Мы выпустили 50 ИИ-агентов на виртуальный рынок, и вот какие выводы мы сделали

Привет! Это офис ИИ Московской биржи, мы создаем и развиваем внутренние и внешние ИИ-продукты, среди них FinGPT, MOEX GPT, MOEX Insight, Code Agent. И мы считаем, что в ближайшие годы на финансовом рынке появится новый тип участника — ИИ-агенты.

Уже существуют чат-боты, которые отвечают на вопросы инвесторов, и есть классические торговые роботы, которые работают по заранее заданным правилам. А это будут новые автономные системы, которые умеют собирать данные, интерпретировать новости, строить гипотезы, спорить сами с собой, принимать решения и отправлять заявки.

Звучит красиво.

Но смогут ли ИИ-агенты торговать? Чтобы проверить эту идею, мы провели MOEX AI Hackathon. И вот к каким выводам мы пришли.

Первый вывод, который стал очевиден почти сразу: сильный ИИ-агент не похож на классического торгового робота, к которому просто добавили LLM.

Классический алгоритм обычно устроен понятнее: есть сигнал, есть условие входа, есть правило выхода, есть лимиты. Если все сошлось — робот совершает сделку. Если не сошлось — не совершает.

У ИИ-агентов архитектура получилась сложнее. Лучшие команды строили не одну модель, а целый контур принятия решений: рыночные данные, технические индикаторы, новости, корпоративные события, ML-модели, LLM-слои, внутренние роли и риск-модули.

Одна из лидирующих команд, например, собрала внутри агента структуру, похожую на инвестиционный комитет. В ней были аналитик, критик, стратег, валидатор и риск-менеджер. Отдельные слои отвечали за обработку рыночных данных и новостей. Решение о сделке принималось не по одному сигналу, а после внутренней проверки гипотез.

Это важное отличие. Исполнительская часть у таких агентов похожа на алготрейдинг: нужно управлять позицией, соблюдать лимиты, отправлять заявки. Но слой принятия решений уже другой. Он становится более человеческим по логике: агент собирает контекст, сравнивает аргументы, оценивает риски и пытается объяснить, почему сделка имеет смысл.

Один из самых интересных результатов хакатона — роль новостей.

Топовые команды не ограничивались техническими индикаторами. Они подключали новостные источники, корпоративные события и пытались встроить информационный фон в саму логику принятия решений.

Топ-5 команд использовали механизмы обработки новостного потока. Агенты анализировали более 30 RSS-лент и новостных источников, проверяли данные, ранжировали источники по уровню доверия и пытались снизить риск галлюцинаций.

Самый важный момент: новости были не просто «дополнительной информацией». У сильных агентов они могли изменить решение. Например, если технический индикатор показывал возможность сделки, но новостной фон противоречил этому сигналу, агент мог отказаться от сделки, уменьшить объём позиции или перейти в более осторожный режим.

Для нас это один из ключевых выводов. Когда ИИ-агенты станут участниками рыночной инфраструктуры, им понадобятся данные в удобном для машин виде. Быстрые, структурированные, проверенные, с понятной логикой доступа.

Иначе агент будет собирать рыночный контекст через случайный веб-поиск, агрегаторы, неструктурированные источники и собственные интерпретации. Это медленнее, дороже и рискованнее.

Когда мы начали смотреть на результаты, быстро стало понятно: большое количество сделок не равно хорошая стратегия.

Один из самых убыточных агентов совершил около 7,7 тыс. сделок и сделал оборот примерно 1,8 млрд виртуальных рублей. На графике это выглядело как бурная деятельность. Но по факту агент потерял большую часть виртуального бюджета, в том числе на комиссиях.

Лидеры рейтинга вели себя иначе. Они торговали более сдержанно и избирательно. Их оборот составил от 13 до 40 млн виртуальных рублей — значительно меньше, чем у самых агрессивных агентов. Но именно эта избирательность помогла им показать положительный результат.

Отдельно мы анализировали риск-менеджмент. И здесь увидели, что наличие риск-модуля в архитектуре ещё не означает, что он действительно работает.

В половине случаев риск-контур реально влиял на поведение агента. Он мог запретить сделку, уменьшить объём, поставить операцию на паузу, включить осторожный режим или полностью остановить торговлю.

Но были и другие примеры. В 20% решений риск-слой был скорее формальным. Он был описан в архитектуре, но не имел реального права вето. Агент мог продолжать торговать вопреки прописанным риск-параметрам. Именно такая архитектура была у худшего по рейтингу ИИ-агента.

Ещё у 8% агентов риск-контур отсутствовал полностью. Они торговали без понятных ограничений: брали слишком большой риск, совершали много сделок и не останавливались при просадке.

Мы увидели несколько типовых рискованных сценариев:

После этого стало понятно: риск-менеджмент для ИИ-агента должен быть полноценным управляющим контуром. Он должен иметь возможность остановить агента, снизить объём, заблокировать сделку или перевести систему в безопасный режим.

Положительный результат на коротком отрезке нельзя автоматически считать доказательством устойчивого торгового преимущества. Важно понять, как агент будет себя вести на новых данных, при другой волатильности, другом новостном фоне, других ограничениях и стресс-сценариях.

Сейчас мы проводим бэктесты ИИ-агентов. Лучший из них показал прибыль 7,7% с начала 2026 года. И мы уже выявили 51 общий паттерн поведения ИИ-агентов хакатона, эти паттерны лягут в основу стандарта для создания ИИ-протокола на Московской бирже.