Почему MLщики не торгуют и правда ли это

На лекциях часто спрашивают, почему MLщики не идут торговать на биржу с помощью алгоритмов. Единичные примеры разумеется есть и их все знают (даже те, кто задают эти вопросы на лекции))). Но массового явления не наблюдается.

Обычно я начинаю с ответа, что каждый сам выбирает себе интересное занятие. Кому-то интересно подсказки в поиске улучшать, кому-то умную колонку делать, а кому-то на бирже торговать, и странно ожидать, что все пойдут в одну сферу.

Ряд стандартных ответов про скорость инференса и предпочтительность более простых стратегий для HFT, а также сложность конкурирования с компаниями, которые занимаются этим в гораздо большем масштабе, чем может индивидуальный участник рынка, я конечно тоже даю. Ну и, напоследок, важный момент, что работая в продуктовой компании ты можешь решить задачу просто достаточно хорошо, а чтобы переигрывать других участников рынка, наверное нужно быть одним из лучших, что вообще-то гораздо сложнее и требует большой доли соревновательности в характере.

Но все это все равно звучит как отговорка. Кроме того, есть немаленький крипторынок, на котором по идее все то, что придумывают в традиционных финансах, должно происходить с некоторым запозданием - может там у людей чаще получается что-то наторговать?

Да и в конце-концов самому уже интересно, как на самом деле все обстоит с ML в торговле активами. Кто что-то знает/слышал/общался живьем с людьми, у которых получается - напишите в комментах, что думаете

Вот что подумал: в этом канале аж 12 тысяч подписчиков и 100% есть те, кто делает алгоритмы, торгующие акциями, криптой или другими активами (или не для быстрых торгов, а для долгосрочных инвестиций). Давайте сделаем так: если вы торгуете и вам интересно привлечь больше денег, команду сильных MLщиков или просто пообщаться - оставьте свой контакт в форме, а я с вами свяжусь 🙂 Мне интересно узнать про ваш опыт, а в ответ может быть вам тоже буду чем-то полезен

Ох уж этот загадочный Валерий из Великобритании 🤔

Дальнейшие изыскания привели к интересным находкам. Первая - что есть целое направление инфобиза про как заниматься трейдингом на питоне)) Ценники на доступ к материалом с первого же этапа солидные, из чего возникает гипотеза, что дальше может быть какой-то офер на 25/50/100к. Так что как минимум можно сказать, что заработать на трейдинге можно независимо от успешности трейдинга, главное, чтобы торговали при этом не вы. И помимо совсем примитивных вариантов в духе предложений ботов в комментах тг каналов, есть чуть более продвинутые штуки с питончиком и прохладными лозунгами типа "Join 1,510 alumni that are using Python to make money"

Кроме того, я вспомнил, что знакомился много лет назад с Георгием Черемовским, фаундером Wunderfund ( wunderfund.io ). От него я узнал, что они запустили соревнование как раз для тех, кому интересно применять ML в трейдинге. И в нем можно сейчас поучаствовать: wundernn.io , $13600 призового фонда, срок проведения до 1 декабря

Если бы вы нанимали Chief Data Officer'а в большую компанию, что бы вы ожидали от него и что спрашивали на входе?

А теперь представьте, что вы выбираете, в какую компанию пойти работать как Chief Data Officer. На что вы бы обращали внимание? (Помимо зарплаты и в каком городе офис))

Продолжая тему соревнований: МТС в своем канале пишет, что на их True Tech Champ можно будет как порешать задачки на алгоритмы, так и поучаствовать в битве роботов. Выглядит как довольно неплохой способ развлечься :)

По своему опыту с МТС True Tech проектами могу сказать, что коллеги очень круто вкладываются в проведение True Tech Champ и True Tech Conf, так что должно быть классно.

Визуализация, которой пользуются: правила для составления дашбордов

Красивый дашборд, все кивают, а решение принимают интуитивно. Видели? Я видел десятки раз. Проблема не в данных, а в том, что экран не отвечает на управленческий вопрос.

Как это починить:

1️⃣ Сначала вопрос, потом график. Что именно хотим решить: перераспределить бюджет, снять риск, ускорить воронку. Если вопроса нет, втыкание в дашборд в 90% случаев только ест время.

2️⃣ Один экран — один тезис. Если тезисов два, это два экрана. Концентрация конечна.

3️⃣ Единицы и масштабы без сюрпризов. Подписи в явных единицах, проценты форматированы, шкала с нуля, если это не разрушает смысл.

4️⃣ Сравнение обязательно. Вчера, план, соседний кластер. Без контекста цифра - это просто красивая цифра.

5️⃣ Действие в зависимости от данных. Внизу экрана if-else: если метрика падает - что делаем завтра, если растет - что усиливаем.

Практические проверки, которые реально помогают:

⚠️ Если смысл не считывается за 5 секунд, меняем визуал или выносим тезис в заголовок.

⚠️ Если по информации на экране нельзя принять решение, убираем декоративный шум и добавляем то, чего не хватает для принятия решения :)

⚠️ Если спорите о цифрах, а не о действиях, значит нет понятной операционализации метрики.

К сожалению, на совещаниях и комитетах, где уже нужно принять 5-10 решений за час-два, уже некогда копать. Если из вашего дашборда непонятно, что делать дальше, на этих встречах будут смотреть не на него, а на экспрессивность каждого оратора за столом и заботливо подготовленные и положенные на слайды графики, а значит решение станет еще дальше от реальных данных и появится лишний простор для манипуляций. Дашборды работают, когда вся организация использует как источник информации именно одни и те же дашборды, а не десяток различных картинок из десятка различных презентаций десятка заинтересованных лиц.

Как считать эффект от AI без магии

"Модель повысит прибыль на X процентов". Звучит бодро, но что именно считать и как не самообмануться? 🤔

Много раз наблюдал у DSов кейс: команда принесла красивый AUC и демо. Далее звучат вопросы руководителя: где деньги, какие риски и срок окупаемости? И тут все резко усложняется.

Если коротко, рабочая схема такая:

🎯 Сформулируйте бизнес-единицу эффекта: деньги / время / риск. Пример: плюс рубли к выручке, минус часы операции, минус вероятность дефекта.

🔗 Привяжите модель к решению: какое действие изменится? (раньше звонили всем - теперь звоним топ 20 процентов скоринга)

🧮 Посчитайте дельту: uplift к текущему подходу.

🧱 Оцените инфраструктурные издержки: железо, лицензии, люди, поддержка, деградация качества и дальнейшая поддержка.

🧪 Сделайте контрольный A/B-эксперимент, длительность не меньше одного бизнес цикла и достаточная для статзначимости допустимого для бизнеса прироста (как минимум покрывающего затраты, но обычно - дающего хороший ROI).

📊 Финал: P&L табличка на 12 месяцев: эффект - затраты = маржа. Сценарии: базовый, оптимистичный, пессимистичный.

Чудес не бывает: крутая модель без внедрения в процессы = просто презентация с красивыми картинками, а даже простая эвристика, встроенная в бизнес-процесс может давать реальный прирост денег 💸 Выбор, что делать (и что не делать) в основном диктуется в коммерческой компании экономикой.

Как вы сейчас считаете экономику своих ML внедрений? Что чаще всего стреляет в ногу - доступность и качество данных, точность моделей, процессы или ожидания?

Истории успеха - это часто истории выживших, уверовавших в себя после подмены причин и следствий 🤔

Читаешь или слушаешь: человек «поверил в себя», сделал «смелый шаг» - и вот она, карьера/экзит/прорыв. Красиво. Но за кадром остаются десятки тех, кто сделал то же самое и не взлетел. Мы читаем не правило, а исключение, у которого всё совпало: контекст, тайминг, люди рядом, удача.

Пара наблюдений из практики:

- Сверяйте урок с распределением, а не с яркой биографией. Если тезис не выдерживает «а что с теми, кто делал так же, но…», перед вами байка, а не принцип.

- Ищите контр-примеры. «Уровень менеджера измеряется стоимостью его ошибки» - звучит броско, пока не вспомнишь авиадиспетчера, оператора на АЭС, хирурга. Там ставка ошибки запредельна, но это не «самые большие менеджеры». Значит, метрика - мимо.

- Проверяйте переносимость правил. Лозунг «рискуй» в венчуре и в операционке критической инфраструктуры - разные виды спорта.

- Отделяйте агентность от везения. Да, усилия важны. Но одинаковые усилия в разных контекстах дают разный результат.

Ещё один неприятный угол: легче рассуждать о «силе воли» и «правильных решениях», когда тебя не прижимало жизнью. Кто не попадал жёстко, часто недооценивает роль случайности, здоровья, семейных обстоятельств, войны, регуляторики - всего, что сильнее любого «майндсета».

Это не повод перестать вдохновляться примерами. Просто держим в голове фильтр: история ≠ инструкция, яркая судьба ≠ доказательство правила. И главное - если вы сделали всё, что могли, а не получилось, это не автоматически «ваша вина». В игре всегда много факторов, часть из них вне нашего контроля.

А какие «красивые правила» вам приходилось пересматривать после столкновения с реальностью?