В последнее время в СМИ активно обсуждают, как DeepSeek приносит прибыль, в то время как ChatGPT теряет деньги. В данной статье я постараюсь объяснить, почему такие выводы являются чрезмерно упрощенными, основываясь на недостатках как дизайна эксперимента, так и его реализации. Эксперимент подразумевает использование LLM в трейдинге, что, как я считаю, неэффективно.

Расмотрим промпт, который получает модель. Он включает данные о времени торговли, технических индикаторах и статистике. Однако многие индикаторы, такие как MACD, не масштабированы, что снижает их применимость. Отсутствие инструкций по стоп-лоссам и тейк-профитам делает их использование неэффективным.

Также стоит отметить, что использование плеча в торговле увеличивает риск, и долгосрочная эффективность торговли с плечом редко бывает оправдана.

Для корректного анализа необходимо запускать несколько экземпляров системы на разных биржах и использовать бейзлайны для сравнения. В итоге, текущий эксперимент больше напоминает proof of concept, чем полноценный бенчмарк.