Barfinex
Loading

Интеллект торговой автоматизации: от рыночного evidence к управляемому решению

Как Barfinex превращает рыночное evidence в структурированный контекст решений, разделяя стратегию, детерминированный допуск и риск.

«Интеллект торговой автоматизации» имеет смысл только тогда, когда под интеллектом понимается проверяемое evidence и контекст решения, а не чёрный ящик, который незаметно превращает данные в ордера.

В Barfinex автоматизация разделена по ответственности. Detector владеет стратегической логикой, Advisor — детерминированным policy-допуском, Inspector — финальной execution, sizing и risk authority с отправкой через Provider. Это и есть центральная идея страницы.

Интеллект начинается с цепочки evidence

До вопроса «bullish или bearish?» система должна уметь ответить:

  • какое рыночное наблюдение активировало стратегию;
  • насколько свежими были данные;
  • какая версия стратегии их оценила;
  • какие индикаторы и контекст были приложены;
  • какое policy-решение допустило или отклонило кандидата;
  • какое состояние риска применялось после допуска.

Такая цепочка полезнее непрозрачного confidence score, потому что её можно разобрать, когда рынок начинает вести себя иначе, чем в тестовом периоде.

Что именно автоматизировано в Barfinex

Detector: причинная логика стратегии

Detector проверяет настроенные условия и создаёт оценённого кандидата. Стратегия должна уметь объяснить, почему она сработала через свои собственные входные данные.

См. движок правил Detector и контекст сигналов.

Advisor: детерминированный допуск

Advisor намеренно не является AI decision engine. Он не переинтерпретирует торговую идею. Он проверяет требования к неизменяемому кандидату/evidence и записывает ADMIT или REJECT.

Так можно отделить «стратегия породила кандидата» от «кандидату разрешено двигаться дальше».

Inspector: владелец исполнения и риска

Inspector отвечает за финальный sizing, execution authority и risk rules. Кандидат может быть корректным с точки зрения стратегии, но заблокирован из-за экспозиции, drawdown, состояния счета или других лимитов. Одобренное исполнение всё равно проходит через Provider — единственную broker/exchange границу.

См. политики риска Inspector.

Где полезен machine intelligence

ML- и LLM-инструменты могут быть полезны в исследовательском workflow, если их роль названа явно. Например:

  • суммировать большой объём рыночного контекста для человека;
  • группировать похожие market regimes для исследования;
  • ранжировать evidence для последующего разбора;
  • помогать исследовать документацию и исторические наблюдения.

Это не то же самое, что дать LLM скрытое право создать или одобрить биржевой ордер.

Как выглядит полезная запись решения

Для последующего объяснения кандидата полезно хранить:

ПолеЗачем
Инструмент и площадкаУстанавливает идентичность рынка
Временные меткиПоказывает stale/delayed входы
Стратегия и версияФиксирует точную логику
Направление и scoreСохраняет выход Detector
Ссылки на evidenceПоказывает, что проверяла policy
Результат AdvisorФиксирует детерминированный допуск
Решение InspectorФиксирует финальный риск, sizing и governed execution authority
Результат Provider/площадкиОтделяет intent от подтверждённого площадкой order/fill evidence

Так исследователь может отдельно анализировать качество решения и качество исполнения.

Что не стоит оптимизировать

Система становится менее надёжной, если главная цель — это:

  • максимальное число сигналов;
  • confidence без истории калибровки;
  • AI-объяснение, не связанное с входами решения;
  • скрытие отклонённых кандидатов ради красивого dashboard;
  • изменение риск-ограничений ради сохранения желаемого действия стратегии.

Цель исследования — не сделать каждого кандидата торгуемым, а сделать каждый важный переход явным.

Куда идти дальше

Автоматизация и machine intelligence могут ошибаться. Качество данных, ликвидность, задержки, издержки, смена режима и ошибки моделей остаются существенными рисками. См. уведомление о рисках.

Давайте свяжемся

Есть вопросы или хотите узнать больше о Barfinex? Напишите нам.