Технічний контекст
Я люблю такі розмови, бо вони швидко зривають маску із зайвих очікувань. Якщо зовсім чесно, LLM живуть не у світі строгих алгоритмів, а у світі статистичних закономірностей. І коли я проєктую AI integration для завдань з ринком, я одразу виходжу з цього обмеження.
З хвилями Елліотта проблема стара: постфактум розмітити графік можна красиво, а в моменті майже завжди спірно. Незрозуміло, де хвиля почалася, який патерн зараз активний і чи не зламає все найближча новина. Тому сама теорія зручна як мова опису, але слабка як автономний двигун прогнозу.
На цьому тлі LLM корисні не там, де всі мріють. Вони непогано збирають контекст, пропонують кілька гіпотез розмітки, пояснюють, чому рух схожий на імпульс чи корекцію, і головне, вміють пов'язувати графік із текстом. Саме це 13 років тому було технологічно важко, а зараз уже можна зібрати в робочу систему.
Я подивився, куди реально рухаються дослідження: multi-agent схеми, RAG з аналітики, окремий шар для новин та окремий для price action. Це здорова архітектура. Якщо змішати все в одну кашу, модель починає плутати структуру графіка з красивим наративом із заголовків.
Тому мені ближчий такий підхід: не просити в LLM точну ціну або момент розвороту, а змусити її видати 2-3 правдоподібні сценарії, зазначити, що їх підтверджує, і де кожен сценарій ламається. Ось тут модель уже грає у свою гру, а не вдає із себе магічний термінал Bloomberg.
Вплив на бізнес та автоматизацію
Для практики висновок жорсткий: виграють ті, хто будує не «оракула ринку», а шар прийняття рішень. LLM можна ставити як reasoning-надбудову над техіндикаторами, новинами та правилами ризику. Це вже схоже на корисну automation with AI, а не на дорогу іграшку.
Програють ті, хто чекає на алгоритмічну гарантію від статистичної моделі. Якщо не розділяти, де у вас жорсткі правила, а де ймовірна гіпотеза, система буде впевнено помилятися і дуже дорого.
Я б ще додав один практичний критерій: без walk-forward тестів, контролю look-ahead bias та роздільної перевірки сигналів news vs chart такий стек взагалі не варто випускати в гроші. Ми в Nahornyi AI Lab якраз вирішуємо ці стики для клієнтів: де залишити детермінований код, де додати LLM, і як зібрати AI solutions for business так, щоб воно не розвалилося на першому ж ринковому шумі.
Якщо у вас вже є аналітичний пайплайн, але він тоне в новинах, гіпотезах та ручній розмітці, давайте розберемо його по шарах. У Nahornyi AI Lab я можу допомогти побудувати AI automation, де модель не обіцяє магію, а реально знімає рутину, прискорює аналіз і залишає людині тільки ті рішення, за які варто боротися.