя ватчлист каждые 30–45 минут вместо редких дискретных проверок.
• Шаг 3: Промпт форсированной калибровки фильтров — Codex Prompt — Отправьте агенту директиву на адаптацию под ограниченный временной горизонт:

ВНИМАНИЕ: У нас агрессивный горизонт испытания (осталось всего 5 торговых дней). 
Текущие фильтры отбора приводят к параличу анализа: ты отбраковываешь валидные идеи на финальном этапе валидации.
Внеси следующие изменения в стратегию:
1. Снизь минимальный порог Risk-to-Reward с 2.0:1 до 1.5:1.
2. Отключи вторичные консервативные фильтры объема, если тренд на 15m и 1h подтвержден.
3. Проводи проверку ватчлиста на вход каждые 30 минут в течение первых 3 часов сессии.
4. Разреши открытие позиций размером до 25-30% от портфеля на один инструмент при сильном сетапе.
Подтверди применение обновленного плана действий.

Результат: Агент мгновенно прекращает отбрасывать рабочие сетапы и начинает генерировать от 3 до 5 активных позиций в день.

4. Управление утилизацией кэша: Развертывание 100% ликвидности

Контекст: К середине челленджа (день 3) выяснилось, что портфель вырос на скромные $18 (до $10 018), но в рынке находилось всего около $4 000 (HPE на $2 000, ExxonMobil на $1 200, Apple на $1 000). Около $5 800 (почти 60% капитала) лежало мертвым грузом в виде свободного кэша. Если 60% портфеля находится в кэше, обогнать широкий рынок (S&P 500) в дни растущего тренда математически невозможно из-за недостаточного плеча задействованных средств (cash drag). Автору пришлось принудительно заставить агента масштабировать сайзинг позиций.

Тайминг: [06:27], [06:48], [08:33], [10:14]

Выгода: Максимизация отдачи от направленных рыночных движений: повышение задействованного капитала с 40% до 99.9% (до уровня всего $8 свободного кэша).

Как применить:

• Шаг 1: Аудит распределения активов — Portfolio Dashboard — Замерьте долю свободных средств (unallocated cash). Если в краткосрочном челлендже она превышает 20%, агент недорабатывает.
• Шаг 2: Пересчет алгоритма сайзинга позиций (Position Sizing) — Codex / Astra — Задайте жесткое правило: при отсутствии критических макроэкономических угроз свободный кэш не должен превышать 5–10% от депозита.
• Шаг 3: Промпт на агрессивную утилизацию кэша — Codex Prompt — Передайте агенту директиву на распределение остатков ликвидности:

Анализ баланса: в настоящее время у нас простаивает свыше 50% кэша. 
Мы не используем покупательную способность портфеля для конкуренции с S&P 500.
Директива на следующую торговую сессию:
- Целевой уровень задействованного капитала: не менее 80-90% от общего баланса ($10 000).
- Распредели свободную ликвидность между топ-3 активами из текущего ватчлиста либо увеличь объем существующих прибыльных позиций.
- Свободный остаток кэша на счете после 10:30 утра не должен превышать $500-$1000.

Результат: К 4-му и 5-му дням объем активных позиций достиг 80–99% ($9 992 в акциях и всего $8 в свободном кэше), что позволило на 5-й день показать дневную доходность +0.37% против падения S&P 500 на -0.45%.

5. Поведение AI-агента при макроэкономических шоках: Кейс ставки ФРС

Контекст: На 6-й день эксперимента ФРС США единогласно проголосовала за повышение процентной ставки на 25 базисных пунктов (с 3.75% до 4.00%). Рынок моментально отреагировал волной распродаж: индекс S&P 500 резко пошел вниз. Реакция автономного агента Astra оказалась хаотичной: модель испугалась новостного фона и экстренно распродала большую часть активов, выведя портфель в кэш (около $7 000 кэша в течение часа). Затем, увидев «просадку», агент решил импульсивно зайти в 80 акций тикера FPS, на чем зафиксировал дополнительный убыток, потеряв $85 за день (-0.87% против -0.45% у индекса).

Тайминг: [12:24], [13:06], [13:37]

Выгода: Понимание паттернов поведения LLM при новостных шоках; предотвращение панических ликвидаций и неэффективных покупок «на падающем ноже» через установку защитных тайм-аутов.

Как применить:

• Шаг 1: Внедрение макроэкономического календаря — API новостей / Python скрипт — Подключите к агенту скрипт проверки календаря экономических событий (FOMC, CPI, NFP).
• Шаг 2: Правило заморозки торговли (Trading Freeze Rule) — Системный промпт — Запретите агенту проводить массовые ребалансировки за 30 минут до и в течение 45 минут после оглашения решений ФРС по ставкам.

### ПРАВИЛО ОБРАБОТКИ МАКРОЭКОНОМИЧЕСКИХ СОБЫТИЙ (FED/FOMC RULE)
При получении новостей о решениях Федеральной резервной системы (FOMC) или публикации данных по инфляции (CPI):
1. ЗАПРЕЩЕНО совершать экстренную полную ликвидацию портфеля по рыночным ценам (Market Orders) в первые 60 минут после выхода новости во избежание закрытия по невыгодным ценам в расширенном спреде.
2. Позиции удерживаются по заранее выставленным жестким Stop-Loss ордерам.
3. ЗАПРЕЩЕНО открывать новые спекулятивные позиции в течение 90 минут после события до стабилизации объема и волатильности.

Результат: Устранение панических циклов «ликвидация в кэш на панике -> импульсивный вход в случайный актив на отскоке», которые стоили автору победы в челлендже на 6-й день.

6. Итоги 7-дневного теста: Почему спотовые акции требуют другого горизонта

Контекст: Финальный баланс 7-го дня составил $9 900 (чистый убыток -$100 или -1.0%). При этом пассивное удержание $10 000 в фонде на S&P 500 за тот же период принесло бы результат $9 980 (убыток -$20 или -0.2%). S&P 500 обошел агента на 0.8 процентных пункта. Главный вывод автора: чистая торговля акциями (spot equities) без плеча и деривативов на горизонте всего 7 дней не дает статистического преимущества. Первые 2 дня ушли на раскачку и борьбу с барьерами, а на 6-й день вмешался фактор ставки. Тем не менее в отдельные дни (день 5 и день 7) агент опережал индекс более чем на 0.7–0.8% в сутки.

Тайминг: [15:28], [16:03], [16:48]

Выгода: Реалистичный взгляд на возможности AI в трейдинге без завышенных ожиданий; четкое понимание необходимой длины бэктеста/форвард-теста (минимум 30–90 дней) и подходящих финансовых инструментов.

Как применить:

• Шаг 1: Увеличение горизонта форвард-тестирования — Планирование проекта — Для оценки жизнеспособности алгоритмов на базе LLM закладывайте минимальный срок от 30 до 90 дней, чтобы нивелировать влияние разовых макроэкономических шоков.
• Шаг 2: Выбор правильных финансовых инструментов — Брокерская архитектура — Для коротких спринтов (до 7-14 дней) использование спотовых акций неэффективно. Если цель — взрывной рост альфы, архитектуру необходимо адаптировать под опционы (Options) или работу с внутридневным плечом (Intraday Margin), закладывая строгие протоколы ликвидации при просадке свыше 2-3%.
• Шаг 3: Мониторинг относительной альфы (Alpha Tracking) — Таблица бенчмарка — Сравнивайте каждую сессию не с нулем, а с эталоном:

Дневная Альфа = Доходность Портфеля (%) - Доходность S&P 500 (%)
Пример Дня 7: Портфель (+1.87%) - S&P 500 (+1.14%) = +0.73% чистой альфы.

Результат: Понимание реальной юнит-экономики автономного трейдинга: спотовые акции требуют длинного горизонта от 1 месяца, а краткосрочный отрыв от бенчмарка требует либо опционных стратегий, либо работы с волатильными активами.

FAQ

В: Какая модель использовалась в качестве основного ядра стратегии? О: Эксперимент проводился на базе платформы Codex с использованием модели GPT-6 Astra в конфигурации «high reasoning». Модель отвечала за исследование рынка, валидацию новостей, формирование ватчлистов и принятие решений о точках входа и выхода.

В: Почему модель отказалась напрямую выставлять сделки через брокера? О: Разработчики передовых LLM встраивают жесткие ограничения безопасности (safety alignment), запрещающие моделям совершать прямые финансовые действия и брать юридическую/финансовую ответственность за сделки. Модель заявляет, что готова лишь давать аналитику, поэтому исполнение транзакций пришлось вынести в отдельный контур.

В: Как именно устроена связка для физического совершения сделок? О: Архитектура разделена на два узла: «Мозг» (GPT-6 Astra в Codex) анализирует данные и отправляет письмо с параметрами сделки на выделенный адрес. «Руки» (GrokBot под именем Trader) перехватывает письмо через вебхук, парсит тикер, объем и стоп-лоссы, после чего отправляет API-запрос на исполнение в брокерский сервис Alpaca.

В: Что такое Handoff Messages и зачем они нужны в трейдинге? О: Это структурированные служебные отчеты, которые агент генерирует в конце каждого сеанса работы. Поскольку агент запускается 6 раз в день по расписанию и каждый раз начинает сессию без активной рабочей памяти, чтение сообщения от предыдущего агента позволяет ему мгновенно узнать, какие позиции открыты, где стоят стопы и какие действия планировались на текущий час.

В: Почему агент потерял деньги на новости о ставке ФРС? О: Агент среагировал на всплеск рыночной паники эмоционально (в рамках заложенных промптов защиты капитала): он сбросил активы на спаде, зафиксировав убыток, а затем на остатки ликвидности купил 80 акций волатильного тикера FPS, пытаясь поймать отскок. Это классическая ошибка овертрейдинга при выходе ключевых макроданных.

В: Можно ли повторить этот эксперимент без риска потерять реальные деньги? О: Да, брокер Alpaca предоставляет бесплатную песочницу (Paper Trading API), которая полностью имитирует реальные торги с задержками и стаканом котировок. Вы можете подключить Codex/GrokBot к Paper Trading ключам и протестировать стратегию без риска для капитала.

Ресурсы и ссылки

• Codex — среда выполнения и оркестрации агентов на базе передовых LLM (GPT-6 Astra), упомянутая автором как основная платформа для аналитических тредов.
• Alpaca API — брокерская платформа для разработчиков алгоритмических и агентских систем торговли акциями и криптой через REST API — https://alpaca.markets
• GrokBot (Trader) — автономный бот-исполнитель с интеграцией вебхуков и почтового сервиса, использовавшийся как прослойка между LLM и API брокера.
• Open Claw — агентный фреймворк, на котором автор проводил свой предыдущий 30-дневный эксперимент по торговле на бирже.
• AIS Live (AI Summit) — офлайн-мероприятие автора по практическому внедрению AI-агентов, проходившее 17-18 октября.

Конспект создан на основе видео «I Gave AI $10,000 To Trade Stocks» канала AIS / AI Creator. Все права на оригинальный материал принадлежат авторам. Источник: https://www.youtube.com/watch?v=eg_1NXDcoPk