Что на самом деле делает AI-бот для торговли криптовалютой?

Опубликовано: 12 November 2026 | Обновлено: 12 November 2026

По состоянию на 7 November 2026 три решения для автоматизации торговли криптовалютой описывают в своей документации три разные вещи под названием «AI».

• Справочный центр Cryptohopper сообщает: «A.I. расшифровывается как Algorithmic Intelligence». Он описывает оценку предоставленных вами стратегий по тому, как часто их прошлые сигналы достигали целевого уровня прибыли.
• 3Commas заявляет, что «не предоставляет торговых рекомендаций или AI-сигналов», а подключает внешние AI-инструменты к своим ботам.
• Модуль FreqAI с открытым исходным кодом в составе Freqtrade обучает модели, такие как LightGBM и XGBoost, и переобучает их по расписанию.

Ни одно из этих описаний само по себе не говорит, зарабатывает ли бот деньги.

Что может означать «AI» в криптовалютном торговом боте?

Эти механизмы часто сосуществуют в одном продукте. Отбор и оптимизация — формы статистического обучения в широком смысле. Назвать механизм оценщиком, а не прогнозной моделью, недостаточно, чтобы решить, относится ли он к AI, и ни одно из этих описаний не доказывает прибыльность.

Полезный вопрос звучит так: что именно изучается, на каких данных и как это проверяется на данных, которых система не видела?

Я бы также отделила ассистента от торгового процесса. LLM может помогать создавать стратегию, не являясь моделью, которая генерирует её рыночные сигналы. Аналогично, стратегия может использовать параметры, подобранные на бэктесте, и при этом исполнять явно заданные правила.

Что говорится в документации самих платформ?

Таблица фиксирует документированные механизмы и вопросы, которые эти описания оставляют открытыми. Это не рейтинг. Документация может объяснять назначение функции, не раскрывая её серверную реализацию и не подтверждая её результативность.

Все приведённые выше цитаты поставщиков были повторно сверены с действующими или архивными страницами 2026-11-12.

Отсутствие раскрытия информации оставляет вопрос открытым. Оно не доказывает, что поставщик не использует машинное обучение, и не даёт оснований предполагать существование нераскрытой модели.

Почему хороший бэктест не доказывает, что AI-бот работает?

В моих упрощённых экспериментах использовались общедоступные часовые данные спотового рынка Binance по BTCUSDT и ETHUSDT за период с 2022-01-01 по 2026-10-31. Они демонстрируют проблемы оценки в моих собственных моделях и симуляторах, а не в системах поставщиков. Намеренно внесённая ошибка с использованием будущих данных заставила некорректный тест показать точность 84.6%; AUC модели с проверкой walk-forward составила 0.51, а интервалы включали уровень случайного угадывания. Последний тест не изолировал эффект переобучения.

В задаче прогнозирования часовые свечи агрегировались в 4-часовые бары, а целевая переменная была бинарной: «вверх» означало, что логарифмическая доходность за следующие 24 часа, то есть за следующие 6 баров, была выше нуля; ноль считался движением «вниз». Входными признаками служили исторические доходности, волатильность, RSI, разница между экспоненциальными скользящими средними и z-оценка объёма, рассчитанные по информации, доступной на закрытии бара; прогнозная вероятность выше 0.5 означала «вверх».

Как ошибка с использованием будущих данных заставила тест показать точность 85%

Намеренно добавленная центрированная скользящая средняя по 13 барам использовала 6 будущих баров, передавая будущую информацию в логистическую регрессию, несмотря на хронологическое разделение обучающей и тестовой выборок.

Полученные точность 84.6% и AUC 0.93 — результат некорректного теста, а не доказательство прогнозной способности модели; без этого признака точность той же модели составляла около 50%.

Почему перемешивание обучающей и тестовой выборок завышает результаты

Окна длиной 24 часа, по которым определяются метки соседних баров, в значительной степени совпадают, поэтому наблюдения зависимы при любом разбиении; отдельно от этого перемешивание помещает ближайшие соседние бары в обучающую выборку, создавая через их метки утечку перекрывающихся тестовых исходов, а также допускает обучение на более поздних данных.

При разбиении на временные блоки обучение идёт на данных по обе стороны от каждого тестового блока, с исключением данных за 24h до него и эмбарго на 48h после, поэтому только тест walk-forward обучается строго на более ранних данных.

Это сравнение на одной выборке измеряет разницу между схемами разбиения, не разделяя её на эффект утечки через перекрывающиеся метки и эффект обучения на более поздних наблюдениях.

Отличалась ли модель с проверкой walk-forward от случайного угадывания?

Моя логистическая регрессия использовала скользящее окно длиной 365 дней и переобучалась каждые 30 дней, в результате чего были получены 35 моделей; интервалы AUC включали уровень случайного угадывания 0.5, а точность была ниже, чем у прогноза «всегда вверх».

Это была оценка одной процедуры walk-forward, которая не изолировала эффект переобучения: для этого потребовалось бы сравнение с моделью без переобучения или с другим графиком переобучения на тех же датах, которого я здесь не привожу.

Логарифмическая доходность — натуральный логарифм отношения конечной стоимости к начальной. 0 означает отсутствие изменений, около +0.69 означает удвоение стоимости, а около −0.69 — её сокращение вдвое. Поэтому +0.59 — это не +59%, а −0.91 — не −91%. Модель прогнозирует направление на следующие 24 часа, но в этом примере решение о позиции пересматривается на каждом 4-часовом баре, поэтому проверяется конкретное торговое правило, построенное на прогнозе, а не сам горизонт прогноза.

Насколько лучшая из 16 настроек сетки завышала результат следующей недели?

Мой собственный симулятор спотовой сетки выбирал настройку с максимальной доходностью из 16 сочетаний ширины диапазона и количества уровней по предыдущим 7 дням, а затем измерял её доходность за следующие 7 дней; сам диапазон тоже определялся по неделе подбора, поэтому результат внутри выборки был оптимистичным по построению.

Средний разрыв ниже сохранялся и при альтернативном допущении о траектории цены внутри бара, но это не означает, что отставание возникало каждую неделю. Интервалы получены с помощью бутстрэпа со скользящими блоками, который повторно выбирает последовательности из 12 идущих подряд недель, сохраняя зависимость между соседними неделями.

Anny не поддерживает сеточных ботов.

Остаётся ли стратегия с самой высокой оценкой лучшей?

Мой алгоритм отбора еженедельно выбирал одно из пяти правил на часовых данных по доле успешных сигналов с завершёнными исходами за предыдущие 90 дней, где успех означал достижение цены как минимум на 2% выше цены закрытия сигнального бара в течение 24 часов, а затем сравнивал долю успешных сигналов выбранного правила за следующие 28 дней со средним значением по пяти правилам.

Наблюдалась небольшая разница: для BTC результат был чуть ниже этого среднего, для ETH — чуть выше, но доверительный интервал для парной разности не рассчитывался, а окна оценки перекрываются.

Это не доказывает ни эквивалентность, ни бесполезность отбора, а доля успешных сигналов — не прибыль: в этой схеме не было стопа, выхода или издержек.

Эти эксперименты охватывают простые признаки и модели, ограниченный набор активов, одну площадку и один период. Перекрывающиеся метки снижают независимость наблюдений, исполнение упрощено, а доля успешных сигналов не измеряет прибыль. Эти тесты показывают, как решения об оценке меняют результаты. Они не доказывают, что машинное обучение не может работать на крипторынке, и ничего не говорят о моделях конкретного поставщика.

Какие доказательства стоит запросить у поставщика AI-бота?

Используйте приведённый ниже список для проверки доказательств поставщика. Одно лишь описание модели оставляет вопрос результативности открытым; один лишь график доходности оставляет открытыми вопросы о механизме и процедуре тестирования.

Считайте вопрос без ответа открытым. Запрашивайте подробности, а не придумывайте объяснение работы системы.

Даже воспроизводимый бэктест может оставаться ограниченным своими активами, датами и допущениями об исполнении. Интервал неопределённости может описывать заявленную метрику, не разрешая все вопросы к исследовательским решениям, которые ей предшествовали.

Где здесь Anny Trade?

Anny Trade использует большие языковые модели для своего ассистента Ask Anny. На публичной странице Optimizer сказано, что индикаторы, бэктесты, поиск параметров и валидация — это «детерминированный код — без LLM на любом этапе этого цикла». Математика CFO Anny Line и Optimizer не использует LLM.

Боты Anny исполняют явно заданные правила входа и выхода на подключённых вами биржевых счетах, и Anny не поддерживает сеточных ботов. Эти описания показывают, где используются языковые модели; они не доказывают прибыльность.

Изучите детерминированные бэктесты и поиск параметров в Optimizer и примените к нему тот же список проверки.

Частые вопросы

Может ли AI-бот для торговли прогнозировать цены криптовалют?

Обученная модель может оценивать определённый рыночный исход, но наличие прогноза не доказывает полезной прогнозной способности. В моей задаче прогнозировалось направление на заданном горизонте, а не точная будущая цена. Ни одна модель в этой статье не продемонстрировала надёжной способности предсказывать направление вне обучающей выборки.

Считается ли оценка стратегий по доле успешных сигналов машинным обучением?

Отбор стратегий по результатам можно считать статистическим обучением в широком смысле, поскольку он использует исторические исходы для оценки доступных стратегий. Название не говорит, будут ли эти решения полезны в дальнейшем. Доля успешных сигналов не является мерой прибыли.

Означает ли использование LLM, что бот применяет машинное обучение для торговли?

LLM может писать стратегию или вызывать торговые инструменты, не являясь моделью рыночного прогнозирования. Спросите, что она создаёт, к каким инструментам имеет доступ и как контролируется исполнение. Затем отдельно оцените полученную стратегию; само по себе использование языковой модели не доказывает торговую результативность.

Что такое валидация walk-forward?

При оценке walk-forward модель обучается на более ранних данных и тестируется на более поздних, последовательно продвигаясь во времени. В моей процедуре использовались скользящее окно обучения и повторное переобучение с исключением данных перед каждым тестовым блоком. Это отличается от разбиения на блоки, при котором обучение идёт на данных по обе стороны от тестового блока.

Могу ли я самостоятельно проверить AI бота с закрытым исходным кодом?

Публичная документация может помочь определить заявленный механизм, не раскрывая серверную реализацию. Отсутствие раскрытия информации ничего не доказывает ни в одну сторону. Мои упрощённые эксперименты не исследуют системы с закрытым исходным кодом и не могут установить, что делает нераскрытая модель какого-либо поставщика.

Как я проводила эти тесты: методология и ограничения.

Все результаты в этой статье получены в симуляциях и бэктестах на исторических данных, а не в реальной торговле. Гипотетическим и смоделированным результатам присущи ограничения: они строятся с учётом уже известного прошлого, не отражают реального исполнения и не предсказывают будущую результативность.

Описанный выше набор данных содержал 42,359 часовых баров на каждый актив, с одним отсутствующим на стороне биржи часом — 2023-03-24 13:00 UTC. Выборочно проверенные контрольные суммы месячных файлов совпали с опубликованными Binance. Использовались версии numpy 2.5.4, pandas 3.1.1 и scikit-learn 1.9.1.

Данные заканчиваются на 2026-10-31 23:00 UTC, а неполные исходы обрабатывались следующим образом.

• Тесты прогнозирования: бары без полной метки за следующие 24 часа исключались, поэтому последний размеченный 4-часовой бар — 2026-10-30 20:00 UTC. Последний из 35 блоков walk-forward начинается 2026-10-17.
• Сетка: решение сохранялось только при наличии 30 полных дней последующих данных. Это даёт 195 еженедельных решений с 2023-01-02 по 2026-09-21.
• Алгоритм отбора: он принял 199 еженедельных решений с 2023-01-02 по 2026-10-19. У последних трёх, начиная с 2026-10-05, окна длиной 28 дней сокращены концом данных, а сигналы в последние 24 часа считаются неуспешными. Исключение этих трёх решений сохраняет направление небольших различий (BTC 0.32 против 0.34, ETH 0.47 против 0.46).

В логистической регрессии использовались стандартизированные признаки с регуляризацией C = 0.1. Для сравнения разбиений использовался случайный лес из 200 деревьев с минимальным размером листа 5. Входные признаки без утечки включали доходности за 1, 3, 6, 18 и 42 бара; волатильность за 18 и 42 бара; RSI(14); разницу между экспоненциальными скользящими средними по 20 и 50 барам; и z-оценку объёма по 42 барам.

Для интервалов AUC в проверке walk-forward использовался бутстрэп со скользящими блоками по 42 последовательных 4-часовых бара, 500 повторными выборками и процентилями 2.5–97.5. В торговом примере учитывалась доходность за следующие 4 часа от цены закрытия сигнального бара, без задержки. Издержки в 15 bps складывались из предполагаемой комиссии 10 bps и проскальзывания 5 bps на изменение позиции.

Хотя прогноз нацелен на направление за следующие 24 часа, это торговое правило пересматривает позицию на каждом 4-часовом баре. Его доходность оценивает именно это правило, а не прямую монетизацию горизонта прогноза. Ни AUC около 0.5, ни точность ниже прогноза «всегда вверх» сами по себе не исключают возможностей заработать: величины выигрышей и потерь, пороги и результаты при отдельных условиях тоже имеют значение.

Кандидатные настройки сетки сочетали ширину диапазона 0.8×, 1.0×, 1.25× и 1.6× от половины диапазона предшествующего периода с 10, 25, 50 и 100 уровнями. При каждом исполнении взималось 0.05%, без проскальзывания. Каждая неделя начиналась заново; непроданные монеты оценивались по последней цене закрытия без комиссии за выход. Интервалы разрыва рассчитаны с помощью кругового бутстрэпа со скользящими блоками по 195 недельным разрывам (блоки по 12 недель, 10,000 повторных выборок, фиксированное начальное значение генератора). Недельные разрывы имели слабую отрицательную автокорреляцию на лаге 1, а автоматическое правило выбора длины блока предложило около 11 недель для BTC и 16 недель для ETH. Интервалы для блоков длиной 2–16 недель были сопоставимы с интервалами обычного бутстрэпа или уже них.

Правила алгоритма отбора использовали RSI, MACD, полосы Боллинджера, пересечение EMA и пробой максимума предыдущих 48 часов. Для получения оценки правилу требовалось как минимум 5 сигналов с завершёнными исходами. Перекрывающиеся окна оценки важны при интерпретации небольших наблюдаемых различий.

При повторной внутренней исследовательской проверке я заново запустила все четыре исходных скрипта и получила побайтово идентичные выходные файлы. На 40 из 40 случайно выбранных временных отметок замена будущих данных не изменила признаки без утечки; намеренно добавленный признак с использованием будущих данных ожидаемо не прошёл 40 из 40 проверок. Количество блоков walk-forward с перекрытием меток в тестовый период составило 0, а масштабировщик обучался только на тренировочных данных внутри конвейера.

Эта проверка подтверждает воспроизводимость и отсутствие известных утечек в конвейерах без утечки. Она не доказывает, что результаты сохранятся в другие периоды, на других активах или площадках либо в реальной торговле, и не устраняет смещение, связанное с исследовательским отбором.

Ограничения остаются существенными: 2 актива, 1 площадка, один период и простые модели. Метки перекрываются; проскальзывание по книге ордеров не моделируется, а поправка на множественное тестирование сверх описанного не применяется. Симулятор сетки использует траекторию из 4 точек внутри бара, от которой зависят абсолютные доходности. Я не тестировала реальную систему какого-либо поставщика, не запускала FreqAI и не торговала на реальном рынке.

См. также

• Что такое валидация walk-forward?
• Как CFO Anny Line определяет рыночные режимы?
• Как подключить мой AI к актуальным данным крипторынка?
• Документация Freqtrade по lookahead-analysis

Все результаты в этой статье получены в симуляциях и бэктестах на исторических данных, а не в реальной торговле. Гипотетическим и смоделированным результатам присущи ограничения: они строятся с учётом уже известного прошлого, не отражают реального исполнения и не предсказывают будущую результативность.

Эта статья предназначена только для образовательных целей и не является финансовой рекомендацией. Прошлые результаты не указывают на будущие. Криптоактивы волатильны, и вы можете потерять все вложенные средства. Anny Trade — аналитическая платформа, а не зарегистрированный инвестиционный консультант.