В интернете полно людей, которые рекомендуют купить или продать актив, показывают win rate и красивые графики доходности. Проблема в том, что их статистика принадлежит им самим: неудачный сигнал можно удалить, удачный оставить, а результат посчитать от удобной точки входа. По итоговой ленте невозможно отличить талант от хорошо отредактированной истории.
Автор Habr под ником, опубликовавший разбор, предлагает автоматизировать проверку таких рекомендаций с помощью ИИ-агента. Система подключается к источнику данных через Model Context Protocol (MCP) — это стандарт, который позволяет ИИ-моделям взаимодействовать с внешними инструментами и данными. По спецификации источник данных передаёт не только текст, но и картинки, что важно для каналов, где сигналы оформлены графически.
| Модель | Время работы | Интервал опроса | Комментарий |
|---|---|---|---|
| Fable 5 | 2 дня | 15 минут | Выбирает лимит целиком |
| Opus 5 | 8 дней | 15 минут | Недельный лимит не выбирается |
| Sonnet 5 | 20 дней | 15 минут | Недельный лимит не выбирается |
| Haiku 4.5 | 40 дней | 15 минут | Недельный лимит не выбирается |
Агент работает в цикле: команда /loop ставит задачу повторяться с интервалом, например, раз в 15 минут. Счёт при этом тестовый, сделки исполняются симуляцией внутри движка, и указание этого в промпте соответствует политикам безопасности. Агент осведомлён, какие позиции активны, их peak profit, максимальную просадку и текущий PnL. Условие, что торгуем только альту и больше трёх позиций одновременно не держим, прописывается текстом.
Ключевая особенность — доходность считает не агент. Если просто попросить ИИ-чат провести бектест торговой стратегии, он подгонит результат под ожидаемый: у него нет внешней проверки, а закончить работу с плохим числом он не хочет. Но если доходность считает внешний инструмент, а у агента есть две кнопки, купить или продать, то обман с close-to-close бектестом не выйдет. Вся арифметика живёт в скрипте, поэтому слабая модель не ломает риск-менеджмент.
Итоговый рейтинг автора собирается не из одной цифры, а из сводной таблицы по всем тикерам, которые он рекомендовал. Такой разрез сразу показывает то, что общая доходность прячет: автор может уверенно вести пару монет и наугад раздавать всё остальное. Задачу анализа исполняет не ИИ-агент, а его движок исполнения MCP. Считается всё: просадки позиций, sharpe ratio, calmar ratio.
Автор также приводит метрики стоимости токенов для разных моделей при подписке Claude Max за 200 долларов с точкой отсчёта от недельного лимита. Окно 5 часов не достигается ни для одной модели. Fable 5 — 2 дня работы с интервалом опроса 15 минут, выбирает лимит целиком (на Max он ограничен половиной недельного). Opus 5 — 8 дней с интервалом опроса 15 минут, недельный лимит не выбирается. Sonnet 5 — 20 дней с интервалом опроса 15 минут, недельный лимит не выбирается. Haiku 4.5 — 40 дней с интервалом опроса 15 минут, недельный лимит не выбирается. Sonnet, выбранная в Claude Code по умолчанию, позволяет проверять чат раз в 15 минут, не оптимизируя контекст вовсе. Добавив оптимизации промпта или увеличив интервал, можно охватить больше источников, открыв в tmux несколько консольных чатов.
Для оптимизации потребления токенов генерация summary по каналу выносится в сабагента. Таким образом тяжёлые изображения не попадают в глобальный контекст. Локальный хостинг позволяет использовать локальные LLM: ollama реализует для них вызов инструментов, а Claude Code подключается к нему через прокси на Anthropic-совместимый эндпоинт, без облака Anthropic. Точный TP/SL и trailing take выставляются скриптом через события жизненного цикла. Они высчитываются исходя из актуальной волатильности рынка и всегда разные, стабильное окно неэффективно. Дополнительно, чтобы не замедлять бектест ожиданием итерации от агента, история рекомендаций дампится на диск и стратегия проверяется изолированно, без чата вовсе.
Минимальный код для агента выглядит так: import { addStrategySchema } from "backtest-kit"; addStrategySchema({ strategyName: "main_strategy" }); Всё остальное агент делает через MCP-инструменты: схема нужна только чтобы движок знал, под каким именем вести журнал. Такой подход позволяет автоматизированно получать рейтинг авторов торговых рекомендаций не по регалиям, а по существу, и поручить задачу ИИ так, что и он тебя тоже обмануть не сможет.
