AI ट्रेडिंग प्रणाली: काय आहे खरे

एकाधिक-एजंट AI ट्रेडिंग प्रणाली एका ट्रेडिंग निर्णयाला अनेक लार्ज लँग्वेज मॉडेल (LLM) इंस्टन्समध्ये विभाजित करते, प्रत्येक इंस्टन्सला एक भूमिका देते आणि त्यांचे आउटपुट एकाच ऑर्डरमध्ये विलीन करते. सामान्यतः यात एक न्यूज रीडर, एक फंडामेंटल्स विश्लेषक, एक चार्ट विश्लेषक, एक रिस्क चेकर आणि व्यवस्थापक एजंट असतो जो मध्यस्थी करतो. जुलै 2026 पर्यंत, या स्वरूपाची अनेक ओपन सोर्स फ्रेमवर्क गिटहबवरील अल्गोरिदमिक-ट्रेडिंग विषयावर उपलब्ध आहेत, प्रत्येकाला काही शेकडो स्टार्स मिळाले आहेत. हे पान आर्किटेक्चरचे विश्लेषण करते, README वरील दाव्यांमधून प्रकाशित पुरावे वेगळे करते आणि कोणत्याही आवृत्तीला येणाऱ्या खर्चावर मार्केट डेटा सादर करते.

एकाधिक-एजंट AI ट्रेडिंग प्रणाली म्हणजे काय

आर्किटेक्चर म्हणजे एका अध्यक्षांसोबतची समिती. प्रत्येक एजंट एक प्रॉम्प्ट टेम्पलेट, डेटा फीड आणि आउटपुट स्कीमा असतो. न्यूज एजंट हेडलाईन्स प्राप्त करतो आणि एक लेबल परत करतो. फंडामेंटल्स एजंट फाइलिंगचे उतारे प्राप्त करतो आणि एक स्कोअर परत करतो. चेअर एजंट ते लेबल्स आणि स्कोअर प्राप्त करतो आणि एक ऑर्डर परत करतो.

त्या डिझाइनमधून तीन गुणधर्म मिळतात, आणि कोणत्याही कार्यक्षमतेच्या दाव्यापूर्वी प्रत्येकाला नाव देणे योग्य आहे.

प्रत्येक एजंट सामान्यतः एकच बेस मॉडेल शेअर करतो. एकाच वजनावर पाच प्रॉम्प्ट्समुळे संबंधित मते तयार होतात, त्यामुळे पाच एजंटचे मत म्हणजे पाच स्वतंत्र अंदाज नाहीत. समितीची चौकट एक विविधीकरण सुचवते जे अंमलबजावणीमध्ये प्रदान केले जात नाही.

ही प्रणाली एका अंकीय निर्णयाभोवती गुंडाळलेली टेक्स्ट पाइपलाइन आहे. मॉडेल शब्द वाचतो आणि एक टोकन उत्सर्जित करतो. पोझिशन साइजिंग, ऑर्डरचा प्रकार, स्टॉप प्लेसमेंट आणि एक्झिट लॉजिक हे त्याखालील सामान्य कोड आहेत आणि परिणामावर नियंत्रण ठेवणारे बहुतेक घटक प्रॉम्प्ट्सऐवजी त्या कोडमध्ये राहतात.

एका समितीचा राउंड ट्रिप काही सेकंद घेतो. हे साप्ताहिक पुनर्संतुलनासाठी व्यवहार्य आहे आणि इंट्राडे गतीसाठी अप्रासंगिक आहे, जिथे मार्केट मेकर्स मायक्रोसेकंदमध्ये कोट आणि री-कोट करतात.

संशोधनाद्वारे काय समर्थित आहे आणि काय नाही

फायनान्समध्ये लँग्वेज मॉडेल्सवरील प्रकाशित कामांमध्ये तीन भिन्न सामर्थ्याच्या दाव्यांमध्ये विभागणी केली जाते.

एक्सट्रॅक्शन आणि क्लासिफिकेशन हा मजबूत दावा आहे. मॉडेल्स भावनांना लेबल करतात, फाइलिंगमधून आकडे काढतात आणि लांब दस्तऐवज संकुचित करतात, ज्यासाठी काही वर्षांपूर्वी एका विशेष मॉडेलची आवश्यकता होती. हे हेल्ड-आउट टेक्स्टवर मोजण्यायोग्य आहे आणि ते टिकून राहते.

मार्केट स्थितीचे वर्णन करणे हा मिश्र दावा आहे. मॉडेल्स एका रीजीमचे स्पष्ट वर्णन लिहितात आणि ते वर्णन सामान्यतः मॉडेलला दाखवलेल्या डेटाशी सुसंगत असतात. वर्णनामध्ये अशी माहिती आहे का जी किंमतीमध्ये आधीपासून नाही हा एक वेगळा प्रश्न आहे, आणि त्याची काळजीपूर्वक चाचणी करणारे पेपर्स विस्तृत त्रुटी बारसह लहान प्रभाव नोंदवतात.

नफा हा कमकुवत दावा आहे. बहुतेक रिपॉझिटरी READMEs ऑडिटेड ट्रॅक रेकॉर्डऐवजी बॅकटेस्ट नोंदवतात, आणि इन-सॅम्पल इक्विटी कर्व्ह आणि लाइव्ह अकाउंटमधील अंतर क्वांटिटेटिव्ह ट्रेडिंगमधील सर्वात जुने अंतर आहे. लँग्वेज मॉडेलला लूपमध्ये टाकल्याने ते अंतर कमी होत नाही.

कॉस्ट फ्लोर ज्याला सिग्नल क्लिअर करावा लागतो

प्रत्येक ट्रेड स्प्रेड ओलांडतो, आणि तो ओलांडणे म्हणजे कोणत्याही गोष्टीपूर्वी स्ट्रॅटेजी क्लिअर करते तो फ्लोर. जून 22 ते जून 26, 2026 या नियमित तासांदरम्यान सहा यूएस-लिस्टेड नावासाठी सरासरी कोटेड स्प्रेड:

SELECT ticker,
       round(quantileExactIf(0.5)(toFloat64(ask_price - bid_price) / (toFloat64(ask_price + bid_price) / 2), bid_price > 0 AND ask_price > bid_price) * 10000, 2) AS spread_bps,
       round(2 * quantileExactIf(0.5)(toFloat64(ask_price - bid_price) / (toFloat64(ask_price + bid_price) / 2), bid_price > 0 AND ask_price > bid_price) * 10000, 2) AS round_trip_bps,
       round(count() / 1e6, 1) AS quote_updates_m
FROM global_markets.cache_stocks_quotes
WHERE ticker IN ('SPY', 'AAPL', 'MSFT', 'KO', 'F', 'RIOT')
  AND sip_timestamp >= toDateTime('2026-06-22 00:00:00')
  AND sip_timestamp < toDateTime('2026-06-27 00:00:00')
  AND (toHour(sip_timestamp) * 60 + toMinute(sip_timestamp)) BETWEEN 810 AND 1199
GROUP BY ticker
HAVING countIf(bid_price > 0 AND ask_price > bid_price) > 0
ORDER BY spread_bps

एक बेसिस पॉइंट म्हणजे टक्केवारीचा शंभरावा भाग. पॅनेलमध्ये सर्वात घट्ट नाव, SPY, त्या आठवड्यात 0.27 बेसिस पॉइंट्सचा सरासरी स्प्रेड कोट केला. सर्वात रुंद, RIOT, 7.09 कोट केले. एक राउंड ट्रिप स्प्रेड दोनदा भरते, त्यामुळे पहिल्या नावात प्रवेश आणि बाहेर पडणे 0.55 बेसिस पॉइंट्स मागे सुरू होते आणि शेवटच्या नावात तीच जोडी 14.19 मागे सुरू होते. जे एजंट आठवड्यातून दोनदा आपले पुस्तक फिरवते ते वर्षातून सुमारे शंभर वेळा हे शुल्क भरते, आणि कॉल बरोबर असो वा चूक, शुल्क आकारले जाते. स्टॉक ट्रेड करण्याची किंमत काय आहे उर्वरित बिल तपशीलवार सांगते.

दिशानिर्देशात्मक कॉलला ज्या आवाजाला हरवावे लागते

दिशानिर्देशांचे कॉल बहुतेक लहान संख्यांच्या वितरणाविरुद्ध ग्रेड केले जातात. 2025 च्या कॅलेंडर वर्षातील प्रत्येक SPY सत्र, क्लोज-टू-क्लोज मूव्हच्या आकारानुसार क्रमवारी लावले:

WITH daily AS (
    SELECT toDate(toTimeZone(window_start, 'America/New_York')) AS d,
           argMax(close, window_start) AS close_px
    FROM global_markets.delayed_stocks_minute_aggs
    WHERE ticker = 'SPY'
      AND toDate(toTimeZone(window_start, 'America/New_York')) >= toDate('2025-01-01')
      AND toDate(toTimeZone(window_start, 'America/New_York')) <= toDate('2025-12-31')
      AND (toHour(toTimeZone(window_start, 'America/New_York')) * 60
           + toMinute(toTimeZone(window_start, 'America/New_York'))) BETWEEN 570 AND 959
    GROUP BY d
),
paired AS (
    SELECT d, close_px,
           any(close_px) OVER (ORDER BY d ASC ROWS BETWEEN 1 PRECEDING AND 1 PRECEDING) AS prev_px
    FROM daily
),
rets AS (
    SELECT d, round(100 * (toFloat64(close_px) / toFloat64(prev_px) - 1), 3) AS ret_pct
    FROM paired
    WHERE prev_px > 0
)
SELECT multiIf(abs(ret_pct) < 0.25, 'under 0.25%',
               abs(ret_pct) < 0.5, '0.25 to 0.5%',
               abs(ret_pct) < 1.0, '0.5 to 1%',
               abs(ret_pct) < 2.0, '1 to 2%',
               '2% and up') AS move_bucket,
       count() AS sessions,
       round(100 * count() / sum(count()) OVER (), 1) AS pct_of_sessions
FROM rets
GROUP BY move_bucket
ORDER BY min(abs(ret_pct))

अर्धे वर्ष अर्ध्या टक्क्याच्या आत होते. under 0.25% बँडमध्ये 24.9% सत्रे होती आणि 0.25 to 0.5% बँडमध्ये आणखी 24.1%. दुसऱ्या टोकाला, 13 सत्रांमध्ये 2% and up ची हालचाल झाली, जे वर्षाचे 5.2% होते.

ते स्प्रेड पॅनेलच्या शेजारी ठेवा. एक बेसिस पॉइंट 0.01% आहे. 0.3% ची एक सामान्य सत्र हालचाल म्हणजे घट्ट स्प्रेडच्या तीस पट आणि रुंद स्प्रेडच्या अंदाजे चार पट. अंकगणित एका संयमी, योग्य कॉलसाठी जागा सोडते आणि जलद, किरकोळ कॉलसाठी खूपच कमी.

ट्रेडिंग युनिव्हर्स प्रत्यक्षात कुठे बसते

एजंट फ्रेमवर्क कव्हरेजची जाहिरात करतात, अनेकदा दररोज सकाळी शेकडो टिकर्स स्कॅन केले जातात. डॉलर व्हॉल्यूम दर्शवते की त्या यादीतील किती भाग आकार शोषू शकतो. 30 जून 2026 रोजी नियमित तासांदरम्यान ट्रेड झालेल्या प्रत्येक यूएस-लिस्टेड नावाचे, त्या सत्राच्या डॉलर व्हॉल्यूममधील रँकनुसार गटबद्ध केलेले:

WITH tv AS (
    SELECT ticker,
           sum(toFloat64(close) * toFloat64(volume)) AS dollar_volume
    FROM global_markets.delayed_stocks_minute_aggs
    WHERE toDate(toTimeZone(window_start, 'America/New_York')) = toDate('2026-06-30')
      AND (toHour(toTimeZone(window_start, 'America/New_York')) * 60
           + toMinute(toTimeZone(window_start, 'America/New_York'))) BETWEEN 570 AND 959
    GROUP BY ticker
    HAVING sum(toFloat64(close) * toFloat64(volume)) > 0
),
ranked AS (
    SELECT ticker, dollar_volume,
           row_number() OVER (ORDER BY dollar_volume DESC) AS rk
    FROM tv
)
SELECT multiIf(rk <= 10, 'top 10 names',
               rk <= 50, 'ranks 11 to 50',
               rk <= 200, 'ranks 51 to 200',
               rk <= 1000, 'ranks 201 to 1000',
               'ranks beyond 1000') AS liquidity_tier,
       count() AS tickers,
       round(sum(dollar_volume) / 1e9, 2) AS dollar_volume_bn,
       round(100 * sum(dollar_volume) / (SELECT sum(dollar_volume) FROM tv), 1) AS pct_of_dollar_volume
FROM ranked
GROUP BY liquidity_tier
ORDER BY min(rk)

दहा नावांनी सत्राच्या डॉलर व्हॉल्यूमचा 22.5% भाग, सुमारे $205.04 अब्ज, वाहून नेला. पुढील 40 ने 20.5% वाहून नेला. दुसऱ्या टोकाला, 1000 च्या पलीकडे रँक असलेल्या 10966 नावांनी त्यांच्यात 12.9%, अंदाजे $117.83 अब्ज संपूर्ण शेपटीमध्ये पसरलेले, शेअर केले.

रुंदीची जाहिरात करणे स्वस्त आहे आणि व्यापार करणे महाग आहे. तीन हजार नावांना रँक देणारी समिती त्या शेपटीमध्ये तिच्या रँकिंग प्रयत्नांचा बहुतेक भाग खर्च करते, जिथे वरील स्प्रेड पॅनेल एक वास्तविक खर्च आहे, राउंडिंग एरर नाही.

हे बॅकटेस्ट सिस्टमला का फुगवतात

फुगवलेल्या बॅकटेस्टचा सर्वात मोठा स्रोत विंडोची निवड आहे. 2026 ते 2025 पर्यंत कॅलेंडर वर्षाप्रमाणे SPY, वर्षातील सर्वोच्च आणि सर्वात कमी क्लोजिंग किमतीमधील अंतर सोबत:

WITH daily AS (
    SELECT toDate(toTimeZone(window_start, 'America/New_York')) AS d,
           argMax(close, window_start) AS close_px
    FROM global_markets.delayed_stocks_minute_aggs
    WHERE ticker = 'SPY'
      AND toDate(toTimeZone(window_start, 'America/New_York')) >= toDate('2016-01-01')
      AND toDate(toTimeZone(window_start, 'America/New_York')) <= toDate('2025-12-31')
      AND (toHour(toTimeZone(window_start, 'America/New_York')) * 60
           + toMinute(toTimeZone(window_start, 'America/New_York'))) BETWEEN 570 AND 959
    GROUP BY d
),
yr AS (
    SELECT toYear(d) AS year,
           argMin(close_px, d) AS first_close,
           argMax(close_px, d) AS last_close,
           max(close_px) AS high_close,
           min(close_px) AS low_close,
           count() AS sessions
    FROM daily
    GROUP BY year
)
SELECT year,
       sessions,
       round(100 * (toFloat64(last_close) / toFloat64(first_close) - 1), 1) AS price_return_pct,
       round(100 * (toFloat64(high_close) / toFloat64(low_close) - 1), 1) AS high_low_range_pct
FROM yr
ORDER BY year

फक्त 2021, एक वर्ष जे 28.7% ने बंद झाले, त्यावरच चाचणी केलेली प्रणाली वाढत्या टेपचा वारसा घेते. फक्त 2022, जे -20% ने बंद झाले, त्यावरच चाचणी केलेली तीच प्रणाली घटत्या टेपचा वारसा घेते. 2020 मध्ये वर्षातील सर्वोच्च आणि सर्वात कमी क्लोजमधील अंतर 68% पर्यंत पोहोचले आणि शांत वर्षांमध्येही 25.3% च्या वर राहिले.

विंडो समस्येच्या वर चार सापळे आहेत, आणि त्यापैकी एक केवळ लँग्वेज मॉडेल्ससाठी आहे.

• प्रशिक्षण डेटामधून लुकअहेड. 2025 पर्यंतच्या टेक्स्टवर प्रशिक्षित मॉडेलने 2023 च्या ट्रेडचा निकाल कसा लागला हे आधीच वाचले आहे. 2023 च्या बॅकटेस्टमध्ये मॉडेलला उत्तर माहित असलेल्या प्रश्नाचे मूल्यांकन केले जाते, आणि किंमत मालिकेची कोणतीही फेररचना ते ज्ञान काढून टाकत नाही.
• टिकर यादीतील उत्तरजीविता. आजच्या लिस्टिंगमधून संकलित केलेले युनिव्हर्स मार्गातील डिलिस्ट झालेल्या नावांना वगळते.
• फिल गृहीतके. मध्यबिंदूवर प्रत्येक ऑर्डर भरण्याचा बॅकटेस्ट वरील संपूर्ण खर्च पॅनेल पुसून टाकतो.
• प्रॉम्प्ट व्हेरिएंट्सवर निवड. वीस प्रॉम्प्ट वाक्ये वापरली आणि सर्वोत्तम एक नोंदवली गेली, हे लँग्वेज मॉडेल्स अस्तित्वात येण्यापूर्वी पॅरामीटर स्वीप्सला त्रास देणारे ओव्हरफिटिंगसारखेच आहे.

लँग्वेज मॉडेल एजंट्स संभाव्यतः कोठे मदत करतात

पिचची प्रामाणिक आवृत्ती README आवृत्तीपेक्षा संकुचित आहे आणि तरीही उपयुक्त आहे.

व्हॉल्यूम वाचणे हा सर्वात स्पष्ट विजय आहे. रात्रभर प्रत्येक फाइलिंग आणि हेडलाईनमधून काम करणारा आणि संरचित सारांश परत करणारा एजंट मानवी लक्ष वाचवतो, आणि आउटपुट स्त्रोताशी तपासण्यायोग्य आहे.

दुसरे म्हणजे, साध्या भाषेत रीजीमचे वर्णन करणे. डिस्पर्शन, ब्रिड्थ आणि व्होलॅटिलिटीवर दररोजचा परिच्छेद, मानवी वाचकाला दिसणाऱ्या त्याच संख्यांमधून तयार केलेला, जरी त्यात कोणताही अंदाज नसला तरी उपयुक्त ब्रीफिंग दस्तऐवज आहे.

तिसरे म्हणजे, प्रक्रिया स्वच्छता. नमूद केलेल्या पोझिशन लिमिटचे उल्लंघन करणारी ऑर्डर नाकारणारा एजंट, किंवा कमाईच्या तारखेला ट्रेड करणारी स्ट्रॅटेजी फ्लॅग करणारा एजंट, विचलित मानवी दुर्लक्षित नियम लागू करतो.

यापैकी कोणतेही तीन बाजारात धार देत नाहीत. हे तिन्ही संशोधन आणि ऑपरेशन्सचे काम आहेत, जिथे आज मोजण्यायोग्य नफा आहे. लो व्होलॅटिलिटी अनोमली सारखा दस्तऐवजीकरण केलेला प्रभाव मोठ्या नमुन्यांची आणि वारंवार आउट-ऑफ-सॅम्पल प्रतिकृतींची मागणी करतो, त्याआधी कोणीही त्याला वास्तविक मानले, आणि एक नवीन एजंट फ्रेमवर्क समान बार पूर्ण करते किंवा ते क्लिअर करत नाही. सर्वोत्तम दिवस चुकवणे दीर्घ-क्षितिज धारकाला वारंवार स्विचिंगची किंमत दर्शवते.

प्रॅक्टिशनर्स वर्णन करतात ती शिस्त

या प्रणाली सार्वजनिकरित्या चालवणारे संघ समान क्रम वर्णन करतात. काही दिवसांऐवजी महिन्यांसाठी सिम्युलेटेड फिल्सवर फॉरवर्ड टेस्ट करा, कारण पेपर रेकॉर्ड केवळ वास्तविक वेळेच्या गतीने जमा होतो. प्रॉम्प्ट्सनी कधीही न पाहिलेला आउट-ऑफ-सॅम्पल स्ट्रेच ठेवा. प्रत्येक प्रॉम्प्ट, प्रत्येक प्रतिसाद आणि प्रत्येक ऑर्डर लॉग करा, कारण पुनरुत्पादित न करता येणारी समिती डीबग केली जाऊ शकत नाही. मॉडेलच्या बाहेर असलेल्या निश्चित नियमांसह पोझिशन्सचा आकार निश्चित करा. कोणत्याही स्ट्रेचला फायदेशीर म्हणण्यापूर्वी वरील पॅनेलवरील प्रत्येक खर्च मोजा.

वारंवार विचारले जाणारे प्रश्न

एकाधिक-एजंट AI ट्रेडिंग प्रणाली खरोखर पैसे कमावतात का?

सार्वजनिक पुरावे पातळ आहेत. बहुतेक ओपन सोर्स प्रोजेक्ट्स ऑडिटेड लाइव्ह रेकॉर्डऐवजी बॅकटेस्ट प्रकाशित करतात, आणि लँग्वेज मॉडेल स्ट्रॅटेजीजच्या बॅकटेस्टमध्ये एक विशिष्ट दोष असतो: मॉडेलला चाचणी कालावधीचे वर्णन करणाऱ्या टेक्स्टवर प्रशिक्षित केले गेले होते. एक ऑडिट न केलेला इक्विटी कर्व्ह एज दर्शवत नाही, तर सॉफ्टवेअर दर्शवतो.

LLM एजंटची समिती एका मॉडेलपेक्षा चांगली आहे का?

समिती काही फॉरमॅटिंग आणि पार्सिंग त्रुटी कमी करते आणि आउटपुटमध्ये संरचना जोडते. जेव्हा प्रत्येक एजंट समान अंतर्निहित डेटावर समान बेस मॉडेल क्वेरी करतो तेव्हा ती स्वतंत्र माहिती जोडत नाही. पाच संबंधित मते अंदाजे एका मतासारखी मतदान करतात, अतिरिक्त विलंब आणि अतिरिक्त टोकन खर्चासह.

AI एजंट मार्केट मेकरपेक्षा वेगाने ट्रेड करू शकतो का?

नाही. लँग्वेज मॉडेलचा राउंड ट्रिप काही सेकंदात चालतो, तर व्यावसायिक कोटिंग सिस्टम को-लोकेटेड हार्डवेअरवर मायक्रोसेकंदमध्ये कार्य करतात. गतीवर अवलंबून असलेला कोणताही स्ट्रॅटेजी या प्रणालींच्या क्षमतेबाहेर असतो, ज्यामुळे दिवस आणि आठवड्यांचे क्षितिज संभाव्य मैदान म्हणून राहते.

LLM ट्रेडिंग एजंटसाठी विशिष्ट सर्वात मोठा बॅकटेस्ट सापळा कोणता आहे?

प्रशिक्षण-डेटा लुकअहेड. पारंपरिक बॅकटेस्ट भविष्यातील किमतींना निर्णयात लीक होण्यापासून वाचवतात, परंतु मॉडेलचे वजन आधीच चाचणी विंडोबद्दल प्रकाशित भाष्य एन्कोड करते. वॉक-फॉरवर्ड विंडोज आणि आउट-ऑफ-सॅम्पल स्प्लिट्स वजनांमध्ये तयार झालेले ज्ञान काढून टाकत नाहीत, आणि एकमेव स्वच्छ चाचणी प्रशिक्षण कटऑफनंतरचा कालावधी आहे.

पेपर-ट्रेडिंग कालावधी किती काळ चालणे आवश्यक आहे?

उपयुक्त चौकट कॅलेंडर लांबीऐवजी नमुना आकार आहे. साप्ताहिक ट्रेड करणारी स्ट्रॅटेजी वर्षातून सुमारे पन्नास निरीक्षणे तयार करते, कोणत्याही एज दाव्यासाठी एक लहान नमुना. प्रॅक्टिशनर्सना सामान्यतः एज पाहण्यासाठी पुरेसे ट्रेड हवे असतात, केवळ चांगला स्ट्रेच नाही.

या पृष्ठावरील प्रत्येक पॅनेल वास्तविक यूएस मार्केट डेटावर संग्रहित, आवृत्तीकृत क्वेरी आहे. SQL वाचण्यासाठी कोणतेही पॅनेल उघडा किंवा स्ट्रॅसमोर टर्मिनलवर समान टेबल्सवर तुमची स्वतःची चालवा.