DI agentai prekyboje (arba AI Agents) – tai viena iš pagrindinių 2025–2026 m. tendencijų.
Kas gi yra tie DI agentai? Paprastai tariant, tai kompiuterinės programos, kurios gali analizuoti duomenis, mokytis iš savo klaidų ir priimti sprendimus. Skirtingai nuo senųjų prekybos botų, kurie tiesiog laikosi iš anksto nustatytų instrukcijų, DI agentai gali „suprasti“ rinką ir prisitaikyti prie pokyčių. Žinoma, žodis „suprasti, kaip žmogus” čia yra per drąsus – jie modeliuoja signalus, klasifikuoja informaciją, generuoja hipotezes ir vykdo taisykles.
Didžiosios centralizuotos biržos (OKX, Binance, Bybit, Coinbase, Kraken ir kt.) jau įdiegė DI agentų palaikymą. Nepriklausomi startuoliai ir projektai (pavyzdžiui, TradingAgents, HKUDS AI-Trader, Spectral Labs Syntax ir kt.) siūlo atvirus ir komercinius sprendimus, pagrįstus giliu mokymusi, RL ir LLM algoritmais, skirtus rinkos analizei ir prekybos signalų generavimui.
| Šis straipsnis yra informacinio pobūdžio, jis negali ir neturėtų būti vertinamas kaip konsultacija ar patarimas. |
Treidingo evoliucija: nuo algoritmų iki DI agentų
Daugelį metų prekybos automatizavimas rėmėsi „jei – tai“ principu. Tradiciniai prekybos botai prisijungdavo prie biržų per API ir laikydavosi griežtai nustatytos logikos: pasiekus tam tikrą kainą ar indikatoriaus reikšmę, būdavo atliekamas konkretus veiksmas (pavyzdžiui, „jei RSI < 30 – pirk“). Tačiau tokia architektūra turi griežtą prisitaikymo ribą – botas negali suprasti, kodėl juda rinka, ir pakoreguoti strategijos be rankinio įsikišimo.
Šiuolaikinis vystymosi etapas pažymėtas perėjimu nuo algoritminės prekybos (AT) prie agentinės prekybos (AGT). Kaip pažymima „Open-Finance-Lab“ tyrime, jei tradicinis algoritmas sudarytas iš linijinės modulių sekos (duomenys → signalas → portfelis → vykdymas), tai agentinis požiūris šį procesą perkoncepuoja kaip sąveikaujančių autonominių agentų ekosistemą.
Paprastai tariant, DI agentas „mąsto“ kaip treideris: analizuoja naujienas, on-chain duomenis, nuotaikas socialiniuose tinkluose, fundamentalius rodiklius, valdo riziką ir gali būti apmokomas istoriniais duomenimis arba adaptuojamas pagal iš anksto numatytą logiką.
Trumpai tariant, pagrindinis skirtumas tarp tradicinių prekybos botų ir DI agentų yra toks:
- Prekybos botai vykdo instrukcijas.
- DI agentai interpretuoja ketinimus natūralia kalba, apgalvoja veiksmų planą, naudoja įrankius ir prisitaiko prie konteksto.
DI agentų klasifikacija treidinge
Treidinge, supaprastintai galima išskirti tris grupes: nepriklausomi (startuoliai ir atviro kodo projektai, prekiaujantys įvairiose platformose), biržiniai/brokeriniai (integruoti sprendimai iš prekybos platformų ir brokerių) ir hibridiniai (pavyzdžiui, sistemos, apjungiančios kelis agentus).
Techninės architektūros skiriasi nuo paprastų LLM pokalbių iki daugiapakopių agentų: pavyzdžiui, projektas TradingAgents (Tauric Research) diegia specializuotų agentų grandinę (techninis analitikas, fundamentinis analitikas, naujienų ir nuotaikų analitikas, treideris ir rizikos valdytojas).
Nepriklausomi DI agentai. Tai savarankiškos platformos ir įrankiai, sukurti startuolių, tyrimų grupių ar kūrėjų bendruomenių. Jie gali veikti bet kuriose prieinamose rinkose (akcijos, kriptovaliuta, ateities sandoriai, Forex ir kt.) per viešus API.
Nepriklausomų DI agentų pavyzdžiai: atviros programinės įrangos platformos ir botai, pagrįsti RL ir LLM (pavyzdžiui, TradingAgents iš „Tauric Research“, AI-Traderv2/AI-Trader iš HKUDS), komercinės SaaS platformos ir programos. Algoritmai svyruoja nuo klasikinių algoritminių strategijų iki hibridinių schemų su LLM ir stiprinimo mokymu (RL). Nepriklausomi sprendimai dažnai teikiami kaip atvirojo kodo (pagal MIT, Apache ir kt. licencijas) arba pagal SaaS licencijos modelį.
Integruoti biržos/brokerio agentai. Kai kurios didžiosios kriptobiržos ir su jomis susijusios kūrėjų platformos jau pristatė įrankius, skirtus AI agentams ar natūralios kalbos prekybos sąsajoms. Tai leidžia treideriams paleisti botus tiesiogiai biržoje, turint prieigą prie rinkos duomenų ir orderių. Tokie instrumentai paprastai teikiami nemokamai arba pagal prenumeratą platformos klientams.
Pavyzdžiai: OKX Agent Trade Kit (atviras API rinkinys, skirtas agentų paleidimui OKX platformoje; palaiko spot ir neterminuotą prekybą, sąlyginius orderius, demo režimą ir vietinį raktų saugojimą), Binance AI Agent Skills (įgūdžių rinkinys, skirtas kainų pasiūlymams gauti ir orderiams pateikti įvairiose Binance rinkose), Bybit AI Hub (chat-bot sąsaja prekybai pagal tekstinius užklausimus), Coinbase Agent Kit/Agentic Wallets (įrankiai autonominiams agentiniams piniginėms ir on-chain operacijoms) bei Kraken CLI (konsolinis įrankis kūrėjams, palaikantis srautinę duomenų perdavimą ir lokalų paper-trading).
Visos šios iniciatyvos skirtos supaprastinti botų kūrimą ir padidinti saugumą (pavyzdžiui, vietinis API raktų saugojimas, automatinis sistemos išjungimas, demo aplinka).
Daugiaagentės sistemos. Atskirą kategoriją sudaro architektūros, kuriose daugybė specializuotų agentų veikia kartu.
Pavyzdys – TradingAgents (Tauric Research) sistema. Ji suskaido prekybos procesą į etapus: keli analitiniai agentai analizuoja fundamentalius duomenis, naujienas, visuomenės nuotaikas ir techninius indikatorius; tada „tyrėjų“ grupė (optimistai/pesimistai) aptaria alternatyvius scenarijus; toliau treideris-agentas priima sprendimą dėl sandorių, o rizikos valdymo ir portfelio valdytojų komandos įvertina riziką ir patvirtina sandorius.
Tokiu požiūriu LLM agentai atlieka įvairių „specialistų“ vaidmenį, o jų sąveika (derybos, diskusijos) priartina sistemą prie realių prekybos skyriaus procesų.
Šiandien daugiaagentės sistemos daugiausia yra tiriamosios.
Prekybos DI agentų architektūra ir algoritmai
Techniniai sprendimai DI agentams yra gana įvairūs.
Populiarus metodas – mokymasis su stiprinimu (reinforcement learning, RL). DI agentas mokosi treidingo remdamasis istoriniais duomenimis, siekdamas maksimizuoti atlygį (pavyzdžiui, pelną ar Šarpo koeficientą).
Viename tyrime hibridinis RL modelis parodė didesnį Šarpo koeficientą (investicijų efektyvumo rodiklį, atsižvelgiant į riziką) palyginti su atskirais algoritmais.
Didieji kalbos modeliai (LLM) naudojami naujienų ir rinkos signalų analizei, prekybos idėjų generavimui ir strategijų pritaikymui natūralia kalba. Tuo pačiu metu vyrauja tendencija naudoti LLM kaip analitikos ar vartotojo sąsajos komponentą, o ne kaip visiškai autonominį treiderį.
Kitaip tariant, LLM dažniausiai veikia kaip analitiniai moduliai hibridiniuose modeliuose, kuriuose derinamas dirbtinis intelektas, algoritminė prekyba ir žmogaus kontrolė. Visiškai autonominiai LLM agentai kol kas yra retenybė dėl interpretavimo ir patikimumo problemų.
Mišrūs modeliai (LLM + RL, kur kalbos modelio samprotavimas derinamas su stiprinamuoju mokymu) tiriamas tokiuose darbuose kaip Trading-R1 (Tauric Research), kur LLM mąstymo įtraukimas į RL pagrįstą strategiją pagerino rizika pakoreguotą grąžą ir sumažino nuostolius.
Klasikinės algoritminės strategijos (strategijos, naudojančios techninius indikatorius, skalpingo strategijos, rinkos formavimo strategijos ir kt.) tebėra plačiai taikomos ir dažnai integruojamos su DI komponentais parametrų pritaikymui ar generavimui.
Pavyzdžių ir treiderių atsiliepimų analizė
Treiderių nuomonės apie DI agentus skiriasi.
Profesionaliose aplinkose dažnai skamba skepticizmas: daugelis mano, kad dabartiniai sprendimai yra labiau rinkodaros triukas nei visiškas treiderio pakeitimas. Kaip rašė vienas ekspertas Habr portale: „90 % DI agentų atvejų galima įgyvendinti naudojant įprastus algoritmus… O „įdiegti AI agentą“ – tai būdas užklijuoti madingą etiketę ant esamo chaoso“.
Kitas tipiškas komentaras „Gražūs žodžiai, bet nėra jokių įrodymų. Tai banalus sistemos promptas ChatGPT viduje“ atspindi bendruomenės abejones dėl sudėtingų sistemų efektyvumo, kurių rezultatai nėra skaidrūs.
Dauguma IT specialistų kol kas naudoja LLM kaip pagalbinę priemonę naujienų ir duomenų analizei (idėjų, scenarijų generavimui), bet nepatiki jam visiškai autonomiško sprendimų priėmimo.
Beje, tai, ką siūlo įvairūs servisai ir brokeriai, iš esmės yra DI agentų kūrimo platformos, kur vartotojas agentą gali susikurti pats. Rezultate – gaunamas agentas, kuris renka naujienas, analizuoja įmonių ataskaitas ir atlieka paprasčiausių prekybos strategijų atgalinį testavimą. Tokių platformų yra nemažai: Gumloop, Dify, Flowise AI / Langflow (nuotraukoje aukščiau), Microsoft Copilot Studio ir kt.
Deja, treidingo DI agentų rinkoje pasitaiko ir sukčiavimo schemų. Mūsų treiderių atsiliepimų analizė atskleidė dažnus sukčiavimo šablonus.
Pavyzdžiui, viena skaitytoja aprašė „greito pelno“ schemas per Telegram kanalą: po nedidelės investicijos jai buvo pažadėta padvigubinti sumą per 15 minučių, o vėliau pareikalauta sumokėti „tinklo komisiją“.
Iš tikrųjų, tai klasikinė pinigų išviliojimo schema: jokių lėšų išėmimų nevyksta. Patikrinimo svetainių analizė parodė, kad tokių „botų“ daugiau nei 99 % išorinių atsiliepimų yra neigiami. Formaliai teigiami atsiliepimai dažnai skelbiami uždaruose kanaluose pačių kūrėjų, atrodo netikri ir neturi jokių patvirtinimų.
Tipiniai sukčiavimo požymiai: kūrėjų anonimiškumas, žadamas ypač didelis pelningumas, reikalavimas sumokėti išankstinį mokestį už „lėšų išėmimą“, viešos statistikos nebuvimas.
Tačiau verta paminėti teigiamus atsiliepimus apie biržų sistemas.
Pavyzdžiui, vartotojai vertina debesų platformų patogumą, nes jos nereikalauja savo serverio konfigūravimo. Pavyzdžiui, OKX klientai giria Agent Trade Kit atvirumą ir galimybę be didelių sunkumų kurti savo botus. Treiderių pokalbių svetainėse kartais pasitaiko istorijų apie sėkmingą paprastų botų naudojimą (pavyzdžiui, pagrįstų žinomomis strategijomis), tačiau dažnai neminint konkrečių AI modelių.
Paprasta išvada: kaip visa tai veikia praktikoje
Geras DI agentas atlieka žemiau nurodytus veiksmus, patikrindamas save ir įvertindamas situaciją iš įvairių kampų:
1. Duomenų rinkimas – kaina, apimtys, on-chain metrikos, naujienos, X/Reddit, įmonių ataskaitos.
2. Analizė – keli agentai lygiagrečiai atlieka:
- fundamentalią analizę,
- techninę analizę,
- nuotaikų analizę,
- rizikos vertinimą.
3. Sprendimas ir vykdymas – pagrindinis agentas priima sprendimą ir siunčia orderį į biržą (Binance, Bybit, Hyperliquid ir kt.).
4. Mokymasis – gali kaupti rezultatų istoriją ir būti periodiškai pertreniruojami arba perkonfigūruojami.
Pasitikėti ar nepasitikėti DI agentais treidinge – kiekvieno asmeninis pasirinkimas. Kituose straipsniuose papasakosime apie DI agentus populiariose kriptovaliutų biržose, taip pat susipažinsime su kai kuriomis paslaugomis, skirtomis DI agentams kurti.