Проблема разрыва между прогнозом и прибылью
Прогнозирование будущих событий стало популярным полигоном для оценки возможностей больших языковых моделей (LLM). Однако авторы нового исследования подчеркивают фундаментальное заблуждение: способность модели давать калиброванные вероятностные оценки не гарантирует успеха в торговле. Существующие бенчмарки фиксируют существенный разрыв между точностью прогнозов и реальными торговыми результатами. Простое знание вероятности исхода события не равно умению извлечь из этого выгоду на рынке.
Решение: Raven-Agent
Команда исследователей во главе с Ишу Вангом (Yishu Wang) представила Raven-Agent — архитектуру, которую они называют первым автономным торговым агентом для предсказательных рынков. Ключевое отличие подхода заключается во внедрении специального слоя "Belief-to-Trade" (от убеждения к сделке). Этот модуль переводит внутренние вероятностные оценки модели в конкретные торговые действия, учитывая рыночную ликвидность, комиссии и риск-менеджмент, а не только точность прогноза.
Результаты тестирования
Агенты были протестированы на контролируемом реверсе (replay) архивного набора данных с историческими решениями. В сравнении с другими протестированными политиками (policies), Raven-Agent показал уникальные результаты. Ниже приведена сводка эффективности в рамках исследования:
| Метрика | Результат Raven-Agent | Результат других политик |
|---|---|---|
| Общая доходность (Return) | Положительная | Отрицательная или нулевая |
| Доходность с поправкой на риск (Risk-adjusted return) | Положительная | Отрицательная или нулевая |
| Статус | Единственный успешный агент | Неэффективные стратегии |
Это делает Raven-Agent единственным протестированным решением, способным генерировать стабильную прибыль в условиях предсказательных рынков, что подтверждает важность интеграции торгового слоя в архитектуру ИИ-агентов.
Открытый код и значимость
Авторы опубликовали код своего решения, открыв путь для дальнейших исследований в области автономных финансовых агентов. Работа демонстрирует переход ИИ от пассивного «аналитика» к активному «трейдеру», способному действовать в условиях неопределенности и рыночных ограничений. Исследование опубликовано 3 июля 2026 года в arXiv (cs.AI).
Источник: arXiv cs.AI ↗