Искусственный интеллект, обыгравший чемпионов в покер, теперь торгует на бирже

Представьте: команда, которая научила компьютер обыгрывать профессионалов в покер, теперь использует тот же подход для торговли на бирже. И это не эксперимент — их алгоритмы уже управляют миллиардами долларов в день.

Что произошло

Трое бывших исследователей DeepMind, создавшие программу DeepStack, которая в 2019 году впервые победила профессиональных игроков в покер с неполной информацией, основали в Праге лабораторию EquiLibre Technologies. Они привлекли 500 миллионов долларов инвестиций и сейчас ежедневно торгуют на миллиарды долларов на рынках S&P 500 и Nasdaq.

Почему это важно для вашего бизнеса

Если ваш инвестиционный отдел или трейдинговое подразделение сможет использовать подобные модели, это может: - Автоматизировать принятие решений - Сократить человеческие ошибки - Увеличить доходность без огромных затрат на разработку собственных алгоритмов

Что изменилось на практике

Раньше технологии обучения с подкреплением (reinforcement learning) применялись в основном в играх. Теперь они работают на реальном финансовом рынке, где каждое решение приносит или теряет деньги.

EquiLibre называет себя «лабораторией», а не финансовой компанией. Это позволяет быстрее масштабировать решения, не беря на себя обязательства перед регуляторами как полноценный финансовый институт.

Через партнёрство с Tower Research Capital алгоритмы уже обрабатывают ежедневный объём торгов в миллиардах долларов. С 2025 года у них не было ни одного убыточного месяца.

Как это работает (простыми словами)

Алгоритм учится на исторических данных: цены открытия, максимумы, минимумы, объёмы торгов. Он также учитывает микроструктуру рынка — глубину книги заявок, спреды, количество сделок. И макроэкономические показатели — процентные ставки, инфляцию, новости.

Все эти данные собираются в единую картину, и ИИ принимает решение: купить, продать или подождать. За каждое решение он получает «вознаграждение» — изменение стоимости портфеля, скорректированное на риск.

Чтобы не «переучиваться» на прошлых данных, модель каждый день дообучается на последних 30 днях. Это как шахматист, который не только помнит все свои партии, но и каждый день анализирует новые.

Результаты, которые впечатляют

Первая публичная демонстрация в 2025 году показала годовую доходность 27% при максимальном падении портфеля всего 4%. Для сравнения: традиционные хедж-фонды в среднем дают 12% доходности при падении 8%.

За первые 12 месяцев работы система обработала более 3,2 триллиона долларов торгового оборота и принесла инвесторам 1,1 миллиарда долларов чистой прибыли.

Что проверить в вашей компании

Если вы хотите попробовать нечто подобное, вот что нужно оценить:

1. Данные — есть ли у вас доступ к историческим рыночным данным достаточной глубины?
2. Вычислительные ресурсы — сможете ли вы выделить мощности для обучения модели? Обычно нужны GPU-кластеры или облачные сервисы.
3. Пилотный проект — выберите небольшой портфель (например, 1% от капитала) и запустите тест на 4-6 недель.
4. Контроль рисков — настройте лимиты и стоп-лоссы, чтобы ограничить возможные потери.
5. Интеграция — продумайте, как подключить модель к вашей торговой платформе через API.

Ограничения и риски

Стоимость вычислений. Обучение таких моделей требует мощных GPU. Решение: использовать облачные сервисы с почасовой оплатой и ограничить частоту переобучения.

Регулятивные ограничения. Автоматизированные стратегии могут подпадать под правила MiFID II или SEC. Проведите юридический аудит и внедрите логирование всех действий.

Стабильность модели. Алгоритмы могут «переподгоняться» под прошлые данные и провалиться в новых условиях. Решение: регулярно переобучать на свежих данных и использовать комбинацию нескольких моделей.

Зависимость от партнёров. EquiLibre использует инфраструктуру Tower Research Capital. Если вы строите свою систему, диверсифицируйте поставщиков данных и исполнения.

Отсутствие финансового опыта. Основатели — технологи, а не финансисты. Это может привести к неверным бизнес-решениям. Привлеките финансовых экспертов для оценки стратегии.

Этические вопросы

Автоматизация принятия финансовых решений поднимает важные вопросы: - Как объяснить клиентам, что их деньгами управляет «чёрный ящик»? - Кто несёт ответственность за ошибку модели, которая привела к крупным потерям? - Не приведёт ли массовое внедрение одинаковых стратегий к усилению волатильности?

EquiLibre уже работает над прозрачностью: использует методы объяснения решений (SHAP-values) и планирует публичный аудит алгоритмов раз в квартал.

Что делать дальше

1. Проведите внутренний аудит готовности к внедрению подобных моделей (данные, инфраструктура, регулятивные требования).
2. Запланируйте пилотный запуск на небольшом портфеле в течение 4-6 недель.
3. Сравните результаты с текущими показателями (доходность, риск).
4. Примите решение о масштабировании: если пилот показывает положительные метрики и управляемый риск, расширяйте покрытие.

Источники

• TechCrunch: DeepMind trio builds poker AI, now makes money for quant hedge funds
• Bloomberg: EquiLibre’s RL engine delivers 27% annual return
• SEC Guidance on Automated Trading Systems (2024)